Professional Documents
Culture Documents
ex − e− x
tanh : f ( x) = (5)
e x + e− x
IV. DENEYSEL SONUÇLAR ùekil 2. Göz kapalÕlÕ÷Õ tespiti için hazÕrlan KSA modeli.
Bu makale çalÕúmasÕnda, iki ayrÕ deneysel çalÕúma Önerilen KSA modeli, ilk katmanda 24×24 boyutlu gri
yapÕlmÕútÕr. Bunlardan birincisinde, CEW veritabanÕndan alÕnan formatÕnda imgeleri giriú olarak almakta ve bu katman üzerinde
göz görüntüleri sol ve sa÷ göz úeklinde ayrÕlarak sÕnÕf sayÕsÕ
3×3 boyutlu filtreler ile özellik haritalarÕ elde edilmektedir.
artÕrÕlmÕú ve dört sÕnÕflÕ bir veri seti hazÕrlanmÕútÕr. økinci
çalÕúma ise yine aynÕ veritabanÕndaki imgeler açÕk göz ve kapalÕ Konvlüsyon katmanÕndan sonra gelen ReLU aktivasyon
göz olarak iki sÕnÕfa ayrÕlmÕútÕr. Her iki çalÕúmada da KSA katmanÕ ile özellik haritalarÕ eúiklenmektedir. ReLU katmanÕnÕn
tabanlÕ modeller kullanÕlmÕú ve baúarÕmlarÕ de÷erlendirilmiútir. çÕkÕúÕ tekrar bir konvolüsyon katmanÕna verilmiú ardÕnda bu
veriler farklÕ kernel boyutu ile filtreden geçirildikten sonra
A. VeritabanÕ ReLU aktivasyon katmanÕna verilmiútir. Bu iúlem aynÕ úekilde
Bu çalÕúma, kamuya açÕk olarak paylaúÕlan Closed Eyes In tekrar edildikten sonra verilerdeki ayrÕntÕlarÕn belirgin hale
The Wild (CEW) [19] sisteminde bulunan CEW veritabanÕnda getirilmesi ve boyut küçültme için Max Pooling katmanÕ
farklÕ ÕúÕk ortamÕ altÕnda elde edilmiú açÕk ve kapalÕ göz kullanÕlmÕútÕr. Bu iúlemler birkez daha tekrar edildikten sonra
imgeleri kullanÕlmÕútÕr. ùekil 1’de, görüldü÷ü gibi rastgele Tam Ba÷lÕ katmanÕndan geçirilmiú ve son olarak oluúan tüm bu
seçilmiú dört sÕnÕflÕ etikete sahip imgelerin bir kÕsmÕ verilmiútir. hücreler softmax sÕnÕflandÕrÕcÕ katmanÕ ile sÕnÕflandÕrÕlmÕútÕr.
C. Deneysel ÇalÕúma 1
Bu çalÕúmada, veritabanÕnda bulunan etiketlenmiú göz
imgeleri, dört sÕnÕf olarak KSA tabanlÕ modeller altÕnda
sÕnÕflandÕrÕlmÕú ve baúarÕmlarÕ test edilmiútir. Tablo 1’de dört
sÕnÕfa göre KSA modellerinin baúarÕmlarÕ görülmektedir.
ùekil 4. CEW veritabanÕnda aynÕ kiúilere ait açÕk ve kapalÕ göz Veri
BaúarÕm
imgelerinin bir kÕsmÕ(a: kapalÕ göz b: açÕk göz) ÇalÕúma seti SÕnÕflandÕrÕcÕ
OranÕ(%)
(100)
ùekil 4 inceledi÷inde, veritabanÕnda aynÕ kiúilere ait sol ve [10] CEW HPOG+SVM 95.90
sa÷ gözlerin açÕk veya kapalÕ oldu÷u görülmektedir. Bu [20] ZJU LBP+SVM 90.37
çalÕúmada, iki etiketli bir sÕnÕflandÕrma yapÕlaca÷Õndan açÕk göz Önerilen KSA
CEW KSA 96.49
imgeleri bir sÕnÕfa, kapalÕ göz imgeleri de di÷er bir sÕnÕfa Modeli
yerleútirilmiú ve hazÕrlanan verisetinin 80%’i e÷itim, 20%’si
test için kullanÕlmÕútÕr. YapÕlan bu çalÕúmanÕn baúarÕm sonuçlarÕ Tablo 3 incelendi÷inde, önerilen KSA modelinin CEW
Tablo 2’de görülmektedir. veritabanÕ ile yapÕlan çalÕúmaya [10] göre daha yüksek baúarÕm
elde etti÷i görülmüútür. Literatürdeki bu çalÕúmalarda, verilere
Tablo 2. KSA modellerinin 2 sÕnÕfÕ tanÕmadaki baúarÕmÕ ait birçok dönüúümden sonra elde edilen özellik vektörleri
üzerinde DVM sÕnÕflandÕrÕcÕlarÕ kullanÕlmÕútÕr. Bu çalÕúmada ise
Aúama Her periyotta herhangi bir öniúlem, özellik çÕkarÕmÕ aúamasÕ olmadan
KSA BaúarÕm verilerin sÕnÕflandÕrÕlmasÕ sa÷lanmÕútÕr. AynÕ zamanda, elde
(epoch) Geçen süre (sn)
Modelleri OranÕ(%) edilen sÕnÕflandÕrma do÷rulu÷u literatürdeki di÷er yapÕlara göre
(100) GPU/CPU
Lenet_5 94 1/5 95.98 yüksektir.
Vgg_5 98 1/5 96.49
Vgg_6 88 1/6 96.19 V. SONUÇLAR
Vgg-7 65 1/6 96.08 Bu çalÕúmada, sürüú ortamÕnda sürücü uykuluk tespiti için
Önerilen KSA tabanlÕ bir derin ö÷renme modeli önerilmiútir. Önerilen
22 1/5 96.49
KSA Modeli modelin literatürdeki incelenen yöntemlere göre daha iyi bir
sonuç üretti÷i görülmüútür. AyrÕca önerilen yöntem, KSA
Tablo 2 incelendi÷inde, önerilen KSA modelinin alanÕnda oldukça popüler olan Lenet ve Vgg gibi modellerle
sÕnÕflandÕrma baúarÕmÕnÕn di÷er KSA modellerine yakÕn sonuç kÕyaslandÕ÷Õnda hazÕrlanan modelin baúarÕmÕnÕn yüksek çÕktÕ÷Õ
verdi÷i görülmüútür. AynÕ zamanda e÷itim sürecinin GPU görülmüútür. Bu model, sürücülerin araç kullanÕmÕnda gözlerine
tabanlÕ iúlemcilerde farklÕklar göstermedi÷i, her deviri(epoch) 1
odaklanarak, gözlerin açÕk ya da kapalÕ olup olmadÕklarÕnÕ
saniye gibi kÕsa bir sürede tamamladÕ÷Õ görülmüútür. HazÕrlanan
model en yüksek baúarÕya 22. devirde ulaúmÕú ve bu devirde de belirleyebilir. Önerilen bu model sürücü destek sistemi için
avantaj sa÷layan bir çalÕúma olarak de÷erlendirilebilir. AynÕ
zamanda, insan-bilgisayar arayüz tasarÕmÕnda ve yüz ifadesi [16] S. Christian, "Going Deeper With Convolutions." Proceedings Of
tanÕma gibi alanlarda kullanÕlabilir. Önerilen modelin, The IEEE Conference on Computer Vision and Pattern
görüntüleri öniúlemden geçirmeden do÷rudan iúlemesi, hem Recognition, P. 1-9, 2015.
zaman hem de maliyet açÕsÕndan incelenen di÷er modellerden [17] ønternet Eriúimi: http://www.robots.ox.ac.uk/~vgg/research/very_
daha iyi sonuç üretti÷i tespit edilmiútir. øleriki çalÕúmalarda deep Eriúim tarihi:27.02.2018
sürücünün sadece göz görüntüleri de÷il aynÕ zamanda [18] He, Kaiming, "Deep Residual Learning for Image Recognition."
hareketleri, ses sinyalleri, yüz ifadeleri ve EEG sinyalleri de Proceedings of the IEEE conference on computer vision and
alÕnarak farklÕ yöntemlerin kullanÕlmasÕ hedeflenmektedir. pattern recognition., p. 770-778, 2016.
[19] Closed Eyes In The Wild (CEW) Dataset. ønternet Eriúimi:
http://parnec.nuaa.edu.cn/xtan/data/ClosedEyeDatabases.html
KAYNAKÇA Eriúim Tarihi: 27.02.2018
[20] Wu, Yu-Shan, et al. "An eye state recognition method for
drowsiness detection." Vehicular technology conference (VTC
[1] R. Dale, A. Stedmon. "To Delegate or not to Delegate: A Review 2010-Spring), 2010 IEEE 71st. IEEE, 2010
of Control Frameworks for Autonomous Cars." Applied
ergonomics, vol:53 383-388. 2016.
[2] ø.H. HancÕ, ve B. Eúiyok, “Uyku ve Trafik KazalarÕ”,
http://www.ttb.org.tr/STED/sted0301/1.html, 10 Mart 2014.
[3] Türkiye østatistik Kurumu (TÜøK), ønternet Eriúimi:
http://www.tuik.gov.tr/PreHaberBultenleri.do?id=24606 Eriúim
tarihi: 27.02.2018.
[4] NCSDR/NHTSA Expert Panel on Driver Fatigue and Sleepiness,
“Drowsy driving and automobile crashes,” NHTSA report.
ønternetEriúimi: https://www.nhtsa.gov/sites/nhtsa.dot.gov/files/
808707.pdf Eriúim Trihi: 27.02.2018
[5] R.P. Nikhil, C. K. Chien-Yao, L.W., Chao, C.F., Jung, T.P., Liang
S.F. and Lin, C.T., 2008. “EEG-based Subject-and Session-
independent Drowsiness Detection: An Unsupervised Approach,”
EURASIP Journal on Advances in Signal Processing, ISSN: 1110-
8657, January 2008.
[6] Y. Takei, and Y. Furukawa, 2005. "Estimate of driver’s
fatiguethrough steering motion". Man and Cybernetics IEEE
International Conference, vol. 2, pp.1765- 1770, 2005
[7] S. Golgiyar, A. F. Kocamaz, F. Okumuú, “Video TabanlÕ Uykulu
Sürücü AlgÕlama Sistemi”, Eleco 2014 Elektrik – Elektronik –
Bilgisayar ve Biyomedikal Mühendisli÷i Sempozyumu, s.332-338,
2014.
[8] S. Vitabile, A. De Paola, and D. Sorbello, “A realtime non-
intrusive FPGA-based drowsiness detection system”, Journal of
Ambient Intelligence and Humanized Computing, vol. 2, no. 4, pp
251-262, 2011.
[9] L.M. BERGASA, et al. Real-time system for monitoring driver
vigilance. IEEE Transactions on Intelligent Transportation
Systems, 7.1: 63-77, 2006.
[10] F., Song, et al. "Eyes closeness detection from still images with
multi-scale histograms of principal oriented gradients." Pattern
Recognition 47.9: 2825-2838, 2014.
[11] B. Bhowmick,and KS Chidanand Kumar. "Detection and
classification of eye state in IR camera for driver drowsiness
identification." Signal and Image Processing Applications
(ICSIPA), IEEE International Conference on. IEEE, 2009.
[12] L. Xue, X. Tan, and S. Chen. "Eyes closeness detection using
appearance based methods." International Conference on
Intelligent Information Processing. Springer, Berlin, Heidelberg,
2012.
[13] J. Gehring, Y. Miao, F. Metze, "Extracting Deep Bottleneck
Features Using Stacked Auto-Encoders", Acoustics, Speech and
Signal Processing (ICASSP), IEEE International Conference on
May 2013.
[14] Y. LeCun, “LeNet-5, convolutional neural networks,” 2013
[15] A. Krizhevsky, I. Sutskever, E. Geoffrey Hinton, "Imagenet
Classification With Deep Convolutional Neural Networks",
Advances in Neural Information Processing Systems, pp. 1097-
1105, 2012.