17542

17542

رديابي جهت نگاه انسان به كمك مدل هاي گرافيكي احتمالاتي

كارشناسي ارشد

هوش مصنوعي و رباتيك

بهمن 1395

دكتر محمود فتحي - دكتر رضا برنگي

كامپيوتر

تخمين جهت نگاه انسان شامل تشخيص و رديابي چشم، رديابي حركات آن و ارائه مدل محاسباتي براي تخمين جهت نگاه انسان است. تشخيص چشم و تخمين جهت نگاه انسان نقش مهمي در بيان خواسته‌هاي فرد، نيازها ، فرآيندهاي شناختي، حالات احساسي و عاطفي و ارتباطات بين افراد ايفا مي‌كند. ويژگي‌هاي هندسي، نورسنجي و حركتي چشم‌ها سرنخ‌هاي ديداري مهمي براي تشخيص و بازشناسي صورت و درك حالات صورت آن به دست مي‌دهند. هم‌چنين تخمين جهت نگاه كاربردهاي فراواني ازجمله تحليل توجه انسان ، رابط‌هاي كاربري مبتني بر چشم و تشخيص فعاليت انسان دارد. روش‌هاي مختلفي براي مدل‌سازي رديابي چشم و تخمين جهت نگاه به‌عنوان يكي از مهم‌ترين اجزاي صورت در تصاوير در سال‌هاي اخير ارائه و نتايج قابل‌توجهي در كارهاي مختلف مطرح‌شده‌اند. . بدين منظور مدل‌هاي ارائه‌شده در اين زمينه را بررسي كرده، به مقايسه و ارزيابي آن‌ها مي‌پردازيم. در اين پژوهش هم‌چنين معماري جديدي بر اساس شبكه‌هاي عصبي پيچشي عميق و هم‌چنين مدل‌هاي گرافيكي احتمالاتي ارائه شده است. به‌منظور نمايش دقت معماري پيشنهادي، مجموعه دادگان EYEDIAP و MPIIGaze انتخاب و چند آزمايش مختلف ازجمله معماري پيشنهادي بر روي مجموعه دادگان مذكور موردبررسي و مقايسه قرارگرفته‌اند. ميانگين خطاي تخمين جهت نگاه در اين دو مجموعه دادگان براي معماري پيشنهادي به ترتيب 7.5 و 6.4 درجه بوده است.

1396/04/04

1/1/1900 12:00:00 AM

Human Gaze Estimation consists of Eye tracking and providing the computational model for gaze estimation. Human gaze estimation plays a crucial role in expressing a person’s desires, needs, cognitive processes, emotional states, and interpersonal relations. The importance of eye movements to the individual’s perception of and attention to the visual world is implicitly acknowledged, as it is the method through which we gather the information necessary to negotiate our way through and identify the properties of the visual world. Human gaze estimation has many applications in behavior and attention analysis, human-computer interaction, etc. There are been numerous methods for tracking eyes and estimating gaze, but despite active research and significant progress in the last 20 years, gaze estimation remains challenging due to the individuality of eyes, occlusion, variability in scale and head pose rotation, location, and light conditions. In this research, we have investigated recent methods and presented a new architecture, based on convolutional neural networks and probabilistic graphical models. We have used EYEDIAP and MPIIGaze datasets and did multiple experiments. The results shows Mean Error degree of 7.5 and 6.4 for mentioned datasets, respectively.