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

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