خواب آلودگی راننده یکی از مهمترین عوامل تصادفات جاده ای می باشد. به همین دلیل اخیرا تحقیقات زیادی برای تشخیص آن انجام گرفته است. روش های تشخیص خواب آلودگی را می توان بر اساس نوع نشانه هایی که استفاده می کنند، به سه گروه روش های مبتنی بر علائم فیزیولوژی، مبتنی بر عملکرد خودرو، و مبتنی بر وضعیت و ظاهر شخص تقسیم نمود. از بین این سه گروه، روش های مبتنی بر وضعیت و ظاهر، به علت نداشتن مزاحمت برای راننده و تشخیص سریع، برای پیاده-سازی در داخل خودرو مناسب تر می باشند.تغییرات چشم، از مهمترین و دقیقترین نشانه هایی است که به هنگام خواب آلودگی در وضعیت و ظاهر راننده قابل مشاهده است. به همین دلیل در این پژوهش سعی شده است با تصویر برداری از صورت راننده و بررسی باز و بسته بودن چشم در دنباله تصاویر، خواب آلودگی راننده تشخیص داده شود. به منظور تصویر برداری از دوربین حساس به اشعه ی مادون قرمز استفاده شده است تا در رانندگی های شبانه، عمل تصویر برداری به نحو مطلوب انجام شود. در تصاویر حاصل از تصویر برداری مادون قرمز می توان با کمک سخت افزاری ویژه، مردمک چشم را به صورت خاصی برجسته نمود. ما از این نکته بهره برده و تصویر برداری از صورت راننده را انجام داده ایم. سپس با استفاده از تکنیک های پردازش تصویر و بینایی ماشین نواحی ای که کاندید چشم بودند را استخراج نمودیم. جهت تشخیص چشم و وضعیت آن از سه دسته ویژگی بافتی، مکانی و آنالیز مولفه-های اصلی استفاده شده است. با استخراج ویژگی ها، به کلاسه بندی نیاز داریم تا با استفاده از ویژگی های بدست آمده، عمل شناسایی چشم را از بین کاندید ها انجام دهد. در این راستا، شبکه عصبی پرسپترون سه لایه برای این امر بکار گرفته شد. ساختار شبکه و نحوه اعمال ویژگی ها به آن، نکته مهمی است که در مورد شبکه های عصبی باید مد نظر قرار گیرد. از این رو ما ابتدا به ازای هر دسته ویژگی چندین ساختار که در تعداد نرون های لایه پنهان متفاوت بودند را آموزش داده و سپس تست نمودیم که بیشترین درصد تشخیص صحیح با استفاده از ویژگی های مکانی، بافتی و آنالیز مولفه های اصلی به ترتیب 91/90، 90/62 و 91/57 بدست آمد. در آزمایشی دیگر برای رسیدن به دقت بالاتر، تمام ویژگی ها را تحت یک بردار ویژگی به یک شبکه عصبی اعمال نموده، مراحل آموزش و تست را انجام دادیم اما کارایی شبکه عصبی بر خلاف انتظار افزایشی پیدا نکرد. با مشاهده این رفتار از شبکه، به نظر می رسید که مفهوم کلاسه بند چندگانه در این مورد می تواند کارآمد باشد. در ساختار طراحی شده برای کلاسه بند چند گانه از سه شبکه عصبی که هر یک برای یک دسته از ویژگی ها در نظر گرفته شده بودند، بطور موازی استفاده می شود. خروجی این کلاسه بند جدید با استفاده از رای گیری وزن دار به صورت احتمالی بیان می شود که میزان آن نشان دهنده ضریب اطمینان شبکه می باشد. با این ایده ما توانستیم درصد تشخیص صحیح را نسبت به بالاترین مقدار بدست آمده در مراحل قبل به میزان 3/24 افزایش داده و به 95/14 برسانیم

راه رفتن روبات، به خصوص در مسیر منحنی یکی از چالش های پیش رو در زمینه روباتیک است. این مسئله از یک طرف نیازمند یادگیری سطح پایین و فرمان به کنترل کننده ها و از طرف دیگر، نیازمند پردازش اطلاعات در سطح بالا است. در کارهای گذشته برای رسیدن به یادگیری روبات برای حرکت در مسیر منحنی خطی از یک مدل لایه ای سلسله مراتبی استفاده شده است. این مدل از چهار لایه تشکیل شده است و هر لایه وظیفه ی به خصوصی برای فراهم کردن بازخورد ها و سیگنال ها برای لایه های زیرین بر عهده دارد. تمرکز اصلی این پایان نامه در لایه ی بالایی این مدل است که قصد دارد با استفاده از بینایی روبات پارامترهایی در جهت بهبود یادگیری روبات برای حرکت در مسیر منحنی خطی فراهم کند. این مسئله به ریز مسئله هایی از قبیل تشخیص اشیا، تشخیص فواصل و زوایا با اشیا، محل یابی روبات، طرح ریزی مسیر و رهیابی روبات تقسیم شده و سعی شده است هر کدام از این مسائل جداگانه حل شوند. هدف نهایی در این لایه بدست آوردن ویژگی های مسیر منحنی خطی است. این ویژگی ها با مراکز و دوایر منطبق شده بر مسیر تعریف شده اند. بعد از بدست آوردن محل روبات و طرح ریزی مسیر، از ایده ی تشخیص منحنی ها و منطبق کردن دوایر بر آن ها برای بدست آوردن ویژگی های مسیر منحنی خطی استفاده شده است. این مدل پیشنهادی بر روی شبیه ساز وباتس با استفاده از کد متلب پیاده سازی شده است. نتایج اجرا روی چندین مسیر متفاوت نشان می دهد این روش به خوبی توانسته مسیر منحنی خطی را به پارامترهای ساده تبدیل کند.

rop یک بیماری چشمی در نوزادان نارس است. در نوزادانی که زودتر از زمان طبیعی به دنیا می آیند رشد عروق شبکیه متوقف می شود و اگر تشخیص به موقع صورت نگیرد، در مدت کوتاهی منجر به نابینایی می شود. علت اصلی نقص بینایی و کوری در rop جداشدگی پرده ی شبکیه است. به عبارتی به دلیل انقباض زخم های ناشی از رشد عروق غیر طبیعی، جداشدگی پرده ی شبکیه از پرده ی صلبیه، در اثر کشیده شدن شبکیه اتفاق می افتد. از این رو طراحی سیستمی خودکار و هوشمند برای تشخیص زود هنگام این بیماری در مراحل اولیه می تواند در جلوگیری از نابینا شدن این دسته از نوزادان بسیار مفید باشد. این روش به غربالگری نوزادانی که هنوز به رشد کامل عروقی نرسیده اند و نیازمند معاینات در بازه های زمانی منظم می باشند، کمک می کند. اگر رشد عروق نوزاد نارس در بازه ی زمانی مشخصی کامل نشود، خون رسانی به قسمت های بدون عروق صورت نمی گیرد و rop اتفاق می افتد. اهمیت مسئله ی بینایی و همچنین امکان شناسایی این بیماری در نوزادان نارس در حال حاضر، ما را بر آن داشت تا روش خودکاری برای تشخیص این بیماری به کمک تکنیک های پردازش تصویر ارائه دهیم. به دلیل شیوع و اهمیت بیماری های چشمی در نوزادان، در این پژوهش روشی برای پیگیری نوزادان نارس، تا مرحله ی اطمینان از رشد عروق و عدم بروز rop انجام می شود. در این پژوهش سه روش به منظور شناسایی و ردیابی رگ های موجود در تصاویر استفاده شده و نتایج آن ها با هم مقایسه شده است. در رویکرد اول از فیلتر بالا گذر باترورث برای شناسایی رگ ها استفاده شده است و سپس از ویژگی انرژی هر تصویر استفاده کرده، نتایج را برای کلاس بندی به یک ماشین بردار پشتیبان داده ایم. در رویکرد دوم از فیلتر بالا گذر گابور برای شناسایی رگ ها استفاده شده و برای هر تصویر هشت تصویر فیلتر شده (در دو مقیاس 2 و 5/0 دو زاویه ی 2/? و 4/? و دو فرکانس 5/0 و 2) را به دست آورده و انرژی تصاویر را برای کلاس بندی به یک پرسپترون دو لایه داده ایم. در رویکرد سوم ابتدا در فاز پیش پردازش، با یک فیلتر گوسی نویز و جزئیات ریز تصویر را حذف کردیم. علاوه بر دو روش مذکور، به منظور دست یابی به بهترین فیلتر بالا گذر در استخراج رگ های شبکیه، فیلترهای لاپلاسین، سوبل، کنی و باترورث به کار رفته و پس از مقایسه ی نحوه ی عملکرد آن ها در جداسازی رگ ها، فیلتر لاپلاسین و باترورث در دو روش اصلی به کار رفت. هدف از عملیات پیش پردازش، بهبود تصاویر است به نحوی که اطلاعات مورد نظر با کم ترین میزان خطا حاصل شود. سپس از پنجره هایی با ابعاد [32×32] و [16×16] برای تقسیم فضای تصویر استفاده کردیم و نتایج اعمال فیلتر لاپلاسین روی هر پنجره را توسط یک آستانه ی شهودی به دو کلاس تفکیک نمودیم. نتایج این بررسی نشان دهنده ی برتری روش سوم به دلیل استفاده از خاصیت محلی در تشخیص رگ های شبکیه در تصاویر است. در این روش میانگین حساسیت 73%، میانگین ویژگی 80% روی مجموعه تصاویری از دو گروه که توسط پزشک متخصص دسته بندی شده اند، به دست آمده است.

مغز از حدود 100 میلیارد نورون تشکیل شده که هر نورون در واقع یک سیستم زیستی می باشد که جریان الکتریکی را در شرایط خاصی از خود عبور می دهد، فعالیت هر گروه از این نورون ها نشانگر دستور یا پردازشی خاص است. سیستم¬های رابط مغز با رایانه (bci) بر مبنای این سیگنال¬های مغزی عمل می¬کنند. اساس این سیستم¬ها بر پایه تغییر سیگنال¬¬های مغزی در هنگام انجام فعالیت¬های ذهنی است که به روش¬های متفاوتی از جمله الکتروانسفالوگرافی قابل ثبت است. یکی از کاربردهایی که اخیراً از این رابط مطرح شده است، انجام محاسبات با کمک انسان می باشد که استفاده از اطلاعاتی که مستقیماً از مغز گرفته شده را به منظور افزایش کارایی فرآیندهای یادگیری ماشین وکمک به کامپیوتر در انجام وظایفی که هنوز به تنهایی قادر به انجام آنها نیست، پیشنهاد می کند. به عنوان مثال الگوریتم های بینایی کامپیوتر، دارای سرعت پردازشی بالایی هستند، اما تصاویر را بر اساس یک سری مفاهیم سطح پایین و مشخص طبقه بندی می کنند، این درحالی است که انسان می تواند اهداف را در شرایط دشوار، تقریباً بی درنگ شناسایی کند. هدفی که در این پایان نامه دنبال می کنیم ترکیب نقاط قوت هر دو سیستم بینایی انسان و بینایی کامپیوتر در حوزه سامانه های جستجوی تصاویر می باشد، چراکه در عصر کنونی با افزایش حجم داده های تصویری، نیاز به سامانه های جستجوی تصاویر کارا به شدت احساس می شود. در این راستا سیستم er2 را که برای اولین بار در ایران مطرح شده است را پیشنهاد کردیم. این سیستم از یک سیستم تک آزمایش مبتنی بر eeg تشکیل شده. استراتژی استفاده شده در این سیستم، توانست با دقت 80.56، کلاس اهداف را شناسایی کند و به دقت طبقه بندی 90.28 دست یابد. همچنین در بازیابی تصاویر دقت قابل قبولی را از خود نشان داده است. به منظور ارزیابی ونشان دادن کارایی سیستم پیشنهادی نیز، آن را با کلاس های هدف مختلف از پایگاه داده caltech-101 مشتمل بر 2802 نمونه تصویر بررسی کردیم.

آشکارسازی خودرو در صحنه های ترافیکی به خصوص تقاطع ها دارای اهمیت فراوانی است. ایجاد سیستم های همکار راننده که در مواقع لزوم به راننده هشدار دهند و یا از بروز تصادف جلوگیری کنند، تشخیص خودروهایی که از چراغ قرمز عبور می کنند و یا از سرعت مجاز تخلف کرده اند، کنترل ترافیک و کاربردهای نظامی و امنیتی از جمله کاربردهای آشکارسازی خودروها است. برای آشکارسازی موفق خودرو، باید سعی شود تا مسائلی مانند تغییر زاویه خودرو، تغییر روشنایی خودرو، حالت های خودرو، پس زمینه تصاویر و پوشیدگی که از جمله عوامل محدودکننده محیطی بر روی کار تشخیص خودرو می باشند و تأثیر بسزایی بر کارایی سیستم می گذارند، مورد بررسی و توجه قرار گیرد تا با ارائه راه حلی مناسب در این زمینه بتوان سیستمی مطمئن و کارا در زمینه شناسایی خودرو عرضه کرد. در این پایان نامه به پیاده سازی یک سیستم جهت استخراج خودروهای حاضر در صحنه های ترافیکی خواهیم پرداخت. سپس عمل ردیابی بر روی تصویر خودرو استخراج شده ی حاضر در صحنه انجام می شود. به طور کلی یک سیستم آشکارسازی خودرو از دو بخش تشکیل شده است: مرحله ی ساخت فرضیه و مرحله ی وارسی فرضیه. در اولین مرحله، مکان های محتمل حضور خودرو به عنوان فرضیه در نظر گرفته می شوند و در مرحله دوم همه ی فرضیه ها وارسی می شوند و به دو دسته خودرو و غیر خودرو دسته بندی می شوند. پس از آشکارسازی خودروها عمل ردیابی بر روی آن ها صورت می گیرد. در بخش آشکارسازی خودرو سه روش را پیاده سازی و با یکدیگر مقایسه کردیم. در نهایت به این نتیجه رسیدیم که، روش ویژگی های hog و کلاس بند adaboost به همراه مدل گاوسی ترکیبی دارای نتایج بهتر و سرعت بیشتری است. در بخش ردیابی نیز دو روش را پیاده سازی کردیم. در نهایت بهتر دیدیم که، ردیابی با ارسال ویژگی مرکز جرم، به فیلتر کالمن صورت پذیرد. نتایج آزمایش ها نشان می دهد که سیستم قادر به شناسایی خودرو در شرایط نوری متفاوت، مقیاس، جهت، پوشیدگی، و رنگ خودروهای مختلف است.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.