Akademik Veri Yönetim Sistemi
Signal Processing and Communications Applications Conference (SIU), 2017 25th, Antalya, Türkiye, 15 - 18 Mayıs 2017, ss.1-4
Göz Durum Tespiti insan gözünün açık veya kapalı olma durumun belirlenmesidir. Bu göz durum bilgisi sürücülerin uykululuk veya yorgunluğunun belirlenmesi, insan makine etkileşiminin sağlanması gibi çalışma alanlarında sıkça kullanılmaktadır. Ancak gerçek zamanlı çalışmanın getirdiği serbest kafa hareketleri, değişen poz ve ortam ışıklandırması halen tamamen çözülememiş bazı problemlerdir. Çalışmada görünüm temelli yöntemler ile bu olumsuzlukların üstesinden gelecek yeni bir yöntem önerilmeye çalışılmıştır. Görünüm temelli özgöz öznitelikleri Temel Bileşen Analizi alt uzay projeksiyon ile çıkartılmıştır. Boyut ve beraberinde kısmen gürültü azaltma da sağlayan özgözler literatürde ilk defa bu çalışmada göz durum tespiti için kullanılmıştır. Öğrenme ve sınama işlemleri K En Yakın Komşu Algoritması ve geriye yayılım yordamı ile eğitilen çok katmanlı Perseptron Yapay Sinir Ağları ile gerçekleştirilmiştir. Sonuçlar incelendiğinde özgözler ve Perseptron Yapay Sinir Ağları yöntem çifti ile kullanıcıdan bağımsız %92.13 oranında başarı elde edilmiştir. Mevcut çalışmalarla karşılaştırıldığında iki önemli gelişme sağlanmıştır: (i) göz durum tespiti için yeni bir görünüm temelli yöntem sunulmuş, (ii) sistem başarısı önemli ölçüde korunarak gerçek zamanlı çalışma için daha uygun bir yöntem önerilmiştir.
Eye state detection is the process of determining whether the eyes are opened or closed. It has been widely employed in driver fatigue/drowsiness detection, human computer interaction. However, there are still lots of problems remaining unsolved such as free head movements, changing pose and illumination. Due to this, a new appearance based method is investigated in this work. Appearance based eigeneye features are extracted using Principal Component Analysis subspace method which is also a dimension and noise reduction method. And, for the first time in literature, eigeneyes are used for eye state detection in this work. K-nearest neighbor and multi-layer Perceptron Neural Networks with back-propagation learning algorithm are adopted to estimate eye state. Eigeneyes and Perceptron Neural Networks method pair obtained user-independent accuracy of 92.13%. Compared to previous works, the following two points are improved: (i) a new appearance based feature extraction method is proposed for eye state detection, and (ii) a faster approach is obtained for real-time systems while preserving accuracy substantially.