سیستم تشخیص پلک زدن چشم برای تعامل انسان و کامپیوتر Eye-blink detection system for human–computer interaction

مقدمه

رابط کامپیوتر انسان (HCI) بر مبنای نقاط ارتباطی بین کاربر انسانی و کامپیوتر می باشد. معمولا دستگاه ورودی مورد استفاده شامل موارد زیر می باشد. کیبورد، موس کامپیوتر، تراک بال، موس لمسی، و صفحه نمایش لمسی می باشد. تمام این تجهیزات نیازمند کنترل دستی بوده و توسط فردی که دارای اختلالات حرکتی می باشد، کاربردی نیست. بنابراین نیازی به منظور توسعه روش های جایگزین ارتباطات بین انسان - کامپیوتر وجود دارد که برای افرادی با اختلالات حرکتی مناسب بوده و این فرصت را به ان ها می دهد تا به عنوان بخشی از جامعه اطلاعاتی باشند. در سال های اخیر، پیشرفت در رابط های جایگزین انسان- کامپیوتر توجه محققان را در سرتاسر جهان به سمت خود جلب می کند. ابزارهای جایگزین برای افرادی که نمی توانند سخن بگویند یا از اعضایشان استفاده کنند ( موارد مربوط به فلج خفیف، ALS، فلج عضوی) به عنوان تنها راه ارتباط با جهان و دستیابی به تحصیلات و سرگرمی می باشد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

در این مقاله، سیستم تصویری برای تشخیص  پلک زدن چشم به صورت ارادی به همراه کاربرد آن به عنوان رابط کامپیوتر- انسان برای افرادی که دچار اختلال می باشند، نشان داده می شود. سیستمی که دارای قابلیت پردازش توالی از تصاویر چهره (320 9 240 پیکسل) با سرعت تقریبا 30 fps می باشد از بخش های در دسترسی ایجاد می گردند: که شامل کامپیوتر شخصی یا لپ تاپ کاربر و وب کم با کیفیت متوسط می باشد. الگوریتم طرح شده امکان  تشخیص پلک زدن چشم، تخمین مدت زمان جشمک و تفسیر تعداد  پلک زدن چشم ها در تمام زمان ها به منظور کنترل رابط انسان- کامپیوتر ناخوانده ایجاد می کند.  تشخیص پلک زدن چشم ها بر طبق به  پلک زدن چشم های کوتاه ( کمتر از 200 هزارم ثانیه) یا  پلک زدن چشم طولانی تر ( طولانی تر از 200 هزارم ثانیه) دسته بندی می گردند.  پلک زدن چشم های کوتاه به صورت همزمان بوده و در کدهای طراحی شده برای  پلک زدن چشم مد نظر نمی باشند.

بخش 2 مقاله شامل بررسی مطالعات اخیر بر روی رابط های افرادی با اختلالات حرکتی می باشند.

الگوریتم  تشخیص پلک زدن چشم در بخش 3 شرح داده می شود. بخش 4 رابط کنترل شده کامپیوتر- انسان بر مبنای الگوریتم مطرح شده را نشان می دهد. پیامدهای تحقیق در بخش 5 مورد بحث قرار می گیرند. و نتیجه گیری در بخش 6 داده شده است.

2. تحقیقات پیشین

در مورد افراد فلج شدید که به حفظ کنترل ماهیچه هایشان بدون کمک از چشم می پردازند، دو نوع رابط کامپیوتر- انسان مناسب می باشد: رابط کامپیوتر- مغز (BCI و سیستم هایی که از طریق خیره شدن یا پلک زدن چشم کنترل می گردند.

رابط کامپیوتر- مغز سیستمی می باشد که امکان کنترل برنامه های کاربردی کامپیوتر را از طریق ارزیابی و تفسیر فغالیت های الکتریکی مغز امکان پذیر می کند. هیچ حرک عضله نیاز نمی باشد. چنین رابط هایی این امکان را ایجاد می کند تا به اجرای کیبورد مجازی پرداخته، سیستم کنترل محیطی را مدیریت کنیم،از ویراستار متن، جستجوگر وب استفاده کرده و حرکات فیزیکی را انجام دهیم. رابط کامپیوتر- مغز دارای مزایای زیادی برای افرادی با اختلال فیزیکی شدید بوده؛ به هر حال، یکی از موانع اصلی آن ها ورود سر زده و نیاز برای سخت افزار ضبط کننده با EEG خاص می باشد.

رابط کاربری کنترل نگاه خیره و کنترل  پلک زدن چشم متعلق به گروه دوم و سیستم های متناسب برای افرادی که نمی توانند سخن بگویند یا از دستانشان برای ارتباط استفاده کنند، می باشد. اکثر روش ها کنونی برای ارتباط نگاه خیره بصورت ورودی بوده یا از سخت افزارهای خاص تجهیزات تشخیص اینفرارد (IR)یا الکتروکلوگراف (EOG) استفاده می کند. چنین سیستم هایی از دو نوع سیگنال ورودی استفاده می کند: مسیر اسکن ( خطوط نگاه که توسط ثابت شدن چشمان مد نظر قرار می گیرد) یا  پلک زدن چشم. سیستم های کنترل  پلک زدن چشم تمایزی را بین  پلک زدن چشم ارادی و غیرارادی ایجاد می کند و به تفسیر  پلک زدن چشم ارادی مجزا یا توالی آن ها می پردازد. حرکات مشخص دهان به عنوان وجه دیگری مد نظر قرار می گیرد.الگوهای  پلک زدن چشم خاص دارای دستورات مربوط به موس یا کیبورد خاصی می باشند، برای مثال  پلک زدن چشم های طولانی خاص در ارتباط با فعالیت TAB می باشد، در حالی که در حالی که  پلک زدن چشم دوبل همانند کلیک بر روی موس می باشد. چنین استراتژی هایی می تواند به صورت کنترل برای بازی های ساده یا برنامه های عملیاتی املاء کلمات باشد.

روش  تشخیص پلک زدن چشم بر مبنای تصور به دو گروه دسته بندی می گردد، فعال و غیرفعال. تکنیک  تشخیص پلک زدن چشم فعال نیازمند  روشنایی خاص برای مد نظر قرار دادن ویژگی های بازتابنده چشم می باشد. نوری که بر روی چشم می افتد از شبکیه بارتابیده می شود. شعاع بازتاب بسیار محدود می باشد. بنابراین در مردمک واقع شده و مستقیما به سمت منبع نور می رود. زمانی که منبع نور بر روی محور کانونی دوربین یا بسیار نزدیک به آن واقع می شود، شعاع بازتاب بر روی تصویر ثبت شده به عنوان تاثیر مردمک روشن قابل مشاهده می باشد. پدیده مردمک براق در فلاش عکس برداری بر مبنای تاثیر قرمزی چشم می باشد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل 1. تصویر چشم در طیف IR: a) چشم در شرایط نور طبیعی. b) تاثیر مردمک روشن بعد از روشن سازی IR چشم.

نمونه ای از ابزارهای ارتباطی خیره شدن مزایایی را از روشن سازی IR بدست اورده که بر مبنای سیستم بصری می باشد. دیود اینفرارد واقع در گوشه مانیتور امکان تشخیص و پیگیری چشمان کاربر را که از تاثیر مردمک روشن استفاده می کند، فراهم می کند. این سیستم به جایگزینی موس و کیبورد کامپیوتر استاندارد پرداخته و دسترسی را به بسیاری از برنامه های کاربردی همانند نوشتن پیام، ترسیمف کنترل از را دور، جستجوگر اینترنت یا میل الکترونیک فراهم می کند. به هر حال اکثریت کاربران به طور کامل از این راه حل راضی نبوده و پیشنهاد بهبود یافتن را می کنند.

سیستم کارآمدتر در [9] شرح داده می شود. این سیستم از دو وب کم- یکی برای ردگیری مردمک و دومی برای موقعیت سر مرتبط به صفحه استفاده می کند. نشان اینفرارد که بر روی مانیتور قرار می گیرد باعث فعال کردن ردگیری نگاه خیره دقیق می گردد. سیستم توسعه یافته می تواند به جایگزینی موس کامپیوتر یا کیبورد برای افرادی با اختلال حرکتی بپردازد.

روش فعال برای تشخیص چشم و  پلک زدن چشم نتایج بسیار دقیقی را نشان می دهد، و این روش قدرتمند می باشد. مزایای رابط انسان- کامپیوتر کنترل چشمان بر مبنای IR دارای موازنه ای با هزینه های کاربر نهایی به دلیل سخت افزارهای اختصاصی می باشد. آن ها همچنین در محیط فضای باز بی اثر می باشند و این به دلیل تاثیر تابش آفتاب مستقیم بر روی روشن سازی IR می باشد. نگرانی دیگر در مورد ایمنی استفاده از چنین سیستم هایی برای بلندمدت می باشد، زیرا قرار گرفتن طولانی مدت کره چشم در برابر نور IR منجر به آسیب شبکیه می گردد.

بنابراین بهترین راه حل بهبود سیستم کنترل چشم خیره شده یا سیستم های بصری انفعالی کنترل  پلک زدن چشم می باشد.

روش های  تشخیص پلک زدن چشم غیرفعال از منبع نور مازاد استفاده نمی کند.  پلک زدن چشم ها از زنجیره ای از تصاویر در طیف مرئی شرایط روشن سازی طبیعی تشخیص می گردند. اکثر تکنیک های  تشخیص پلک زدن چشم، در واقع روش هایی می باشند که منطقه چشم را در تصاویر تشخیص می کنند. بسیاری از روش ها برای این اهداف همانند تطبیق قالب، مدل های رنگ پوست، پرتو افکنی، انتقال سیکل هدایتی، امواج واکنش دهنده گابر چندگانه، یا تشخیص چشم با استفاده از مشخصه Haar مورد استفاده قرار می گیرند.

ساده ترین راه برای  تشخیص پلک زدن چشم ها در توالی تصاویر کم کردن قالب های متوالی از یکدیگر و ایجاد تصاویر متفاوت می باشد.

با این وجود این روش نیازمند ثابت نگه داشتن موقعیت سر بوده، زیرا، حرکات سر باعث ایجاد تشخیص اشتباه می گردد. این نوع از تشخیص پلک زدن چشم اساسا به عنوان یک مرحله ارزش دهی در سیستم تشخیص پلک زدن چشم برای موقعیت یابی چشم می گردد.

روش های مبنای تطبیق الگو از مدل تصویر چشم استفاده می کند که در مقایسه با بخش های تصویر ورودی می باشد. بخش منطبق تصویر ورودی توسط تطبیق الگو در برابر قالب تصویر کنونی مشخص می گردد. یکی از موانع اصلی این رویکرد این می باشد که در ارتباط با مقیاس گذاری، چرخش یا تغییرات شدت روشنایی نمی باشد. به این دلیل، ایده الگوی دگردیس پذیر معرفی می گردد. در این رویکرد، مدل پارامتری تصویر چشم جمعا توسط تابع انرژی تعریف می گردد. در فرایند تکراری حداقل رسانی انرژی، تصویر مدل چرخش داشته به منظور متناسب شدن با تصویر چشم دگردیسی می گردد. یکی از روش های مطرح شده اخیر برای اهداف تشخیص شده در تصاویر استفاده از مشخصه ها به صورت آبشاری در دسته بندی درختی می باشد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل2.  تشخیص پلک زدن چشم به وسیله تصاویر متفاوت: (a تصویر چشمان باز b) تصویر چشم بسته c) تصاویر متفاوت d) و تصویر متفاوت آستانه

نمونه ای از سیستم تشخیص پلک زدن چشم غیرفعال به عنوان راه حلی برای تشخیص چشم توسط آزمایشگاه های علوم کاربردی می باشد. آن نیازمند گذاشتن دوربین بر روی سر برای مد نظر قرار دادن حرکات چشم می باشد. چنین تجهیزاتی باعث توانمند ساختن عملکرد ساده تر و قابل اطمینان تر شده زیرا چهره در چنین شرایطی همیشه در مکان مشابهی در تصویر ویدئویی می باشد. به هر حال، قرار دادن پوشش سر، که برای تمام کاربران مناسب نمی باشد، می تواند به صورت ناراحت کننده بویژه برای کودکان باشد.

نمونه ای از سیستم های بصری غیر ورودی در [19] نشان داده شده است. آن از دوربین USB برای تشخیص حرکت چشم ( بالا، پایین، چپ، راست) بر مبنای هماهنگی بین چشم راست و چپ استفاده می کند. این سیستم برای بازی های کامپیوتری آماده شده خاص و برای هدایت جستجوگر وب استفاده می کند ( که شامل حرکت و شبیه سازی استفاده TAB و کلید اینتر می باشد).

سیستم تشخیص پلک زدن چشم

سیستم تشخیص پلک زدن چشم بر مبنای تصویر دارای کاربردهای احتمالی زیادی همانند نظارت بر خستگی، رابط انسان- کامپیوتر و دروغ سنجی می باشد. مهم نیست که هدف سیستم چه می باشد، الگوریتم ایجاد شده باید منطقی، باثبات بوده و در زمان حقیقی در شرایط نورپردازی مختلف کار کند.

سیستم تصویری مطرح شده برای  تشخیص پلک زدن چشم ارادی از مولفه های در دسترس ایجاد می گردد: که شامل: کامپیوتر شخصی یا لپ تاپ کاربر و درورن بینی با کیفیت متوسط می باشد. تصاویر چهره با وضوح پایین (320 9 240) پیکسل تقریبا با سرعت 28fps پردازش می گردند. الگوریتم  تشخیص پلک زدن چشم شامل Haar مرحله اصلی می باشد: 1) تشخیص چهره، 2) اقتباس منطقه چشمی، 3) تشخیص  پلک زدن چشم، و 4) دسته بندی  پلک زدن چشم می باشد. تشخیص چهره توسط ابزارهای مشخصه Haar و دسته بندی درختی آبشاری بکار گرفته می شود. تمرکز چشمی بر مبنای  ارتباط هندسی خاص شناخته شده برای چهره انسان می باشد.  تشخیص پلک زدن چشم با استفاده از تکنیک تطبیق الگوه ها انچام می گیرد. تمام مراحل الگوریتم با جزییات بیشتری در بخش های 3.1–3.4 توضیح داده می شوند. این الگوریتم امکان تشخیص  پلک زدن چشم، تخمین مدت زمان  پلک زدن چشم، و بر این مبنا، دسته بندی  پلک زدن چشم به صورت همزمان یا ارادی می پردازد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید. 

شکل 3. طرح الگوریتم مد نظر قرار گرفته برای  تشخیص پلک زدن چشم

تشخیص چهره

تشخیص چهره به عنوان بخش بسیار مهمی از الگوریتم  تشخیص پلک زدن چشم می باشد. از ان جایی که تمرکز بر روی صورت ز نظر محاسباتی بسیار هزینه بردار و وقت گیر می باشد، این رویکرد تنها در طی ارزش دهی آغازی سیستم و در مواردی که صورت تشخیص شده گم می شود اجرا می گردد. بنابراین برای سیستم هایی که تمام وقت کار می کنند، روش انتخابی احتمالا سریع کار می کند ( کمتر از 30 هزارم ثانیه در هر تصویر مجزا با سرعت 30 fps ). از طرف دیگر، دقت روش انتخابی نیز حائز اهمیت می باشد. سبک سنگین کردن می بایست بین نسبت آشکار سازی بالا، تغییر مسیر و میزان خطا انجام گیرد. روش انتخابی می بایست بصورت قوی در شرایط نورپردازی مختلف بکار برای حالات چهره مختلف، وجود عینک، موی  صورت و سبک های موی مختلف بکار گرفته شود. راه حل های بیشماری برای تشخیص چهره مطرح شدعه است. آن ها به موارد زیر تقسیم می گردند: 1) روش بر مبنای اطلاعات که به توصیف خصوصیات تقارن چهره و رابط هندسی بین مشخصه های چهره می پردازد. 2) روش ها بر مبنای مشخصه بر اساس تشخیص دهان، چشم، بینی، رنگ پوست 3) روش های تطبیق الگو بر مبنای محاسبه انطباق بین تصویر ورودی و الگوهای ذخیره شده چهره و 4) روش های بر مبنای مدل ، که در آن الگوریتم ها بر روی مدل ها با استفاده از شبکه های عصبی قرار می گیرند، از ابزارهای برداری (SVM) یا مدل های مارکف پنهانی (HMM) حمایت می کنند. در الگوریتم ایجاد شده، روش حاصل شده از گروه تطبیق الگوه ها توسط ویولا و جونز ایجاد شده، و توسط لینچارد و مایدت ایجاد شده و بر طبق به [15] بکار گرته می شود.

مشخصه Haar از طریق ادغام تصاویر با الگوه ها با اندازه ها و جهت گیری های مختلف دسته بندی می گردند. این الگوی مشخصه ها به سه گروه طبقه بندی می گردد: حاشیه، خط و پوشش احاطه شده مرکزی. هر الگو متشکل از سه مستطیل سیاه و سفید می باشد.

1. مشخصه حاشیه

2. مشخصه خطوط

3. مشخصه احاطه مرکزی

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل 4. تصاویر مستطیلی مورد استفاده تشخیص اهداف

مقدار مشخصه برای تصاویر داده شده بر مبنای مجموع وزنی شدت پیکسل ها تحت پوشش مستطیل سیاه و مجموع شدت پیکسل توسط کل پوشش محاسبه می گردد.

تمام مشخصه های محاسبه شده برای تشخیص چهره در تصاویر مهم می باشند. دسته کننده قابل اجرا تنها با استفاده از بخشی از مشخصه ها با کوچکترین نسبت خطا ایجاد می گردد. به منظور یافتن این مشخصه ها، الگوریتم کمکی به نام افزایش تطبیقی ملایم مورد استفاده قرار می گیرد. این فرایند افزایشی چندین بار بکارگرفته می شود تا ارتباط آبشاری دسته کننده ها را ایجاد کند. هر مرحله از این آبشتر بر مبنای مجموع وزنی دسته کننده های ضعیف می باشد، که پیچیدگی مراحل با تعداد مراحل افزایش می یابد. برای محاسبه مشخصه ها، نمایش تصاویر جدید در [6]- تصویر انتگرال نشان داده می شود.

این روش با استفاده از مجموعه ای از 150 تصویر چهره تست شد، و دقت 94% حاصل شد. سرعت الگوریتم بر روی تصاویر چهره وضوع مختلف با استفاده از پردازشگر Intel Core2 Quad CPU در 2.4 GHz آزمایش شد. نتایج در جدول 1 نشان داده شده است.تصاویر نمونه با تشخیص چهره در شکل 5 نشان داده شده است.

جدول 1. زمان تشخیص چهره با استفاده از مجموعه دسته بندی کننده ها و الگوی Haar.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل 5. نتایج تشخیص چهره با استفاده از ماسک Haar و اتصال دسته بندی کننده درختی

اقتباس منطقه چشم

مرحله دوم الگوریتم تمرکز بر روی منطقه چشمی تصویر می باشد. موقعیت چشمی در تصویر چهره بر مبنای پیوند هندسی خاص شناخته شده صورت انسان مد نظر قرار می گیرد. قوانین سنتی نسبت نشان می دهد که چهره به شش مربع مساوی، دو به سه تقسیم می شود. بر مبنای این قانون، چشم ها در حدود 0.4 دورتر از نوک سر تا چشمان قرار می گیرند. تصویر منطقه چشمی اقتباس شده برای اجرای  تشخیص پلک زدن چشم از پیش پردازش می گردد.

منطقه چشمی مربوطه از تصویر چهره برداشته شده و به عنوان الگویی برای تشخیص چشم از طریق تطبیق الگو مورد استفاده قرار می گیرد. اقتباس منطقه چشمی تنها در مقدار دهی اولیه سیستم اجرا شده به صورتی که رویکرد تشخیص چهره تکرار می گردد.

3.3  تشخیص پلک زدن چشم

چشمان نمایان شده با استفاده از روش تطبیق عرضی نرمال تشخیص داده می شوند. تصویر الگوی چشمان کاربر به صورت اتوماتیک در طی مقدار دهی اولیه سیستم حاصل می شود.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید..

شکل 6. قوانین نسبت چهره انسان

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل 7. تصویر چشم نمونه که به عنوان الگو مورد استفاده قرار می گیرد.

بنابراین می توان آن را بر مبنای اندازه باز بودن چشم مد نظر قرار داد. نمونه ای از طرح تغییر مقدار ضریب همبستگی در زمان در شکل 9 نشان داده شده است.

3.4 طبقه بندی چمک زنی

تغییر ضرییب همبستگی در زمان مورد تجزیه و تحلیل قرار می گیرد تا  پلک زدن چشم ارادی را در طی دوره بیشتر از 250 ms تشخیص دهد. اگر مقدار ضریب پایین تر از مقدار آستانه از پیش تعریف شده TL برای دو فریم متوالی باشد، on-set  پلک زدن چشم ها تشخیص داده می شود. off-set  پلک زدن چشم زمانی مد نظر قرار می گیرد که مقدار ضریب همبستگی بیشتر از مقدار آستانه TH باشد. مقدار آستانه TL و TH به صورت آزمایشی تعیین می گردند. اگر مدت زمان  تشخیص پلک زدن چشم طولانی تر از 250 ms و کوتاه تر از 2 s, باشد، به این ترتیب چنین  پلک زدن چشمی بر مبنای کنترل ارادی می باشد.

3.5 عملکرد سیستم

سیستم پیشرفته برای  تشخیص پلک زدن چشم و بازبینی با استفاده از پردازشگر IntelCoreQuad CPU at 2.4 GHz بر روی توالی وب کم USB Logitech QuickCam 9000 Pro آزمایش می گردد. اندازه توالی تصویر ورودی برابر با 320 9 240 پیکسل می باشد. تست سیستم در اتاقی که با 3 لامپ فلوروسنت و روشنایی روز از یک پنجره ، روشن می شود، انجام می گیرد. فرد در جلوی مانیتور می نشیند، که دستورالعمل مرتبط به  پلک زدن چشم در ان به نمایش گذاشته می شود. از هر فرد خواسته شد تا 40 بار ( 20  پلک زدن چشم بلندو 20  پلک زدن چشم کوتاه) بزند. دوربین USB در بالای مانتیتور قرار داده شد که 70 سانتیمتر ار صورت فرد فاصله داشت.  تشخیص پلک زدن چشم به صورت تمام وقت با میانگین سرعت 29 fps انجام شد. دو نوع خطا مشخص شد: تشخیص خطا ( این سیستم،  پلک زدن چشم را زمانی که نشان داده نمی شد تشخیص می داد)،  پلک زدن چشم های از دست رفته (  پلک زدن چشم هایی که توسط سیستم تشخیص داده نمی شد). توزیع احتمال خروجی ردیاب به صورت گرافیکی در شکل 9 نشان داده شده است.

 پلک زدن چشم های تشخیص داده شده صحیح به صورت مثبت (TP)، تشخیص اشتباه به صورت خطا (FP) ؛ و  پلک زدن چشم هایی که از دست رفته بودند به صورت منفی نشان داده شدند.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل 9. توزیع احتمال خروجی تشخیص دهنده  پلک زدن چشم

بر مبنای این پارامترها، سه اندازه گیری مرتبط به عملکرد سیستم مد تظر می باشد: دقت، فراخوانی و صحت، که به ترتیب توسط 2–4 تعریف می گردند.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

این سه مورد برای ارزیابی تقویت سیستم در تشخیص  پلک زدن چشم کوتاه و  پلک زدن چشم بلند به صورت مجزا و همچنین برای عملکرد کلی سیستم مورد استفاده قرار می گیرند. تست سیستم در شرایط روشنایی پایین و صورت های روشن شده به صورت غیرهمسان همچنین به اجرا در می آید.

جدول 2. پارامترهای کارایی سیستم تشخیص پلک زدن چشم ( در محیطی با روشنایی خوب)

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

جدول 3. پارامترهای کارایی سیستم تشخیص پلک زدن چشم ( در محیطی با روشنایی کم)

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

توجه داشته باشید که نتایج حاصله قابل مقایسه با میزان عملکرد برای سیستم  تشخیص پلک زدن چشم بر مبنای تصور فعال می باشد. در راه حل مطرح شده، نسبت تشخیص چهره صحیح، برابر با 99.74% می باشد. این نتایج الگوریتم پیشرفته ای را در میان بهترین الگوه های موجود نشان می دهد. دقت سیستم تقریبا برابر با 95% می باشد، که دارای صخت 97% و فراوانی 98% می باشد. این ارقام نزدیک به نتایج حاصل شده برای سیستم تشخیص پلک زدن چشم با استفاده از تکنیک روشن سازی فعال می باشد. الگوریتم ایجاد شده در نسبت 25–27 fps برای کامپیوترهای شخصی متوسط کار می کند. این پارامترها نشان می دهد که الگوریتم مطرح شده فرضیات مطرح شده توسط سیستم تشخیص پلک زدن چشم معقول را مد نظر قرار می دهد.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.