بخشی از مقاله
چکیده-
یکی از روشهای تشخیص خستگی و عدم تمرکز حواس راننده، استفاده از سیستمهای نظارت چهره راننده است. این سیستمها با دریافت تصاویر از دوربین و پردازش آنها، نشانههای خوابآلودگی و عدم تمرکز حواس را از چهره استخراج میکنند. در این مقاله، یک سیستم نظارت چهره راننده طراحی شده است که با استخراج نشانههای خستگی و عدم تمرکز حواس از ناحیه چشم، کاهش هوشیاری راننده را تخمین میزند.
در این سیستم سه نشانه شامل درصد بسته بودن چشم، نرخ پلکزدن و تغییرات فاصله بین پلکها استخراج میشود. این نشانهها بدون آشکارسازی صریح چشم و بر اساس تغییرات پروجکشن افقی ناحیه چشم استخراج گردیده است. به عبارت دیگر، نشانه های استخراج شده با پردازش مکانی-زمانی تصویر ناحیه و بر اساس یک مدل یادگیری استخراج می شود. سپس این نشانهها توسط یک سیستم خبره فازی مورد پردازش قرار می گیرد تا میزان خستگی و عدم تمرکز حواس راننده تخمینزده شود. نتایج آزمایشها بر روی ویدئوهای تهیه شده در محیط واقعی و آزمایشگاهی نشان می دهد که روش پیشنهادی دقت بسیار خوبی در استخراج نشانه و تشخیص کاهش هوشیاری راننده دارد.
-1 مقدمه
یکی از مهمترین عوامل موثر در تصادفات، خصوصا در جادههای بین شهری، خستگی، خوابآلودگی و عدم تمرکز حواس راننده است .[1] همچنین رانندگی یکنواخت در برخی شرایط مانند رانندگی در آزادراههای بدون ترافیک، باعث بروز عدم تمرکز حواس در رانندگان میشود. به این ترتیب میتوان دو عامل خستگی و عدم تمرکز حواس را نشانه کاهش هوشیاری راننده و عامل ایجاد تصادف دانست
مهمترین چالشها در تشخیص خستگی و عدم تمرکز حواس این است که هنوز تعریف دقیق و معیار مشخصی برای اندازهگیری آنها ارائه نشده است، بنابراین تشخیص این موارد فقط بر اساس برخی شواهد و نشانهها صورت میگیرد .[2] سیستم نظارت چهره راننده، یک سیستم بلادرنگ است که بر اساس پردازش تصویر چهره و چشم راننده و استخراج نشانه های مفید، وضعیت هوشیاری او را تحت نظارت قرار میدهد. این سیستم در هنگام خوابآلودگی، خستگی و عدم توجه راننده به جاده، اعلام هشدار میکند.
در این بخش، مقدمهای بر سیستمهای نظارت چهره راننده شامل تعریف و چالشهای سیستم بیان گردید. در بخش دوم مروری بر روشهای موجود خواهد شد. سیستم پیشنهادی در بخش سوم معرفی شده است که در آن با ارائه پیکربندی کلی سیستم، هر یک از بخشهای آن شرح داده میشود. نتایج آزمایشهای انجام شده برای ارزیابی سیستم پیشنهادی در بخش چهارم ارائه خواهد شد. آخرین بخش به نتیجه گیری و پیشنهادات برای کارهای آینده اختصاص داده شده است.
-2 مروری بر کارهای گذشته
معمولا اولین بخش از سیستمهای نظارت چهره راننده، مربوط به آشکارسازی چهره است. مدل رنگ پوست چهره، یکی از روشهای ساده آشکارسازی چهره است. برای تشکیل مدل رنگ چهره میتوان از فضای رنگی [3] YCbCr و فضای رنگی RGB [4] استفاده کرد. علاوه بر روشهای مبتنی بر مدل رنگی، روش مبتنی بر ویژگیهای شبه هار و یادگیری AdaBoost نیز برای آشکارسازی چهره استفاده میگردند. این روش اولین بار توسط Viola و [5] Jones برای آشکارسازی چهره معرفی شد. این روش نسبت به روشهای مبتنی بر مدل رنگی دقت بیشتری داشته و نسبت به نور محیط حساسیت کمتری دارد. از این الگوریتم در [6][7] برای آشکارسازی چهره استفاده شده است.
آشکارسازی چشم برای استخراج نشانههای خستگی و عدم تمرکز حواس اهمیت ویژهای دارد. یکی از روشهای سریع و نسبتا دقیق در آشکارسازی چشم، روش های مبتنی بر نورپردازی و تصویربرداری در طیف مادون قرمز میباشد که در آن از خواص فیزیولوژی و اپتیکی چشم در طیف مادون قرمز استفاده میشود
این روش بدون نیاز به آشکارسازی چهره، قادر به آشکارسازی چشم است. یکی دیگر از سادهترین و پرکاربردترین روشهای آشکارسازی چشم، استفاده از پروجکشن است. مهمترین مسئله در این روش، فرض یکنواخت بودن نورپردازی و تیرهتر بودن چشمها - مردمک - نسبت به پوست چهره است. بنابراین انتظار میرود پروجکشن افقی تصویر چهره در محل چشمها دارای مقدار کمینه محلی باشد. در [4]، پروجکشن به عنوان روش اصلی برای آشکارسازی چشم میباشد و در [10] از پروجکشن برای تعیین مکان اولیه چشمها استفاده شده است. علاوه بر روشهای ذکر شده، در تحقیقات گذشته از روشهای دیگری مانند رنگ ناحیه چشم [11] نیز استفاده شده است.
تقریبا در تمام سیستمها، پس از آشکارسازی اولیه چهره، ردیابی آن در فریم های بعدی انجام میگیرد. سادهترین روش برای ردیابی، تعریف یک پنجره جستجو در اطراف موقعیت قبلی شی هدف است .[4] یکی دیگر از روش های ردیابی، استفاده از فیلترهای تطبیقی است که از جمله آنها میتوان به فیلتر کالمن [8][10][12] و فیلتر ذرات [13] اشاره کرد. شار اپتیکی نیز از روشهای مناسب برای ردیابی چهره است که در [7] استفاده شده است. کارایی فیلترهای تطبیقی و شار اپتیکی نسبت به روشهای مبتنی بر پنجره جستجو بسیار بهتر گزارش شده است.
چشم مهمترین عضو چهره است که نشانههای خستگی و عدم تمرکز حواس در آن ظهور پیدا میکند. بر اساس تحقیقات به عمل آمده، یکی از بهترین نشانههای تشخیص کاهش هوشیاری، محاسبه درصد بسته بودن چشم1 در یک دوره زمانی است. به این روش اختصارا PERCLOS گفته میشود. به همین دلیل این نشانه به عنوان یک نشانه بسیار مهم برای تشخیص خوابآلودگی در بسیاری از تحقیقات از جمله [3][6][7][12] استفاده گردیده است. روشهای متفاوتی برای تشخیص بسته یا باز بودن چشم استفاده شده که از مهمترین آنها می توان به خاصیت بازتابشی چشم در طیف مادون قرمز [8][9]، محاسبه پروجکشن افقی ناحیه چشم [3][4] و محاسبه شار اپتیکی [10] اشاره کرد.
از دیگر نشانههای مربوط به ناحیه چشم که برای تشخیص کاهش هوشیاری راننده مورد توجه محققان است میتوان به فاصله بین دو پلک [4] ، سرعت پلکزدن [3][12]، نرخ پلکزدن [8]، نرخ پلک زدنهای متوالی [14] و جهت نگاه [9][12] اشاره نمود. منظور از سرعت پلک زدن، زمان بین بسته و باز شدن پلکها در یک پلکزدن است. در حالی که نرخ پلک زدن به معنی تعداد دفعات پلکزدن در یک مدت معین میباشد.
-3 سیستم پیشنهادی
فلوچارت سیستم پیشنهادی برای تشخیص کاهش هوشیاری راننده در شکل 1 نشان داده شده است. ابتدا آشکارسازی یا ردیابی چهره انجام میشود. سپس، نشانههای خستگی و عدم تمرکز حواس استخراج میشود. در نهایت کاهش هوشیاری راننده بر اساس مقادیر نشانههای استخراج شده تعیین می شود. برخلاف سایر سیستمهای نظارت چهره راننده، در روش پیشنهادی آشکارسازی صریح چشم انجام نمیگیرد. بلکه در قسمت استخراج نشانه، به طور ضمنی ناحیه چشم آشکارسازی و هم زمان نشانههای مفید از آن استخراج میگردد.
شکل :1 فلوچارت سیستم پیشنهادی
-1-3 آشکارسازی و ردیابی چهره
در سیستم پیشنهادی از روش [15] برای آشکارسازی چهره استفاده شده است. مهمترین مزایای این روش دقت خوب و در عین حال سرعت بسیار خوب آن است. در فریمهای بعد تصویر چهره با استفاده از روش پنجره جستجو ردیابی میشود.
-2-3 استخراج نشانههای مربوط به کاهش هوشیاری
نشانههای استخراج شده جهت تشخیص کاهش هوشیاری شامل درصد بسته بودن چشم - PERCLOS - ، نرخ پلک زدن2 - CLOSRAT - و تغییرات فاصله بین پلکها - ELDC - 3 میباشد .[16] نشانه درصد بسته بودن چشم ها برای تشخیص خستگی بسیار مفید است. چنانچه درصد بسته بودن چشم نسبت به حالت طبیعی بیشتر باشد، نشانه خستگی راننده است. نشانه کاهش فاصله بین دو پلک نیز برای تشخیص خستگی راننده مورد استفاده قرار می گیرد. در هنگام خستگی، فاصله بین دو پلک نسبت به حالت طبیعی کاسته شده و پلکها به هم نزدیکتر میشوند. از طرفی اگر نرخ پلک زدن کمتر از حالت طبیعی باشد، نشانه عدم تمرکز حواس راننده به رانندگی میباشد.
نشانههای مذکور از پروجکشن افقی نیمه بالایی تصویر چهره و تشکیل یک مدل مکانی-زمانی4 استخراج میگردد. هرچند تاکنون در سیستمهای نظارت چهره راننده از این نشانه بسیار استفاده شده، اما نوآوری آن در محاسبات تطبیقی و تشکیل یک مدل مکانی-زمانی برای استخراج نشانه میباشد. در این سیستمها با فرض تیرهتر بودن مردمک چشم نسبت به پوست، محل چشم آشکارسازی و بسته بودن آن مشخص میگردد. این روشها اغلب در آشکارسازی چشم افراد سیاهپوست دچار مشکل میشود. اما در روش پیشنهادی محاسبات تطبیقی بوده و براساس اطلاعات ثبت شده در دقایق قبلی نشانههای مفید استخراج میشود. در روش پیشنهادی استخراج نشانه فقط بر اساس تغییرات پروجکشن افقی چشم در طول زمان میباشد.
میانگینگیری بردار پروجکشن تصویر چهره در N فریم ابتدایی قابل انجام میباشد - رابطه . - - 1 - نمونهای از پروجکشن افقی چشم در حالت باز در شکل 2 نشان داده شده است. در این نمودار دو کمینه محلی وجود دارد که کمینه اول و دوم از سمت چپ به ترتیب مربوط به ابرو و مردمک چشم است.
در رابطه HPi - 1 - پروجکشن افقی ناحیه چشم در فریم i و HPO پروجکشن افقی چشم در حالت باز است. مهمترین فرض در این رابطه، باز بودن چشم در اغلب N فریم ابتدایی است.
شکل :2 نمونهای از پروجکشن افقی چشم در حالت باز - محور افقی شماره ردیف پیکسل و محور عمودی مقدار پروجکشن افقی ناحیه چشم -
در روش پیشنهادی با فرض حالت طبیعی - هوشیار - راننده در فریم های ابتدایی، اطلاعات رفتاری چشم راننده استخراج میشود. این اطلاعات شامل درصد بسته بودن چشم، نرخ پلک زدن و فاصله بین پلکها در حالت طبیعی - هوشیار - است. این مرحله را مرحله یادگیری مینامیم. لازم به ذکر است که به طور طبیعی میان مقادیر درصد بسته بودن چشم، نرخ پلک زدن و فاصله بین پلکها در افراد مختلف تفاوت وجود دارد. در این سیستم، بر اساس تغییرات مقادیر نشانه نسبت به مقادیر بدست آمده در مرحله یادگیری - حالت طبیعی - ، کاهش هوشیاری راننده تشخیص داده میشود. بنابراین روش پیشنهادی، برخلاف سایر روشهای ارائه شده قبلی، یک روش تطبیقی و بر پایه استفاده از یک مدل مکانی-زمانی میباشد.
پس از استخراج HPO ، بر اساس میزان تطابق بردار پروجکشن افقی فریم کنونی - HPi - و HPO، باز یا بسته بودن چشم آشکارسازی میشود. برای این منظور ابتدا ضریب همبستگی HPi و HPO محاسبه میگردد - رابطه . - - 2 - این مقدار با CHPi نمایش داده میشود.
در حالتی که چشم باز باشد، مقدار CHPi نزدیک به یک است، اما در حالتی که چشم بسته شود، ضریب همبستگی دو بردار پروجکشن کاسته میشود. بسته یا باز بودن چشم بر اساس رابطه - 3 - تعیین خواهد شد. در رابطه - 3 - اگر CHPi کوچکتر از حد آستانه thCHP=0.96 باشد، چشم بسته تشخیص داده میشود.
در مرحله یادگیری، از N=100 فریم ابتدایی، پروجکشن افقی چشم در حالت باز - HPO - تعیین میگردد. این کار با انجام با گذر زمان، معمولا راننده دچار خستگی شده و فاصله بین دو پلک کاهش می یابد. در نتیجه بردار پروجکشن افقی چشم باز تغییر خواهد کرد. بنابراین بهتر است بردار پروجکشن چشم باز - HPO - در فریمهایی که چشم بازتشخیص داده میشود، به روز رسانی شود.
