طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس
عنوان : طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواسپایان نامه کارشناسی ارشد رشته مهندسی کامپیوترگرایش هوش مصنوعی و رباتیکتعداد صفحات : 115چکیدههر
ساله تصادفات رانندگی زیادی به دلیل خواب آلودگی و عدم تمرکز حواس راننده
در سراسر دنیا رخ میدهد که خسارتهای جانی و مالی فراوانی به همراه
دارند. یکی از روشهای تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستمهای
نظارت چهره راننده است. سیستمهای نظارت چهره راننده با دریافت تصاویر از
دوربین و پردازش آنها، نشانه های خواب آلودگی و عدم تمرکز حواس را از
چشم، سر و چهره استخراج میکنند. در این پایان نامه یک سیستم نظارت چهره
راننده طراحی شده است که با استخراج نشانه های خستگی و عدم تمرکز حواس از
ناحیه چشم و چهره، کاهش هوشیاری راننده را تخمین میزند. در این سیستم چهار
ویژگی شامل درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن، کاهش فاصله بین
پلکها و میزان چرخش سر استخراج میشود. سه ویژگی اول مربوط به نشانه های
بروز خستگی و عدم تمرکز حواس در ناحیه چشم و ویژگی آخر مربوط به نشانه های
کاهش هوشیاری در ناحیه چهره و سر میباشد. ویژگی های ناحیه چشم بر اساس
تغییرات پروجکشن افقی ناحیه چشم و ویژگیهای ناحیه چهره بر اساس بررسی قالب
چهره استخراج میگردد. سپس این ویژگیها توسط یک سیستم خبره فازی مورد
پردازش قرار میگیرد تا میزان خستگی و عدم تمرکز حواس راننده تخمین زده
شود. تصویربرداری سیستم پیشنهادی در طیف مرئی و با دوربین سطح خاکستری
انجام شده است. نتایج آزمایشها بر روی فیلم های تهیه شده در محیط واقعی و
آزمایشگاهی نشان میدهد که روش پیشنهادی دقت بسیار خوبی در استخراج ویژگی و
تشخیص کاهش هوشیاری راننده دارد. از لحاظ سرعت اجرای الگوریتم، سرعت سیستم
پیشنهادی حدود 5 فریم در ثانیه میباشد که میتوان آن را سیستم بلادرنگ
محسوب کرد.پیشگفتارافزایش تعداد خودروها در جهان و در
نتیجه آن افزایش آمار خسارات و تلفات ناشی از تصادفات، باعث شد تا محققین
به دنبال کشف علل اصلی تصادفات رانندگی باشند. یکی از مهمترین این علل،
خستگی و عدم تمرکز حواس راننده میباشد که علت اصلی حدود 20% از تصادفات
محسوب میشود. با توجه به نقش موثر خستگی و عدم تمرکز حواس راننده در بروز
تصادفات، راهکارهایی برای مقابله با این عامل معرفی شد. یکی از راهکارهای
اصلی و جدید برای تشخیص خستگی و عدم تمرکز حواس راننده و اعلام هشدار در
مواقع ضروری، سیستمهای نظارت چهره راننده است. پیشنهاد تولید سیستمهای
نظارت چهره راننده اولین بار در اواخر قرن 20 میلادی مطرح شد، اما عمده
تحقیقات در این زمینه مربوط به بعد از سال 2000 میلادی میباشد.تاکنون
طراحی و تولید چنین سیستمهایی در ایران به طور جدی مورد بررسی قرار
نگرفته است. سیستم ارائه شده در این پایاننامه به عنوان اولین سیستم نظارت
چهره راننده در ایران میباشد که قادر است میزان خستگی و عدم تمرکز حواس
راننده را با استفاده از پردازش تصاویر چهره راننده تخمین بزند. هرچند
تحقیقات بیشتری برای تولید یک سیستم نظارت چهره راننده با هدف کاربرد در
خودروهای تجاری مورد نیاز است، اما این پایاننامه میتواند شروع بسیار
خوبی برای آغاز تحقیقات در این زمینه باشد. فهرست مطالب:1- مقدمه1-1- تعریف سیستمهای نظارت چهره راننده 1-2- ضرورت سیستمهای نظارت چهره راننده 1-3- چالشهای اساسی در سیستمهای نظارت چهره راننده 1-4- مفاهیم خستگی، خواب آلودگی و عدمتمرکزحواس1-4-1- خستگی و خواب آلودگی1-4-2- عدم تمرکز حواس1-5- روشهای تشخیص خستگی و عدم تمرکز حواس راننده 1-6- طرح کلی پایان نامه2- مروری بر کارهای گذشته2-1- پیکربندی کلی سیستمهای نظارت چهره راننده 2-1-1- تصویربرداری2-1-2- سخت افزار و پردازنده 2-1-3- نرم افزار هوشمند. 2-2- آشکارسازی چهره 2-2-1- روشهای مبتنی بر مدل رنگ2-2-2- روشهای مبتنی بر ویژگیهای شبه هار2-2-3- روشهای مبتنی بر شبکه عصبی2-3- آشکارسازی چشم2-3-1- روشهای مبتنی بر نورپردازی و تصویربرداری در طیف مادون قرمز2-3-2- روشهای مبتنی بر دوسطحی کردن تصویر2-3-3- روشهای مبتنی بر پروجکشن2-3-4- روشهای مبتنی بر یادگیری2-4- آشکارسازی سایر اجزای چهره 2-4-1- آشکارسازی دهان (لب) 2-4-2- آشکارسازی بینی2-5- ردیابی چهره و اجزای آن2-5-1- تخمین حرکت2-5-2- تطابق2-6- استخراج ویژگیهای مربوط به کاهش هوشیاری2-6-1- ویژگیهای ناحیه چشم2-6-2- ویژگیهای دهان2-6-3- ویژگیهای سر2-7- تشخیص خستگی و عدم تمرکز حواس2-7-1- روشهای مبتنی بر حد آستانه2-7-2- روشهای مبتنی بر دانش2-7-3- روشهای مبتنی بر آمار و احتمال2-8- سیستمهای نظارت چهره راننده در خودروهای تجاری3- سیستم پیشنهادی3-1- پیکربندی کلی سیستم پیشنهادی3-1-1- نورپردازی و تصویربرداری3-1-2- سخت افزار و پردازنده3-1-3- نرم افزار هوشمند3-2- آشکارسازی چهره 3-2-1- ویژگیهای شبه هار3-2-2- انتخاب و تعیین اهمیت ویژگیها برای تشکیل یک طبقه بندی کننده قوی3-2-3- درخت تصمیم آبشاری تقویت شده 3-3- ردیابی چهره 3-3-1- پنجره جستجو3-3-2- معیار تطابق3-4- استخراج ویژگیهای مربوط به کاهش هوشیاری3-4-1- ویژگیهای ناحیه چشم3-4-2- ویژگیهای ناحیه چهره و سر3-5- تشخیص کاهش هوشیاری3-5-1- سیستم خبره فازی3-5-2- تولید خروجی نهایی4- نتایج آزمایشها و ارزیابی سیستم4-1- نحوه آزمایش سیستم4-2- معیارهای ارزیابی4-3- آشکارسازی چهره 4-4- ردیابی چهره 4-5- استخراج ویژگیهای ناحیه چشم. 4-6- استخراج ویژگیهای ناحیه سر و چهره 4-7- تشخیص کاهش هوشیاری4-8- ارزیابی کلی سیستم و الگوریتمها 4-8-1- بررسی سرعت پردازش سیستم پیشنهادی4-8-2- بررسی پیچیدگی محاسباتی الگوریتمها 5- نتیجه گیری و پیشنهادات6- مراجع. فهرست شکلهاشکل 2‑1: فلوچارت کلی برای سیستمهای نظارت چهره راننده شکل 2‑2: نمونههایی از ماسکهای ویژگی برای استخراج ویژگیهای شبه هارشکل 2‑3: درخت تصمیم آبشاری برای آشکارسازی چهره شکل 2‑4: سیستم نورپردازی مادون قرمز شامل دو دسته LED به شکل دو حلقه کوچک و بزرگشکل 2‑5: نمایش ایجاد پدیده مردمک روشن و مردمک تیره در نورپردازی مادون قرمز. شکل
2‑6: آشکارسازی چشم بر اساس ویژگی مردمک تیره و روشن: شکلها از سمت راست
به ترتیب فریم زوج با تصویر مردمک روشن، فریم فرد با تصویر مردمک تیره و
تفاضل فریمهای زوج و فرد شکل 3‑1: محل قرارگیری دوربین در خودرو برای سیستم پیشنهادیشکل 3‑2: فلوچارت بخش نرمافزار هوشمند در سیستم پیشنهادیشکل 3‑3: نمونههایی از ماسکهای ویژگی برای آشکارسازی چهره شکل 3‑4: محاسبه مجموع پیکسلهای بخشی از تصویر با استفاده از تصویر انتگرالیشکل 3‑5: محاسبه یک نمونه ویژگی شبه هار بر اساس تصویر انتگرالیشکل 3‑6: الگوریتم تشکیل یک طبقهبندیکننده قوی بر اساس چند ویژگیشکل 3‑7: درخت تصمیم آبشاری برای آشکارسازی چهره شکل 3‑8: الگوریتم تشکیل یک درخت تصمیم آبشاری بر اساس چند طبقه بندی کننده قوی شکل 3‑9: نمایش چگونگی انجام جستجوی سه مرحلهایشکل 3‑10: نمایش بازه تعریف ویژگیهای درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن و فاصله بین پلکها شکل 3‑11: نمایش تاثیر پارامتر α در تغییر شکل تابع سیگموئید (β=0) شکل 3‑12: نمایش تاثیر پارامتر β در تغییر شکل تابع سیگموئید (α=1) شکل 3‑13: منحنی تغییرات فاصله بین پلکها (ELDC) (محور عمودی) نسبت به تغییرات ضریب همبستگی HPO و HPLO (محور افقی) شکل 3‑14: مدل کلی سیستم خبره فازیشکل 3‑15: شکل توابع عضویت تعریف شده برای ورودی درصد بسته بودن چشم (PERCLOS) شکل 3‑16: شکل توابع عضویت تعریف شده برای ورودی نرخ پلک زدن (CLOSNO) شکل 3‑17: شکل توابع عضویت تعریف شده برای تغییرات فاصله بین پلکها نسبت به حالت طبیعی (ELDC) شکل 3‑18: شکل توابع عضویت تعریف شده برای میانگین چرخش سر (ROT) شکل 3‑19: شکل توابع عضویت تعریف شده برای میزان خستگی (Fatigue) شکل 3‑20: شکل توابع عضویت تعریف شده برای میزان عدم تمرکز حواس (Distraction) شکل 3‑21: نمایش تغییرات پیوسته مقدار تغییرات فاصله بین پلکها (ELDC) شکل 3‑22: نمایش تغییرات پیوسته مقدار میانگین چرخش سر (ROT) شکل 3‑23: نمایش تغییرات گسسته درصد بسته بودن چشم (PERCLOS) شکل 3‑24: نمایش تغییرات گسسته نرخ پلک زدن (CLOSNO) شکل
3‑25: نمایش تغییرات شکل خروجی نهایی سیستم با تغییر مقدار α در رابطه
میانگینگیری مداوم. از بالا به پایین مقادیر α برابر است با صفر، 8/0 و
9/068شکل 4‑1: نمونههایی از تصاویر تهیه شده در محیط واقعی (داخل خودرو) برای آزمایش سیستمشکل 4‑2: نمونههایی از تصاویر تهیه شده در محیط آزمایشگاهی برای آزمایش سیستمشکل 4‑3: نمونههایی از تصاویر چهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره شکل 4‑4: نمونههایی از تصاویر غیرچهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره شکل 4‑5: نمونههایی از تصاویر چهره که آشکارسازی نشده اند.شکل 4‑6: نمونههایی از تصاویر غیرچهره که به اشتباه آشکارسازی شدهاند. شکل 4‑7: یکی از ماسکهای مهم برای استخراج ویژگی در الگوریتم آشکارسازی چهره شکل 4‑8: نمونههایی از تصاویر چهره که به درستی آشکارسازی شدهاند. شکل 4‑9: نمونههایی از خطای ردیابی با استفاده از روش جستجوی کامل و محاسبه ضریب همبستگیشکل
4‑10: نمایش تغییر مکان چهره به دلیل تکان خوردن خودرو در دو فریم با
فاصله زمانی یک ثانیه و بروز اشتباه در آشکارسازی بسته بودن چشم به دلیل
عدم توانایی الگوریتم ردیابی در تعیین مکان دقیق چهره شکل 4‑11:
نمایش دو فریم از تصاویر چهره راننده در حالت چرت زدن. تصویر سمت راست حالت
چشم باز راننده و تصویر سمت چپ حالت چشم بسته راننده است. در این حالت پلک
زدن به آرامی و به طور نامحسوس انجام میشود. بنابراین نرخ عدم آشکارسازی
بسته شدن چشم افزایش مییابد. شکل 4‑12: تصاویر پلک زدن چشم در افرادی که عینک به چشم دارند. شکل 4‑13: نمونه تصاویر تهیه شده از افرادی که عینک آفتابی به چشم دارند. شکل
4‑14: نمونه فریمهایی از یک فیلم 9 دقیقهای که در آن روند تغییرات
فاصله بین پلکها از حالت کاملا هوشیار به حالت خوابآلوده نشان داده شده
است. تصاویر از بالا به پایین و از راست به چپ مربوط به زمانهای دقیقه
اول، دقیقه سوم، دقیقه پنجم، دقیقه هفتم، دقیقه هشتم و دقیقه نهم میباشد. شکل 4‑15: نمودار تغییرات ELDC نسبت به زمان. شکل 4‑16: نمایش وضعیت سر نسبت به محورهای مختصاتشکل 4‑17: نمایش تغییرات میزان چرخش سر (R) در یک فیلم دو دقیقهای که در آن پنج بار چرخش رخ داده استشکل
4‑18: نمونه فریمهایی از یک فیلم دو دقیقهای که در آن آشکارسازی چرخش
سر مورد ارزیابی قرار گرفته است. تصویر راست بالا مربوط به حالت چهره بدون
چرخش و سایر تصاویر مربوط به چرخش سر در جهتهای مختلف میباشدشکل 4‑19: نمودار وقوع رخداد پلک زدن در طول زمانشکل 4‑20: نمودار تغییرات درصد بسته بودن چشم (PERCLOS) در طول زمانشکل 4‑21: نمودار تغییرات نرخ پلک زدن (CLOSNO) در طول زمانشکل 4‑22: نمودار تغییرات فاصله بین پلکها (ELDC) در طول زمانشکل 4‑23: نمودار تغییرات میانگین چرخش سر (ROT) در طول زمانشکل 4‑24: میزان تخمین عدم تمرکز حواس راننده در طول زمانشکل 4‑25: میزان تخمین خستگی راننده در طول زمانشکل 4‑26: میانگین چرخش سر راننده در طول زمانشکل 4‑27: مقدار تخمین عدم تمرکز حواس راننده در طول زمانشکل
4‑28: نمودار پلک زدن یک فرد در فیلم سه دقیقهای. در این فیلم فرد بعد
از دقیقه یک، به دلیل مشغله ذهنی (عدم تمرکز حواس درونی) به یک نقطه خیره
شده و پلک نمیزندشکل 4‑29: میزان عدم تمرکز حواس راننده در حالتی که وی به دلیل مشغله ذهنی دچار عدم تمرکز حواس درونی شده استفهرست جدولهاجدول 3‑1: قوانین فازی تشخیص خستگیجدول 3‑2: قوانین فازی تشخیص عدم تمرکز حواسجدول 4‑1: تعداد و مدت زمان فیلمهای تهیه شده برای آزمایش سیستم به تفکیک شرایط محیطجدول 4‑2: تعداد و مدت زمان فیلمهای تهیه شده برای آزمایش سیستم به تفکیک جنسیت افراد جدول 4‑3: تعداد و مدت زمان فیلمهای تهیه شده برای آزمایش سیستم به تفکیک شرایط عینک داشتنجدول 4‑4: بیان مفاهیم FPR، FNR، TPR و TNR در قالب ماتریس اغتشاشجدول 4‑5: ارزیابی الگوریتم آشکارسازی چهره جدول 4‑6: ارزیابی الگوریتم ردیابی بر اساس نوع روش جستجو و نوع روش محاسبه میزان انطباقجدول 4‑7: ارزیابی الگوریتم آشکارسازی بسته شدن چشمجدول 4‑8: مقایسه الگوریتم پیشنهادی با سایر الگوریتمهای ارائه شده برای آشکارسازی بسته شدن چشمجدول 4‑9: توانایی سیستم پیشنهادی در آشکارسازی چرخش سر حول محورهای مختصاتجدول 4‑10: ارزیابی الگوریتم آشکارسازی چرخش سرجدول 4‑11: مقایسه الگوریتم پیشنهادی با سایر الگوریتمهای ارائه شده برای آشکارسازی چرخش سرجدول 4‑12: مقایسه حجم محاسباتی بخشهای مختلف سیستم پیشنهادیعنوان : طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواسپایان نامه کارشناسی ارشد رشته مهندسی کامپیوترگرایش هوش مصنوعی و رباتیکتعداد صفحات : 115
دانلود فایل طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس
هوش مصنوعی,هوش مصنوعی و رباتیک,پایان نامه هوش مصنوعی,طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس,طراحی سیستم نظارت چهره راننده ,پایان نامه طراحی سیستم نظارت چهره راننده