Sürücü uykululuğunun gerçek zamanlı görüntü işleme ve makine öğrenmesi teknikleri ile tespitine yönelik bir sistem tasarımı ve uygulaması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bu tezin amacı, sürücü uykululuğunun görüntü işleme ve makine öğrenmesiteknikleri ile gerçek zamanlı olarak tespit edilerek sürücünün uyarılmasını sağlayan birsistemin tasarlanması ve gerçekleştirilmesidir.Çalışmada veri tabanı oluşturmak için dört gönüllünün gerçek zamanlı kameragörüntüsü verileri kullanılmıştır. Kamera görüntüsü 320x240 uzaysal çözünürlüğedüşürülerek gri ölçeğe dönüştürülmüştür. Sürücünün yüz ve göz görüntüleri Viola-Jonesdetektörü yöntemi ile tespit edilerek kırpılmıştır. Görüntüdeki ışık değişimlerininormalleştirmek için histogram eşitleme yöntemi kullanılmıştır. Görüntülerinözniteliklerini çıkarmak için sekiz farklı açıda ve beş farklı ölçekte 40 Gabor filtresikullanılmıştır. Sınıflandırma performansını arttırmak için korelasyon değerlerikullanılarak öznitelik seçimi yapılmıştır. Bu işlemler sonucunda dört gönüllüden eldeedilen 1077 resim için 13 özellikten oluşan veri setleri oluşturulmuştur. Oluşturulan verisetleri ile beş farklı makine öğrenme algoritmasının sınıflandırma performanslarıbirbiriyle kıyaslanmıştır. Bu kıyaslama sonucunda sınıflandırma doğruluğu vesınıflandırma hızı değerlendirilerek J48 karar ağacı algoritması gerçek zamanlı uygulamaiçin önerilmiştir.Sürücü uykululuğunun tespiti için kişiye özel verilerle çalışan gerçek zamanlı biryazılım geliştirilmiştir. Eğitim ve sınıflandırma olmak üzere iki modülden oluşan buyazılımın performansını arttırabilmek için paralel programlama teknikleri kullanılmıştır.Eğitim modülünde sürücü, açık ve kapalı göz görüntüleri ile veri dosyasıoluşturmaktadır. Sınıflandırma modülünde ise, seçilen veri dosyası ile bir öğrenmeiimodeli oluşturularak canlı video görüntülerinde gözlerin açık ya da kapalı olduğusınıflandırılmaktadır.Gerçek zamanlı çalışmada sürücü uykululuğunun tespiti için, birim zamanperiyodundaki kapalı göz sayısının, periyot zamanına oranı olan PERCLOS (Percentageof Closure: kapalılık oranı) ve gözlerin kapalı kalma süresi olan CLOSDUR (Closedduration: kapalılık süresi) büyüklükleri hesaplanmıştır. Bir dakikalık zaman periyoduiçerisinde, PERCLOS değeri 0,15'ten büyükse birinci seviye, 0,3'ten büyükse ikinciseviye uyarı ile sürücü uyarılmaktadır. Ayrıca gözlerin ardışık olarak iki saniye boyuncakapalı kaldığı (CLOSDUR 2) tespit edildiğinde, PERCLOS değerine bakılmaksızınikinci seviye alarm ile sürücü uyarılmaktadır.Sonuç olarak bu çalışmada, sürücü uykululuğunun tespiti ve sürücünün uyarılmasıamacıyla görüntü işleme teknikleri ve makine öğrenme algoritmaları kullanılarakgeliştirilen yazılımda, görüntü gerçek zamanlı olarak 24 FPS (Frame Per Second:saniyedeki resim sayısı) hızda işlenerek %90 sınıflandırma başarımı elde edilmiştir.Uykululuk düzeyi tanımlanan eşik değerlerine ulaştığında sürücü başarıyla uyarılmıştır. The purpose of this thesis is to design and implement a system that enables driversleepiness to be detected in real time by image processing and machine learningtechniques and to warn the driver.In this study, four volunteers' real time camera images are used for creating datasets. The camera images are reduced to 320x240 spatial resolution and converted to grayscale. The face and eye images of driver are detected using Viola-Jones detector and thencropped. The histogram equalization is used for normalizing light changes in the images.Forty Gabor filters were used at eight different angles and five different scales to extractthe features of the images. In order to improve the classification performance, the featureselection was made using correlation values. As a result of these operations, data setsconsisting of 13 features were created for 1077 images obtained from four volunteers.These data sets are used for comparing classification performances of five machinelearning algorithm. J48 decision tree algorithm is proposed for real time application byevaluating classification accuracy and classification time.A real time application has been developed that allows working with personal datafor detecting driver sleepiness. Parallel programming techniques have been used toimprove the performance of this software, which consists of two modules, training andclassification.In the training module, driver creates own data file by its open and closed eyeimages. In the classification module, a learning model is created with the selected datafile to classify whether the eyes are open or closed in live video images.ivIn order to detect driver sleepiness in real time operation, the number of closed eyesper time period is calculated as PERCLOS (Percentage of Closure) and CLOSDUR(Closed Duration), which is the period of closed eyes. Within one minute time period ifthe PERCLOS value is greater than 0.15, the driver is warned by first level warning. Ifthe PERCLOS value is greater than 0.3, the driver is warned by the second level warning.Also, when the eyes are closed for two seconds (CLOSDUR 2) consecutively, the driveris warned by the second level alarm regardless of the PERCLOS value.As result of this study, 24 FPS (Frame Per Second) real time image processingspeed and 90% classification accuracy has been obtained by developed application usingimage processing and machine learning techniques for detecting driver sleepiness andthen warning driver. Driver was successfully warned when sleepiness level is reached thedefined threshold values.
Collections