مروری بر سیستم های بلادرنگ تمام اتوماتیک برای تشخیص خستگی رانندگان توسط سیستم خبره ی فازی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 538

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AISST02_042

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

یکی از روش های کاهش سوانح رانندگی هوشمند سازی فرایندهای بازدارنده است. خستگی در زمان رانندگی سبب افزایش خطا و کاهش دقت در هدایت وسیله نقلیه می شود. در این روش علایم خستگی و خواب آلودگی چهره شخص راننده با تکیه بر روش های پردازش تصاویر ویدیویی، نمایان شده است. برای تعیین میزان خستگی علایمی از قبیل طول مدت بسته ماندن چشم ها و خمیازه کشیدن استفاده شده است. پس از عکس گرفتن از تمام نقاط چهره، تصویر دهان به صورت مستطیل استخراج شده و لب ها به طور مجزا بررسی شدند. به صورت هم زمان، در بالای تصویر چهره، مردمک چشم در پنجره ی چشم با توجه به اندازه ، شعاع انها از وسط بینی و زاویه ی آن ها، شناسایی می گردند. اطلاعات به دست آمده از چشم ها و دهان با کمک سیستم خبره ی فازی، منجر به شناسایی وضعیت مناسب راننده در حین رانندگی شد. این روش با توجه به داده های ثبت شده در شرایط مختلف رانندگی در روز و شب و استفاده از رانندگان مختلف ارزیابی گردید. روش فوق از دقت 100 %در شناسایی تصاویر تهیه شده از چهره رانندگان برخوردار بوده است

کلیدواژه ها:

نویسندگان

شیما مهرمحمدی

گروه، نرم افزار ، واحد نیشابور ، دانشگاه آزاد اسلامی ، نیشابور ، ایران

سیدمحمدرضا فرشچی

گروه، نرم افزار ، واحد نیشابور ، دانشگاه آزاد اسلامی ، نیشابور ، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M. Doering, D. Manstetten, T. Altmueller, _ Lasdstaetter, M. Mahler, ...
  • Assessment, Training and Vehicle Design, 2001. ...
  • M. Khan, A. Mansoor, Real Time Eyes Tracking and Classification ...
  • L. Bergasa, J. Nuevo, M. Soteli, R. Barea, M. Lopez, ...
  • Q. Wang, J. Yang, M. Ren, Y. Zheng, Driver fatigue ...
  • Q. Ji, X. Yang, Real-time eye, gaze, and face pose ...
  • S. Wang, C. Chen, R. Chang, Optimizing code size for ...
  • J. Healey, R. Picard, SmartCar: detecting driver stress, 15th Int. ...
  • Kircher, M. Uddman, J. Sandin, Vehicle control and drowsiness, Swedish ...
  • Anon., Perclos and eyetracking: challenge and opportunity, Technical Report, Applied ...
  • S. Boveris, Driver fatigue monitoring technologies and future ideas, in: ...
  • Park, J. Ahn, H. Byun, Efficent measuremet of the eye ...
  • Batista, A real time driver visul attention monitoring system, in: ...
  • P. Smith, M. Shah, N. Vitoria, D. Niels, Determining driver ...
  • H. Ueno, M. Kaneda, M. Tsukino, Development of drowsiness detection ...
  • T. Azim, M. Jaffar, A. Mirza, Skin detection in luminance ...
  • P. Viola, M. Jones, Robust real time object detection, IEEE ...
  • P. Viola, M. Jones, Rapid object detection using a boosted ...
  • September, pp. 1045-1050, 2005. ...
  • نمایش کامل مراجع