عنوان پایان‌نامه
تشخیص خواب آلودگی بر اساس پردازش تصاویر صورت
- رشته تحصیلی
- مهندسی برق-مخابرات-سیستم
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1950;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49895
- تاریخ دفاع
- ۱۳ مهر ۱۳۹۰
- دانشجو
- مهرداد ثابت
- استاد راهنما
- رضا آقائی زاده ظروفی
- چکیده
- هرساله در جهان اشتباهات انسانی باعث افزایش تصادفات جاده ای و در نتیجه بالا رفتن آمار کشته و زخمی شدن انسانها می شود. در این بین عامل خستگی و خواب آلودگی در رانندگان مخصوصاً در مسافرتهای طولانی سهم بیشتری از تصادفات جاده ای را به خود اختصاص داده است. برای مقابله با این مساله در کل سه روش هوشمند کردن خودروها، آنالیز سیگنالهای حیاتی بدن و آنالیز تصویر صورت استفاده می شود. به منظور کاهش تلفات، در این پایان نامه سیستم جدیدی را برای تشخیص خود کار خواب آلودگی راننده، مبتنی بر آنالیز تصاویر صورت و یادگیری ماشین، ارائه دادیم. هدف از چنین سیستمی مکان یابی، ردیابی و آنالیز تصویر صورت و چشمهای رانندگان برای محاسبه اندیس خواب آلودگی و جلوگیری از تصادف می باشد. آشکارسازی صورت و چشمها با استفاده از ویژگیهای Haar-like و تکنیک طبقه بندی کننده AdaBoost انجام شده است. برای ردیابی صورت تاکنون روشهای متفاوتی ارائه شده است اما اغلب آنها قابلیت تصحیح خطا و یا انحرافی که ممکن است در ردیابی صورت اتفاق بیافتد را ندارند. از این رو برای دستیابی به دقت بیشتر روشی را ارائه دادیم که ترکیبی از تشخیص و ردیابی هم زمان صورت است. همچنین روش ارائه شده برای ردیابی صورت قابلیت تصحیح خود را دارد. بعد از اینکه چشمها در کادر صورت پیدا شدند، با استفاده از LBP خصوصیات ناحیه چشم را استخراج کردیم. با استفاده از این ویژگیها یک طبقه بندی کننده SVM را آموزش دادیم تا حالت چشمها را آنالیز کنیم. برای ارزیابی روش ارائه شده از یک شخص خواب آلوده در حالت نشسته تصویر برداری کردیم، همچنین درکنار آن سیگنالهای EEG شخص نیز ضبط شده است. سیگنالهای ضبط شده به عنوان مرجع برای سنجش دقت روش پیشنهادی مورد استفاده قرار گرفت. در دسته داده تصویری موجود با اعمال روش پیشنهادی توانستیم صورت را با دقت 100% ردیابی کنیم و پلک زدنها را با دقت 4/98% درست تشخیص دهیم. در نهایت با محاسبه اندیسهای خواب آلودگی درباره میزان خواب آلودگی تصمیم گیری کردیم و همچنین توانستیم با استفاده از مکان چشمها زاویه سر را اندازه گیری کنیم که خود معیار مهمی از میزان تمرکز راننده بر مسیر است. نتایج تجربی دقت خوبی را در هر قسمت نشان می دهند که میزان اطمینان به این سیستم را در تشخیص خواب آلودگی بالا می برد.
- Abstract
- Car accidents leading to injury and deaths that human error plays a major role are rising all around the world. Drowsiness especially in long distance journeys is a key factor in traffic accidents. In order to face this problem, there are three main methods: making intelligent vehicle, using driver vital signals and driver face analysis. In this paper a new module for automatic driver drowsiness detection based on visual information and Artificial Intelligence is presented. The aim of this system is to locate, track and analyze both the drivers face and eyes to compute a drowsiness index to prevent accidents. Both face and eye detection is performed by Haar-like features and AdaBoost classifiers. Various face tracking methods have been proposed. However most of them have not ability to correct error and divergence in face tracking process. In order to achieve better accuracy we propose a new method which is combination of detection and object tracking. Proposed face tracking method, also has capability to self correction. After eye region is found, Local Binary Pattern (LBP) is employed to extract eye characteristics. Using these features, an SVM classifier was trained to perform eye state analysis. To evaluate the effectiveness of proposed method, a drowsy person was pictured, while his EEG signals were taken. These signals were used to evaluate the accuracy of the proposed method. In this video we were able to track face by an actuary of 100% and detecting eye blink by accuracy of 98.4%. Finally, we can make a decision about level of fatigue and drowsiness. Also we can calculate face orientation and tilt using eye position which is valuable knowledge about driver concentration. Experimental results show high accuracy in each section which makes this system reliable for driver drowsiness detection. Keywords: face detection, face tracking, eye state analysis, AdaBoost and LBP.
