學習狀態監控系統

5.1.3.1 系統介紹 [40]

本系統主要是追蹤使用者之雙眼位置，並且判斷眼睛的狀態為睜開或是閉 上，以判斷目前是否為認真學習或有打瞌睡的現象。而本系統採用市面上可以購 得的網路攝影機來當作擷取影像的設備，且將影像解析度限定在 320x240 用來摸 擬，即使是解析度不夠高的手機攝影機也能夠達到同樣的效果。在追蹤方面，我 們初始設定五個不同角度的中心鏡框區塊，在使用者正常移動情況下，追蹤效果 皆能保持穩定，而在眼睛狀態判斷中，我們採用使用者可以因環境光線不同下可 以自行更改的門檻值來克服不利的環境因素，如圖 5.2 所示。

原圖 膚色抓取與 CCL

橢圓比對臉形輪廓 取可能為眼睛之區堿

比對可調性眼睛樣板 取得眼睛位置之結果

圖5.2 眼睛狀態判斷方法 5.1.3.2 系統設計 [41]

本系統採用主動式輪廓擷取鏡框邊緣，將鏡框排除在搜索範圍外，降低有 邊鏡框對偵測造成的影響，並且限定在搜索範圍內使用眼睛遮罩定位眼睛搭配可 變型樣板輔助定位，減少鏡片反光對偵測的影響。在追蹤的流程方面，我們利用 眼鏡鏡框外形的不變性，建立中心鏡框區塊作為追蹤的依據搭配區塊匹配演算法 進行追蹤，再對眼睛之睜眼與閉眼狀態作評估。

基於立體視覺之眼睛偵測

[42]

透過DSI比對產生的視覺深度圖 深度門檻值之結果

a

c X_c

p₁

-p₂ X_e r

b b

經過裁減之臉部區域 左右眼睛之大概位置 取得左右眼睛之特徵結果

由 Shinjiro Kawato 提出的一種將影像像素值轉換成頻率域後進行偵測與追 蹤的演算法，首先從影像中找尋人臉膚色可能位置後，再設定半徑固定的數位圓

(2) 卡爾曼濾波器 (Kalman Filter) [44]

Kalman 於 1960 年所提出的一種藉由遞迴方法來解決離散線性問題的技

圖 5.4 卡爾曼濾波器遞迴流程圖 其中

^{x ˆ}

^t



為時間 t 時的預測值，而x 為時間 t 經過修正的預測值， ˆˆ_t z 則為時間 t^t 的實際測量值。 A 為轉換矩陣，H 為狀態 x 與測量值 z 間的相關矩陣。Q 為預 估雜訊共變異數，R 為測量雜訊共變異數。使用卡爾曼濾波器作為人眼追蹤主軸 的論文在近十年間也是耳有所聞，但是對於系統要求的線性移動與高斯雜訊分 佈，往往限制了卡爾曼濾波器應用在實際層面上的考量。

5.1.3.3 系統量測結果

我們使用的系統環境為Windows XP、CPU速度為2.4GHz、記憶體為 2GB、系統編譯軟體採用Borland C++ Builder 6.0、攝影機採用羅技Logitech的網 路攝影機快看高手4000，系統影像解析度限制在320x240、用來模擬即使是低解 析度的攝影機也能夠達到追蹤的效果。

基於眉毛來追蹤眼睛位置 判斷眼睛狀態 圖 5.5 眼睛位置追蹤方法

我們將眼睛位置同樣拓展成

24 16 

大小的區塊後，並將區塊內的彩色空間轉 為 HSV 空間，但由於眼睛屬於黑白顏色，在色調空間(hue space)用來判斷眼睛 狀態表現較不佳，因此我們只採用其中的飽和度空間(saturation space)來做計 算，轉換公式如下所示，首先將 RGB 空間做正規化動作。

(5.2)

(5.3) 接著再經過二值化轉換後可以得到如下圖所示結果：

(a)眼睛區塊 (b)飽和度空間 (c)二值化

圖 5.6 飽和度空間二值化眼睛影像

由於當眼睛處於閉眼動作時，眼睛區塊內幾乎只有一條直線，在轉成飽和度 與二值化後，區塊內幾乎沒有任何白色區域成份，因此我們將採用此特性來做增 強與判定。

, ,

r g b

R G B

r g b r g b r g b

  

     

   

 

, , , , , ,

Max R G B Min R G B

S Max R G B

 

左上角為經由網路攝影機所得到的影像。左下角為眼睛定位的結果圖，使用 者可以經由此處觀察是否有得到正確的眼睛位置，由於本系統是採用先得到眼睛 位置後才開始進行追蹤，因此若此步錯誤就必須重新定位，另外也可觀察中心鏡 框區塊模型選取的好壞與否，紅色框為使用三庭五眼理論分割出的眼睛區塊，藍 色框為使用主動式輪廓縮減搜索範圍的區塊，黃色圈為偵測到人眼的位置。右上 角為追蹤結果，綠色框為中心鏡框區塊顯示，眼睛為睜眼狀態則顯示為藍色圈，

若為閉眼狀態則顯示紅色交叉表示，而右下角則是系統的控制項。

5.2 影像異動於振動與濕度量測應用與影像資訊傳輸技術

5.2.1 研究背景與目的

由於數位相機的蓬勃發展，影像攝取與影像資訊擷取已經相當普遍而且方 便，為探討影像資訊之多重應用，我們進行影像異動分析研究，將影像資訊之應 用由一般監控擴充到多重量測，首度發展以影像來進行振動量測與濕度量測 [45]。另外，我們也進行影像分析資訊傳輸技術研究，探討如何高速傳輸影像與 多媒體等資訊，發展被動光纖網路之傳輸技術，首度應用光纖雷射來進行注入 FP 半導體雷射，發展直接調變上傳資訊之技術[46]。

5.2.2 影像異動於振動與濕度量測介紹

我們首先使用長細線影像搖擺量，來進行振動偵測如圖 5.8 所示，以長細線 放大振動量，首度以細線與攝影機相對位移來偵測振動。當擺動超過一門檻值 時，即可認定為地面發生震動，發出振動警示。

圖 5.8 細長線擺幅影像

接著，我們設計水滴影像之判斷分析與追蹤程式，利用水滴產生前後差異之比 較，找出邊緣影像來判斷水滴，進而提供濕度偵測。當水滴影像密度超過設定值 時，即給予函數值，再考慮濕氣不平均等問題，進行比對並取其飽和度做比較以 進行判斷。典型結果如圖 5.9 所示。

圖 5.9.有水滴(中)與無水滴(左)影像差(右)

在文檔中 智慧型校園生活環境研擬與建置(III) (頁 104-110)