رديابي چهره و اجزاي آن

1-1- رديابي چهره و اجزاي آن

تقريبا در تمام سيستم‏هاي نظارت چهره راننده، پس از آشکارسازي چهره رديابي آن انجام مي‏گيرد. رديابي چهره به جاي آشکارسازي آن در فريم‏هاي متوالي باعث کاهش حجم محاسبات و در نتيجه افزايش سرعت سيستم خواهد شد. به همين دليل معمولا پس از آشکارسازي اوليه چهره، در فريم‏هاي بعد عمليات رديابي[1] چهره انجام مي‏گيرد. رديابي با فرض محدود بودن جابجايي چهره در دو فريم متوالي، به جاي تمام تصوير تنها بخش محدودي از آن را جستجو مي‏کند. تقريبا در تمام روش‏هاي رديابي، محدوديت‏هايي براي رديابي شي هدف فرض مي‏شود تا رديابي با دقت و سرعت بيشتري انجام شود. يکي از معمول‏ترين محدوديت‏هاي اعمال شده، ثابت بودن سرعت حرکت جسم يا مفروض بودن شکل هندسي[2] يا ظاهري[3] شي هدف است [53, 54].

رديابي شامل دو مرحله اصلي است: تخمين حرکت[4] و تطابق[5]. دو روش عمده که معمولا در تخمين حرکت مورد استفاده قرار مي‏گيرد عبارتند از پنجره جستجو[6] و فيلتر‏هاي تطبيقي[7]. در مرحله تطابق نيز معمولا از سه معيار ضريب همبستگي[8]، مجموع قدرمطلق تفاضل[9] (SAD) و مجموع مربعات تفاضل[10] (SSD) استفاده مي‏شود.

1-1-1- تخمين حرکت

مرحله تخمين حرکت اولين گام براي رديابي يک شي متحرک مي‏باشد و عبارتست از تخمين موقعيت فعلي شي متحرک بر اساس موقعيت آن در فريم‏هاي قبلي. ساده‏ترين روش براي تخمين حرکت، تعريف يک پنجره جستجو در اطراف موقعيت قبلي شي هدف است. در اين روش فقط از مکان شي متحرک در فريم قبل براي تخمين مکان فعلي آن استفاده مي‏گردد. هر چه اندازه پنجره بزرگتر باشد، دقت تخمين بيشتر خواهد شد. اما افزايش اندازه پنجره باعث افزايش حجم محاسبات در مرحله تطابق شده و سرعت رديابي را مي‏کاهد [53]. انواع پنجره جستجو و ارزيابي آنها در [55] ارائه شده است. روش پنجره جستجو در [24, 28, 30, 56] براي رديابي استفاده شده است.

يکي ديگر از روش‏هاي تخمين حرکت، استفاده از فيلترهاي تطبيقي است. از مهمترين انواع فيلترهاي تطبيقي مي‏توان به فيلتر کالمن[11] (KF)، فيلتر کالمن توسعه‏يافته[12] (EKF)، فيلتر کالمن غير‏معطر[13] (UKF) و فيلتر ذرات[14] (PF) اشاره کرد. درميان اين فيلترها، فيلتر ذرات با قابليت رديابي چند شي متحرک در مدل غيرخطي بهترين کارايي را دارد، اما حجم محاسبات آن زياد است [57]. در سيستم‏هاي نظارت چهره راننده بيشتر از فيلتر کالمن [6, 21-23, 44, 49] و فيلتر کالمن غيرمعطر [34, 35] براي رديابي چهره و اجزاي آن استفاده شده است.

1-1-2- تطابق

مهمترين روش‏هاي مورد استفاده براي محاسبه تطابق، ضريب همبستگي، مجموع قدرمطلق تفاضل (SAD) و مجموع مربعات تفاضل (SSD) است. ضريب همبستگي بين قالب T و پنجره W با فرض اين که هر کدام شامل N پيکسل باشند، از رابطه ‏(5) محاسبه مي‏شود. به ضريب همبستگي مقدار همبستگي متقابل[15] نيز گفته مي‏شود. اين مقدار همواره در بازه [-1,1] قرار دارد.

محاسبه ضريب همبستگي پيچيدگي محاسباتي زيادي دارد، به همين دليل برخي اوقات براي کاهش حجم محاسبات، از مجموع قدرمطلق تفاضل (SAD) (رابطه ‏(6)) استفاده مي‏شود. در واقع SAD فاصله بين قالب و پنجره‏اي از تصوير را محاسبه مي‏کند. هرچه مقدار SAD کمتر و نزديک به صفر باشد، شباهت آن قسمت از تصوير به قالب بيشتر است.

استفاده از مجموع مربعات تفاضل (SSD) نيز براي محاسبه ميزان شباهت قالب و پنجره جستجو رايج است. دقت روش SSD براي محاسبه ميزان تطابق بيشتر از روش SAD مي‏باشد. مقدار SSD از رابطه ‏(7) قابل محاسبه است.

[1] Tracking

[2] Geometric Shape

[3] Appearance

[4] Motion Estimation

[5] Matching

[6] Search Window

[7] Adaptive Filter

[8] Correlation

[9] Sum of Absolute Difference (SAD)

[10] Sum of Squared Difference (SSD)

[11] Kalman Filter (KF)

[12] Extended Kalman Filter (EKF)

[13] Unscented Kalman Filter (UKF)

[14] Particle Filter (PF)

[15] Cross-Correlation

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.