سامانه پژوهشی – طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس- قسمت …

جستجوی چند مرحله‏ای یک روش سلسله مراتبی[۱۱۸] محسوب می‏گردد. به عبارت دیگر در مراحل ابتدایی جستجو، گام‏های جستجو بزرگ می‏باشد و با افزایش تعداد مراحل، گام‏ها کوچک‏تر و دقت جستجو بیشتر می‏شود. در این روش، جستجو از مرکز پنجره و ۸ نقطه اطراف آن آغاز می‏شود. در هر مرحله، نقطه‏ای که بیشترین انطباق در آن رخ داده به عنوان مرکز انتخاب شده و عمل جستجو به مرکزیت آن نقطه و با گامی برابر نصف گام قبلی انجام می‏گیرد. جستجو زمانی پایان می‏یابد که طول گام جستجو به یک برسد. در شکل ‏۳‑۹ روند جستجوی سه مرحله‏ای نمایش داده شده است. جستجوی چند مرحله‏ای با کاهش تعداد نقاط جستجو، حجم محاسبات را کاهش داده و باعث افزایش سرعت ردیابی می‏شود.
روند جستجوی سه مرحله‏ای با بزرگی نقاط تعیین شده است. جستجو از نقاط بزرگتر شروع شده و در نهایت به نقطه تیره ختم می‏شود.
شکل ‏۳‑۹: نمایش چگونگی انجام جستجوی سه مرحله‏ای
معیار تطابق
دو معیار تطابق برای ردیابی چهره استفاده شد: ضریب همبستگی و مجموع قدرمطلق تفاضل (SAD). هرچند حجم محاسباتی روش ضریب همبستگی بیشتر از روش SAD است، اما دقت این روش بیشتر می‏باشد. روش محاسبه ضریب همبستگی و مجموع قدرمطلق تفاضل (SAD) در فصل دوم معرفی گردید.
استخراج ویژگی‏های مربوط به کاهش هوشیاری
ویژگی‏های استخراج شده جهت تشخیص کاهش هوشیاری را می‏توان به دو دسته اصلی تقسیم‏بندی کرد: ویژگی ناحیه چهره و ویژگی‏های ناحیه چشم. ویژگی ناحیه چهره شامل آشکارسازی چرخش سر و ویژگی‏های ناحیه چشم شامل درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن و کاهش فاصله بین پلک‏ها می‏باشد.
ویژگی ناحیه چهره از اطلاعات ردیابی چهره و بررسی انطباق قالب چهره رو به جلو و تصویر کنونی چهره بدست می‏آید. ویژگی‏های ناحیه چشم نیز از پروجکشن افقی نیمه بالایی تصویر چهره و تشکیل یک مدل مکانی-زمانی[۱۱۹] استخراج می‏گردد.
ویژگی‏های ناحیه چشم
در سیستم پیشنهادی، برای استخراج ویژگی‏های ناحیه چشم، از پروجکشن افقی نیمه بالایی تصویر چهره استفاده شده است. هرچند تاکنون در سیستم‏های نظارت چهره راننده از این ویژگی بسیار استفاده شده، اما نوآوری آن در محاسبات وفقی و تشکیل یک مدل مکانی-زمانی برای استخراج ویژگی می‏باشد. در اکثر سیستم‏هایی که از پروجکشن افقی نیمه بالایی چشم برای آشکارسازی چشم و بررسی باز یا بسته بودن چشم استفاده کرده‏اند، فقط از اطلاعات فریم جاری استفاده شده است. همچنین معمولا در این سیستم‏ها با فرض تیره‏تر بودن مردمک چشم نسبت به پوست، محل چشم آشکارسازی و بسته بودن آن مشخص می‏گردد. این روش‏ها اغلب در آشکارسازی چشم افراد سیاه‏پوست دچار مشکل می‏شود. اما در روش پیشنهادی محاسبات وفقی بوده و براساس اطلاعات ثبت شده در دقایق قبلی ویژگی‏های مفید استخراج می‏شود.
در روش پیشنهادی برای استخراج ویژگی‏های ناحیه چشم، برخلاف سایر روش‏های قبلی نیاز به آشکارسازی صریح چشم است. بلکه استخراج ویژگی فقط بر اساس تغییرات پروجکشن افقی چشم در طول زمان می‏باشد.
ویژگی‏های استخراج شده از ناحیه چشم برای تشخیص کاهش هوشیاری (خستگی و عدم تمرکز حواس) عبارتند از:
درصد بسته بودن چشم در یک دوره معین (PERCLOS)
نرخ پلک زدن در یک مدت معین
کاهش فاصله بین پلک‏ها
ویژگی درصد بسته بودن چشم‏ها برای تشخیص خستگی بسیار مفید است. چنانچه درصد بسته بودن چشم نسبت به حالت طبیعی بیشتر باشد، نشانه خستگی راننده است. ویژگی کاهش فاصله بین دو پلک نیز برای تشخیص خستگی راننده مورد استفاده قرار می‏گیرد. در هنگام خستگی، فاصله بین دو پلک نسبت به حالت طبیعی کاسته شده و پلک‏ها به هم نزدیک‏تر می‏شوند. از طرفی اگر نرخ پلک زدن کمتر از حالت طبیعی باشد، نشانه عدم تمرکز حواس راننده به رانندگی می‏باشد.
در روش پیشنهادی با فرض حالت طبیعی (هوشیار) راننده در فریم‏های ابتدایی، اطلاعات رفتاری چشم راننده استخراج می‏شود. این اطالاعات شامل درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن و فاصله بین پلک‏ها در حالت طبیعی (هوشیار) است. این مرحله را مرحله یادگیری می‏نامیم. لازم به ذکر است که به طور طبیعی میان مقادیر درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن و فاصله بین پلک‏ها در افراد مختلف تفاوت وجود دارد. به عنوان مثال برخی افراد به دلیل بیماری عصبی ممکن است نرخ پلک زدن بیشتری داشته باشند. همچنین فاصله بین پلک‏ها در نژاد‏های جنوب شرقی آسیا کمتر از نژاد‏های منطقه خاورمیانه و اروپا است. بنابراین برای افزایش کارایی و کاهش نرخ خطای سیستم پیشنهادی، مرحله یادگیری ضروری به نظر می‏رسد. در این سیستم، بر اساس تغییرات مقادیر ویژگی نسبت به مقادیر بدست آمده در مرحله یادگیری، کاهش هوشیاری راننده تشخیص داده می‏شود. بنابراین روش پیشنهادی، برخلاف سایر روش‏های ارائه شده قبلی، یک روش وفقی و بر پایه استفاده از یک مدل مکانی-زمانی می‏باشد.
مرحله یادگیری
مرحله یادگیری حدود یک یا دو دقیقه به طول می‏انجامد. برای افزایش دقت ویژگی‏های استخراج شده، مدت زمان مرحله یادگیری باید بیشتر باشد، اما حداقل یک دقیقه زمان (معادل ۱۵۰۰ فریم) برای مرحله یادگیری توصیه می‏شود.
در مرحله یادگیری، از N (حدود ۱۰۰) فریم ابتدایی، پروجکشن افقی چشم د

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.

ر حالت باز (HPO) تعیین می‏گردد. این کار با انجام میانگین‏گیری بردار پروجکشن تصویر چهره در N فریم ابتدایی قابل انجام می‏باشد (رابطه ‏(۱۱)). در رابطه ‏(۱۱) HPi بردار پروجکشن افقی ناحیه چشم در فریم i و HPO پروجکشن افقی چشم در حالت باز است. مهمترین فرض در این رابطه، باز بودن چشم در اغلب N فریم ابتدایی است.
 
پس از استخراج HPO، بر اساس میزان تطابق بردار پروجکشن افقی فریم کنونی (HPi) و HPO، باز یا بسته بودن چشم آشکارسازی می‏شود. برای این منظور ابتدا ضریب همبستگی HPi و HPO محاسبه می‏گردد (رابطه ‏(۱۲)). این مقدار با CHPi نمایش داده می‏شود.
 
در حالتی که چشم باز باشد، مقدار CHPi نزدیک به یک است، اما در حالتی که چشم بسته شود، ضریب همبستگی دو بردار پروجکشن کاسته می‏شود. بسته یا باز بودن چشم بر اساس رابطه ‏(۱۳) تعیین خواهد شد. در رابطه ‏(۱۳) اگر CHPi کوچکتر از حد آستانه thCHP=0.96 باشد، چشم بسته تشخیص داده می‏شود.
 
با گذر زمان، معمولا راننده دچار خستگی شده و فاصله بین دو پلک کاهش می‏یابد. در نتیجه بردار پروجکشن افقی چشم باز تغییر خواهد کرد. بنابراین بهتر است بردار پروجکشن چشم باز (HPO) در فریم‏هایی که چشم باز تشخیص داده می‏شود، به روز رسانی شود. برای به روز رسانی بردار HPO از روش میانگین‏گیری مداوم[۱۲۰] استفاده شده است. در روش میانگین‏گیری مداوم که در رابطه ‏(۱۴) نشان داده شده، از پارامتری به نام α استفاده می‏گردد. این پارامتر در بازه [۰,۱] می‏باشد و میزان به روز رسانی بردار HPO را تعیین می‏کند. هرچه مقدار α به یک نزدیک‏تر باشد، میزان به روز رسانی کمتر خواهد بود.
 
نسبت تعداد فریم‏هایی که چشم بسته تشخیص داده شده به تعداد کل فریم‏های مرحله یادگیری، درصد بسته بودن چشم در حالت طبیعی را معین خواهد کرد. این مقدار را با PERCLOSN نمایش می‏دهیم. تعداد دفعات بسته شدن چشم در مرحله یادگیری به عنوان نرخ پلک زدن در حالت طبیعی محاسبه شده و با CLOSNON نمایش داده می‏شود. هرچند در مرحله یادگیری فاصله بین دو پلک محاسبه نشده، اما در پروجکشن افقی چشم باز (HPO)، فاصله بین دو پلک به صورت ضمنی وجود دارد. پروجکشن افقی چشم باز (HPO) پس از پایان مرحله یادگیری به عنوان معیار فاصله بین دو پلک در حالت هوشیاری ذخیره شده و با HPLO نمایش داده می‏شود. از HPLO برای تشخیص کاهش فاصله بین دو پلک استفاده خواهد شد.
روش پیشنهادی برای استخراج ویژگی‏های ناحیه چشم نسبت به رنگ پوست و نور محیط حساسیت چندانی ندارد، چرا که بر اساس یک مدل نسبی ویژگی‏ها را استخراج می‏کند. به عبارت دیگر، محاسبات انجام شده برای تشخیص بسته یا باز بودن چشم در روش پیشنهادی بر اساس مقادیر مطلق نیست، بلکه بر اساس تغییرات مقدار پروجکشن ناحیه چشم در فریم‏های متوالی می‏باشد که نسبت به رنگ پوست چهره و نور محیط حساسیت چندانی ندارد.
استخراج ویژگی
پس از مرحله یادگیری، لازم است تا ویژگی‏های PERCLOS، CLOSNO و فاصله بین پلک‏ها از فریم‏های متوالی استخراج شود. ماهیت ویژگی‏های PERCLOS و CLOSNO با ویژگی کاهش فاصله بین پلک‏ها تاحدودی با هم متفاوت است. مقادیر PERCLOS و CLOSNO برای یک مدت معین (چند فریم اخیر تا فریم کنونی) تعریف می‏شوند، اما فاصله بین پلک‏ها برای هر فریم قابل محاسبه است. هرچند برای افزایش سرعت سیستم، تغییرات فاصله بین پلک‏ها در هر فریم محاسبه نخواهد شد.
t t-1
t-2 t-3
t-4 t-5
بازه تعریف فاصله بین پلک‏ها
بازه تعریف PERCLOS و CLOSNO
فریم جاری