طراحی و آزمایش یک سیستم نظارت چهره راننده به منظور تشخیص خستگی و عدم تمرکز حواس

طراحی و آزمایش یک سیستم نظارت چهره راننده به منظور تشخیص خستگی و عدم تمرکز حواس

فرمت: PDF   تعداد صفحات: 8

طراحی و آزمایش یک سیستم نظارت چهره راننده به منظور تشخیص خستگی و عدم تمرکز حواس
محمد حسین سیگاری، محمود فتحی، محسن سریانی دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران

چکیده

هر ساله تصادفات رانندگی زیادی به دلیل خواب آلودگی و عدم تمرکز حواس راننده در سراسر دنیا رخ می دهد که خسارت های جانی و مالی فراوانی به همراه دارند. یکی از روش های تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستم های نظارت چهره راننده است. سیستم های نظارت چهره راننده با دریافت تصاویر از دوربین و پردازش آنها، نشانه های خواب آلودگی و عدم تمرکز حواس را از چهره استخراج می کنند. در این مقاله یک سیستم نظارت چهره راننده طراحی شده است که با استخراج نشانه های خستگی و عدم تمرکز حواس از ناحیه چشم، کاهش هوشیاری راننده را تخمین می زند. در این سیستم دو ویژگی شامل (۱) درصد بسته بودن چشم (PERCLOS) و (۲) نرخ پلک زدن، از تصاویر چهره استخراج می شود. هر دو ویژگی استخراج شده می تواند در تشخیص خستگی و عدم تمرکز حواس راننده مورد استفاده قرار گیرد. نتایج آزمایش ها 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.

کلمات کلیدی: نظارت چهره راننده؛ تشخیص خستگی؛ تشخیص خواب آلودگی، تشخیص عدم تمرکز حواس؛ بسته بودن چشم؛ پلک زدن.

A Driver Face Monitoring System for Driver Fatigue and Distraction Detection: Design and Test

Abstract

Annually, many vehicle crashes happen in the world because of driver fatigue (drowsiness) or distraction (inattention). These crashes lead to many fatalities and losses. Driver face monitoring is one of the main approaches for driver fatigue/distraction detection. A system based on this approach gets an image sequence from camera and process it to extract fatigue and distraction symptoms from driver’s face. In this article, a driver face monitoring system is designed that estimates driver hypo-vigilance based on extracting symptoms from eye regions. In proposed system, two features are extracted: (1) percentage of eye closure (PERCLOS) and (2) eye blink rate. Experimental results on some sequences that captured in both real conditions is accurate in feature (in vehicle) and laboratory conditions show that proposed system extraction and hypo-vigilance estimation.

Keywords: Driver face monitoring; fatigue detection; drowsiness detection; distraction detection, eye closure; eye blink.

مقدمه

یکی از مهمترین عوامل موثر در تصادفات، خصوصا در جاده های بین شهری، خستگی، خواب آلودگی و عدم تمرکز حواس راننده است. خستگی و خواب آلودگی باعث کاهش درک و قدرت تصمیم گیری راننده برای کنترل خودرو می شود. تحقیقات نشان می دهد معمولا به طور طبیعی، پس از یک ساعت رانندگی، راننده دچار خستگی می شود. اما در ساعات ابتدایی بعد از ظهر، بعد از نهار و همچنین در نیمه شب، راننده در مدت زمان بسیار کمتر از یک ساعت احساس خواب آلودگی می کند. البته علاوه بر دلایل طبیعی، مصرف الکل، مواد مخدر و داروهایی که منجر به کاهش هوشیاری می شوند نیز در خواب آلودگی راننده تاثیر گذار است.

در کشورهای مختلف، آمار متفاوتی در مورد تصادفاتی که به علت خستگی و عدم تمرکز حواس راننده رخ میدهد، ارائه شده، اما به طور کلی می توان گفت علت حدود ۲۰٪ از تصادفات و ۳۰٪ از تصادفات منجر به مرگ، خواب آلودگی و عدم تمرکز حواس راننده است. کشور ایران از نظر امنیت ترافیکی، نه تنها در بین کشورهای دنیا، بلکه در بین کشورهای در حال توسعه نیز وضعیت بحرانی دارد. بر اساس آمار پزشکی قانونی در سال ۱۳۸۸، بر اثر تصادفات رانندگی نزدیک به ۲۳۰۰۰ نفر کشته شده اند [۴]. بر اساس تحقیقات انجام شده، خسارت های ناشی از تصادفات در ایران بیش از ۶۵۰۰۰ میلیارد ریال برآورد شده که حدود ۶/۴ تولید ناخالص ملی را تشکیل میدهد [۵] با توجه به خسارتهای جانی و مالی فراوان حاصل از خواب آلودگی و عدم تمرکز حواس راننده، طراحی و توسعه سیستم های تشخیص خواب آلودگی و عدم تمرکز حواس بسیار ضروری به نظر می رسد. روش های متعددی برای تشخیص خستگی و عدم تمرکز حواس راننده وجود دارد که می توان آنها را در سه دسته اصلی تقسیم بندی نمود [۶]

(۱) روش های مبتنی بر سیگنال های بیوالکتریکی و عصبی، (۲) روش های مبتنی بر نظارت نحوه کنترل خودرو و (۳) روشهای مبتنی بر نظارت چهره راننده. هر کدام از این روش ها مزایا و معایب خاص خود را دارند که به تفصیل در مرجع [۶]، مورد بررسی قرار گرفته است. بر اساس مطالعات صورت گرفته، پیش بینی می شود استفاده از سیستمهای تشخیص خواب آلودگی و عدم تمرکز حواس بتواند بین ۱۰٪ تا ۲۰٪ از تصادفات بکاهد [۷]

یکی از روش های کاربردی برای تشخیص خستگی و عدم تمرکز حواس، روش های مبتنی بر نظارت چهره راننده است که در این مقاله مورد توجه می باشد. سیستم نظارت چهره راننده، یک سیستم بلادرنگ است که بر اساس پردازش تصویر چهره راننده، وضعیت جسمی و تا حدی وضعیت روحی او را تحت نظارت قرار می دهد. معمولا وضعیت راننده از بسته بودن پلک ها، نحوه پلک زدن، خیره بودن چشم ها به نقطه خاص، جهت نگاه چشم، خمیازه کشیدن و حرکت سر قابل تشخیص است. این سیستم در هنگام خستگی و عدم توجه راننده به جاده، اعلام هشدار می کند.

این مقاله در چهار بخش اصلی تنظیم شده است. در این بخش معرفی موضوع و مقدمه ای بر مسئله بیان گردید. در بخش دوم مروری کوتاه بر سیستم های نظارت چهره راننده ارائه می شود و روشهای کلی برای استخراج نشانه های خستگی و عدم تمرکز حواس راننده مورد بحث قرار می گیرد. در بخش سوم سیستم پیشنهادی معرفی شده و جزییات آن توضیح داده خواهد شد. سپس نتایج آزمایش ها ارائه شده و کارایی سیستم پیشنهادی مورد بررسی قرار می گیرد. بخش آخر نیز به نتیجه گیری و بحث در مورد چالش های باقیمانده خواهد پرداخت.

مروری بر کارهای گذشته

در سیستم های نظارت چهره راننده، دو مشکل اصلی مطرح است: «چگونگی اندازه گیری خستگی» و «چگونگی اندازه گیری تمرکز». این مشکلات به عنوان چالش های اصلی سیستم های نظارت چهره شناخته می شود. با وجود پیشرفت علم در زمینه فیزیولوژی و روانشناسی، هنوز هیچ تعریف دقیقی از خستگی ارائه نشده است. مسلما به دلیل عدم وجود تعریف دقیق خستگی، هیچ معیار قابل سنجشی نمی‌توان برای آن ارائه کرد. با این وجود ارتباطاتی میان میزان خواب آلودگی و حرکت چشم وجود دارد. یکی از اولین و مهمترین نشانه های خستگی در چشم ظاهر می شود. بر اساس تحقیقات انجام شده، رابطه مستقیمی بین میزان خستگی و درصد بسته بودن پلک ها در یک مدت معین وجود دارد. به درصد بسته بودن پلکها در یک دوره زمانی PERCLOS می گویند. به همین دلیل تقریبا در تمام سیستم های نظارت چهره راننده، پردازش ناحیه چشم و بررسی میزان بسته بودن پلک ها به عنوان مهمترین معیار در اندازه گیری خستگی استفاده می شود. از دیگر نشانه های خستگی می توان به کاهش فاصله بین پلک ها، افزایش نرخ پلک زدن و افتادن سر به پایین اشاره نمود.

مشکل اساسی دیگر، اندازه گیری میزان توجه راننده به جاده است. میزان توجه راننده را می توان از جهت سر و جایی که چشم ها به آنجا نگاه می کند تا حدی تخمین زد. اما مشکل این است که اگر جهت سر به سمت جلو و نگاه به سمت جاده باشد، لزوما راننده به جاده توجه نمی‌کند. به عبارت دیگر نگاه کردن به جاده به معنی توجه کردن به آن نیست. در سیستم های مختلفی که تاکنون معرفی شده اند، روش های متفاوتی برای استخراج نشانه های عدم تمرکز حواس استفاده شده است که از جمله آنها می توان به کاهش نرخ پلک زدن و تغییر جهت نگاه چشم و جهت سر اشاره نمود.

هر یک از روش های معرفی شده برای استخراج نشانه های خستگی و عدم تمرکز حواس، مزایا و معایبی دارد. یکی از مهمترین معایبی که در اکثر روشهای ارائه شده وجود دارد، عدم توانایی آنها در استخراج نشانه ها در شرایط نوری متغیر و تاریک است. برای این شرایط راه حل‌هایی ارائه شده که از جمله آنها می توان به نور پردازی و تصویربرداری در طیف مادون قرمز اشاره نمود. اما طراحی و تولید این سیستم ها پیچیدگی های خاص خود را دارد و باعث افزایش هزینه تمام شده خواهد شد. در این مقاله روشی ارائه شده که می تواند نشانه های خستگی و عدم تمرکز حواس راننده را از ناحیه چشم او استخراج نماید.

ادامه مطلب را با دانلود فایل پیوستی مشاهده کنید.

حتما بخوانید:

⇐ تشخیص خودکار سطح هوشیاری با استفاده از شبکه عصبی مصنوعی و ضرایب ویولت

⇐ مروری کوتاه بر روش های تشخیص خستگی و عدم تمرکز حواس راننده برای جلوگیری از تصادف

⇐ ردیابی خستگی ذهنی راننده با استفاده از آنالیز سیگنال های الکتروآنسفالوگرافی