عنوان پایان‌نامه
آنالیز تصاویر چهره برای تشخیص خواب آلودگی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 39988;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1456
- تاریخ دفاع
- ۲۳ آذر ۱۳۸۷
- دانشجو
- پونه روشنی تبریزی
- استاد راهنما
- رضا آقائی زاده ظروفی
- چکیده
- تشخیص خواب‌آلودگی در موارد زیادی از جمله کاهش تصادفات جاده‌ای اهمیت دارد. در این پایان‌نامه، الگوریتم‌های جدیدی به منظور تعیین مکان مردمک‌ها و دایره‌های عنبیه، لب‌ها و تشخیص وضعیت باز و بسته بودن چشم‌ها ارائه می‌شود که در نهایت بر اساس آنالیز چهره (باز و بسته بودن چشم‌ها و دهان) میزان سطح خواب‌آلودگی فرد تعیین می‌شود. در اکثر روش‌های مبتنی بر آنالیز چهره با استفاده از یک پارامتر، خواب‌آلودگی فرد تشخیص داده شده است. روش‌های معدودی وجود دارند که از چندین پارامتر برای تشخیص خواب‌آلودگی استفاده می‌‌کنند و آنها نیز مبتنی بر داده‌های آموزشی و روشنگر‌های IR هستند. استفاده طولانی مدت از این روشنگر‌ها موجب آسیب شبکیه چشم می‌شود. بنابراین در این مقاله از روشنگر‌های IR استفاده نخواهد شد. همچنین با ترکیب چند پارامتر خواب‌آلودگی و عوامل محیطی، میزان سطح خواب‌آلودگی با دقت بالایی بدون نیاز به داده‌های آموزشی و سخت افزار خاص تعیین می‌شود. روش پیشنهادی به منظور تشخیص خواب‌آلودگی شامل چهار مرحله تشخیص ناحیه چهره، تعیین معیار‌های خواب‌آلودگی توسط چشم‌ها، تعیین معیار خواب‌آلودگی توسط دهان و تشخیص میزان سطح خواب‌آلودگی شخص می‌باشد. مراحل مختلف روش پیشنهادی با روش‌های پیشین در شرایط متفاوت نوری و محیطی توسط مجموعه داده‌های IMM، HCE، CVL و 30 فیلم گرفته شده از 15 شخص مقایسه شده‌اند. در نهایت نیز قابلیت تشخیص سطح خواب‌آلودگی توسط روش پیشنهادی در 15 شخص خواب‌آلوده به طور موفقیت‌‌آمیز ارزیابی شده است. بدینصورت که در ابتدا وضعیت باز و بسته بودن چشم‌ها و دهان به ترتیب 94.3 و 96.7 درصد درست تشخیص داده شده‌اند. سپس میزان سطح خواب‌آلودگی شخص در حالت‌های مختلف پلک زدن عادی، پلک زدن تند، صحبت کردن عادی، خمیازه کشیدن و بسته بودن طولانی مدت چشم‌ها مشخص شده است. در نهایت نیز اگر میزان سطح خواب‌آلودگی بدست آمده از حد آستانه 95 درصد تجاوز کند، به شخص پیغام خطر داده می‌شود.
- Abstract
- Drowsiness detection is vital in preventing traffic accidents. In this project, we propose three new algorithms for pupil and iris detection, lips localization and eyes state analysis, which we incorporate into a four step system for drowsiness detection: face detection, drowsiness parameters extraction from eyes, drowsiness parameter extraction from mouth and drowsiness level determination. Many current efforts which are based on face analysis focus only on using a single visual cue to characterize driver’s state of alertness. The system that relies on a single visual cue may encounter difficulty when the required visual features cannot be acquired accurately or reliably. Few systems use several visual cues to characterize driver’s state of alertness. These systems are based on IR illuminators or training data. IR illuminators can be hazardous to eye health. Thus, our new system determines drowsiness level using combination several visual cues and contextual information. Also, it requires no training data at any step or IR illuminators. We analyze and compare different parts of our new systems with other methods using IMM, HCE, CVL database and 30 video sequences in two drowsy and active states from 15 persons. Finally, we achieve excellent drowsiness level determination results from 15 persons. We determine drowsiness level as follows: (1) We analyze eyes and mouth state (detecting whether they are open or closed) 94.3% and 96.7%, respectively. (2) We determine drowsiness level in different situations such as normal blinking, fast blinking, normal speaking, yawning, and long eye closure. (3) Person is given a warning message when the drowsiness level reaches over the threshold of 0.95.
