資訊工程學系

Now showing 1 - 3 of 3

基於循環神經網路之注視區域分析
(2020) 李欣芸; Lee, Hsin-Yun
人類在認知學習的過程中，大部分的訊息是透過眼睛視覺所獲得，並且在視線範圍內若能找到感興趣之區域，會產生一系列的凝視與掃視反應，因此若能掌握眼球運動視覺軌跡，即能分析使用者之行為模式與認知學習歷程，而此模式已廣泛應用於各個領域之中。過去所使用的注視追蹤方法，在蒐集注視數據資料時，通常會將使用者頭部固定，再進行注視模型訓練與分析，藉此提高訓練分類之準確率。然而當使用者頭部偏移時，則會導致注視分類預測之準確率降低，因此本研究探討非固定頭部的分類準確度。本研究使用一般的網路攝影機，為了提升非固定頭部分類之準確度，過往的注視追蹤之研究常以眼睛外觀模型劃分注視區域，本研究則探討訓練模型架構結合卷積神經網路架構與循環神經網路之演算法，透過計算頭部姿勢預估中的俯仰角、偏航角與翻滾角加入模型訓練，使得使用者頭部能在偏移範圍於俯仰角+/-10°與偏航角+/-20°內移動，並且同時參考前一秒時間空間序列上的視線區域，再做注視點預測與分析，提高注視區域分類準確率表現。透過本研究所提出CNN+RNN之訓練模型，在不同注視區域劃分下為2x2準確率達 98%、3x3準確率達 97%、4x4準確率達 90%、5x5準確率達 85%、6x6準確率達 80%、7x7準確率達 74%、8x8準確率達 69%、9x9準確率達 62%，相較於單一採用CNN架構訓練模型分類準確率，CNN+RNN模型架構能有效提升整體注視區域分類準確率 7~15%。
使用單一網路攝影機之視線判斷
(2013) 許雅淳; Ya-Chun Hsu
眼動追蹤一直被應用於認知心理學相關的研究，近年來眼動追蹤更成為人機互動相當熱門的發展重點之一。事實上，眼動追蹤不但能夠被用於輔助行動不便的病患透過電腦與人溝通，也能應用於偵測駕駛精神狀態上，減少駕駛因過度疲勞造成的車禍率，除了可挽救許多人命外，更可降低社會成本。然而，市面上的眼動追蹤系統經常價格不斐且不易取得，因此我們提出一個只要個人電腦及一個網路攝影機就能使用的眼動追蹤方法。我們修改了Adaboost的人臉追蹤方式，以期調高偵測速度並降低偵測錯誤率，也提出一個能夠快速尋找到虹膜中心位置的方法。最後透過支持向量機，判斷視線可能坐落的區塊，再透過我們設計的視線追蹤機制，進行最終視線所在區塊的判斷。
基於二階層式支持向量機之即時注視區域分析
(2014) 陳美琪; Mei Chi, Chen
眼動追蹤過去經常被使用在學術研究方面，近年來由於技術的進步眼動追蹤也被應用在醫療以及交通方面，抑或是應用於駕駛或課堂學生專注度的分析等。然而，過去相關的研究技術許多會利用侵入性的紅外線設備照射眼睛，或是利用較為昂貴的眼動儀輔助，雖然可提高注視點分析辨識率及準確度，但卻忽略了對人體可能的潛在傷害或是無法為大眾輕易取得的缺點。本研究提出一個使用筆記型電腦內建之低解析度的網路攝影機即時偵測眼睛與注視點分析方法，實現以低成本且可輕易取得之設備達到正確偵測眼睛與注視點分析的目的。本研究主要方法分成兩大部分，首先利用Adaboost的人臉及人眼偵測獲得眼睛影像，接著加入光線濾波，利用眼睛區域平均灰階值過濾過強的光線，並且記錄使用者的眼睛特徵資訊（包含眼睛開合高度、上眼瞼斜率以及瞳孔位置）；其次記錄使用者於不同注視區塊的眼睛資訊，透過本論文提出之二階層式支持向量機（2-Layer Support Vector Machine），建構使用者相對於當下環境的注視點模型，藉由比對測試資料及模型資訊以達到注視區塊的決策。注視區塊決策準確度在注視輔助點固定的狀況下平均可達84%，比使用單一層支持向量機之準確度高出9.4%，而在注視輔助點是隨機出現的情況下平均約為80%。

資訊工程學系

News

Browse

Filters

Settings

Sort By

Results per page

Search Results