선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 이러한 시스템들은 운전자의 상태를 측정하기 위하여 운전자에게 직접 부착하거나 주변에 설치하는 것이 일반적인 방법이며, 이때 추가되는 부분들로 인하여 운전자가 운전에 불편함을 느끼지 않아야 한다는 점이 가장 크게 고려되어야 할 부분이다. 본 논문에서는 CCD 카메라를 이용하여 운전자의 영상을 획득한 후 이를 레티넥스 필터로 처리하여 조명의 영향을 최대한 제거한 후, 히스토그램과 에지를 이용하여 운전자의 현재 상태를 파악하는 졸음 감시 시스템을 제안한다.
- 이렇게 그룹화한 데이터들은 텍스트 파일로 저장이 되어 얼굴 검출과 눈 검출에 있어서 hidden cascade로 사용된다. 본 논문에서는 얼굴 검출의 경우 2*24 4 크기의 윈도우로 정해졌고 30개의 단계로 높은 단계로 올라갈수록 Haar-like 특징의 개수도 증가하고 각각의 프로토타입들도 세밀한 부분까지 위치하게 된다 [4, 7], 또한 눈 검출의 경우 1*16 6 크기의 윈도우로 20단계로 구현하였다.
- 실험은 30명이 10시에서 15시 사이에 실행되었으며, 본연구에서 개발한 시스템의 졸음 판정율을 알아보기 위하여각 실험들은 10회의 반복실험 결과 얻어지는 DDV 값들의 평균을 최종적인 대상의 DDV 값으로 인식하여 졸음 상태를 판정하였다. 그림 7과 8은 정상 상태 실험대상 운전자들의 전체적인 히스토그램 분포를 나타낸 것이다.
- 앞에서 얼굴 추적과 눈 영역을 얼굴에서 따로 추출한 후 전 처리 과정을 거쳐 입력 영상의 히스토그램을 얻었다. 이제 구해진 히스토그램을 이용하여 졸음 여부를 판단하기 위해 DDV (Drowsiness Determined Value) 값을 계산한다.
- 얼굴과 눈의 영상 이미지 데이터를 받아 얼굴과 눈 부분에 윈도우를 씌운 후 그 영역에 대해서 Haar-like 특징값을 구한다. 그다음 AdaBoost 학습 알고리즘을 통해 선택된 Haar-like 특징을 그룹화하여 저장한다.
- 우선 입력되는 영상에서 얼굴 부분 중 눈 영역을 추출하기 위하여 Haar-like 특징과 adaboost 알고리즘을 이용하여 얼굴 및 눈 영역을 인식하고, 인식된 영역만을 추출하여 레티넥스 필터를 이용한 전처리를 수행한다. 이렇게 만들어진 이미지의 히스토그램을 이용하여 졸음을 판단하기 위한 값인 DDV를 계산하여 운전자의 졸음 상태를 파악하게 된다.
- AdaBoost 학습 알고리즘으로 얻은 특정 값들은 그림 2와 같이 단계(stage)별로 그룹화(classifier)한다[5, 6]. 이러한 그룹화는 더 강력한 인식 알고리즘을 구현하기 위한 것으로 단계를 거듭할수록 전 단계보다 더 많은 수의 특정 값을 만들어서 그룹화를 하며 본 논문에서는 얼굴은 30단계, 눈은 20단계로 그룹화를 하여 실험하였다[3, 4].
- 필터를 이용한 전처리를 수행한다. 이렇게 만들어진 이미지의 히스토그램을 이용하여 졸음을 판단하기 위한 값인 DDV를 계산하여 운전자의 졸음 상태를 파악하게 된다. 하지만 히스투-?-램은 반쯤 감은 눈과 같이 애매한 상태일 때는 판단의 정확성이 많이 떨어지므로, 이를 보완하기 위하여 vertical edge image processing을 이용한 눈 개폐 여부 판단 방법을 추가하여, 최종적인 졸음 판단을 하게 된다.
- 가져온다. 이와 같은 단일 레티넥스 이론을 전처리에 적용하여 입력이 미지의 조명의 영향을 제거하였다. 그림 4와 5는 각 조명상태에서 추적된 눈 이미지와 그 변환 결과이다.
- 이제 구해진 히스토그램을 이용하여 졸음 여부를 판단하기 위해 DDV (Drowsiness Determined Value) 값을 계산한다.
- 제안 방법은 vertical edge image processing을 이용하는 눈 개폐 여부 판단 방법이며 그 과정은 그림 3과 같다. 먼저, original 눈 영상을 Sobel vertical 필터를 이용하여 vertical edge 영상을 획득한다.
이론/모형
- 구한다. 그다음 AdaBoost 학습 알고리즘을 통해 선택된 Haar-like 특징을 그룹화하여 저장한다. 이때 첫 번째 단계의 그룹에서는 가장 적은 9개의 Haar-like 특징이 들어간다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.