Nghiên cứu bộ phận lớp dữ liệu SVM hỗ trợ cảnh báo tài cế ngủ gật

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH VÕ THANH LONG NGHIÊN CỨU BỘ PHÂN LỚP DỮ LIỆU SVM HỖ TRỢ CẢNH BÁO TÀI XẾ NGỦ GẬT LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN ĐỒNG THÁP, 3/2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH VÕ THANH LONG NGHIÊN CỨU BỘ PHÂN LỚP DỮ LIỆU SVM HỖ TRỢ CẢNH BÁO TÀI XẾ NGỦ GẬT Chuyên ngành: CÔNG NGHỆ THÔNG TIN Mã số: 60.480.201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học: TS PHAN LÊ NA ĐỒNG THÁP, 3/2017 LỜI CAM ĐOAN Tôi xin cam đoan luận văn hoàn thành kết nghiên cứu tơi hướng dẫn tận tình TS Phan Lê Na Các kết nghiên cứu chưa dùng cho luận văn cấp khác Ngoại trừ phần lý thuyết kết cơng trình nghiên cứu khác ghi rõ luận văn Đồng Tháp, ngày tháng năm 2017 Người cam đoan Võ Thanh Long LỜI CẢM ƠN Đề tài hoàn thành em xin chân thành cảm ơn hướng dẫn tận tình Cơ TS Phan Lê Na suốt trình thực luận văn Mặc dù bận rộn với công việc Cô giành nhiều thời gian tâm huyết để dẫn, định hướng, góp ý cách thực chia sẻ kinh nghiệm quý báu cho em, giúp em hồn thành luận văn Một lần nữa, em xin gửi lời cảm ơn sâu sắc đến Cô Em xin cảm ơn quý Thầy Cô khoa Công nghệ Thông tin giúp đỡ, hướng dẫn, truyền đạt kiến thức quan trọng, quý báu suốt trình học tập Chính nhờ kiến thức học từ q Thầy Cơ mà em thực luận văn Tôi xin cảm ơn anh chị bạn bè lớp Công nghệ thông tin K23 giúp đỡ, cổ vũ, động viên trình học tập Mặc dù cố gắng nhiều để thực luận văn phạm vi khả chắn không tránh khỏi thiếu sót Kính mong nhận góp ý, dẫn tận tình q Thầy Cơ MỤC LỤC Trang TRANG PHỤ BÌA LỜI CAM ĐOAN .2 LỜI CẢM ƠN .3 MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH CHƯƠNG MỞ ĐẦU 10 Sự cần thiết vấn đề nghiên cứu .10 Mục tiêu nghiên cứu 11 2.1 Mục tiêu tổng quát .11 2.2 Mục tiêu cụ thể 11 Đối tượng phạm vi nghiên cứu 11 3.1 Đối tượng nghiên cứu 11 3.2 Phạm vi nghiên cứu 12 Nội dung nghiên cứu .12 Cấu trúc luận văn 13 CHƯƠNG TỔNG QUAN VỀ CÁC VẤN ĐỀ NGHIÊN CỨU 14 2.1 Lịch sử giải vấn đề 14 2.2 Cơ sở lý thuyết 17 2.2.1 Chu kỳ sinh học mắt 17 2.2.2 Các trạng thái giấc ngủ .18 2.2.3 Nhận dạng vật thể phương pháp phân loại bậc thang đặc trưng Haar-Like 19 2.2.4 Theo dõi vật thể mơ hình hình dáng ASM .27 2.2.5 Thuật toán phân đoạn ảnh Otsu .30 2.2.6 Đặc trưng HOG ảnh 31 2.2.7 Máy học hỗ trợ vector SVM 32 CHƯƠNG 3: ỨNG DỤNG BỘ PHÂN LỚP SVM HỖ TRỢ CẢNH BÁO TÀI XẾ NGỦ GẬT 34 3.1 Tổng quan chương trình cảnh báo tài xế buồn ngủ .34 3.2 Xác định vùng mặt thư viện OpenCV .37 3.3 Theo dõi khuôn mặt mơ hình ASM 39 3.3.1 Chọn tập liệu cho việc huấn luyện mơ hình .39 3.3.2 Huấn luyện mơ hình 41 3.4 Xác định trạng thái mắt .47 3.4.1 Xác định đặc trưng HOG ảnh chứa mắt phân lớp liệu 47 3.4.2 Phân lớp liệu đặc trưng ảnh 48 3.5 Xác định trạng thái tài xế .49 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ .50 4.1 Dữ liệu thực nghiệm 50 4.2 Kết đánh giá 52 4.2.1 Kết xác định khuôn mặt vị trí mắt .52 4.2.2 Kết xác định trạng thái mắt máy học SVM với đặc trưng HOG 53 4.2.3 Kết cảnh báo tài xế trạng thái buồn ngủ 54 KẾT LUẬN .56 TÀI LIỆU THAM KHẢO 58 DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Tiếng Anh Ý nghĩa HOG Histogram of oriented gradients Đặc trưng ảnh ASM Active shape model Mơ hình chuyển động hình dáng SVM Support vector machine Máy học hỗ trợ vector DANH MỤC CÁC BẢNG Bảng 3.1 Giá trị thuộc tính hình chữ nhật .38 Bảng 4.1 Kết xác định vị trí khn mặt ảnh 52 Bảng 4.2 Kết xác định trạng thái mắt 53 Bảng 4.3 Kết tổng hợp việc xác định trạng thái mắt tập liệu 54 DANH MỤC CÁC HÌNH Hình 2.1 Hệ thống phát trạng thái ngủ gật (Nguyên Đăng Quang, 2012) .15 Hình 2.2 Hệ thống phát trạng thái ngủ gật (Mai K Galab, 2014) 17 Hình 2.3 Tính giá trị điểm ảnh ảnh tích phân 21 Hình 2.4 Các đặc trưng Haar-Like 22 Hình 2.5 Đặc trưng cạnh (edge features) 22 Hình 2.6 Đặc trưng đường (line features) 23 Hình 2.7 Đặc trưng xung quanh tâm (center-surround features) .23 Hình 2.8 Vùng ảnh cần tính tổng giá trị pixel R 24 Hình 2.9 Sơ đồ thuật tốn, xét duyệt vùng đặc trưng khn mặt .26 Hình 2.10 Biểu diển whisker qua điểm đặc trưng khuôn mặt (Stephen Milborrow, 2016) .28 Hình 2.11 Q trình huấn luyện mơ hình hình dáng (Stephen Milborrow, 2016) 29 Hình 3.1 Mơ hình vận hành hệ thống 34 Hình 3.2 Lưu đồ giai đoạn hệ thống khởi động khởi tạo tham số .35 Hình 3.3 Lưu đồ tổng quan tồn hệ thống .36 Hình 3.4 Ảnh gốc .37 Hình 3.5.Hình chữ nhật xác định vùng mặt 38 Hình 3.6 Hình ảnh minh họa tập liệu cộng đồng hỗ trợ 39 Hình 3.7 Biểu diễn điểm lưu trước trình tạo tập liệu huấn luyện 41 Hình 3.8 Những mơ hình thu sau trình huấn luyện 42 Hình 3.9 Mơ hình huấn luyện cấu trúc phần, đỏ vị trí cần huấn luyện .42 Hình 3.10.Q trình phát khn mặt OpenCV, ảnh gốc (trái), gương mặt phá OpenCV (phải) 43 Hình 3.11 Q trình phát khn mặt ASM, ảnh gương mặt OpenCV không phát (trái), gương mặt phát mơ hình ASM (phải)44 Hình 3.12 10 điểm sử dụng để xác định vị trí hai mắt 45 Hình 3.13.Vùng hình chữ nhật mắt phải cắt từ vùng mặt .46 Hình 3.14 Vùng hình chữ nhật mắt trái cắt từ vùng mặt 47 Hình 3.15 Quá trình lấy lại vị trí xác mắt, (a) ảnh gốc, (b) ảnh xác định hình chữ nhật bao quanh mắt, (c) vị trí mắt xác định lại 48 Hình 3.16 Kết trình tìm tham số cho mơ hình phân lớp 49 44 Hình 3.11 Q trình phát khn mặt ASM, ảnh gương mặt OpenCV không phát (trái), gương mặt phát mơ hình ASM (phải) Tuy nhiên, thực tế cịn có trường hợp thường xảy khuôn mặt tài xế dịch chuyển khoảng cách xa so với khung ảnh liền trước mơ hình ASM khơng lần vết khn mặt, lúc tài xế quay mặt trở lại vị trí gần với trạng thái ban đầu trực diện với camera thu hình q trình tìm kiếm mơ hình ASM hỗ trợ sẵn lần vết khuôn mặt vị trí Vì lý này, tơi điều chỉnh lại q trình tìm kiếm mà ASM hỗ trợ để phù hợp với hệ thống cảnh báo tài xế buồn ngủ cách áp dụng cong cụ OpenCV để phát lại khuôn mặt tiếp tục thực qui trình trường hợp trình bày 3.3.2.2 Xác định vùng mắt Sau mơ hình ASM áp dụng, hệ thống xác định vị trí hai mắt cách sử dụng 10 tọa độ mà mơ hình ASM theo dõi (các tọa độ sử dụng hình 3.12) Việc xác định vùng mắt tiến hành sau: Một ví dụ cụ thể tọa độ sử dụng hình 3.12 45 Hình 3.12 10 điểm sử dụng để xác định vị trí hai mắt Mắt phải (bên phải người sử dụng hệ thống) xác định điểm vị trí số 27, 28, 29, 30, 31 tổng số 76 điểm mô hình ASM Mắt phải xác định hình chữ nhật có thơng số kiểu liệu OpenCV hỗ trợ Gọi hình chữ nhật đại diện cho vùng mắt phải matPhai(x,y,w,h) thể hình 3.13 Các bước tính sau: Gọi t1 chiều rộng thô mắt phải: 𝑡1 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[29] 𝑥 − 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[27] 𝑥 Với “tracker.points[29].x” “tracker.points[27].x” tọa độ x điểm thứ 29 27 mô hình ASM Gọi t2 chiều cao thơ mắt phải: 𝑡2 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[30] 𝑥 − 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[28] 𝑥 Với “tracker.points[30].y” “tracker.points[28].y” tọa độ y điểm thứ 30 28 mơ hình ASM Gọi x tọa độ x nhỏ hình chữ nhật tính sau: 𝑥 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[31] 𝑥 − 𝑡1 Gọi y tọa độ y nhỏ hình chữ nhật tính sau: 𝑦 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[31] 𝑦 − 𝑡2 Gọi w chiều rộng hình chữ nhật: 46 𝑤 = 𝑡1 ∗ Gọi h chiều cao hình chữ nhật: ℎ = 𝑡2 ∗ Kết trích xuất vùng mắt bên phải thể hình 3.13 Hình 3.13.Vùng hình chữ nhật mắt phải cắt từ vùng mặt Mắt trái (bên trái người sử dụng hệ thống) xác định điểm vị trí số 32, 33, 34, 35, 36 tổng số 76 điểm mơ hình ASM Mắt trái xác định hình chữ nhật có thơng số kiểu liệu OpenCV hỗ trợ Gọi hình chữ nhật đại diện cho vùng mắt trái matTrai(x2,y2,w2,h2) thể hình 3.14 Các bước tính sau: Gọi t12 chiều rộng thô mắt trái: 𝑡12 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[32] 𝑥 − 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[34] 𝑥 Với “tracker.points[32].x” “tracker.points[34].x” tọa độ x điểm thứ 32 34 mơ hình ASM Gọi t22 chiều cao thơ mắt trái: 𝑡22 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[35] 𝑦 − 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[33] 𝑦 Với “tracker.points[35].y” “tracker.points[33].y” tọa độ y điểm thứ 35 33 mơ hình ASM Gọi x2 tọa độ x nhỏ hình chữ nhật tính sau: 𝑥2 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[36] 𝑥 − 𝑡12 47 Gọi y2 tọa độ y nhỏ hình chữ nhật tính sau: 𝑦2 = 𝑡𝑟𝑎𝑐𝑘𝑒𝑟 𝑝𝑜𝑖𝑛𝑡𝑠[36] 𝑥 − 𝑡12 Gọi w2 chiều rộng hình chữ nhật: 𝑤2 = 𝑡12 ∗ Gọi h2 chiều cao hình chữ nhật: ℎ2 = 𝑡22 ∗ Kết trích xuất vùng mắt bên trái thể hình 3.14 Hình 3.14 Vùng hình chữ nhật mắt trái cắt từ vùng mặt 3.4 Xác định trạng thái mắt Để xác định trạng thái mắt (nhắm hay mở) thực theo cách:  Tính tỉ lệ ngang dọc mắt xác định mắt nhắm hay mở dựa ngưỡng tỉ lệ thiết lập trước  Học huấn luyện nhận dạng trạng thái nhắm hay mở mắt Trong luận văn này, tiến hành nghiên cứu thực nghiệm phương pháp xác định trạng thái mắt xác 3.4.1 Xác định đặc trưng HOG ảnh chứa mắt phân lớp liệu Để tăng độ xác cho việc nhận dạng trạng thái mắt, tiến hành áp vùng mắt ảnh nhị phân Otsu ảnh gốc ban đầu Tiếp theo tiến hành trích đặc trưng vùng ảnh gốc sau xác định xác vị trí mắt (hình 3.15) 48 a b c Hình 3.15 Quá trình lấy lại vị trí xác mắt, (a) ảnh gốc, (b) ảnh xác định hình chữ nhật bao quanh mắt, (c) vị trí mắt xác định lại Tiếp theo, chúng tơi tiến hành trích chọn đặc trưng HOG ảnh Có nhiều đặc trưng việc xử lý đối tượng ảnh đặc trưng màu sắc, đặc trưng hình dáng kết cấu tưởng đặc trưng HOG xuất phát từ hình dạng trạng thái vật đặc trưng phân bố cường độ, hình dáng hướng ảnh Đặc trưng HOG mơ tả tốt cho trạng thái hình dáng khác đối tượng Vì vậy, luận văn sử dụng đặc trưng HOG để xác định cho trạng thái mắt Mỗi vùng ảnh mắt nhận từ giai đoạn xác định vùng mắt đưa kích thước 40x20 tiến hành trích chọn đặc trưng HOG Cụ thể là, ảnh chia thành 171 khối, khối chứa 2x2 ô, ô khối chứa 4x4 pixels khối xếp chồng lên ô Số chiều vectơ đặc trưng ô (sử dụng bin) số chiều vectơ đặc trưng khối 9x2x2 = 36 chiều (vì khối có 2x2 ô) Do đó, số chiều vectơ đặc trưng ảnh 171x36 = 6156 chiều Tôi sử dụng 891 ảnh mắt nhắm 1069 ảnh mắt mở người để trích đặc trưng HOG làm tập liệu cho trình phân lớp nhận dạng 3.4.2 Phân lớp liệu đặc trưng ảnh Trong trình phân lớp liệu mắt, định nghĩa lớp liệu mắt nhắm -1 mắt mở +1 với hàm nhân Kernel phân lớp nhận dạng sử dụng phương trình sau: 𝐾(𝑥𝑖 , 𝑥𝑗 ) = 𝑒 −𝛾‖𝑥𝑖 −𝑥𝑗 ‖ , 𝛾 > 49 Chúng sử dụng tham số g = 0.0078125 (𝛾 hàm nhân 0.0078125) c = ( số c (chi phí) 1) Để có tham số tốt cho mơ hình phân lớp SVM chúng tơi sử dụng cơng cụ hỗ trợ dị tìm tham số cơng cụ grid.py cung cấp gói thư viện LibSVM Kết dị tìm tham số thể hình 3.16 Hình 3.16 Kết trình tìm tham số cho mơ hình phân lớp 3.5 Xác định trạng thái tài xế Hệ thống qui định biểu trạng thái như:  Buồn ngủ: số khung ảnh cho nhắm mắt phút vượt qua 30 khung ảnh  Ngủ gật:  Có khung ảnh mắt nhắm liên tiếp  Mặt tài xế khơng cịn khung ảnh 50 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ Trong phần thực nghiệm chúng tơi kiểm tra độ xác hệ thống phát trạng thái buồn ngủ tài xế qua công đoạn sau:  Chuẩn bị tập liệu cho việc huấn luyện kiểm tra  Kiểm tra độ xác mơ hình ASM  Kiểm tra độ xác việc xác định trạng thái mắt  Kiểm tra việc xác định trạng thái tài xế buồn ngủ 4.1 Dữ liệu thực nghiệm Để thực mục đích đánh giá độ xác mơ hình ASM, chúng tơi sử dụng hai tập liệu ảnh gương mặt: + Tập liệu thứ (gọi tập DB1) tập Talking tập liệu chuẩn thường sử dụng để kiểm chứng hiệu hệ thống liên quan đến nhận dạng phát mặt mắt Dữ liệu bao gồm tổng cộng 5000 khung hình với kích thước (720x560) cắt từ đoạn phim ngắn người khoảng 200 giây, minh họa 4.1 chia sẻ địa http://www-prima.inrialpes.fr/FGnet/data/01-TalkingFace/talking_face.html Hình 4.1.Hình ảnh chuyển động hướng mặt tập liệu Talking + Tập liệu thứ hai (gọi tập DB2) tập liệu có hướng xoay mặt, hướng nghiêng đầu có khác cường độ ánh sáng Do tự thu thập webcam logitech C310 đặt trực diện, cách người lấy ảnh từ 40 đến 50 cm Tập liệu tự thu thập có tổng cộng 1600 ảnh 51 cắt từ đoạn phim ngắn người, đoạn phim dài 10 đến 20 giây Các ảnh thu tiến hành tiền xử lý dạng ảnh JPEG với độ phân giải 640x480 Một số ví dụ tập liệu thể hình 4.2 Hình 4.2 Hình ảnh mơ tả tập liệu tự thu thập để test + Tập liệu thứ ba (gọi tập DB3) tập liệu có hướng xoay mặt Do tự thu thập webcam logitech C310 đặt trực diện, cách người lấy ảnh từ 30 đến 40 cm Một số ví dụ tập liệu thể hình 4.3 Hình 4.3 Hình ảnh mơ tả tập liệu tự thu thập để test 52 4.2 Kết đánh giá 4.2.1 Kết xác định khn mặt vị trí mắt Kết xác định khn mặt vị trí mắt ảnh thể bảng bên Bảng 4.1 Kết xác định vị trí khn mặt ảnh Tập liệu Xác định Data Talking 5000/5000 (DB1) (100%) Tự thu thập 1562/1600 (DB2) (97.63%) Mặt Không xác định 0/5000 (0%) 38/1600 (2.37%) Mắt Xác định Không xác định được 9935/10000 65/10000 (99.35%) (0.65%) 3108/3200 92/3200 (97.2%) (2.8%) Từ số liệu bảng 4.1 thấy độ xác việc xác định mơ hình xác định vị trí khn mặt mắt có độ xác cao Đặc biệt với tập liệu Talking (DB1) độ xác việc xác định vị trí mặt mắt gần tuyệt đối Vì lý tập liệu talking tập quay trực diện người nói chuyện tự nhiên khoảng ngắn nên nói vị trí mặt thay đổi khơng nhiều Tóm lại khn mặt trực diện với máy thu hình việc xác định vị trí mặt mắt coi xác Minh họa hình 4.3 Hình 4.4 Mô tả việc xác định khuôn mặt mắt tập liệu Talking 53 Trong tập liệu tự thu thập (DB2) việc xác định vị trí mặt mắt có sai lệch nhiều với tập liệu talking phần dựa vào việc tập liệu huấn luyện người nước nên cấu trúc khn mặt có phần nhỏ khác biệt Ngồi ra, tập liệu tự thu thập có mẩu làm ảnh hưởng lớn đến phần trăm tỉ lệ xác tập liệu DB2 Được miêu tả hình 4.5 Hình 4.5 Ảnh phát sai vị trí lơng mày khn mặt Vì lý mái tóc che vị trí lơng mày nên khơng thể xác định vị trí lơng mày Nhưng việc xác định vị trí mắt khơng bị ảnh hưởng trường hợp 4.2.2 Kết xác định trạng thái mắt máy học SVM với đặc trưng HOG Kết xác định trạng thái mắt Thể bảng bên Bảng 4.2 Kết xác định trạng thái mắt Tập liệu Mắt nhắm Mắt mở Xác định Xác định sai Xác định Xác định sai Data Talking 490/504 14/504 9352/9431 79/9431 (DB1) (97.3%) (0.27%) (99.2%) (0.8%) Tự thu thập 1383/1429 46/1429 1661/1679 18/1679 (DB2) (96.78%) (3.22%) (98.93%) (1.07%) 54 Tự thu thập 286/292 6/292 375/378 3/378 (DB3) (97.95%) (2.05%) (99.21%) (0.79%) Từ kết bảng 4.2 thấy độ xác việc xác định trạng thái mắt mở cao độ xác việc xác định trạng thái mắt nhắm ảnh mắt mở hướng mặt khơng có nhiều thay đổi ảnh mắt nhắm hướng mặt Ví dụ minh họa thể hình 4.6 4.7 Hình 4.6 Ảnh mắt mở hướng mặt Hình 4.7 Ảnh mắt nhắm hướng mặt Bảng 4.3 Kết tổng hợp việc xác định trạng thái mắt tập liệu Tập liệu Data Talking (DB1) Tự thu thập (DB2) Tự thu thập (DB3) Độ xác 98.25 % 97.86% 98.58 % 4.2.3 Kết cảnh báo tài xế trạng thái buồn ngủ Một số trạng thái cụ thể tài xế hệ thống thể cảnh báo sau: Khi tài xế nhắm mắt khung ảnh liên tiếp hệ thống cảnh báo thể trực tiếp khung ảnh trạng thái mắt, thể hình 4.8 55 Hình 4.8 Hệ thống thể trực tiếp lên khung ảnh trạng thái mắt, ảnh trái vòng tròn xanh thể mắt mở, ảnh phải vòng tròn đỏ thể mắt nhắm 56 KẾT LUẬN Kết đạt Sau nghiên cứu thực đề tài, đề tài chưa đạt kết tốt mong đợi số chức đạt ý tưởng hệ thống Các nội dung mà đề tài đạt được:  Áp dụng mơ hình hình dáng ASM vào toán nhận diện trạng thái tài xế buồn ngủ  Xác định xác trạng thái mắt (nhắm mở) máy học SVM đặc trưng HOG  Xác định sơ trạng thái buồn ngủ tài xế Hạn chế Mơ hình ASM cịn xác định chưa xác vị trí mắt số hướng đầu chưa có tập liệu học mơ hình Cũng nên việc xác định hướng đầu cịn bị hạn chế góc độ Các trạng thái buồn ngủ tài xế đề tài xác định dựa kiến thức sơ giấc ngủ nên gặp trường hợp buồn ngủ khác mà đề tài chưa đề cập Hướng phát triển Có thể thu thập thêm số liệu hướng đầu tài xế, tạo tập liệu riêng cho người Việt tốt cho việc theo dõi khuôn mặt, mắt hướng đầu 57 Có thể gia tăng kết phương pháp phân loại đặc trưng HOG ảnh cách áp dụng số giải thuật làm giảm số đặc trưng HOG ảnh 58 TÀI LIỆU THAM KHẢO [1] Nguyễn Đăng Quang (2012), Hệ thống phát tình trạng ngủ gật lái xe, Luận văn thạc sĩ Công nghệ thông tin, Đại học Cần Thơ [2] A Kasinski, A Flork, and A Schmidt (2008), “The PUT Face Database”, Image Processing and Communications, pp 13(3-4), 59-64 [3] A Martinez and R Benavente (1998), “The AR Face Database”, CVC Tech, Report 24 [4] Freund, Y., Robert E.Schapire (1995), “A decision theoretic generalization of on-line learning and an application to boosting” In Computational Learning Theory: Eurocolt’95 Springer-Verlag [5] Lienhart, Rainer and Jochen Maydt (2002), “An extended set of haar-like features for rapid object detection”, In: IEEE ICIP 2002, Vol 1, pp 900-903 [6] Mai K., Galab., H.M.Abdalkader., Hala H Zayed (2014), “Adaptive real time eye-blink detection system”, International Journal of Computer Applications [7] Stephen Milborrow (2016), “Multiview ctive Shape Models with SIFT Descriptors”, Submitted to the Faculty of Engineering, University of Cape Town, for the Degree of Doctor of Philosophy February 17 Website [8] http://antoangiaothong.gov.vn/uy-ban-atgt-quoc-gia/6518-nguoi-tu-vong-do- tngt-trong-9-thang-dau-nam-92007.html, 2015 [9] https://sleepfoundation.org/excessivesleepiness/content/the-problem- drowsy-driving, 2015 [10]http://www.ninds.nih.gov/disorders/brain_basics/understanding_sleep.h tm, 2015 ... lớp liệu SVM - Nghiên cứu xây dựng phân lớp liệu SVM - Nghiên cứu cách đánh giá tình trạng ngủ gật phát âm cảnh báo cho tài xế - Lập trình thử nghiệm chương trình hỗ trợ cảnh báo tài xế ngủ gật. .. giao thông, đề tài ? ?Nghiên cứu phân lớp liệu SVM hỗ trợ cảnh báo tài xế ngủ gật? ?? hỗ trợ tài xế xe ôtô tránh việc ngủ gật tham gia giao thơng cách phát tín hiệu âm nhắc nhở cảnh báo Trong hệ thống... 31 2.2.7 Máy học hỗ trợ vector SVM 32 CHƯƠNG 3: ỨNG DỤNG BỘ PHÂN LỚP SVM HỖ TRỢ CẢNH BÁO TÀI XẾ NGỦ GẬT 34 3.1 Tổng quan chương trình cảnh báo tài xế buồn ngủ .34 3.2