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

ضریب همبستگی

مجموع قدرمطلق تفاضل

ضریب همبستگی

مجموع قدرمطلق تفاضل

تعداد خطا

۱۳

۲۷

۱۸

۳۱

متوسط سرعت پردازش

۳/۴ فریم در ثانیه

۵/۶ فریم در ثانیه

۷/۹ فریم در ثانیه

۴/۱۳ فریم در ثانیه

خطا در ردیابی به معنی گم شدن شی هدف و عدم توانایی در یافتن مجدد آن می‏باشد. در جدول ‏۴‑۶ روش‏های ردیابی براساس تعداد خطا و سرعت پردازش مورد بررسی قرار گرفته‏اند. برای آزمایش روش‏های ردیابی، بعد از هر بار خطا در ردیابی چهره، به طور دستی مکان چهره مشخص شده و ردیابی ادامه پیدا کرده است. علت اصلی خطا (گم شدن چهره) در مرحله ردیابی، چرخش سر راننده است. در برخی موارد، هنگامی‏که سر حول یکی از محور‏های مختصات بچرخد، به دلیل تغییر شکل چهره، ردیابی دچار اختلال می‏گردد. هرچه زاویه و سرعت چرخش سر بیشتر باشد، احتمال بروز خطا در ردیابی بیشتر می‏شود. در شکل ‏۴‑۹ نمونه‏هایی از خطای ردیابی در فیلم‏های مورد آزمایش نشان داده شده است.
 
شکل ‏۴‑۹: نمونه‏هایی از خطای ردیابی با استفاده از روش جستجوی کامل و محاسبه ضریب همبستگی
سرعت ردیابی به اندازه تصویر شی هدف، روش جستجو و روش محاسبه میزان انطباق وابسته است. چون در تصاویر مورد آزمایش، اندازه تصویر چهره متغیر بوده، از متوسط نرخ پردازش (بر حسب فریم در ثانیه) به عنوان معیار ارزیابی سرعت روش‏ها استفاده شده است.
براساس نتایج ارزیابی، بهترین دقت با استفاده از جستجوی کامل و محاسبه ضریب همبستگی بدست می‏آید. اما مهمترین عیب این روش، سرعت کم آن در پردازش فریم‏ها است. در بین روش‏های آزمایش شده، این روش بیشترین حجم محاسبات و در نتیجه کمترین سرعت را دارد. هرچند به نظر می‏رسد جستجوی چند مرحله‏ای با محاسبه ضریب همبستگی، از نظر خطا و سرعت محاسبات بهترین گزینه است، اما به دلیل حساسیت زیاد الگوریتم‏های استخراج ویژگی به دقت ردیابی چهره، از روش جستجوی کامل با محاسبه ضریب همبستگی استفاده شد. روش انتخاب شده برای ردیابی چهره کمترین خطا را دارد. برای پیاده‏سازی روش جستجوی کامل، فضای جستجو حول نقطه قبلی چهره و اندازه پنجره جستجو برابر نصف ابعاد چهره در نظر گرفته شد.
استخراج ویژگی‏های ناحیه چشم
سه نوع ویژگی از ناحیه چشم استخراج می‏گردد: درصد بسته بودن چشم، نرخ پلک زدن و تغییر فاصله بین پلک‏ها. آشکارسازی بسته یا باز بودن چشم به طور مستقیم در محاسبه درصد بسته بودن چشم و نیز نرخ پلک زدن و به طور غیرمستقیم در آشکارسازی تغییر فاصله بین پلک‏ها موثر است. بنابراین برای ارزیابی صحت ویژگی‏های استخراج شده از ناحیه چشم، باید نحوه آشکارسازی بسته یا بازبودن چشم مورد بررسی قرار گیرد.
برای آزمایش الگوریتم تشخیص بسته یا بازبودن چشم از ۱۲ فیلم ویدیویی به مدت ۴۱ دقیقه استفاده شد. این فیلم‏ها در سه شرایط مختلف تهیه گردید: حالت هوشیار بدون عینک، حالت چرت زدن بدون عینک و حالت هوشیار با عینک. ارزیابی سیستم در شرایط گوناگون امکان بررسی دقیق‏تر کارایی الگوریتم پیشنهادی را فراهم می‏کند. دقت الگوریتم آشکارسازی بسته‏بودن چشم در جدول ‏۴‑۷ نشان داده شده است.
جدول ‏۴‑۷: ارزیابی الگوریتم آشکارسازی بسته شدن چشم

این مطلب را هم بخوانید :  به دام اندازی یون در دام پاول۹۳- قسمت ۹

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

شرایط تعداد واقعی دفعات بسته شدن چشم تعداد آشکارسازی اشتباه نرخ خطای آشکارسازی اشتباه (FPR)