Praenje oka u interakciji ovek-automobil

M. Djordjevi
Sadraj - Tehnologija koja se odnosi na praenje pokreta oka i predstavljanje i tumaenje prikupljenih podataka ima iroku primenu u mnogobrojnim disciplinama: kognitivne nauke, psihologija, interakcija ovek-raunar (HCI), istraivanje marketinga, medicinska istraivanja (neurologija). Jedna od veoma znaajnih primena praenja pokreta oka odnosi se na interakciju ovek-automobil, a njena najperspektivnija aplikacija koristi se u oblasti automobilskog dizajna.

II. LOCIRANJE LICA

A. Viola-Jones algoritam za detekciju i lociranje lica

Marta Djordjevi, Elektronski fakultet, Univerzitet u Niu, Aleksandra Medvedeva 14, 18 000 Ni, Srbija, e-mail: marta.djordjevic.86@gmail.com

Za lociranje lica ovaj sistem koristi Viola-Jones algoritam [2] zajedno sa svojstvima pravougaonika pod uglom od 450. U isto vreme, koristi se postepeno poveanje prozora da bi se otkrile i postavile odgovarajue slike, tako I. UVOD da se izbegava direktno skupljanje ili uveavanje slika, zarad umanjenja koliine izraunavanja i poboljanja nivoa Praenje oka (eye tracking) je proces merenja, koji meri detekcije. Glavni proces algoritma je sledei: prvo, prikupljaju se taku trenutne fiksacije pogleda ili meri pokrete oiju u uzorci koji pripadaju i ne pripadaju licu, i izdvajaju odnosu na glavu. Eye tracker je ureaj koji slui za merenje pozicije pravougaona svojstva ovih uzoraka. Drugo, upotrebljava se oiju ili njihovih pokreta, dizajniran za merenje AdaBoost alogoritam [3] kako bi se napravio viestepeni trodimenzionalnih pokreta oiju i pokreta glavom pod klasifikator. Klasifikator kaskade je napravljen pomou eksperimentalnim i prirodnim uslovima. Ovi ureaji se puno jakih klasifikatora. Slika 1. pokazuje strukture koriste u istraivanjima vizuelnih sistema, u psihologiji, kaskadnog klasifikatora. Konano, potrebno je odabrati jednu strategiju za kognitivnoj lingvistici i u dizajniranju proizvoda. Postoje razliiti metodi za merenje pokreta oiju. izdvajanje deteta-prozora od svih detektovanih slika, Najzastupljeniji metod je pomou video slika iz kojih se nakon ega viestepeni klasifikator otkriva svaki "deteizvlae informacije o pokretima oiju. Jedna od brojnih prozor". Kroz naredno procesiranje (obradu) mogue je primena procesa praenja oka je u interakciji ovek- dobiti koordinate i podruje lica. automobil. Kako je vozaev umor jedan od glavnih uzroka saobraajnih nezgoda, u tom smislu, lociranje oka u realnom vremenu moe biti efikasan metod otkrivanja zamora ili pospanosti kod vozaa. Postoji nekoliko metoda za otkrivanje, kao to su: neuronske mree, podudaranje ablona i statistike metode, itd. [1] CMOS kamera prikuplja slike i automatski odreuje stopu frejmova u sekundi u skladu sa potrebnom brzinom snimanja. CMOS (Complementary Metal-Oxide-Semiconductor) je tehnoloka generacija integralnih kola. Odlika CMOS tehnologije je mala potronja struje. Detekcija oka je drugi centralni aspekt algoritma. Slika 1. Metod detekcije Da bi sistem, koji bi funkcionisao na principu alarma i na taj nain obavetavao i upozoravao vozaa ukoliko se detektuje nastanak umora, mogao da radi u realnom B. Haar-ovo svojstvo vremenu, algoritam za detekciju oka deli vizuelno polje u nekoliko modula, na osnovu geometrijske strukture lica. Na Zarad izraunavanja pri velikim brzinama, osobine ovaj nain, algoritam moe direktno da locira regione oba koje klasifikatori biraju moraju biti izraunate brzo, a u isto oka. Za grubo lociranje lokacije oka koristi se algoritam vreme one moraju imati mo razlikovanja uzoraka koji horizontalne projekcije. Za precizno lociranje oka koristi se pripadaju i ne pripadaju licu. Viola Jones algoritam koristi metod zasnovan na sloenosti blokiranja. Na ovaj nain pravougaona svojstva da izrazi svojstva lica koje mi sistem efikasno locira i trasira oko. nazivamo Haar-ovo svojstvo. Karakteristina vrednost ini da svi pikseli unutar belog pravougaonika umanjuju sve piksele unutar crnog pravougaonika. Istraivanje putem svojstva pravougaonika je vrlo jednostavno i ima dobre

performanse na ivici oblasti detekcije. Slika 2. pokazuje optu formu Haarovog svojstva.

pravougaonika. Teinsko svojstvo se odreuje svojim podrujem. E. Trening (obuka) klasifikatora (grupe klasa)

Postavljanje ciljeva treninga

Slika 2. Haarovo svojstvo

Slika 3. je jedan primer Haarovog svojstva. Slika 3.(a) pokazuje kontrast sive skale izmeu podruja oiju i podruja ispod oka; moe se uvideti da su pikseli podruja oka oigledno manji nego pikseli podruja ispod oka. Mogue je takoe koristiti i karakteristike raspodele skale sivog da bi se opisalo podruje oiju. Slino, slika 3.(b) i slika 3.(c) opisuju karakteristiku distribucije levog i desnog oka.

Uvebavanjem klasifikatora biraju se svojstva. Nakon uvebavanja, klasifikator, kroz odgovarajue svojstvo, moe razlikovati uzorke koji pripadaju, odnosno ne pripadaju licu. Prvo treba da bude dat skup klasifikatora, onda svaka jaka potreba klasifikatora mora da bude postavljena na pogodnu stopu detekcije, i stopu lanog alarma tako da klasifikator moe postii optimalnu performansu. Metod obuke Postoji vie vrsta Boost algoritama: Prekidni AdaBoost, Realni Adaboost i Fini Adaboost. Eksperimenti pokazuju da je Fini AdaBoost efikasniji nego druga dva metoda u otkrivanju (detekciji) lica; on moe postii zahtev detekcije korienjem manjeg broja informacija/svojstava. Proces obuke je opisan na sledei nain [7]: (a) poeti sa teinskim faktorom wi = 1/N, i = 1, 2, 3,...., N, F(x) = 0. (b) Ponoviti za m = 1, 2,...., M

Slika 3. Primer Haarovog svojstva

C. Metode sline Haarovoj Premda je Viola Jones algoritam zasnovan na Haarovom svojstvu, Rainer Lienhartov pristup [4-6] takoe dodaje neke novine u svojstvima koja lie Haar-ovim (svojstvima pravougaonika pod nagibom od 450). Zato ovaj metod moe proiriti podruje treninga i poboljati stopu detekcije. Za sada, postoji 15 esto korienih vrsta svojstva kao Haar-ova. D. Opis svojstava pravougaonika Pravougaonik moe biti opisan pomou 4 karakteristike: r = (x,y,w,h,a) gde je (x,y) najvia taka pravougaonika, (w,h) su duina i irina pravougaonika, a je ugao rotacije pravougaonika. Svojstvo pravougaonika je definisano kao (1)

Prilagoditi funkciju regresije fm (x) pomou

uvoenja najmanjeg kvadrata teinskog faktora wi za yi do xi, fm(x) = Pw (y=1/x) - Pw (y= -1/x) Aurirati F (x) F (x) + fm(x) Aurirati wi wi esp ( - yifm(xi)), i = 1,....N, i ponovo normalizovati.

(c) Izlaz znaka klasifikatora [F (x)] = znak [ m =1 f m (x)]

III. LOKACIJA OKA

Strategija lociranja oiju ima smer od uoptenosti ka detaljima. Prvo, prema projekciji lica mogu se odrediti verovatna podruja oiju. Zatim, se odsee ovaj blok, i identifikuje nekoliko relativno sloenih blokova. Konano, uklone se mali blokovi koji ne sadre oko i rezerviu dva podruja koja ukljuuju levo i desno oko pomou pravila usaglaenog rasuivaa.

svojstvo (x,y) =

i =1

wiRectSum (ri)

(1)

RectSum (ri) je zbir svih piksela unutar pravougaonika, wi iz (1) je teinski faktor crnog i sivog svojstva

Grubo odreivanje poloaja oiju pomou geometrije lica. Metod preuzima stopu manje tanosti da bi utedeo vreme izraunavanja; negativni uticaj ovoga na tanost algoritma je marginalan. Srukturno svojstvo lica odgovara proporciji nazivanoj tri ela i pet oiju [8] (slika 4). Prema statistici, duina i irina lica imaju priblino jednaku proporciju.

B. Precizno lociranje oiju Kod analize oiju sloenost je vea nego kod drugih podruja lica. Moemo locirati oi pomou sloenosti njihovih svojstava. Sloenost je definisana kao proporcija broja ivica i podruja. Postupak preciznog lociranja oiju podrazumeva [9]:

bloka sa leve i desne strane slike postavljanje veliine dva bloka kao prosek dva bloka, zadravajui centralnu poziciju

ukidanje izolovanih blokova spajanje susednih blokova ako ima vie od dva bloka, biranje dva sloenija

IV. ZAKLJUAK
Slika 4. Tri ela i pet oiju

A. Grubo lociranje oiju na osnovu sive projekcije Iz sive projekcije lica, podruje organa kao to su obrve, oi, nosni otvori i usta su tamniji nego druga podruja lica. Ako se uzme projekcija lica u smislu osvetljenosti, onda e se ovi poloaji organa pojaviti u minimumu (umanjeni). Uzimajui ova umanjenja i pozicije u obzir, moemo dobiti irinu lica, horizontalne poloaje oiju, obrva, nosnih otvora, usta, i vertikalna rastojanja organa. Kako pokazuje slika 5, kroz kontrast etiri ivice algoritma detekcije, nalazi se ivica prema debljoj (iroj) projekciji.

Iako je progres bio spor, koncept korienja praenja pokreta oka u interakciji ovek-raunar vidno poinje da se razvija i da cveta. Gledano iz perspektive glavnih istraivanja, HCI (interakcija ovek-raunar), zajedno sa radovima u irim poljima komunikacije i istraivanja medija, izgleda kao nova i veoma obeavajua oblast primene rada. Jedna od najperspektivnijih aplikacija za praenje pokreta oka se koristi u oblasti automobilskog dizajna. Istraivanje koje je trenutno u toku se odnosi na ugraivanje kamere za praenje pokreta oka u automobilima. Cilj ovog poduhvata je da se obezbedi vozilo sa sposobnou da u realnom vremenu proceni vizuelno ponaanje vozaa. National Highway Traffic Safety Administration (NHTSA) procenjuje da je pospanost primarni uzroni faktor u 100 000 nesrea godinje. Takoe NHTSA-ovo istraivanje pokazuje da se 80% sudara deava samo tri sekunde nakon to je vozau neto odvuklo panju. Ukoliko bi postojali automobili sa takvom kamerom, saobraajne nesree bi se znaajno smanjile. Kompanija Lexus tvrdi da je svoj LS 460 opremila prvim sistemom za praenje vozaa 2006. godine, koji omoguava upozorenje ukoliko voza skloni pogled sa puta.

ZAHVALNICA
Autor se zahvaljuje profesoru Dejanu Raniu na pruenim sugestijama i savetima tokom izrade rada.

LITERATURA
[1] Jin Tang, Haizhu Xu - Survey on human eyes detection in images[J].Application Research of Computers, 2008,25, (4) 961~965. Slika 5. Kontrast etiri ivice algoritma detekcije

[2] Viola P, Jones M - Robust real-time object detection[C]. IEEE ICCV Workshop on Statistical and Computational Theories of Vision.Vancouver, 2001. [3] Yoav Freund, Robert E. Schapire - A decision-theoretic generalization of on-line learning and an application to boosting [J].Journal of Computer and System Sciences. 1997, 55(1):119-139. [4] Rainer Lienhart, Jochen Maydt - An Extended Set of Haar-like Features for Rapid Object Detection [J]. IEEEICIP2002. 2002: 900- 903. [5] Lienhart R, Kuranov A, V Pisarevsky. Empirical analysis of detection cascades of boosted classifiers for rapid object

detection. DAGM03 25th Pattern Recognition Symposium.2003: 1-3. [6] Lienhart R,Liang L, Kuranov A - A detector tree of boosted classifier for real time object detection and tracking [C]. IEEE International Conference on Multimedia & Expo. 2003: 1-3. [7] Jerome Friedman, Trevor Hastie, Robert Tibshirani - Additive logistic regression: a statistical view of boosting[J]. The Annals of Statustics,2000,28(2):337~407. [8] Binbin Huang - Research on Face Detection and Pupil Position [D]. Central South Universit,2009. [9] Zhichun Li - The research of fatigue detection technology research and Project implementation [D].Jiang Su University 2009.