實驗影像資料庫

本論文使用的影像資料庫包含兩種不同資料，分別為近距離拍攝之影片及使 用[13]遠距離下真實學生上課環境之資料庫。

(1) 近距離影像: 實驗環境為室內，受試者在距離攝影機 100~120 公分進行實驗，

共 17 位受試者皆無配戴眼鏡，開眼時除了會往前看，也會有往上看、往下 看、往左看或往右看的情形發生，因此實驗過程中會請受試者做六種動作，

分別為往前看、往上看、往下看、往左看、往右看以及閉起眼睛，每位受試 者會有 30~80 份資料，取決於人臉偵測時的數量。開眼資料共 3198 筆，閉 眼資料共 761 筆。

30

表1 、近距離影像之蒐集樣本數 開眼

往前看 往上看 往下看 往左看 往右看 閉眼

蒐集樣本數 681 625 678 617 597 761 (2) 遠距離影像: 使用[13]之資料庫，真實學生於課堂環境中，遠距離偵測學生

在上課中之眼睛開闔情形。受試者 39 位中 11 位無配戴眼鏡，28 位有戴眼鏡，

攝影機距離受試者約 450cm~1500cm，每秒擷取 5 張影像，再從影像中擷取 個別的學生資訊。實驗目的主要為看出在遠距離低解析度下的環境，受試者 的眼睛狀態在本篇方法中是否也能有效辨識出來。由於資料庫眼睛影像的數 量過於龐大，因此本研究於[13]有配戴眼鏡之資料庫中隨機抽樣各 1000 筆開 閉眼資料，無配戴眼鏡之資料庫由於閉眼資料量較少，因此開眼資料隨機抽 出 1000 筆，閉眼資料抽出 750 筆當作遠距離影像之蒐集樣本數，如表 2。

表2 、遠距離影像之蒐集樣本數

沒有配戴眼鏡 有配戴眼鏡

開眼 閉眼 開眼 閉眼

蒐集樣本數 1000 750 1000 1000

31

4.2 實驗結果與討論

實驗一 :

實驗目的為複雜度函數(Complexity Function)與本研究所提出之特徵擷取方 法的比較。首先進行本研究所提出之特徵值計算，並將之繪製於一座標平面上看

32

200 300 400 500

辨

33

34

35

36

37

38

39

時間 0.0610(sec/frame) 區域二元

特徵+SVM

辨識率 99.5% 99% 82% 93% 99% 100%

平均執行

時間 0.0401(sec/frame)

由表 6 可看出灰階像素特徵結合 SVM 的辨識率皆比區域二元特徵結合 SVM 的辨識率好，但區域二元特徵結合 SVM 的執行速度比較快。其中可以明顯發現

40

平均執行時間 0.0542(sec/frame) 區域二元特徵

+SVM

辨識率 84.4% 88.8%

平均執行時間 0.0404(sec/frame)

表8 、遠距離有配戴眼鏡之結果與比較

平均執行時間 0.0636(sec/frame) 區域二元特徵

+SVM

辨識率 82.6% 86.9%

平均執行時間 0.0404(sec/frame)

41

由表 7 及表 8 可看出灰階像素特徵結合 SVM 的辨識率皆比區域二元特徵結 合 SVM 的辨識率好，但區域二元特徵結合 SVM 的執行速度比較快。遠距離的 情況下，開閉眼影像的變異程度更大，因此區域二元特徵的紋理特徵並無明確樣 貌，因此容易有誤判的情形發生。

圖 31 及圖 32 為遠距離無配戴眼鏡下，區域二元特徵能夠判斷正確與無法判 斷正確的開閉眼影像。圖 33 及圖 34 為遠距離有配戴眼鏡下，區域二元特徵能夠 判斷正確與無法判斷正確的開閉眼影像。

(a) 開眼影像 (b)閉眼影像

圖 31、遠距離無配戴眼鏡下之區域二元特徵判斷正確之影像

(a) 開眼影像 (b)閉眼影像

圖 32、遠距離無配戴眼鏡下之區域二元特徵無法判斷正確之影像

(a) 開眼影像 (b)閉眼影像

圖 33、遠距離有配戴眼鏡下之區域二元特徵判斷正確之影像

(a) 開眼影像 (b)閉眼影像

圖 34、遠距離有配戴眼鏡下之區域二元特徵無法判斷正確之影像

42

43

44

45

由特徵值判斷出的數量約 50%，平均執行時間可降低 2 倍，而(200,375)的開眼辨 識率為 94.2%，閉眼辨識率為 89.4%，經由特徵值判斷出的數量約 60%，平均執 行時間可降低 2.5 倍。

由結果可知，當門檻值定的愈寬鬆，經由特徵值判斷的數量較多，平均執行 時間較短，且當 SVM 的訓練結果不錯時，通常門檻值愈嚴格的辨識率也愈高。

給定不同的門檻值，其辨識率與速度也不同，可根據應用面之需求訂定之，若講 求的是速度，則可以將門檻值定的較寬鬆，反之，則將門檻值定的較嚴謹。

在使用本系統時，從人臉偵測、眼睛區域決策、眼睛狀態辨識等過程，需要 符合 real-time，每個階段的執行時間都不容小覷，尤其當在多人的情況下，時間 上的考量更加重要，因此在眼睛狀態辨識時，執行時間上的減半能帶給本系統很 大的效益，本研究做了兩種方法在不同眼睛影像張數時辨識眼睛狀態所需之時間 比較，當有大量的眼睛影像需要判斷時，由表 12 中可看出本篇方法的執行時間 皆能快出 SVM 方法兩倍多，隨著影像張數的增加，更能突顯時間的重要性。

表12、不同眼睛影像張數之 SVM 方法與本篇方法的執行時間比較 1500 張 3000 張 6000 張

SVM 方法 1 分 31 秒 3 分 7 秒 6 分 16 秒 本篇方法 37 秒 1 分 15 秒 2 分 34 秒

46