شکل ۴‑۱۴: نمونه فریمهایی از یک فیلم ۹ 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 ۴‑۱۵: نمودار تغییرات ELDC نسبت به زمان
سعی شد الگوریتم پیشنهادی آشکارسازی بسته بودن چشم با برخی از روشهای دیگر مقایسه شود. متاسفانه در برخی سیستمها مانند [۳۰, ۳۴, ۴۷, ۴۸] مدت آزمایشهای انجام شده بسیار کوتاه (معمولا حدود ۵ دقیقه یا کمتر) میباشد. همچنین در آزمایش برخی از سیستمها [۶, ۳۰, ۴۶, ۴۸, ۵۸] دقت آشکارسازی بسته شدن چشم بیان نشده است.
در [۴۹] یک سیستم بلادرنگ مبتنی بر پردازندههای گرافیکی[۱۵۳] (GPU) برای آشکارسازی پلکزدن راننده طراحی شده که در طیف مادون قرمز عمل می‌کند. این سیستم تصاویر را با نرخ ۲۵ فریم در ثانیه پردازش می‌کند. خطای FPR و FNR این سیستم بر روی ۲۲ فیلم یک دقیقهای از ۲۲ فرد مختلف (در مجموع ۳۳۰۰۰ فریم) به ترتیب ۵/۱۰% و ۳% گزارش شده است. این سیستم فقط براساس ردیابی چشم و استخراج ویژگی PERCLOS خستگی راننده را تعیین می‌کند.
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
Batista [27] روشی برای آشکارسازی بسته شدن چشم ارائه کرده که نرخ خطای FPR و FNR آن به ترتیب ۵/۹% و ۷/۱% میباشد. این الگوریتم بر روی ۵ فیلم در مجموع به تعداد ۱۸۰۰ فریم (حدود ۷۲ ثانیه) آزمایش شده است. هرچند به نظر میرسد روش ارائه شده در این مقاله بهتر از روش پیشنهادی ماست، اما آزمایشهای انجام شده برای ارائه دقت سیستم کافی به نظر نمیرسد.
Bergasa و همکارانش [۲۳] سیستم خود را بر روی ۱۰ فیلم در مجموع به مدت ۲ ساعت آزمایش کردهاند. در این آزمایش دقت آشکارسازی بسته شدن چشم ۸۰% ارائه شده است.
روش ارائه شده توسط Smith و همکارش [۴۷] بر روی ۸ فیلم که در مجموع شامل ۱۱۶۰ فریم میباشد، آزمایش گردید. بر اساس نتایج ارائه شده، نرخ خطای FPR و FNR این سیستم به ترتیب ۷۱% و ۱۵% گزارش شده است. نتایج ارائه شده نشان می‌دهد خطای FPR سیستم در آشکارسازی بسته شدن چشم بسیار زیاد است.
در جدول ۴‑۸ مقایسه اجمالی میان الگوریتم پیشنهادی و سایر الگوریتمهای ارائه شده برای آشکارسازی بسته بودن چشم، مشاهده میشود. همان گونه که مشاهده میگردد روش پیشنهادی در مقایسه با سایر روشهای ارائه شده دقت بسیار خوبی دارد.
جدول ۴‑۸: مقایسه الگوریتم پیشنهادی با سایر الگوریتمهای ارائه شده برای آشکارسازی بسته شدن چشم
| نام روش | خطای FPR | خطای FNR |
| روش Lalonde | ۵/۱۰% | ۳% |
| روش Batista | ۵/۹% | ۷/۱% |
| روش Bergasa | ؟ | ۲۰% |
| روش Smith | ۷۱% | ۱۵% |
| روش پیشنهادی | ۴/۲% | ۷/۸% |
استخراج ویژگیهای ناحیه سر و چهره
ویژگی استخراج شده از ناحیه سر و چهره، آشکارسازی چرخش سر است. برای ارزیابی الگوریتم پیشنهادی در آشکارسازی چرخش سر، مقدار چرخش سر در هر فریم ® با یک حد آستانه مقایسه شد. اگر مقدار R کمتر از حد آستانه باشد، چرخش آشکارسازی نشده، در غیر این صورت چرخش سر رخ داده است. برای ارزیابی این بخش از سیستم، تعداد ۱۱ فیلم به مدت ۳۷ دقیقه مورد استفاده قرار گرفت.
نتایج نشان می‌دهد الگوریتم پیشنهادی در آشکارسازی چرخش سر حول محورهای مختلف بسیار خوب عمل می‌کند. هرچند در این سیستم، ردیابی چهره براساس ساده‌ترین روش انجام شده، اما نتایج رضایت‌بخشی بدست آمده است. بر اساس این نتایج الگوریتم پیشنهادی قادر است افتادن سر و چرخش سر حول تمام محورهای مختصات را آشکارسازی کند. اگر راستای محورهای مختصات مطابق شکل ۴‑۱۶ درنظر گرفته شود، توانایی سیستم در آشکارسازی چرخش سر مطابق جدول ۴‑۹ خواهد بود.
X
Y
Z
شکل ۴‑۱۶: نمایش وضعیت سر نسبت به محورهای مختصات
جدول ۴‑۹: توانایی سیستم پیشنهادی در آشکارسازی چرخش سر حول محورهای مختصات
| گردش حول محور |
