Pènget: kaca iki minangka terjemahan (mesin) otomatis, yen ana keraguan, waca dokumen asli Inggris. Nyuwun pangapunten amarga kesulitan sing nyebabake iki.
TrackEye
ReviewEE TrackEye
- Jeneng teknologi: TrackEye
- Link: http://www.codeproject.com/Articles/26897/TrackEye-Real-Time-Tracking-Of-Human-Eyes-Using-a
- Rega: gratis
- Popularitas: nyalonake pemenang ing Kompetisi "Artikel paling apik C ++ / MFC Juni Juni".
- Syarat fisik minimalis: Pasien kudu bisa mindhah mripat kanthi bebas.
Katrangan Detail:
Mata minangka fitur sing paling penting ing rai manungsa. Dadi panggunaan efektif ing mripat minangka teknik komunikasi ing antarmuka pangguna-komputer bisa nemokake papan ing macem-macem wilayah aplikasi.
Pelacakan mripat lan informasi sing diwenehake dening mripat nduweni potensial dadi cara sing menarik kanggo komunikasi karo komputer ing sistem interaksi manungsa-komputer (HCI). Dadi kanthi motivasi iki, ngrancang piranti lunak pelacakan fitur nyata-wektu minangka target kanggo proyek iki.
Tujuane proyek kasebut yaiku kanggo nindakake tracker fitur mata nyata kanthi kapabilitas ing ngisor iki:
- RealTime ranging pasuryan kanthi invariance skala lan rotasi
- Nelusuri wilayah mripat kanthi masing-masing
- Nelusuri fitur mripat
- Arah pandeleng mripat
- Ngontrol remot nggunakake obahe mripat
Pandhuan kanggo mbukak lan Nggawe TrackEye
File ExtE TrackEye_Executable.zip. Sadurunge nglakokake TrackEye_636.exe, nyalin file loro ing SampleHUE.jpg lan SampleEye.jpg menyang folder C: \. Loro file kasebut digunakake kanggo algoritma CAMSHIFT lan Cithakan-Matching.
Ora ana langkah liya sing kudu diterusake dening pangguna kanggo mbukak piranti lunak. Ora ana dependensi DLL amarga piranti lunak dibangun nganggo DLL kanthi statis.
Setelan kanggo Rampung kanggo Nindakake Lacak sing Apik
Setelan kanggo Deteksi Wajah & Mripat
Under TrackEye Menu --> Setelan Tracker.
- Sumber Input: video
- Klik ing Pilih file banjur pilih .. \ Avis \ Sample.avi
- Algoritma Deteksi Pasuryan: Algoritma Deteksi Wajah Haar
- Mriksa "Track uga Eyes" CheckBox
- Algoritma Deteksi Mripat: PCA adaptasi
- Centhang centhang "Varian Priksa"
- Jumlah Gambar Database: 8
- Jumlah EigenEyes: 5
- Jarak paling gedhe saka kaca mata: 1200
- Rasio pas lebar cithakan / lebar mripat: 0,3
- Tipe colorSpace sing digunakake sajrone PCA: CV_RGB2GRAY
- Setelan kanggo Deteksi Murid
Centhang "Lacak mripat kanthi rinci" banjur priksa "Ndeteksi uga mripat". Klik "Setel Parameter":
- Ketik "120" minangka "Nilai Threshold"
- Klik "Simpen Setelan" banjur klik "Tutup"
- Setelan kanggo Snake
Mriksa "Nyari wates mripat nggunakake ula aktif". Klik tombol "Setelan kanggo ula":
- Pilih ColorSpace sing digunakake: CV_RGB2GRAY
- Pilih ambang Sederhana banjur ketik 100 minangka "Nilai gedhene"
- Klik "Simpen Setelan" banjur klik "Tutup"
- Latar mburi
- Nganti saiki wis akeh kerja kanggo deteksi mata lan sadurunge proyek kasebut, metode sadurunge ditliti kanthi tliti kanggo nemtokake cara sing ditindakake. Kita bisa ngelasake panaliten sing gegandhengan karo mripat dadi rong kategori utama kaya ing ngisor iki.
Pendhapa Khusus Piranti Dhewe
Jinis pasinaon iki nggunakake peralatan sing perlu sing bakal menehi sinyal babagan sawetara sing cocog karo posisi mripat ing orbit. Macem-macem cara sing saiki digunakake yaiku Electrooculography, Infra-Red Oculography, Scleral coil search. Cara kasebut rampung metu saka proyek kita.
Pendhita adhedhasar Gambar
Pendhaftaran adhedhasar gambar nindakake deteksi mata ing gambar kasebut. Umume cara adhedhasar gambar nyoba ndeteksi mripat nggunakake fitur mripat. Cara sing digunakake saiki yaiku metode pengetahuan, metode basis (warna, kecerunan), padanan template sing gampang, metode penampilan. Cara liya sing menarik yaiku "Cocog template template" sing cocog karo template mata geometris ing gambar mata kanthi minimalake energi saka model geometris.
Pelaksanaan TrackEye
Proyek sing ditindakake yaiku telung komponen:
- Deteksi praupan: Ngasilake deteksi praupan sing invariant
- Deteksi mata: Loro-lorone mripat dideteksi minangka asil saka langkah iki
- Ekstraksi fitur mripat: Fitur saka mata dijupuk ing pungkasan langkah iki
- Deteksi Pasuryan
Loro cara sing beda ditindakake ing proyek kasebut. Dheweke:
- Algoritma Sarana Adaptive Maksimum
- Cara Deteksi Deteksi Wajah Haar
- Algoritma Tegese Adaptive Mean-Shift
- Algoritma Adaptive Mean Shift digunakake kanggo nelusuri wajah manungsa lan adhedhasar teknik non-parametrik sing kuat kanggo kecerunan ketinggian kanggo nemokake mode (puncak) distribusi probabilitas sing diarani algoritma shift tegese. Minangka pasuryan sing dilacak ing urutan video, tegese algoritma shift diowahi kanggo ngatasi masalah distribusi probabilitas warna kanthi dinamis. Diagram blok algoritma diwenehi ing ngisor iki:
Cara Deteksi Deteksi Haar-Face
Algoritma deteksi kapindho didhasarake ing klasifikasi sing makarya karo fitur Haar-Like (yaiku mesin penguat kelas sing nggarap fitur kaya Haar). Kaping pisanan, sampeyan dilatih kanthi sawetara atusan tampilan conto rai. Sawise klasifikasi dilatih, bisa ditrapake ing wilayah sing minat kanggo gambar input. Klasifikasi ngasilake "1" yen wilayah kasebut bakal nuduhake pasuryan lan "0". Kanggo nggoleki obyek kasebut ing kabeh gambar, siji bisa mindhah jendhela telusuran ing gambar kasebut lan mriksa saben lokasi nggunakake klasifikasi. Klasifikasi dirancang supaya bisa "ukuran" kanthi gampang, supaya bisa nemokake obyek sing minat karo macem-macem ukuran, sing luwih efisien tinimbang ngowahi ukuran gambar kasebut.