الگوریتم‏های سیستم پیشنهادی در محیط نرم‏افزار MATLAB R2008a پیاده‏سازی شده و بر روی یک کامپیوتر شخصی Intel Core2Dou 2.66 GHz با ۲ GB حافظه مورد آزمایش قرار گرفته است. توجه به این نکته ضروری است که هرچند پردازنده کامپیوتری که نتایج بر روی آن آزمایش شده، دوهسته‏ای[۱۴۴] می‏باشد، اما به دلیل نوع نرم‏افزار استفاده شده برای پیاده‏سازی الگوریتم‏ها (نرم‏افزار MATLAB)، در عمل تنها از یک پردازنده آن برای انجام محاسبات استفاده می‏شود. نرم‏افزار MATLAB توانایی استفاده از دو هسته یک پردازنده را ندارد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

برای ارزیابی دقیق‏تر سیستم، هر یک از بخش‏های نرم‏افزار هوشمند تا حد امکان به طور جداگانه مورد ارزیابی قرار گرفت. درنهایت نیز چند آزمایش برای ارزیابی کلی سیستم انجام شد. به این ترتیب نتایج آزمایشات و ارزیابی سیستم شامل بخش‏های زیر خواهد بود:
آشکارسازی چهره
ردیابی چهره
استخراج ویژگی ناحیه چشم
استخراج ویژگی ناحیه چهره و سر
تشخیص کاهش هوشیاری
ارزیابی کلی سیستم
معیار‏های ارزیابی
ارزیابی دقیق سیستم‏های نظارت چهره راننده بر اساس خطای False Positive و False Negative انجام می‏شود. این ارزیابی معادل بیان دقت سیستم بر اساس True Positive و True Negative است. در آشکارسازی چهره یا چشم نیز از این معیار‏ها برای تعیین دقت الگوریتم استفاده می‏گردد.
از این پس به جای اصطلاحات نرخ False Positive، False Negative، True Positive و True Negative به ترتیب از اختصارات FPR[145]، FNR[146]، TPR[147] و TNR[148] استفاده خواهد شد. با فرض نرمال بودن مقادیر فوق، بین FPR و TNR و بین FNR و TPR روابط زیر بر قرار است:

FPR به معنی نرخ خطای سیستم در تشخیص اشتباه خواب‏آلودگی یا عدم تمرکز حواس است و FNR نرخ خطای سیستم در عدم تشخیص خواب‏آلودگی را نشان می‏دهد. به همین ترتیب TPR نرخ تشخیص صحیح خواب‏آلودگی و TNR نرخ تشخیص صحیح هوشیاری راننده است. در جدول ‏۴‑۴ مفاهیم FPR، FNR، TPR و TNR در ماتریس اغتشاش[۱۴۹] بیان شده‏اند.
جدول ‏۴‑۴: بیان مفاهیم FPR، FNR، TPR و TNR در قالب ماتریس اغتشاش

 

دسته ‏بندی واقعی

 
 
 

کلاس Negative

 

کلاس Positive

 
 

FPR

 

TPR

 

کلاس Positive

 

دسته ‏بندی سیستم

 
 

TNR

 

FNR

 

کلاس Negative

 

در یک سیستم ایده‏آل FPR و FNR صفر است. در برخی گزارشات، ارزیابی سیستم فقط بر اساس نرخ هشدار اشتباه[۱۵۰] (FAR) بیان می‏شود. در واقع FAR معادل FPR است. گاهی نیز دقت سیستم به عنوان معیار ارزیابی مورد استفاده قرار می‏گیرد. دقت سیستم معادل TPR است.
آشکارسازی چهره
برای آموزش الگوریتم آشکارسازی چهره از حدود ۳۰۰۰ تصویر چهره و حدود ۳۰۰۰۰۰ تصویر غیرچهره استفاده شد. تصاویر چهره از پایگاه داده FERET انتخاب شد و به صورت دستی مکان چشم‏های آن تعیین گردید. تمام تصاویر چهره بر اساس فاصله بین دو چشم یکسان‏سازی مقیاس[۱۵۱] و سپس به یک اندازه دلخواه (۴۰×۴۰ پیکسل) یکسان‏سازی اندازه[۱۵۲] شد. برای تولید تصاویر غیرچهره از تعدادی تصویر تصادفی استفاده گردید. ابتدا اگر چهره انسان در این تصاویر وجود داشت، به طور دستی حذف شد. سپس این تصاویر به تصاویر کوچک با ابعاد تصاویر چهره (۴۰×۴۰) قسمت‏بندی شد. هر قسمت به عنوان یک تصویر غیرچهره در سیستم مورد استفاده قرار گرفت. نمونه‏هایی از تصاویر چهره و غیرچهره که برای آموزش استفاده شده است، به ترتیب در شکل ‏۴‑۳ و شکل ‏۴‑۴ مشاهده می‏شود.

شکل ‏۴‑۳: نمونه‏هایی از تصاویر چهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره

شکل ‏۴‑۴: نمونه‏هایی از تصاویر غیرچهره مورد استفاده برای آموزش الگوریتم آشکارسازی چهره
در هنگام آموزش الگوریتم آشکارسازی چهره، توجه به این نکته ضروری است که با کاهش نرخ آشکارسازی اشتباه (FPR)، نرخ عدم آشکارسازی (FNR) بیشتر خواهد شد و بالعکس. بنابراین باید با توجه به کاربرد، مصالحه‏ای میان FPR و FNR برقرار گردد.
برای آزمایش الگوریتم آشکارسازی چهره، از ۳۰۰۰ تصویر چهره و ۸۰۰۰۰ تصویر غیرچهره استفاده شد. طبق آزمایش انجام شده، نرخ عدم آشکارسازی چهره (FNR) برابر ۸/۱% و نرخ آشکارسازی اشتباه (FPR) برابر ۸/۰% بدست آمد. نتایج ارزیابی الگوریتم آشکارسازی در جدول ‏۴‑۵ نشان داده شده است.
جدول ‏۴‑۵: ارزیابی الگوریتم آشکارسازی چهره

 

تعداد عدم آشکارسازی

 

نرخ خطای عدم آشکارسازی

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...