معمولا اولين بخش از نرمافزار هوشمند در سيستمهاي نظارت چهره راننده، مربوط به آشکارسازي چهره است. در سيستمهايي که خستگي و عدم تمرکز حواس را از پردازش ناحيه چهره مشخص ميکنند، آشکارسازي چهره بخش اصلي سيستم محسوب ميشود. همچنين در اکثر روشهاي مبتني بر پردازش ناحيه چشم، به دليل مشکل بودن آشکارسازي مستقيم چشم، ابتدا چهره آشکارسازي شده و سپس ناحيه چشم از چهره مشخص ميشود.
روشهاي بسيار زيادي براي آشکارسازي چهره ارائه شده است، اما مهمترين روشهاي مورد استفاده در سيستمهاي نظارت چهره راننده را ميتوان چنين تقسيمبندي کرد:
- روشهاي مبتني بر مدل رنگ
- روشهاي مبتني بر ويژگي‌هاي شبه هار
- روشهاي مبتني بر شبکه عصبي
1-1-1- روشهاي مبتني بر مدل رنگ
مدل رنگ پوست چهره، يکي از روشهاي آشکارسازي چهره است. اين ويژگي براي آشکارسازي چهره در تصاويري که پس زمينه ساده دارند مناسب است، اما در شرايطي که پسزمينه چهره پيچيده و شلوغ باشد، خطاي زيادي خواهد داشت. ضمن اين که روشهاي مبتني بر مدل رنگ، براي آشکارسازي چهره در طيف مرئي مناسب است و در طيف مادون قرمز کاربردي ندارد. ضمن اينکه نور محيط بايد به اندازه کافي باشد تا تفکيک رنگها به خوبي انجام گيرد.
معمولا مدل رنگي چهره بر اساس توزيع احتمال در يک فضاي رنگ بيان ميشود. سپس با اعمال يک يا چند حد آستانه بر روي توزيع بدست آمده، ناحيه چهره در تصوير آشکارسازي خواهد شد. براي تشکيل مدل رنگ چهره ميتوان از فضاي رنگي RGB [24, 27]، فضاي رنگي YCbCr [28] يا فضاي رنگي HSI [29-31] استفاده کرد.
1-1-2- روشهاي مبتني بر ويژگي‌هاي شبه هار
اولين بار اين روش توسط Viola و Jones [32] براي آشکارسازي اشيا[1] پيشنهاد گرديد و بعد از آن براي آشکارسازي چهره معرفي شد [33]. مهمترين مزيت اين روش دقت خوب و در عين حال سرعت بسيار خوب آن در آشکارسازي چهره است. در اين روش ابتدا تعدادي ويژگي ساده با استفاده از ماسکهاي مستطيل شکل (شکل 2‑2) از چهره استخراج ميشود که به اين ويژگي‌ها، ويژگي شبه هار[2] مي‌گويند.
شکل 2‑2: نمونههايي از ماسکهاي ويژگي براي استخراج ويژگي‌هاي شبه هار
هرچند ويژگي‌هاي شبه هار بسيار ساده به نظر مي‌رسند، اما با تشکيل يک طبقه‌بندي‌کننده آبشاري تقويت‌شده[3] (شکل 2‑3)، دقت الگوريتم در آشکارسازي چهره بسيار خوب خواهد شد. اين طبقه‌بندي‌کننده در واقع يک درخت تصميم است که با استفاده از الگوريتم تقويت[4]، دقت آن در آشکارسازي چهره و رد تصاوير غيرچهره بهبود يافته است. از اين الگوريتم در [7, 34-36] براي آشکارسازي چهره استفاده شده است.
| مرحله 2 |
| مرحله 3 |
| مرحله n |
| شروع |
| مرحله 1 |
| عدم پذيرش |
| عدم پذيرش |
| عدم پذيرش |
| عدم پذيرش |
| پذيرش |
شکل 2‑3: درخت تصميم آبشاري براي آشکارسازي چهره
1-1-3- روشهاي مبتني بر شبکه عصبي
يکي ديگر از روشهاي آشکارسازي چهره استفاده از شبکههاي عصبي مصنوعي است. در اين دسته از روشهاي آشکارسازي چهره، ابتدا تعدادي ويژگي سطح پايين از تصوير استخراج شده، سپس شبکه عصبي با استفاده از اين ويژگي‌ها آموزش داده ميشود. Hamada و همکارانش [37] آشکارسازي چهره را با استفاده از يک شبکه عصبي چند لايه پرسپترون[5] (MLP) انجام دادهاند. در اين روش ابتدا تصوير لبهيابي شده، سپس با يک پنجره با ابعادي حدود ابعاد چهره پيمايش شده و با شبکه عصبي مورد ارزيابي قرار ميگيرد. در روش پيشنهادي Fukumi [38]، آشکارسازي چهره و تعيين جهت آن با استفاده از تحليل اجزاي اصلي[6] (PCA)، قالب چهره و شبکه عصبي انجام شده است.
[1] Object Detection
[2] Haar-like Feature
[3] Boosted Cascade Classifier
[4] Boosting
[5] Multi Layer Perceptron (MLP)
[6] Principal Components Analysis (PCA)