تشخیص بلادرنگ خواب آلودگی راننده بر اساس پارامترهای رفتاری و استخراج نشانه های صورت

خواب آلودگی یا خستگی دلیل اصلی تصادفات جاده ای است و پیامدهای قابل توجهی در ایمنی جاده و افراد دارد. تشخیص خواب آلودگی یکی از مهمترین مسائلی است که در سال های اخیر به طور گسترده ای در کاربردهای بینایی ماشین و سیستم های هوشمند مورد توجه قرارگرفته است. روش ها و ابزارهای مختلفی برای تشخیص زودهنگام خواب آلودگی و پیشگیری از بروز حوادث جاده ای وجود دارد. یکی از روش های جلوگیری از بروز حوادث جاده ای، تشخیص  بهنگام خستگی راننده می باشد. در روش های تشخیص خواب آلودگی، به طور مداوم رفتار فیزیکی رانندگان،  الگوی حرکت خودرو یا شرایط جسمی رانندگان بر اساس تکنیک های مختلف کنترل می شود. ﻳﻜﻲ ﺍﺯ ﺭﻭﺵﻫﺎﻱ ﺗﺸﺨﻴﺺ ﺧﻮﺍﺏﺁﻟﻮﺩﮔﻲ ﻭ ﻋﺪﻡ ﺗﻤﺮﻛﺰ ﺣﻮﺍﺱ، ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺳﻴﺴﺘﻢﻫﺎﻱ ﻧﻈﺎﺭﺕ بر ﭼﻬﺮﻩ ﺭﺍﻧﻨﺪﻩ می باشد. ﺳﻴﺴﺘﻢﻫﺎﻱ ﻧﻈﺎﺭﺕ بر ﭼﻬﺮﻩ ﺭﺍﻧﻨﺪﻩ ﺑﺎ ﺩﺭﻳﺎﻓﺖ ﺗﺼﺎﻭﻳﺮ ﺍﺯ ﺩﻭﺭﺑﻴﻦ ﻭ ﭘﺮﺩﺍﺯﺵ آن  ها، ﻧﺸﺎﻧﻪﻫﺎﻱ ﺧﺴﺘﮕﻲ ﻭ ﻋﺪﻡ ﺗﻤﺮﻛﺰ ﺣﻮﺍﺱ ﺭﺍ ﺍﺯ ﭼﻬﺮﻩ ﺍﺳﺘﺨﺮﺍﺝ ﻣﻲﻛﻨﻨﺪ. اگر به موقع به راننده های خواب آلود هشدار داده شود، می توان از چنین تصادفات مرگباری جلوگیری کرد. طراحی ابزاری کارآمد، با پا  رامترهای  کم  و دقت تشخیص بالا که قابلیت استفاده توسط کاربران مختلف داشته باشد، از اهداف اصلی این پایان نامه می باشد.بر اساس مطالعات و بررسی های متعدد و مقایسه روش های مختلف تشخیص، که در حوزه تشخیص خواب آلودگی انجام شده است، در این تحقیق از ترکیب هیستوگرام گرادیان جهتدار(HOG) و ماشین بردار پشتیبان خطی(SVM) برای طراحی مدل تشخیص استفاده شده است و نتایج قابل قبولی ارائه داده است. در طراحی سیستم پیشنهادی برای تشخیص چهره و نقاط کلیدی صورت از الگوریتم هیستوگرام گرادیان جهتدار(HOG) و برای آموزش مدل و طبقه بندی حالات هوشیار و خواب آلود از الگوریتم ماشین بردار پشتیبان خطی(SVM) استفاده شده است. روش مورد استفاده ما جزو روش های نشان اختصاصی می باشد. برای سنجش دقت سیستم پیشنهادی، مدل خود را با دیتاست NTHU تست کرده ایم و دقت بالای 74 درصد بدست آوردیم. نتایج حاصل نشان داده است که روش های مبتنی بر یادگیری ماشین می توانند با دقت و سرعت تشخیص بالایی عمل تشخیص را انجام دهند.