شناسايي بلادرنگ خواب آلودگي راننده با استفاده از سيستم ايمني مصنوعي

Online Drowsiness of the Driver Detection Using Artificial immune system

خواب آلودگي راننده يكي از علل اصلي وقوع تصادفات رانندگي در نظر گرفته شده است. سيستم هاي تشخيص خواب آلودگي بر دو نوع سيستمهاي نظارتي و مبتني بر حركت خودرو مي باشند . كه هركدام مزايا و معايبي دارند. روشهاي نظارتي با استفاده از حسگرهاي عملكرد راننده به دليل آنكه داراي مزاحمتي براي راننده نيستند، نسبت به ساير روشها عملي تر مي‌باشند. در اين پژوهش، ابتدا تصاويري از چشم‌هاي بسته و باز براي آموزش به سامانه طراحي شده داده مي‌شوند. سپس با استفاده از سامانه آموزش ديده، بسته بودن چشم‌ها براي مدت طولاني شناسايي مي‌شود. در اين سامانه تصاوير چشم هاي باز و بسته از ۵ نفر و از هر نفر 40 عكس شامل عكس‌هاي چشمهاي چپ و راست براي فاز آموزش استفاده گرديد. ابتدا ازالگوريتم PCA براي استخراج ويژگي‌ها استفاده شده و به سامانه‌هاي مختلف دسته‌بندي كننده داده ميشود. در فاز آزمايش همان تعداد تصاوير جديد مورد استفاده قرار گرفت. چهار روش دسته بندي فاصله ي اقليدسي ، Max likelihood ، شبكه هاي عصبي و به عنوان روش پيشنهادي سيستم ايمني مصنوعي، مورد مقايسه و ارزيابي قرار گرفت و نتايج نشان داد كه دو روش نخست با وجود عدم نياز به فاز آموزش ، زمان آزمايش بيشتري نياز داشتند . استفاده از شبكه هاي عصبي عليرغم كوتاه بودن زمان آزمايش، به زمان آموزش زيادي نياز دارند. در حاليكه سيستم ايمني مصنوعي هم براي فاز آموزش و هم براي فاز آزمايش نياز به زمان كوتاهي دارد. اين در شرايطي هست كه درصد شناسايي در روش هاي مختلف، تقاوت چنداني ندارند .

Driving drowsiness is one of the main reasons in car crashes. Most of drowsiness detection systems are based on two idea: vehicle monitoring and Supervisory systems. Each of them has some advantages and disadvantages. Supervisory methods using driver performance sensors Because of they are not disturbing for the driver, they are more practical than other methods. In this research, first images of open and closed eyes have gave designed system for training. Then using the trained system, Close eyes are detected for a long time. In this system, open and closed eyes images of 5 people and 40 images per person, including left and right eye shots, were used for the training phase. First, PCA algorithm was used to extract features and it is given to various systems of categorization. In the test phase, the same number of new images were used. Four methods of categorization: Euclidean distance, Maximum likelihood, Neural Networks, as a proposed method artificial immune system, was compared and evaluated and Results showed that the first two methods despite the lack of training phase, need more time to test. The use of neural networks, despite the short duration of the test, requires much training time. While the artificial immune system requires a short time for both the training phase and the test phase. This is in the situation that Percentage identification in different methods is not so vary.