fa سیستم بلادرنگ و هوشمند اعلام هشدار خستگی رانندگان بر مبنای تصاویر ویدیویی ایمنی Safety پژوهشي Research <p align="right"> <strong> زمینه و هدف </strong>:<strong> </strong>هوشمند­سازی سیستم­های بازدارنده­ی سوانح رانندگی می­تواند در به حداقل رساندن مرگ و میر ناشی از تصادفات مؤثر باشد. یکی از عوامل منجر به مرگ که سهم عمده­ای را در ایجاد تصادفات به خود اختصاص داده، خطاهای انسانی است. خستگی در حین رانندگی از مواردی است که سبب ایجاد خطا و کاهش دقت در کنترل وسیله نقلیه می­شود. <strong></strong></p><p align="right"> <strong> روش بررسی </strong>: با تکیه بر تکنیک­های پردازش تصاویر ویدیویی، علائم خستگی و خواب­آلودگی چهره فرد در زمان رانندگی آشکار شده است. سیستم در گام نخست با تصویربرداری از صورت شخص توسط یک دوربین، دنباله­های ویدویی با نرخ 15 فریم بر ثانیه دریافت نموده و با تبدیل فریم­ها از فضای RGB به فضاهای YCbCr و HSV ، ناحیه چهره از سایر بخش­ها جداسازی می­شود. در گام بعدی، در یک فاصله زمانی با تکیه بر آستانه­گذاری و معادلات تقارن چهره انسان، باز یا بسته بودن چشم­ها تعیین شده و در نهایت با استفاده از روش کلاسترینگ K-means ، تکرر خمیازه­ شناسایی خواهد شد. در مرحله ارزیابی، با پیاده­سازی الگوریتم بر دنباله­های ویدیویی ضبط شده تحت شرایط واقعی در فضای شهری و برون شهری و مقایسه با روش­های چون Visual Information و Monitoring Driver Vigilance ، عملکرد مناسب­تری حاصل آمد.<strong></strong> </p><p align="right"> <strong> یافته­ها </strong>: با آزمایش سیستم برای مجموعه­ای از 5949 فریم ویدیویی گوناگون، دقت میانگین 06/93% و نرخ آشکارسازی ( DR ) برابر با 78/90% نتیجه شد. </p><p align="right"> <strong> نتیجه­گیری </strong>: دقت بالا در جداسازی، نرخ ناچیز خطا در اعلام هشدار و سرعت مناسب پردازش داده­های ورودی، سیستم را از سایر روش­های مشابه متمایز می­سازد. بهره­گیری از این سیستم، در به حداقل رساندن سطح تصادفات ناشی از خستگی رانندگان مؤثرخواهد بود. </p> <p>  <strong>Background and aims </strong>: Developing intelligent systems to prevent car accidents can be very effective in minimizing accident death toll. One of the factors which play an important role in accidents is the human errors. Fatigue driving is one of the cases that can cause errors and reduce accuracy in contorlling the vehicle. </p><p>  </p><p>  <strong>Methods </strong>: The signs of fatigue and sleepiness while driving is revealed based on video processing techniques. In this model, the person’s face is filmed by a camera in the first step by receiving 15fps video sequence. Then, the images are transformed from RGB space into YCbCr and HSV spaces. The face area is separated from other parts. That the eyes are open or closed in a specific time interval is determined by focusing on thresholding and equations concerning the symmetry of human faces a finally using K-means Clustering, the frequency of yawning is identified. In the evaluation phase, the implementation of the algorithm on video sequences recorded under real conditions in urban and suburban areas and compared with methods such as Visual Information and Monitoring Driver Vigilance , better performance was achieved. </p><p>  </p><p>  <strong>Results </strong>: The proposed system has been implemented on different video sequences with average accuracy of 93.18% and detection rate (DR) of 92.71% out of total 5900 image frames. </p><p>  </p><strong>Conclusion </strong>: High accuracy in segmentation, low error rate and quick processing of input data distinguishes this system from similar ones. This system can minimize the number of accidents caused by drivers’ fatigue کلید واژه‌ها: خستگی راننده, HSV, پردازش تصاویر ویدیویی, جداسازی ناحیه چهره وکلاسه‌گذار K-means. Key words: driver fatigue, HSV, video processing, Face segmentation, K-means clustering. 1 11 http://ioh.iums.ac.ir/browse.php?a_code=A-10-683-1&slc_lang=fa&sid=1 خسرو رضائی rezaeekhosro@ymail.com 13600319475328460014695 13600319475328460014695 Yes دانشگاه حکیم سبزواری غفار محمدی saeed.mohammadi85@gmail.com 13600319475328460014696 13600319475328460014696 No دانشگاه حکیم سبزواری ایمان میرزا جانی i.mirzajani@gmail.com 13600319475328460014697 13600319475328460014697 No دانشگاه حکیم سبزواری جواد حدادنیا hadadnia@sttu.ac.ir 13600319475328460014698 13600319475328460014698 No حکیم سبزواری