روش استخراج PERCLOS و CLOSNO مشابه روش استخراج PERCLOSN و CLOSNON است. با توجه به اینکه اگر چشم بسته باشد، مقادیر Leye_closure صفر خواهند شد، درصد بسته بودن چشم (PERCLOS) از رابطه ‏(۱۵) قابل محاسبه است.

برای محاسبه تعداد دفعات پلک‏زدن از مشتق اول Leye_closure استفاده می‏شود. مشتق اول Leye_closure با DLeye_closure نمایش داده شده و از رابطه ‏(۱۶) محاسبه ‏می‏گردد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

DLeye_closure زمان تغییر حالت چشم از حالت باز به بسته و بالعکس را نشان می‏دهد. در تغییر حالت چشم از باز به بسته مقدار DLeye_closure برابر ۱- و در تغییر حالت از بسته به باز مقدار DLeye_closure برابر ۱+ خواهد شد. اگر حالت چشم تغییری نکند، مقدار DLeye_closure صفر است. بنابراین با شمارش تعداد مقادیر ۱- یا ۱+ در DLeye_closure، تعداد دفعات پلک زدن مشخص خواهد شد. به این ترتیب مقدار CLOSNO از رابطه ‏(۱۷) محاسبه می‏شود. در این رابطه، نماد برای محاسبه تعداد عناصر لیست که در شرط مذکور صدق می‏کنند، استفاده گردیده است.

به طریق دیگری نیز می‏توان CLOSNO را محاسبه کرد. در این روش CLOSNO برابر نصف مجموع قدرمطلق مقادیر DLeye_closure خواهد بود (رابطه ‏(۱۸)).

مقدار CLOSNO از هر دو رابطه ‏(۱۷) و ‏(۱۸) یکسان محاسبه خواهد شد.
برای تشخیص تغییر فاصله بین دو پلک از بررسی میزان انطباق پروجکشن چشم باز در مرحله کنونی و پروجکشن چشم باز در مرحله یادگیری استفاده شده است. در این روش ضریب همبستگی پروجکشن افقی چشم باز HPO با پروجکشن افقی چشم باز در مرحله یادگیری (HPLO) محاسبه می‏شود. هرچه میزان انطباق HPO و HPLO کم باشد، به معنی کاهش فاصله بین پلک‏ها است. به این ترتیب از ضریب همبستگی HPO و HPLO به عنوان معیاری برای تشخیص کاهش فاصله بین پلک‏ها استفاده خواهد شد. میزان تغییرات فاصله بین پلک‏ها با ELDC[121] نمایش داده می‏شود. مقدار ELDC مطابق رابطه ‏(۱۹) از اعمال یک تابع سیگموئید[۱۲۲] بر ضریب همبستگی HPO و HPLO بدست می‏آید.

در رابطه فوق Sigm تابع سیگموئید، Corr تابع محاسبه ضریب همبستگی و α و β پارامترهای تابع سیگموئید هستند. تابع سیگموئید برای مقدار x همواره بین صفر و یک بوده و از رابطه ‏(۲۰) بدست می‏آید.

این تابع دو پارامتر به نام α و β دارد که به ترتیب شیب تابع در محل گذار[۱۲۳] از مقدار ۵/۰ و محل گذار را تعیین می‏نماید. در شکل ‏۳‑۱۱ و شکل ‏۳‑۱۲ به ترتیب تاثیر پارامتر α و β بر روی شکل منحنی تابع سیگموئید نشان داده شده است. هر چه مقدار α بیشتر باشد، شکل منحنی تابع سیگموئید به تابع پله نزدیکتر خواهد شد، به طوری که برای مقدار α بی‏نهایت، شکل تابع سیگموئید همان تابع پله می‏شود.
α = ۵
α = ۲
α = ۱
شکل ‏۳‑۱۱: نمایش تاثیر پارامتر α در تغییر شکل تابع سیگموئید (β=۰)
β = -۲
β = ۰
β = +۲
شکل ‏۳‑۱۲: نمایش تاثیر پارامتر β در تغییر شکل تابع سیگموئید (α=۱)
در رابطه ‏(۱۹) برای محاسبه ELDC مقادیر α و β تابع سیگموئید به ترتیب ۵۰ و ۹/۰ انتخاب گردید. انتخاب این مقادیر بر اساس روش آزمون و خطا بوده است، به طوری که منحنی ELDC برای حالت طبیعی چشم باز به مقدار صفر میل کند و برای حالت چشم کاملا بسته به مقدار یک میل نماید؛ همچنین مقدار ELDC برای چشم نیمه‏باز تقریبا ۵/۰ باشد. به این ترتیب منحنی تغییرات مقدار ELDC برحسب ضریب همبستگی HPO و HPLO مطابق شکل ‏۳‑۱۳ خواهد شد. هر چه ضریب همبستگی HPO و HPLO به یک نزدیک باشد، تغییرات (کاهش) فاصله بین پلک‏ها نسبت به حالت طبیعی کمتر و در نتیجه مقدار ELDC به صفر نزدیکتر است. با کاهش ضریب همبستگی HPO و HPLO به ۹/۰، مقدار ELDC به ۵/۰ نزدیک خواهد شد. با توجه به نمودار شکل ‏۳‑۱۳ در صورتی‏که ضریب همبستگی HPO و HPLO کمتر از ۸/۰ شود، مقدار ELDC به صفر میل خواهد کرد. در این حالت چشم فرد کاملا بسته می‏باشد.
شکل ‏۳‑۱۳: منحنی تغییرات فاصله بین پلک‏ها (ELDC) (محور عمودی) نسبت به تغییرات ضریب همبستگی HPO و HPLO (محور افقی)
ویژگی‏های ناحیه چهره و سر
در سیستم پیشنهادی از پردازش ناحیه چهره، ویژگی چرخش سر استخراج شده است. چرخش سر می‏تواند نشانه عدم تمرکز حواس راننده یا خستگی او باشد. در صورتی‏که راننده سرش را به اطراف بچرخاند، تمرکز کافی به سمت جلو نداشته و ممکن است باعث بروز حادثه شود. همچنین چرخش سر ممکن است به دلیل چرت زدن اتفاق بیفتد. در این حالت به دلیل عدم انقباض کافی عضلات گردن، سر به سمت پایین یا طرفین خواهد افتاد. در تمام این موارد سر راننده به سمت جلو نیست و چرخش سر (حول یکی از محور‏های مختصات) رخ داده است.
برای آشکارسازی تغییر جهت سر، روشی جدید ارائه شده است که به جای استفاده از نقاط ویژگی مانند چشم‌ها، بینی و دهان، از قالب کلی چهره استفاده می‌کند. در روش‌های قبلی برای تخمین جهت سر، ابتدا چند نقطه ویژگی در تصویر چهره آشکارسازی شده و در فریم‌های متوالی ردیابی می‌شدند. با تغییر فاصله نقاط ویژگی، تغییر زاویه خطوط اتصال این نقاط و یا تغییر شکل هندسی نقاط ویژگی، جهت سر تخمین زده می‌شد. اما در روش پیشنهادی، هدف تخمین جهت سر نیست، بلکه هدف آشکارسازی چرخش سر است. برای این منظور ابتدا یک قالب از چهره رو به جلو[۱۲۴] از راننده تهیه می‌شود. این قالب از میانگین‏گیری فریم‏های ابتدایی محاسبه می‏گردد (رابطه ‏(۲۱)). در رابطه ‏(۲۱)، Ft تصویر چهره در فریم t و N تعداد فریم‌های استفاده شده برای تهیه قالب چهره راننده است. محاسبه قالب چهره مشابه روش‌های تخمین پس‌زمینه[۱۲۵] است.

هنگامی‏که چهره راننده در حالت روبه‌جلو قرار گرفته باشد، تصویر چهره راننده و قالب چهره با هم منطبق است. اما هنگامی‌که سر راننده حول هر یک از محور‌های سه‌گانه مختصات بچرخد، تصویر چهره با تصویر قالب متفاوت می‌شود. هرچه چرخش بیشتر باشد، این تفاوت بیشتر خواهد بود. بنابراین پس از محاسبه قالب روبه‌جلو از چهره، با محاسبه میانگین قدرمطلق تفاضل تصویر قالب و تصویر کنونی چهره، میزان انطباق تصویر کنونی چهره و قالب مشخص می‌شود. برای تعیین میزان انطباق تصویر کنونی چهره و قالب، از روشی مشابه روش پیشنهادی سیگاری و همکارانش [۶۷] برای تفاضل پس‌زمینه فازی استفاده شده است. محاسبه میزان انطباق تصویر کنونی چهره و قالب، مشابه آشکارسازی اشیا متحرک از یک پس‌زمینه ثابت است. بنابراین میزان انطباق تصویر کنونی چهره و قالب بر اساس رابطه ‏(۲۲) محاسبه می‌گردد.

در این رابطه m میزان انطباق را مشخص می‌کند که عددی در بازه [۰,۱] است. هر چه مقدار m بیشتر باشد، میزان انطباق تصویر کنونی چهره و قالب بیشتر و در نتیجه چرخش سر کمتر است. بنابراین اگر میزان چرخش سر با R نمایش داده شود، مقدار R از رابطه ‏(۲۳) بدست می‌آید. مقدار R عددی در بازه [۰,۱] است.

در هر فریم می‌توان قالب چهره را به‌روزرسانی کرد. برای این منظور از روشی مشابه روش به‌روزرسانی فازی پس‌زمینه که توسط سیگاری و همکارانش [۶۷] ارائه شده، استفاده شد. در روش به‌روزرسانی فازی پس‌زمینه، میزان به‌روزرسانی پس‌زمینه با پارامتری به نام αmin و یک تابع نمایی کنترل می‌شود. هرچه فریم جاری با تصویر پس‌زمینه تطابق بیشتری داشته باشد، فریم جاری با ضریب بیشتری در به‌روزرسانی تصویر پس‌زمینه موثر است. در سیستم پیشنهادی برای به‌روزرسانی قالب چهره، از همین روش استفاده شده، با این فرض که قالب همان پس‌زمینه است. به این ترتیب به‌روزرسانی قالب چهره در هر فریم بر اساس رابطه ‏(۲۴) انجام می‌گیرد. در این رابطه Tempt و Tempt+1 به ترتیب قالب چهره در فریم‌های t و t+1 و Ft تصویر کنونی چهره در فریم t است.

مقدار α در رابطه ‏(۲۴) از رابطه ‏(۲۵) محاسبه می‌شود. در این رابطه αmin مقدار کمینه α را مشخص می‌کند و در روش پیشنهادی برابر ۸/۰ در نظر گرفته شده است.

برای تشخیص کاهش هوشیاری راننده از یک لیست حلقوی استفاده شده که مقدار R فریم‌های متوالی در آن ذخیره می‌شود. این لیست با نام LRot نامگذاری شده و تغییرات R در یک مدت معین را جمع‌ آوری می‌کند. پس از پر شدن لیست، داده‌های جدید بر روی داده‌های قدیمی‌تر ذخیره خواهند شد. اندازه این لیست معادل تعداد فریم‏های مرحله یادگیری (حدود ۱۵۰۰ تا ۳۰۰۰ فریم) انتخاب شده است. برای تشخیص چرخش سر راننده، ابتدا مقادیر لیست با حدآستانه thRot مقایسه شده و مقادیر کمتر از حدآستانه صفر خواهد شد (رابطه ‏(۲۶)). سپس میانگین مقادیر بزرگتر از thRot به عنوان متوسط چرخش سر (ROT) استخراج می‏گردد (رابطه ‏(۲۷)). از ROT برای تشخیص کاهش هوشیاری راننده استفاده خواهد شد.

تشخیص کاهش هوشیاری
استفاده از قوانین ابتکاری و اعمال چند حد آستانه برای تصمیم‏ گیری در مورد میزان خستگی و عدم تمرکز حواس راننده چندان مناسبی نیست. هرچند در این حالت، تصمیم‏ گیری بسیار ساده خواهد شد، اما احتمال بروز خطا در این گونه سیستم‏ها بیشتر است.
در سیستم پیشنهادی برای تشخیص کاهش هوشیاری راننده از یک سیستم خبره فازی[۱۲۶] استفاده شده است. علت انتخاب سیستم خبره فازی به عنوان بخش تشخیص کاهش هوشیاری، استفاده از دانش بشری در قالب سیستم هوشمند و وجود عدم قطعیت در اطلاعات استخراج شده از تصاویر چهره و چشم است. سیستم‏های خبره فازی می‏توانند دانش بشری را به شکلی مناسب برای تصمیم‏ گیری در مورد اطلاعات غیرقطعی استفاده کنند.
سیستم خبره فازی
یک سیستم خبره فازی شامل سه بخش اصلی است: فازی‏ساز[۱۲۷] داده‏های ورودی، موتور استنتاج فازی[۱۲۸] و غیرفازی‏ساز[۱۲۹] داده‏های خروجی. شمای کلی سیستم خبره فازی در شکل ‏۳‑۱۴ نشان داده شده است. انتخاب روش‏های فازی‏سازی و غیرفازی‏سازی معمولا با بهره گرفتن از روش آزمون و خطا و بر اساس نوع کاربرد و ماهیت داده‏های ورودی و خروجی تعیین می‏گردد. همان‏گونه که در شکل مشاهده می‏شود، موتور استنتاج فازی از یک پایگاه قوانین فازی[۱۳۰] استفاده می‏کند. این قوانین فازی، تعدادی قانون اگر-آنگاه[۱۳۱] می‏باشد که توسط فرد خبره تعیین می‏گردد. در واقع سیستم خبره فازی، هوشمندی خود را بر اساس قوانینی بدست می‏آورد که فرد خبره آنها را تعیین می‏کند. در قوانین فازی از متغیر‏های زبانی[۱۳۲] استفاده می‏شود [۶۸].
فازی‏ساز
غیرفازی‏ساز
موتور استنتاج فازی
پایگاه قوانین فازی
شکل ‏۳‑۱۴: مدل کلی سیستم خبره فازی
این سیستم چهار ورودی و دو خروجی دارد.
ورودی‏های سیستم خبره فازی عبارتند از:
درصد بسته بودن چشم (PERCLOS)
نرخ پلک زدن (CLOSNO)
میزان تغییرات فاصله بین پلک‏ها نسبت به حالت طبیعی (ELDC)
میانگین چرخش سر (ROT)
خروجی‏های سیستم عبارتند از:

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...