بخشی از پاورپوینت
اسلاید 1 :
به نام خدا
سیستم تشخیص پلک زدن برای تعامل انسان و کامپیوتر
Eye-blink detection system for human–computer interaction
اسلاید 2 :
رابط انسان و کامپیوتر (HCI) می تواند به عنوان يك نقطه ارتباطي بين انسان و کامپیوتر باشد.
دستگاه ورودی مورد استفاده شامل : کیبورد، موس و صفحه نمایش لمسی
شرايط يك رابط خوب براي افراد معلول بايد :
1-نیاز به تماس نداشته باشد
2- تجهيزات خاصي مورد نیاز نباشند
3- بر روی کامپیوتر شخصي به اجرا در می آید.
اسلاید 3 :
مروری بر مطالعات قبلی
بخش هاي اصلي مقاله
سيستم تشخیص پلک زدن
عملكرد سيستم تشخیص پلک زدن
نتيجه عملكرد رابط كاربري
نتيجه گيري
اسلاید 4 :
رابط کامپیوتر- مغز : از اشكالات اصلی آن ها تداخل و نیاز به سخت افزار خاص
تحقیقات پیشین
انواع رابط انسان- كامپيوتر براي افراد معلول
رابط کامپیوتر- مغز( (BCI
رابط از طریق خیره شدن یا پلک زدن چشم
خیره شدن یا پلک زدن چشم: استفاده دو نوع سیگنال ورودی
مسیر اسکن : خطوط نگاه توسط ثابت شدن چشمان
پلک زدن چشم : ايجاد تمایز بین پلک زدن ارادی و غیرارادی
اسلاید 5 :
تحقیقات پیشین …
روش هاي تشخیص
پلک زدن
فعال
غير فعال
روش فعال : نیازمند روشنایی خاص ( مادون قرمز )
معايب :
استفاده ازسخت افزارهای خاص
بی اثر بودن در فضاي باز به دلیل تاثیر تابش آفتاب مستقیم
قرار گرفتن طولانی مدت کره چشم در برابر نور IR منجر به آسیب شبکیه می گردد
اين روش براي تشخیص چشم و پلک زدن نتایج بسیار دقیقی دارد
اسلاید 6 :
a) چشم در شرایط نور طبیعی
تحقیقات پیشین …
b) تاثیر مردمک روشن بعد از روشن سازی IR چشم
شکل 1. تصویر چشم در طیف (اینفرارد)IR
اسلاید 7 :
غير فعال : عدم استفاده از منبع نور مازاد
شکل2. تشخیص پلک زدن چشم به وسیله تصاویر متفاوت: (a تصویر چشمان باز b) تصویر چشم بسته
اسلاید 8 :
سيستم تشخیص پلک زدن
Face Detection
(Haar-like Features)
Eye-Blink Classification
Eye Region Extraction
(geometrical dependencies)
Eye-Blink Detection
(template matching)
اسلاید 9 :
تشخیص چهره
مشخصه Haar-Like از طریق ادغام تصاویر و الگوها با اندازه و جهت گیری های مختلف دسته بندی می گردند.
ويژگي هاي Haar-Like :
ويژگي هاي لبه
ويژگي هاي خط
ويژگي هاي حول مركز (گوشه)
شکل3. تصاویر مستطیلی مورد استفاده
اسلاید 10 :
به منظور یافتن این ويژگي ها، الگوریتم کمکی به نام Boosting استفاده قرار می گیرد.
فرایند Boosting چندین بار تكرار مي شود تا يك ارتباط آبشاری طبقه بندي را ایجاد کند.
شكل 5. پروسه تایید یا عدم تایید در ارتباط آبشاري
شكل 4. مثالهايي از Haar-like
اسلاید 11 :
تست مجموعه ای از 150 تصویر چهره
دقت 94%
جدول 1. زمان تشخیص چهره با استفاده از طبقه بندي آبشاري و الگوی Haar-Like
شکل 6. نتایج تشخیص چهره با استفاده از ماسک Haar-Like و طبقه بندي درختی
اسلاید 12 :
موقعیت چشمی در تصویر چهره بر مبنای پیوند هندسی خاص شناخته شده صورت انسان مد نظر قرار می گیرد
استخراج محدوده چشمی
چشم ها در فاصله 0.4 از نوک سر قرار می گیرند
تصویر محدوده چشمی استخراج شده بيشتر برای تشخیص پلک زدن چشم پردازش می گردد.
شکل 7. قوانین نسبت چهره انسان
اسلاید 13 :
چشم هاي تشخيص داده شده با استفاده از روش همبستگی متقابل نرمال (normalized crosscorrelation method) دنبال می شوند.
تشخیص پلک زدن چشم
ضریب همبستگی ميزان شباهت تصویر چشمان کنونی را با الگوی چشم باز ذخیره شده اندازه گيري مي كند.
اسلاید 14 :
شکل 8. تغییر مقدار ضریب همبستگی در زمان در طی پلک زدن چشم
اسلاید 15 :
پلک زدن اگر طولانی تر از 250 ms و کوتاه تر از 2 s باشد، بر مبنای کنترل ارادی است
طبقه بندي پلک زدن
تشخیص پلک زدن بر اساس پلك زدن کوتاه ( کمتر از 200 هزارم ثانیه)
تشخیص پلک زدن بر اساس پلک زدن طولانی تر ( طولانی تر از 250 هزارم ثانیه)
اسلاید 16 :
استفاده ازسيستمي با مشخصات Intel CoreQuad CPU at 2.4 GHz
عملکرد سیستم
تست سیستم :
اتاقی با 3 لامپ فلوروسنت و روشنایی روز از یک پنجره
40 بار ( 20 پلک زدن بلند و 20 پلک زدن کوتاه) پلك زدن
فاصله دوربین از صورت فرد ،70 سانتیمتر
تشخیص پلک زدن با میانگین سرعت 29 fps
اسلاید 17 :
پلک زدن های از دست رفته
شکل 9. توزیع احتمال خروجی تشخیص پلک زدن
خطا
تشخیص خطا
اسلاید 18 :
دقت
اندازه گیری مرتبط به عملکرد سیستم
فراخواني
دقت كل
ارزیابی سیستم در تشخیص پلک زدن کوتاه و پلک زدن بلند
اسلاید 19 :
جدول 2.پارامترهای کارایی سیستم تشخیص پلک زدن ( در محیطی با روشنایی خوب)
تست سیستم در شرایط روشنایی مناسب و كم
جدول 3. پارامترهای کارایی سیستم تشخیص پلک زدن ( در محیطی با روشنایی کم)
اسلاید 20 :
اين رابط با استفاده ازC++ ، Visual Studio و OpenCV library نوشته مي شود
رابط تشخيص پلک زدن
تشخیص پلک زدن به صورت کوتاه ( غير ارادي) و بلند ( ارادی)
