استفاده از پردازش تصویر در تشخیص خواب آلودگی

استفاده از پردازش تصویر در تشخیص خواب آلودگی

فرمت: WORD   تعداد صفحات: 18

چکیده:

تشخیص چهره یک عمل تشخیص الگو است که به طور خاص بر روی چهره ها انجام می­ شود. این عمل عبارتست از دسته بندی یک چهره به عنوان پس از مقایسه با چهره های ذخیره شده ­ی افراد شناخته شده (ناشناس) مدل­ های محاسباتی تشخیص چهره بایستی پاسخگوی چندین مسئله­ ی دشوار باشند.

اینجا از الگوریتم ویولا-جونز توسط پاول ویولا و مایکل جونز در سال 2001 ارائه شده­­ ‌است استفاده کردیم. این الگوریتم در حالت کلی برای تشخیص اشیا می­ باشد ولی­ کاربرد آن بیشتر در یافتن صورت فراگیر شده است. فرآیند آموزش این الگوریتم زمانبر ولی فرآیند تشخیص آن بسیار سریع است. برای همین به ‌صورت گسترده‌ای جهت تشخیص اشیاء به‌ صورت بلادرنگ ‎از آن استفاده می‌شود. برای پیدا کردن محل قرارگیری چشم ­ها، روش ­های متعددی وجود دارد. در اغلب موارد برای یافتن محل چشم ­ها، ابتدا صورت فرد مکان یابی می ­شود، که خود شامل روش های متنوعی می ­باشد. یکی از ساده­ ترین روش ­ها، استفاده از ویژگی رنگ صورت می ­باشد. صورت انسان با در نظر گرفتن نژادهای مختلف، محدوده رنگ مشخصی را به خود اختصاص می­ دهد.

کلید واژگان: تشخیص چهره، الگوریتم، اشیا

1- مقدمه:

با توجه به نتایج به دست آمده از تحقیقات و بررسی­ های انجام شده پیرامون روش ­های تشخیص خواب آلودگی، اقدام به طراحی روشی به کمک پردازش تصویر کردیم. در این روش پنج گام اصلی وجود دارد، که در ادامه به توضیح آن می­ پردازیم. این سیستم توسط دو نوع کاربر مورد استفاده قرار می گیرد، که شامل راننده و ناظر بیرونی می باشد. واسط کاربری می­ بایست جواب­گوی نیازهای ناظر بیرونی باشد، چرا که ناظر بیرونی متغیرهای مورد نیاز برای دریافت بهترین تصویر را تنظیم می­ کند.

1-1- گام اول: دید کلی از سخت افزارهای مورد نیاز

در این روش یک دوربین در جلوی راننده قرار می­ گیرد و تصاویر را برای پردازش به پردازنده ­ای تحویل می­ دهد.

شکل 1: نمایی از راننده و دوربین و پردازنده

تصاویری که از دوربین دریافت می ­شود، توسط برنامه پیشنهادی پردازش می ­شود و در صورت نیاز هشداری به راننده می ­دهد.(شکل 1).

1-2- گام دوم: پیدا کردن صورت در تصویر

تشخیص چهره یک عمل تشخیص الگو است که به طور خاص بر روی چهره ها انجام  و «شناخته شده» می­ شود. این عمل عبارتست از دسته بندی یک چهره به عنوان پس از مقایسه با چهره های ذخیره شده­ ی افراد شناخته شده (ناشناس) مدل­ های محاسباتی تشخیص چهره بایستی پاسخگوی چندین مسئله­ ی دشوار باشند.

این سختی از آنجا ناشی می شود که چهره ها بایستی به گونه­ای ارائه شوند که اطلاعات موجود در چهره را برای تشخیص یک چهره ­ی خاص از دیگر چهره­ ها به بهترین نحو بکار برند. در این مورد، چهره ­ها باعث یک مسئله­ ی دشوار می­ شوند چرا که همه­ ی چهره ها از آنجا که مجموعه ویژگی­ های یکسانی مانند چشمان، بینی و دهان دارند، مشابه با یکدیگر هستند.

1-2-1- کلیات یک سیستم تشخیص چهره

در شکل 2 کلیات یک سیستم تشخیص چهره­ ی عام نشان داده شده است.

شکل 2: کلیات یک سیستم تشخیص خواب آلودگی

شش بلوک عملیاتی اصلی وجود دارند که مسئولیت­های آنها در زیر آمده است:

• ماژول دریافت. این نقطه­ ی ورود به فرایند تشخیص چهره است. این ماژولی است که تصویر چهره­ ی مورد نظر به سیستم ارائه می ­شود. به عبارت دیگر، در این ماژول، از کاربر درخواست می­شود تا یک تصویر چهره به سیستم تشخیص چهره ارائه کند. یک ماژول دریافت می­ تواند تصویر چهره را از چندین محیط متفاوت تحویل بگیرد: یک تصویر چهره ممکن است یک فایل تصویر بر روی یک دیسک مغناطیسی باشد، ممکن است به وسیله ی یک frame grabber گرفته شده باشد یا به کمک یک اسکنر از روی کاغذی اسکن شده باشد.
• ماژول پیش – پردازش. در این ماژول، بوسیله تکنیک­ های بینایی، تصاویر چهره نرمال سازی می شوند و اگر نیاز بود، برای افزایش کارائی تشخیص سیستم بهبود می­ یابند. برخی یا تمام مراحل پیش – پردازش زیر ممکن است در یک سیستم تشخیص چهره پیاده سازی شوند.

1. نرمال سازی اندازه­ ی تصویر. این کار معمولا انجام می­ شود تا اندازه ­ی تصویر گرفته شده به یک اندازه تصویر پیش فرض مانند 128×128 تغییر کند، این اندازه ­ی تصویر همان اندازه ­ی تصویری است که سیستم تشخیص چهره با آن کار می­ کند.
2. یکسان سازی هیستوگرام. این معمولا بر روی تصاویر خیلی تاریک یا خیلی روشن برای بهبود کیفیت تصویر و بهبود کارآیی تشخیص  چهره انجام می­شود که گستره ی contrast تصویر را اصلاح می کند که به عنوان نتیجه، برخی ویژگی های مهم چهره آشکارتر می­ شوند.
3. فیلترینگ میانه. برای تصاویر دارای نویز، به خصوص تصاویری که از طریق دوربین عکاسی و یا frame grabber گرفته شده است، فیلترینگ میانه می­تواند تصویر را بدون از دست رفتن اطلاعات تمیز کند.
4. فیلترینگ بالا گذر. استخراج کننده های ویژگی ­ای که مبتنی بر روی کلیات چهره هستند، ممکن است از تصویری که لبه­ یابی روی آن صورت گرفته است نتیجه­ ی بهتری بدهند. فیلترینگ بالا گذر بر روی جزئیاتی مانند لبه ها تاکید دارند که در نتیجه کارآیی تشخیص لبه را افزایش می­دهد.
5. حذف کردن پس زمینه. به منظور دست­یابی به خود اطلاعات چهره، پس زمینه ­ی چهره قابل حذف است. این موضوع برای سیستم­ های تشخیص چهره­ ای مهم­تر است که اطلاعات موجود در کل تصویر، استفاده می­ شود. همچنین توجه داشته باشیم که در حذف پس ­زمینه، ماژول پیش – پردازش بایستی قادر به تعیین محدوده­ ی چهره باشد.
6. نرمال سازی چرخشی و انتقالی. در برخی موارد، ممکن است بر روی تصویر چهره ­ای کار شود که سر شخص، چرخش یا انتقال یافته باشد. سر، نقش کلیدی در تعیین ویژگی های چهره بازی می­ کند. به خصوص برای سیستم ­های تشخیص چهره ­ای که مبتنی بر چهره ­های تمام رخ هستند، ممکن است مطلوب باشد که ماژول پیش – پردازش وجود چرخش یا انتقال را مشخص کند و اگر ممکن بود، به نرمال سازی انتقال ­ها و چرخش ­ها در مکان سر بپردازد.
7. نرمال­ سازی نور­پردازی. تصاویر چهره ­ی گرفته شده در شرایط نوری متفاوت می­ توانند کارآیی تشخیص چهره را پایین بیاورند به خصوص برای سیستم­ های تشخیص چهره­ ی مبتنی بر آنالیز جزء اصلی که اطلاعات کل تصویر برای تشخیص مورد استفاده قرار می­ گیرند.

ادامه مطلب را با دانلود فایل پیوستی مشاهده کنید.

حتما بخوانید:

⇐ آموزش جامع رانندگان در مورد خستگی و خواب آلودگی

⇐ ایمنی جاده ها با ارائه یک مدل به منظور تشخیص خواب آلودگی افراد در حین رانندگی

⇐ ارتباط انحرافات رانندگی با سطح خواب آلودگی ذهنی و خود گزارش دهی در حین رانندگی