پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس

word
112
2 MB
31081
1387
کارشناسی ارشد
قیمت: ۱۴,۵۶۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس

    پایان‏نامه جهت دریافت کارشناسی ارشد

    رشته مهندسی کامپیوتر- هوش مصنوعی و رباتیک

    چکیده

    هر ساله تصادفات رانندگی زیادی به دلیل خواب‏ آلودگی و عدم تمرکز حواس راننده در سراسر دنیا رخ می‏دهد که خسارت‏های جانی و مالی فراوانی به همراه دارند. یکی از روش‏های تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستم‏های نظارت چهره راننده است. سیستم‏های نظارت چهره راننده با دریافت تصاویر از دوربین و پردازش آنها، نشانه‏های خواب‏آلودگی و عدم تمرکز حواس را از چشم، سر و چهره استخراج می‏کنند. در این پایان‏نامه یک سیستم نظارت چهره راننده طراحی شده است که با استخراج نشانه‏های خستگی و عدم تمرکز حواس از ناحیه چشم و چهره، کاهش هوشیاری راننده را تخمین می‏زند. در این سیستم چهار ویژگی شامل درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن، کاهش فاصله بین پلک‏ها و میزان چرخش سر استخراج می‏شود. سه ویژگی اول مربوط به نشانه ‏های بروز خستگی و عدم تمرکز حواس در ناحیه چشم و ویژگی آخر مربوط به نشانه‏های کاهش هوشیاری در ناحیه چهره و سر می‏باشد. ویژگی‏های ناحیه چشم بر اساس تغییرات پروجکشن افقی ناحیه چشم و ویژگی‏های ناحیه چهره بر اساس بررسی قالب چهره استخراج می‏گردد. سپس این ویژگی‏ها توسط یک سیستم خبره فازی مورد پردازش قرار می‏گیرد تا میزان خستگی و عدم تمرکز حواس راننده تخمین‏زده شود. تصویربرداری سیستم پیشنهادی در طیف مرئی و با دوربین سطح خاکستری انجام شده است. نتایج آزمایش‏ها بر روی فیلم‏های تهیه شده در محیط واقعی و آزمایشگاهی نشان می‏دهد که روش پیشنهادی دقت بسیار خوبی در استخراج ویژگی و تشخیص کاهش هوشیاری راننده دارد. از لحاظ سرعت اجرای الگوریتم، سرعت سیستم پیشنهادی حدود 5 فریم در ثانیه می‏باشد که می‏توان آن را سیستم بلادرنگ محسوب کرد.

     

    کلمات کلیدی:

    نظارت چهره راننده، تشخیص خستگی، تشخیص خواب آلودگی، تشخیص عدم تمرکز حواس، پیشگیری از تصادف.

    پیشگفتار

    افزایش تعداد خودروها در جهان و در نتیجه آن افزایش آمار خسارات و تلفات ناشی از تصادفات، باعث شد تا محققین به دنبال کشف علل اصلی تصادفات رانندگی باشند. یکی از مهمترین این علل، خستگی و عدم تمرکز حواس راننده می‏باشد که علت اصلی حدود 20% از تصادفات محسوب می‏شود. با توجه به نقش موثر خستگی و عدم تمرکز حواس راننده در بروز تصادفات، راهکارهایی برای مقابله با این عامل معرفی شد. یکی از راهکارهای اصلی و جدید برای تشخیص خستگی و عدم تمرکز حواس راننده و اعلام هشدار در مواقع ضروری، سیستم‏های نظارت چهره راننده است. پیشنهاد تولید سیستم‏های نظارت چهره راننده اولین بار در اواخر قرن 20 میلادی مطرح شد، اما عمده تحقیقات در این زمینه مربوط به بعد از سال 2000 میلادی می‏باشد.

    تاکنون طراحی و تولید چنین سیستم‏هایی در ایران به طور جدی مورد بررسی قرار نگرفته است. سیستم ارائه شده در این پایان‏نامه به عنوان اولین سیستم نظارت چهره راننده در ایران می‏باشد که قادر است میزان خستگی و عدم تمرکز حواس راننده را با استفاده از پردازش تصاویر چهره راننده تخمین بزند. هرچند تحقیقات بیشتری برای تولید یک سیستم نظارت چهره راننده با هدف کاربرد در خودروهای تجاری مورد نیاز است، اما این پایان‏نامه می‏تواند شروع بسیار خوبی برای آغاز تحقیقات در این زمینه باشد.

    1- مقدمه

    1-1- تعریف سیستم‏های نظارت چهره راننده

    همراه با توسعه صنعت خودرو در جهان، کاربرد فناوری‏های نوین در اتومبیل نیز افزایش یافته است. سیستم‏های حمل و نقل هوشمند[1] یا به اختصار ITS، کاربرد کامپیوتر و فناوری اطلاعات و ارتباطات در شبکه‏های حمل و نقل انسان و کالا است. سیستم پیشرفته دستیار راننده[2] یکی از بخش‏های سیستم حمل و نقل هوشمند محسوب می‏گردد. این سیستم‏ها برای بهبود کارایی خودرو و افزایش امنیت راننده و سرنشینان آن استفاده می‏شوند و در مواقع بحرانی، به راننده اعلام هشدار کرده یا به جای راننده تصمیم مناسب را برای کنترل و هدایت خودرو اتخاذ می‏کنند.

    سیستم نظارت چهره راننده، یک سیستم بلادرنگ[3] است که بر اساس پردازش تصویر چهره راننده، وضعیت جسمی و تا حدی وضعیت روحی او را تحت نظارت قرار می‏دهد. معمولا وضعیت راننده از بسته بودن پلک‏ها، نحوه پلک‏زدن، خیره بودن چشم‏ها به نقطه خاص، جهت نگاه چشم، خمیازه کشیدن و حرکت سر قابل تشخیص است. این سیستم در هنگام خواب‏آلودگی، خستگی و عدم توجه راننده به جاده، اعلام هشدار[4] می‏کند.

    1-2- ضرورت سیستم‏های نظارت چهره راننده

    یکی از مهمترین عوامل موثر در تصادفات، خصوصا در جاده‏های بین شهری[5]، خستگی، خواب‏آلودگی و عدم تمرکز حواس راننده است. خستگی و خواب‏آلودگی باعث کاهش درک و قدرت تصمیم‏گیری راننده برای کنترل خودرو می‏شود. تحقیقات نشان می‏دهد معمولا به طور طبیعی، پس از یک ساعت رانندگی، راننده دچار خستگی می‏شود. اما در ساعات ابتدایی بعد از ظهر، بعد از نهار و همچنین در نیمه شب، راننده در مدت زمان بسیار کمتر از یک ساعت احساس خواب‏آلودگی می‏کند. البته علاوه بر دلایل طبیعی، مصرف الکل، مواد مخدر و دارو‏هایی که منجر به کاهش هوشیاری می‏شوند نیز در خواب‏آلودگی راننده تاثیر‏گذار است  عمده تصادفاتی که علت اصلی آن خستگی یا عدم تمرکز حواس اعلام می‏شود، در جاده‏های بین شهری و برای خودرو‏های سنگین رخ می‏دهد. اکثر این تصادفات در حدود ساعت 6-2 یا 16-15 به وقوع می‏پیوندد [2].

    در کشور‏های مختلف، آمار متفاوتی در مورد تصادفاتی که به علت خستگی و عدم تمرکز حواس راننده رخ می‏دهد، ارائه شده اما به طور کلی می‏توان گفت علت حدود 20% از تصادفات و 30% از تصادفات منجر به مرگ، خواب‏آلودگی و عدم تمرکز حواس راننده است. در تصادفات تک خودرو[6] یا تصادفات خودرو‏های سنگین این رقم تا 50% نیز گزارش شده است 

    کشور ایران به لحاظ امنیت ترافیکی، نه تنها در بین کشور‏های دنیا، بلکه در بین کشور‏های در حال توسعه نیز وضعیت بحرانی دارد. بر اساس آمار پزشکی قانونی در سال 1386، بر اثر تصادفات رانندگی بیش از 23000 نفر کشته و 245000 نفر مجروح شده‏اند [11]. بر اساس آمار اعلام شده، خسارت‏های ناشی از تصادفات در ایران بیش از 65000 میلیارد ریال (معادل 67 میلیارد دلار) برآورد شده که حدود 4/6% تولید ناخالص ملی[7] را تشکیل می‏دهد [12]. این در حالی است که کشور استرالیا به عنوان یک کشور توسعه یافته، خسارت ناشی از تصادفات را حدود 17 میلیارد دلار و معادل 3/2% تولید ناخالص ملی اعلام کرده است [13].

    با توجه به خسارات‏های جانی و مالی فراوان حاصل از خواب‏آلودگی و عدم تمرکز حواس راننده، طراحی و توسعه سیستم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس بسیار ضروری به نظر می‏رسد. یکی از بهترین روش‏های کاربردی برای این منظور، نظارت چهره راننده است. بر اساس مطالعات صورت گرفته، پیش‏بینی می‏شود استفاده از سیستم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس بتواند بین 10% تا 20% از تصادفات بکاهد [14].

    1-3- چالش‏های اساسی در سیستم‏ های نظارت چهره راننده

    در یک سیستم نظارت چهره راننده، دو مشکل اصلی مطرح است: «چگونگی اندازه‏گیری خستگی» و «چگونگی اندازه‏گیری تمرکز». این مشکلات به عنوان چالش‏های اصلی سیستم‏های نظارت چهره شناخته می‏شود. با وجود پیشرفت علم در زمینه فیزیولوژی و روان‏شناسی، هنوز هیچ تعریف دقیقی از خستگی ارائه نشده است. مسلما به دلیل عدم وجود تعریف دقیق خستگی، هیچ معیار قابل سنجشی[8] نمی‏توان برای آن ارائه کرد [9]. با این وجود ارتباطاتی میان میزان خواب‏آلودگی و دمای سطح بدن، مقاومت الکتریکی پوست، فعالیت و حرکت چشم، نرخ تنفس، نرخ تپش قلب و فعالیت مغزی وجود دارد یکی از اولین و مهمترین نشانه‏های خستگی در چشم ظاهر می‏شود. بر اساس تحقیقات انجام شده، رابطه مستقیمی بین میزان خستگی و درصد بسته بودن پلک‏ها در یک مدت معین وجود دارد. به درصد بسته بودن پلک‏ها در یک دوره زمانی PERCLOS[9] می‏گویند. به همین دلیل تقریبا در تمام سیستم‏های نظارت چهره راننده، پردازش ناحیه چشم و بررسی میزان بسته بودن پلک‏ها به عنوان اولین و مهمترین معیار در اندازه‏گیری خستگی استفاده می‏شود.

    مشکل اساسی دیگر، اندازه‏ گیری میزان توجه راننده به جاده است. میزان توجه راننده را می‏توان از جهت سر و جایی که چشم‏ها به آنجا نگاه می‏کند تا حدی تخیمن زد. اما مشکل این است که اگر جهت سر به سمت جلو و نگاه به سمت جاده باشد، لزوما راننده به جاده توجه نمی‏کند. به عبارت دیگر نگاه کردن به جاده به معنی توجه کردن به آن نیست [9].

    جدا از چالش‏های اصلی سیستم‏ های نظارت چهره راننده، پیاده‏سازی بلادرنگ سیستم بر روی سخت‏افزار‏های معمول، کاهش خطای سیستم در آشکارسازی چهره، کاهش خطای ردیابی چهره، افزایش کارایی روش‏های استخراج ویژگی و افزایش دقت الگوریتم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس از دیگر مشکلات این سیستم‏ها محسوب می‏شود.

    1-4- مفاهیم خستگی، خواب‏آلودگی و عدم‏تمرکز‏حواس

    در این بخش مفاهیم خستگی[10]، خواب‏آلودگی[11] و عدم تمرکز حواس[12] از دیدگاه فیزیولوژی و روان‏شناسی مورد بررسی قرار می‏گیرد. هر چند از لحاظ فیزیولوژی و روان‏شناسی مفاهیم خستگی و خواب‏آلودگی با هم متفاوت است، اما در این گزارش مشابه بسیاری از مقالات ارائه شده در این زمینه، خستگی و خواب‏آلودگی دو مفهوم مترادف هم تلقی می‏شوند. همچنین اصطلاحات مراقبت[13] و هوشیاری[14] به یک معنا بوده و منظور حالت طبیعی و ایده‏آل راننده است. در مقابل اصطلاح هوشیاری و مراقبت، مفهوم کاهش هوشیاری[15] مطرح می‏شود که ممکن است شامل خواب‏آلودگی یا عدم تمرکز و یا هر دو باشد.

    1-4-1- خستگی و خواب‏آلودگی

    هنوز یک تعریف دقیق برای خستگی و معیار کمی برای اندازه‏گیری آن ارائه نشده است. خستگی در سه نوع مختلف بروز می‏کند: خستگی اعصاب حسی[16]، خستگی ماهیچه‏ای[17] و خستگی ادراکی[18]. از این سه نوع خستگی، تنها خستگی اعصاب حسی و ماهیچه‏ای قابل اندازه‏گیری هستند و تاکنون روشی برای اندازه‏گیری خستگی ادراکی کشف نشده است [7, 9]. مهمترین علل خستگی و خواب‏آلودگی به هنگام رانندگی عبارتند از :

    ·         مدت زمان طولانی کار

    ·         جابجایی زمان خواب و رانندگی

    ·         استفاده از مواد الکلی یا دارو‏هایی که عدم تمرکز حواس و خواب‏آلودگی به همراه دارند

    ·         رانندگی طولانی مدت

    ·         رانندگی بدون خواب کافی (کمتر از 8 ساعت) قبل از آن

    ·         بیماری

    با وجود این که هنوز تعریف دقیقی برای خستگی ارائه نشده، اما ارتباطاتی میان میزان خواب‏آلودگی و دمای سطح بدن، مقاومت الکتریکی پوست، فعالیت و حرکت چشم، نرخ تنفس، نرخ تپش قلب و فعالیت‏های الکتریکی مغز وجود دارد . در این میان، بهترین ابزار برای اندازه‏گیری خستگی و خواب‏آلودگی، بررسی فعالیت‏های الکتریکی مغز است. اما برای دریافت سیگنال‏های الکتریکی مغز باید الکترود بر روی سر راننده نصب شود که از نظر عملی کار دشواری است.

    پس از فعالیت‏ های الکتریکی مغز، مهمترین نشانه خستگی در چشم ظاهر می‏شود. بر اساس تحقیقات به عمل آمده، یکی از راهکار‏های تعیین میزان هوشیاری، زمان تاخیر بین تحریک عصب بینایی[19] و انجام واکنش است. این زمان تاخیر را با پارامتری به نام PVT[20] نشان می‏دهند که سرعت عمل فرد نسبت به تحریکات بینایی را بیان می‏کند. از طرفی ثابت شده که رابطه بسیار نزدیکی بین PVT و درصد بسته بودن پلک‏ها در یک دوره زمانی[21] (PERCLOS) وجود دارد [8]. بنابراین رابطه بسیار نزدیکی بین میزان خستگی و درصد بسته بودن چشم برقرار است. این معیار در تشخیص خستگی و خواب‏آلودگی نقش بسیار موثری دارد.

    1-4-2- عدم تمرکز حواس

    یکنواختی یک عمل خاص می‏تواند باعث کاهش تمرکز حواس شخصی شود که آن عمل را انجام می‏دهد. یکنواختی به دو دلیل عمده ایجاد می‏شود: عدم علاقه شخص[22] و تکراری بودن[23] عمل. در مورد رانندگی معمولا یکنواختی به دلیل تکراری و قابل پیش‏بینی بودن عمل ایجاد می‏شود. رانندگی طولانی مدت در جاده‏های بدون پیچ و خم و با ترافیک روان تاثیر منفی بر عملکرد راننده دارد. در این گونه موارد شخص دچار خستگی نشده، ولی به دلیل یکنواختی رانندگی، به تدریج تمرکز حواس وی از موضوع رانندگی خارج شده و راننده کنترل دقیقی بر روی خودرو نخواهد داشت. از دیگر علل عدم تمرکز حواس می‏توان به مشغله ذهنی، صحبت کردن راننده با سرنشینان خودرو یا تلفن همراه و گوش دادن به موسیقی اشاره کرد [7, 9].

    میزان توجه راننده را می‏توان از جهت سر و جایی که چشم‏ها به آنجا نگاه می‏کند تا حدی تخیمن زد. اما مشکل اصلی این است که اگر جهت سر به سمت جلو و نگاه به سمت جاده باشد، لزوما راننده به رانندگی توجه نمی‏کند [9].

    1-5- روش‏ های تشخیص خستگی و عدم تمرکز حواس راننده

    مهمترین روش‏های استفاده شده برای تشخیص خستگی راننده عبارتند از: روش‏های مبتنی بر سیگنال‏های بیوالکتریکی و عصبی، روش‏های مبتنی بر نحوه رانندگی و کنترل خودرو، روش‏های مبتنی بر نظارت چهره راننده و روش‏های ترکیبی. اما مسئله تشخیص عدم تمرکز حواس راننده پیچیده‏تر از تشخیص خستگی است. یک راننده ممکن است در ظاهر کاملا بیدار بوده و به جاده نگاه کند، اما تمرکز کافی بر روی رانندگی نداشته باشد. به عنوان مثال ممکن است راننده به دلیل مشغله ذهنی، تمرکز کافی برای رانندگی نداشته باشد. تشخیص عدم تمرکز حواس راننده مشکل است و امروزه تنها روش‏های مبتنی بر نحوه رانندگی و روش‏های مبتنی بر نظارت چهره راننده به صورت محدود می‏توانند عدم تمرکز حواس راننده را تخمین بزنند. روش‏های کلی تشخیص خستگی و عدم تمرکز حواس در بیشتر مورد بررسی قرار گرفته است.

    1-6- طرح کلی پایان‏نامه

    در این فصل، مقدمه‏ای بر موضوع سیستم ‏های نظارت چهره راننده شامل تعاریف، لزوم و چالش‏های سیستم و راهکار‏های کلی حل مسئله بیان گردید. در فصل دوم مروری بر پژوهش‏ها و کارهای گذشته خواهد شد. سیستم پیشنهادی در فصل 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 فصل چهارم ارائه خواهد شد. آخرین فصل از پایان‏نامه به نتیجه‏گیری و پیشنهادات برای کارهای آینده اختصاص داده شده است.

    2- مروری بر کارهای گذشته

    در این بخش پس از بررسی پیکربندی کلی سیستم‏های نظارت چهره راننده، مروری کوتاه بر تحقیقات انجام شده برای طراحی و تولید این سیستم‏ها خواهد شد. این بخش به زیر‏بخش‏های زیر تقسیم‏بندی شده است:

    ·         پیکربندی کلی سیستم‏های نظارت چهره راننده

    ·         آشکارسازی چهره

    ·         آشکارسازی چشم

    ·         آشکارسازی بینی و دهان

    ·         ردیابی چهره و اجزای آن

    ·         استخراج ویژگی‏های مربوط به کاهش هوشیاری

    ·         تشخیص کاهش هوشیاری

    ·         سیستم‏های نظارت چهره راننده در خودروهای تجاری

    2-1- پیکربندی کلی سیستم‏ های نظارت چهره راننده

    یک سیستم نظارت چهره راننده از سه بخش عمده شامل بخش تصویربرداری، بخش سخت‏افزار و پردازنده و بخش نرم‏افزار هوشمند تشکیل شده است. هر یک از بخش‏ های این سیستم، نقش سازنده و مهمی را در کارایی سیستم دارند و این بخش‏ها به یکدیگر وابسته‏اند. می‏توان گفت مهمترین بخش سیستم، بخش نرم‏افزار هوشمند است که به عنوان مغز متفکر و مرکز کنترل سیستم عمل می‏کند. سایر بخش‏های سیستم شامل بخش تصویربرداری و بخش سخت‏افزار و پردازنده باید متناسب با الگوریتم‏های بخش نرم‏افزار هوشمند انتخاب شده و مورد استفاده قرار گیرند.

    2-1-1- تصویربرداری

    بخش تصویربرداری شامل نورپردازی[24]، دوربین و در صورت لزوم فیلتر نوری، کارت اخذ تصویر[25] و کنترل‏کننده[26] است. چون سیستم نظارت چهره راننده باید در تمام شرایط نوری کار کند، نورپردازی و انتخاب دوربین یکی از مهمترین بخش‏های آن محسوب می‏شود. ابزار نورپردازی باید ضمن فراهم کردن نور کافی در محیط، باعث آزار چشم راننده نشود. به همین دلیل معمولا از طیف مادون قرمز[27] (IR) در نورپردازی استفاده می‏شود. بنابراین دوربین باید بر اساس طیف نورپردازی انتخاب شود. البته از طیف مرئی نیز در سیستم‏های نظارت چهره راننده استفاده شده است. اما به دلیل نیاز به نورپردازی چهره در شب و مزاحمت نور مرئی برای چشم راننده، به نظر می‏رسد در شرایط واقعی استفاده از طیف مرئی چندان مناسب نباشد.

    توجه به این موضوع بسیار لازم به نظر می‏رسد که نورپردازی در طیف مادون قرمز باید براساس استاندارد ICE 825-1 انجام گیرد تا به چشم (به خصوص شبکیه) آسیب وارد نشود [19]. بر اساس این استاندارد حداکثر توان نور مادون قرمز برای نورپردازی چهره تعیین می‏گردد.

    در برخی سیستم‏ها، برای کاهش حجم محاسبات بخش نرم‏افزار هوشمند، از نورپردازی پالسی طیف مادون قرمز استفاده شده است . این روش امکان آشکارسازی سریع چشم را فراهم می‏کند. معمولا در نورپردازی پالسی[28] برای همزمان‏سازی[29] نورپردازی و تصویربرداری از کنترل‏کننده استفاده می‏شود. در این حالت کنترل‏کننده روشن شدن منبع (منابع) نور و لحظه بازشدن دهانه دیافراگم دوربین را تنظیم می‏کند. از مزایای نورپردازی پالسی نسبت به نورپردازی معمولی می‏توان به کاهش تاثیر نویز محیط در تصویر و همچنین کاهش توان مصرفی منبع نور اشاره کرد [20].

    2-1-2- سخت‏افزار و پردازنده

    بخش سخت‏افزار و پردازنده شامل بورد سخت‏افزاری، یک یا چند پردازنده و رابط انسان و ماشین[30] (HMI) است. در سیستم‏های واقعی، بخش سخت‏افزار و پردازنده باید به شکل سیستم تعبیه‏شده[31] و تا حد امکان ارزان قیمت باشد. پردازنده سیستم می‏تواند یکی از انواع ریزپردازنده‏های معمولی[32] [20]، پردازنده‏های سیگنال دیجیتال[33] (DSP) [24]، مدارات FPGA[34] [25, 26] و مدارات مجتمع خاص منظوره[35] (ASIC) یا ترکیبی از آنها باشد.

    در سیستم نظارت چهره راننده، بیشتر حجم محاسبات مربوط به عملیات پردازش تصویر برای تحلیل و تفسیر چهره است. استفاده از ریزپردازنده‏های معمولی با وجود قابلیت انعطاف‏پذیری[36] در ایجاد تغییرات نرم‏افزاری، برای این منظور چندان مناسب نیست. چرا که معمولا در این حالت سیستم بلادرنگ نخواهد شد. استفاده از مدارات مجتمع خاص منظوره (ASIC) با وجود کارایی بسیار بالا، به دلیل هزینه زیاد نامناسب است. ضمن اینکه ASIC قابلیت انعطاف‏پذیری ندارد. DSP و FPGA نسبت به ریزپردازنده‏های معمولی سریع‏تر و از ASIC کندتر هستند، اما مهمترین مزیت آنها نسبت به ASIC، قابلیت انعطاف‏پذیری است. انعطاف‏پذیری در DSP از طریق نرم‏افزاری و در FPGA از طریق سخت‏افزاری میسر است. به همین دلیل در سیستم‏های واقعی معمولا از DSP یا FPGA استفاده می‏شود.

    بخشی از رابط انسان و ماشین (HMI) مانند بخش اعلام هشدار و ابزار تنظیم سیستم، در قالب بخش سخت‏افزار ظاهر می‏شود. اما کنترل هوشمند این بخش به شکل نرم‏افزاری و از طریق الگوریتم‏های تصمیم‏گیری برای تولید خروجی انجام می‏گیرد.

    2-1-3- نرم‏افزار هوشمند

    بخش نرم‏افزار هوشمند یک سیستم نظارت چهره راننده به دو بخش اصلی قابل تقسیم است: الگوریتم‏های پردازش تصویر و الگوریتم‏های تشخیص و تصمیم‏گیری. در واقع بخش نرم‏افزار هوشمند، مهمترین بخش یک سیستم نظارت چهره راننده می‏باشد.

    عمده اهداف در الگوریتم‏ های پردازش تصویر عبارتند از: پیش‏پردازش تصویر، آشکارسازی و ردیابی چهره، آشکارسازی و ردیابی چشم و سایر اجزای چهره و استخراج ویژگی‏های مناسب از چهره و اجزای آن. در واقع الگوریتم‏های پردازش تصویر بخش اصلی سیستم‏های نظارت چهره راننده را تشکیل می‏دهند. این الگوریتم‏ها معمولا حجم حافظه زیادی احتیاج داشته و بار محاسباتی زیادی به پردازنده و سخت‏افزار وارد می‏کنند. برای طراحی یک سیستم دقیق و بلادرنگ، تمرکز طراحی باید بر روی این الگوریتم‏ها باشد.

    پس از استخراج ویژگی‏های مناسب از تصویر، الگوریتم‏های تشخیص و تصمیم‏گیری بر اساس این ویژگی‏ها میزان خستگی و عدم تمرکز حواس راننده را تعیین و تصمیم مناسب را برای خروجی سیستم اتخاذ می‏کنند. الگوریتم‏های تشخیص و تصمیم‏گیری از این لحاظ اهمیت دارند که باید قادر به تشخیص به موقع خستگی و عدم تمرکز حواس راننده باشند و تصمیم‏گیری مناسب را برای تولید خروجی سیستم انجام دهند. هر چه الگوریتم تشخیص بتواند در مدت زمان کوتاه‏تری وقوع خواب‏آلودگی یا عدم تمرکز حواس راننده را تشخیص دهد، سیستم کارایی بیشتری خواهد داشت. ضمن این که پس از تشخیص، تصمیم‏گیری در مورد نحوه عملکرد سیستم برای تولید خروجی از اهمیت زیادی برخوردار است. بخشی از رابط انسان و ماشین (HMI) به شکل نرم‏افزاری و در قالب الگوریتم تصمیم‏گیری برای تولید خروجی است.

  • فهرست و منابع پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس

    فهرست:

    1- مقدمه. 1

    1-1- تعریف سیستم‏های نظارت چهره راننده 1

    1-2- ضرورت سیستم‏های نظارت چهره راننده 2

    1-3- چالش‏های اساسی در سیستم‏های نظارت چهره راننده 3

    1-4- مفاهیم خستگی، خواب‏آلودگی و عدم‏تمرکز‏حواس... 4

    1-4-1- خستگی و خواب‏آلودگی.. 4

    1-4-2- عدم تمرکز حواس... 6

    1-5- روش‏های تشخیص خستگی و عدم تمرکز حواس راننده 6

    1-6- طرح کلی پایان‏نامه. 7

    2- مروری بر کارهای گذشته. 8

    2-1- پیکربندی کلی سیستم‏های نظارت چهره راننده 9

    2-1-1- تصویربرداری.. 9

    2-1-2- سخت‏افزار و پردازنده 10

    2-1-3- نرم‏افزار هوشمند. 11

    2-2- آشکارسازی چهره 13

    2-2-1- روش‏های مبتنی بر مدل رنگ... 13

    2-2-2- روش‏های مبتنی بر ویژگی‏های شبه هار. 14

    2-2-3- روش‏های مبتنی بر شبکه عصبی.. 14

    2-3- آشکارسازی چشم. 15

    2-3-1- روش‏های مبتنی بر نورپردازی و تصویربرداری در طیف مادون قرمز. 15

    2-3-2- روش‏های مبتنی بر دوسطحی کردن تصویر. 18

    2-3-3- روش‏های مبتنی بر پروجکشن.. 19

    2-3-4- روش‏های مبتنی بر یادگیری.. 20

    2-4- آشکارسازی سایر اجزای چهره 21

    2-4-1- آشکارسازی دهان (لب) 21

    2-4-2- آشکارسازی بینی.. 21

    2-5- ردیابی چهره و اجزای آن. 22

    2-5-1- تخمین حرکت... 23

    2-5-2- تطابق.. 23

    2-6- استخراج ویژگی‏های مربوط به کاهش هوشیاری.. 24

    2-6-1- ویژگی‏های ناحیه چشم. 24

    2-6-2- ویژگی‏های دهان. 30

    2-6-3- ویژگی‏های سر. 30

    2-7- تشخیص خستگی و عدم تمرکز حواس... 31

    2-7-1- روش‏های مبتنی بر حد آستانه. 31

    2-7-2- روش‏های مبتنی بر دانش... 32

    2-7-3- روش‏های مبتنی بر آمار و احتمال. 33

    2-8- سیستم‏های نظارت چهره راننده در خودروهای تجاری.. 34

    3- سیستم پیشنهادی.. 35

    3-1- پیکربندی کلی سیستم پیشنهادی.. 35

    3-1-1- نورپردازی و تصویربرداری.. 36

    3-1-2- سخت‏افزار و پردازنده 37

    3-1-3- نرم‏افزار هوشمند. 37

    3-2- آشکارسازی چهره 38

    3-2-1- ویژگی‏های شبه هار. 39

    3-2-2- انتخاب و تعیین اهمیت ویژگی‏ها برای تشکیل یک طبقه‏بندی‏کننده قوی.. 41

    3-2-3- درخت تصمیم آبشاری تقویت‏شده 42

    3-3- ردیابی چهره 44

    3-3-1- پنجره جستجو. 45

    3-3-2- معیار تطابق.. 46

    3-4- استخراج ویژگی‏های مربوط به کاهش هوشیاری.. 47

    3-4-1- ویژگی‏های ناحیه چشم. 47

    3-4-2- ویژگی‏های ناحیه چهره و سر. 55

    3-5- تشخیص کاهش هوشیاری.. 58

    3-5-1- سیستم خبره فازی.. 58

    3-5-2- تولید خروجی نهایی.. 64

    4- نتایج آزمایش‏ها و ارزیابی سیستم. 69

    4-1- نحوه آزمایش سیستم. 69

    4-2- معیار‏های ارزیابی.. 72

    4-3- آشکارسازی چهره 73

    4-4- ردیابی چهره 75

    4-5- استخراج ویژگی‏های ناحیه چشم. 77

    4-6- استخراج ویژگی‏های ناحیه سر و چهره 82

    4-7- تشخیص کاهش هوشیاری.. 86

    4-8- ارزیابی کلی سیستم و الگوریتم‏ها 93

    4-8-1- بررسی سرعت پردازش سیستم پیشنهادی.. 93

    4-8-2- بررسی پیچیدگی محاسباتی الگوریتم‏ها 94

    5- نتیجه‏گیری و پیشنهادات... 95

    6- مراجع  99

     

    منبع:

     

    [1]       Narelle L. Haworth, Thomas J. Triggs, Elizabeth M. Grey, "Driver Fatigue: Concepts, Measurement and Crash Countermeasures", Human Factors Group, Department of Psychology, Monash University, June, 1988.

    [2]       محمدرضا احدی، علی زایرزاده، «پارامترهای موثر بر خستگی رانندگان و نقش آن در وقوع تصادفات»، نخستین کنفرانس بین‏المللی حوادث رانندگی و جاده‏ای، تهران، ایران، صفحه 358-364، دی 1384.

    [3]       Chin Teng Lin, Li Wei Ko, I Fang Chung, Teng Yi Huang, Yu Chieh Chen, Tzyy Ping Jung, Sheng Fu Liang, "Adaptive EEG-Based Alertness Estimation System by Using ICA-Based Fuzzy Neural Networks", IEEE Transactions on Circuits and Systems, vol. 53, no. 11, pp. 2469-2476, November, 2006.

    [4]       G. Yang, Y. Lin, P. Bhattacharya, "A Driver Fatigue Recognition Model Using Fusion of Multiple Features", in IEEE International Conference on Systems, Man and Cybernetics (SMC), Hawaii, USA, pp. 1777-1784, 2005.

    [5]       Christos Papadelis, Chrysoula Kourtidou-Papadeli, Panagiotis D. Bamidis, Ioanna Chouvarda, D. Koufogiannis, E. Bekiaris, Nikos Maglaveras, "Indicators of Sleepiness in an Ambulatory EEG Study of Night Driving", in 28th IEEE Annual International Conference of the Engineering in Medicine and Biology Society (EMBS), New York, USA, pp. 6201-6204, 2006.

    [6]       Qiang Ji, Xiaojie Yang, "Real-Time Eye, Gaze, and Face Pose Tracking for Monitoring Driver Vigilance", Elsevier Real-Time Imaging, vol. 8, pp. 357–377, 2002.

    [7]       T. Brandt, R. Stemmer, B. Mertsching, A. Rakotonirainy, "Affordable Visual Driver Monitoring System for Fatigue and Monotony", in IEEE International Conference on Systems, Man and Cybernetics (SMC), Hague, Netherlands, pp. 6451- 6456, 2004.

    [8]       Paul Stephen Rau, "Drowsy Driver Detection and Warning System for Commercial Vehicle Drivers: Field Operational Test Design, Data Analyses and Progress", National Highway Traffic Safety Administration of USA (NHTSA), 2005.

    [9]       T. Von Jan, T. Karnahl, K. Seifert, J. Hilgenstock, R. Zobel, "Don’t Sleep and Drive – VW’s Fatigue Detection Technology", Centre for Automotive Safety Research, Adelaide University, Australia, 2005.

    [10]     S. Boverie, D. Daurenjou, D. Esteve, H. Poulard, J Thomas, "Driver Vigilance Monitoring - New Developments", in 15th IFAC World Congress on Automatic Control, Barcelona, Spain, 2002.

    [11]     «آمار متوفیات و مصدومین ناشی از تصادفات رانندگی ارجاعی به مراکز پزشکی قانونی کشور در سال 1386»، کمسیون ایمنی راه، وزارت راه و ترابری، 1387.

    [12]     میرفاضل نیک زاد، «تصادفات ترافیکی جاده‏های ایران - پیش‏بینی می‏کنیم اما نمی‏توانیم پیشگیری کنیم»، سومین کنفرانس منطقه‏ای مدیریت ترافیک، تهران، ایران، 1385.

    [13]     Luke B. Connelly, Richard Supangan, "The Economic Costs of Road Traffic Crashes: Australia, States and Territories", Elsevier Accident Analysis and Prevention, vol. 38, no. 36, pp. 1087-1093, November, 2006.

    [14]     Megan Bayly, Brian Fildes, Michael Regan, Kristie Young, "Review of Crash Effectiveness of Intelligent Transport Systems", TRaffic Accident Causation in Europe (TRACE), 2007.

    [15]     H. Cai, Y. Lin, "An Experiment to Non-Intrusively Collect Physiological Parameters Towards Driver State Detection", in SAE 2007 World Congress, Detroit, Michigan, USA, 2007.

    [16]     Tsuyoshi Nakagawa, Taiji Kawachi, Satori Arimitsu, Masayuki Kanno, Ken Sasaki, Hiroshi Hosaka, "Drowsiness Detection Using Spectrum Analysis of Eye Movement and Effective Stimuli to Keep Driver Awake", DENSO Technical Review, vol. 12, no. 1, pp. 113-118, 2006.

    [17]     محمدحسین سیگاری، «مروری کوتاه بر روش‌های تشخیص خستگی و عدم تمرکز حواس راننده برای جلوگیری از تصادف»، دومین کنگره مشترک سیستم های فازی و هوشمند، نهمین کنفرانس سیستم های هوشمند ایران، تهران، ایران، آبان 1387.

    [18]     محمدحسین سیگاری، «بررسی روش‌های نظارت چهره راننده برای جلوگیری از حادثه»، سمینار کارشناسی‏ارشد هوش‏مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، 1386.

    [19]     A.C. Boucouvalas, "IEC 825-1 Eye Safety Classification of Some Consumer Electronic Products", in IEE Colloquium on Optical Free Space Communication Links, London, UK, pp. 13/11-13/16, 1996.

    [20]     Richard Grace, Vicky E. Byme, Damian M. Bierman, Jean-Michel Legrand, David Gricourt, Robert K. Davis, James J. Staszewski, Brian Carnahan, "A Drowsy Driver Detection System for Heavy Vehicles", in 17th AIAA/IEEE/SAE Digital Avionics Systems Conference (DASC), Washington, USA, pp. I36/31-I36/38, 1998.

    [21]     Luis M. Bergasa, Jesus Nuevo, Miguel A. Sotelo, Manuel Vhzquez, "Real-Time System for Monitoring Driver Vigilance", in IEEE Intelligent Vehicles Symposium, Parma, Italy, pp. 78-83, 2004.

    [22]     Luis M. Bergasa, Jesus Nuevo, "Real-Time System for Monitoring Driver Vigilance", in IEEE International Symposium on Industrial Electronics, Dubrovnik, Croatia, pp. 1303-1308, 2005.

    [23]     Luis M. Bergasa, Jesus Nuevo, Miguel A. Sotelo, Rafael Barea, Maria Elena Lopez, "Real-Time System for Monitoring Driver Vigilance", IEEE Transactions on Intelligent Transportation Systems, vol. 7, no. 1, pp. 63-77, March, 2006.

    [24]     Harini Veeraraghavan, Nikolaos Papanikolopoulos, "Detecting Driver Fatigue Through the Use of Advanced Face Monitoring Techniques", Intelligent Transportation System Institute, Department of Computer Science and Engineering, University of Minnesota, 2001.

    [25]     Felix Moreno, Francisco Aparicio, Wilmar Hemandez, Javier Paez, "A Low-cost Real-Time FPGA Solution for Driver Drowsiness Detection", in 29th IEEE Annual Conference of the Industrial Electronics Society, Virginia, USA, pp. 1396 - 1401, 2003.

    [26]     Fei Wang, Huabiao Qin, "A FPGA based Driver Drowsiness Detecting System", in IEEE International Conference on Vehicular Electronics and Safety, Xian, China, pp. 358- 363, 2005.

    [27]     Jorge Batista, "A Drowsiness and Point of Attention Monitoring System for Driver Vigilance", in IEEE Intelligent Transportation Systems Conference, Seattle, USA, pp. 702-708, 2007.

    [28]     Wenhui Dong, Xiuojuan Wu, "Driver Fatigue Detection Based on the Distance of Eyelid", in IEEE International Workshop VLSI Design & Video Technology, Suzhou, China, pp. 365-368, 2005.

    [29]     Karin Sobottka, Ioannis Pitas, "A Novel Method for Automatic Face Segmentation Facial Feature Extraction and Tracking", Elsevier Signal Processing: Image Communication, vol. 12, no. 3, pp. 263-281, June, 1998.

    [30]     Wen-Bing Horng, Chih-Yuan Chen, Yi Chang, Chuu-Hai Fan, "Driver Fatigue Detection Based on Eye Tracking and Dynamic Template Matching", in IEEE International Conference on Networking, Sensing & Control, Taipei, Taiwan, pp. 7-12, 2004.

    [31]     علیرضا خان تیموری، «ردیابی چشم و کاربرد آن در تشخیص خستگی راننده»، پایان‏نامه کارشناسی‏ارشد هوش‏مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران، 1381.

    [32]     Paul Viola, Michael Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features", in Conference on Computer Vision and Pattern Recognition (CVPR), TY, USA, pp. 511-518, 2001.

    [33]     Paul Viola, Michael Jones, "Robust Real-Time Face Detection", Kluwer International Journal of Computer Vision, vol. 57, no. 2, pp. 137–154, 2004.

    [34]     Zutao Zhang, Jiashu Zhang, "A New Real-Time Eye Tracking for Driver Fatigue Detection", in 6th IEEE International Conference on ITS Telecommunications, pp. 8-11, 2006.

    [35]     Zutao Zhang, Jia-shu Zhang, "Driver Fatigue Detection Based Intelligent Vehicle Control", in 18th International Conference on Pattern Recognition (ICPR), Hong Kong, China, pp. 1262-1265, 2006.

    [36]     Tiesheng Wang, Pendeli Shi, "Yawning Detection for Determining Driver Drowsiness", in IEEE International Workshop on VLSI Design & Video Technology, Suzhou, China, pp. 373-376, 2005.

    [37]     Takahiro Hamada, Takehiro Ito, Kazumasa Adachi, Tomoaki Nakano, Shin Yamamoto, "Detecting Method for Drivers’ Drowsiness Applicable to Individual Features", in IEEE Intelligent Transportation Systems, pp. 1405-1410, 2003.

    [38]     Minoru Fukumi, "Driver Face Monitoring using a Near-Infrared Camera", in International Conference on Signal and Image Processing, Hawaii, USA, pp. 156-160, 2005.

    [39]     Zhiwei Zhu, Kikuo Fujimura, Qiang Ji, "Real-Time Eye Detection and Tracking Under Various Light Conditions", in ACM Eye Tracking Research & Application symposium, New Odeans, Louisiana, USA, pp. 139-144, 2002.

    [40]     Qiang Ji, Zhiwei Zhu, Peilin Lan, "Real-Time Nonintrusive Monitoring and Prediction of Driver Fatigue", IEEE Transactions on Vehicular Technology, vol. 53, no. 4, pp. 1052-1068, July, 2004.

    [41]     Xia Liu, Fengliang Xu, Kikuo Fujimura, "Real-Time Eye Detection and Tracking for Driver Observation under Various Light Conditions", in IEEE Intelligent Vehicle Symposium, Versailles, France, pp. 344-351, 2002.

    [42]     Zhiwei Zhu, Qiang Ji, Kikuo Fujimura, Kuangchih Lee, "Combining Kalman Filtering and Mean Shift for Real Time Eye Tracking Under Active IR Illumination", in 16th International Conference on Pattern Recognition, Quebec, Canada, pp. 318-321, 2002.

    [43]     Shuyan Zhao, Rolf-Rainer Grigat, "Robust Eye Detection under Active Infrared Illumination", in 18th IEEE International Conference on Pattern Recognition (ICPR), Hong Kong, China, pp. 481-484, 2006.

    [44]     Qiang Ji, Zhiwei Zhu, Peilin Lan, "Real-Time Nonintrusive Monitoring and Prediction of Driver Fatigue", IEEE Transactions on Vehicular Technology, vol. 53, no. 4, July, 2004.

    [45]     Shuyan Zhao, Rolf-Rainer Grigat, "Robust Eye Detection under Active Infrared Illumination", in 18th IEEE International Conference on Pattern Recognition (ICPR), Hong Kong, China, 2006.

    [46]     Paul Smith, Mubarak Shah, Niels da Vitoria Lobo, "Monitoring Head/Eye Motion for Driver Alertness with One Camera", in 15th IEEE International Conference on Pattern Recognition, Barcelona, Spain, pp. 636-642, 2000.

    [47]     Paul Smith, Mubarak Shah, Niels da Vitoria Lobo, "Determining Driver Visual Attention With One Camera", IEEE Transactions on Intelligent Transportation Systems, vol. 4, no. 4, pp. 205-218, December, 2003.

    [48]     Ling Gan, Bing Cui, Weixing Wang, "Driver Fatigue Detection Based on Eye Tracking", in 6th World Congress on Intelligent Control and Automation, Dalian, China, pp. 5341-5344, 2006.

    [49]     Marc Lalonde, David Byrns, Langis Gagnon, Normand Teasdale, Denis Laurendeau, "Real-time Eye Blink Detection with GPU-based SIFT Tracking", in 4th Canadian Conference on Computer and Robot Vision, Montreal, Canada, pp. 481-487, 2007.

    [50]     Tiziana DOrazio, Marco Leo, Cataldo Guaragnella, Arcangelo Distante, "A Visual Approach for Driver Inattention Detection", Elsevier Pattern Recognition, vol. 40, no. 8, pp. 2341-2355, 2007.

    [51]     Mandalapu Saradadevi, Preeti Bajaj, "Driver Fatigue Detection Using Mouth and Yawning Analysis", International Journal of Computer Science and Network Security, vol. 8, no. 6, pp. 183-188, June, 2008.

    [52]     Shunji Katahara, Masayoshi Aoki, "Motion Estimation of Driver's Head from Nostrils Detection", in 5th Asian Conference on Computer Vision, Melbourne, Australia, pp. 1-6, 2002.

    [53]     Alper Yilmaz, Omar Javed, Mubarak Shah, "Object Tracking: A Survey", ACM Computing Surveys, vol. 38, no. 4, December, 2006.

    [54]     پیمان حقیقت، رضا صفابخش، «ردگیری اشیا در دنباله تصاویر»، نشریه علوم و مهندسی کامپیوتر-انجمن کامپیوتر ایران، جلد 1، شماره 3، صفحه 43-68، پاییز 1382.

    [55]     S. Usama, M. Montaser, O. Ahmed, "A Complexity and Quality Evaluation of Block Based Motion Estimation Algorithms", Acta Polytechnica Journal, vol. 45, no. 1, pp. 29-41, 2005.

    [56]     Wang Rang-ben, Guo Ke-you, Shi Shu-ming, Chu Jiang-wei, "A Monitoring Method of Driver Fatigue Behavior Based on Machine Vision", in IEEE Intelligent Vehicles Symposium, Columbus, Ohio, USA, pp. 110-113, 2003.

    [57]     Emanuele Trucco, Konstantinos Plakas, "Video Tracking: A Concise Survey", IEEE Journal of Oceanic Engineering, vol. 31, no. 2, pp. 520-529, April, 2006.

    [58]     Ilkwon Park, Jung-Ho Ahn, Hyeran Byun, "Efficient Measurement of Eye Blinking under Various Illumination Conditions for Drowsiness Detection Systems", in 18th International Conference on Pattern Recognition, Hong Kong, China, pp. 383-386, 2006.

    [59]     Zhonglong Zheng, Jie Yang, Limin Yang, "A Robust Method for Eye Features Extraction on Color Image", Elsevier Pattern Recognition Letters, vol. 26, pp. 2252–2261, 2005.

    [60]     Dario D. Salvucci, Andrew Liu, "The Time Course of a Lane Change: Driver Control and Eye-Movement Behavior", Elsevier Transportation Research, Part F: Traffic Psychology and Behaviour, vol. 5, no. 2, pp. 123-132, June, 2002.

    [61]     H. Zhou, M. Itoh, T. Inagakit, "Detection of Driver Intention of a Lane Change Through Monitoring Eye and Head Movements", Shisutemu, Joho Bumon Gakujutsu Koenkai Koen Ronbunshu, vol. 2006, pp. 231-236, 2006.

    [62]     Ludmila I. Kuncheva, "Fusion of Label Outputs", in Combining Pattern Classifiers-Methods and Algorithms: Wiley Interscience, New Jersey, pp. 112-125, 2004.

    [63]     Haisong Gu, Qiang Ji, "Facial Event Classification with Task Oriented Dynamic Bayesian Network", in Conference on Computer Vision and Pattern Recognition (CVPR), Washington, USA, pp. II-870-II-875, 2004.

    [64]     Azim Eskandarian, Riaz Sayed, "Detecting Driver Fatigue by Monitoring Eye and Steering Activity", in 3rd Annual Intelligent Vehicles Systems Symposium, Michigan, USA, 2003.

    [65]     Azim Eskandarian, Riaz A Sayed, "Analysis of Driver Impairment, Fatigue, and Drowsiness and an Unobtrusive Vehicle-Based Detection Scheme", in 1st International Conference on Traffic Accidents, Tehran, Iran, pp. 35-49, 2005.

    [66]     محمدحسین سیگاری، محسن سریانی، محمود فتحی، «بررسی فناوری سیستم‌های نظارت چهره راننده در خودرو‌های تجاری»، هشتمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، تهران، ایران، اردیبهشت 1387.

    [67]     Mohamad Hoseyn Sigari, Naser Mozayani, Hamid Reza Pourreza, "Fuzzy Running Average and Fuzzy Background Subtraction: Concepts and Application", International Journal of Computer Science and Network Security (IJCSNS), vol. 8, no. 2, pp. 138-143, February, 2008.

    [68]     H. J. Zimmermann, Fuzzy Set Theory-and It's Applications, Third ed.: Kluwer Academic Publisher, London, 1996.

     



تحقیق در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, مقاله در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, پروژه دانشجویی در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, پروپوزال در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, تز دکترا در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, تحقیقات دانشجویی درباره پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, مقالات دانشجویی درباره پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, پروژه درباره پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, گزارش سمینار در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, پروژه دانشجویی در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, تحقیق دانش آموزی در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, مقاله دانش آموزی در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس, رساله دکترا در مورد پایان نامه طراحی سیستم نظارت چهره راننده جهت تشخیص خستگی و عدم تمرکز حواس

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس