Distracted Driving Detection in Low-Quality Images Using Deep Learning

هدکشناد یسدنهم و ینف

یشزومآ هورگ ترویپماک و قبر

نایاپ همان ارب ی رد ی تفا هجرد اپ ی نا همان سانشراک ی دشرا

هتشر رتویپماک شیارگ متسیس یرامعم یرتویپماک یاه

رد یگدننار تافلخت صیخشت اب ریواصت

هدافتسا اب بولطمان تیفیک

قیمع یریگدای زا

رگشهوژپ :

یرفعج اضردمحم

امنهار داتسا :

رایشون یدهم رتکد

رواشم داتسا :

یلامج مارهش رتکد

نمهب 1398

داتسا :رواشم نا

یلامج مارهش رتکد

خیرات :عافد

دادعت حفص :تا

83 .ص

نایاپ هرامش :همان

رتویپماک و قرب یسدنهم هورگ /

اپ هرامش ی نا همان

:هدیکچ :فده رامآ هب هجوتاب یلااب

تافداصت یگدننار

یم دوجو هب ترورض نیا ام روشک رد هک دیآ

و لرتنک ،تراظن تهج

یلام و یناج تافلت شهاک

، هنایار هنیمز رد نیون یمتیروگلا و متسیس اه

یگدننار تافلخت عاونا ییاسانش تهج زا

.دوش یفرعم ....و یگدننار ماگنه رد ندیماشآ و ندروخ ،هارمه نفلت اب تبحص هلمج فده

میناوتب هک تسا نیا ام

هتسد و ییاسانش ار یگدننار تافلخت .مینک یدنب

لاد زا ی ل ا ماجنا ی ن شهوژپ

، اراک مدع یی

شور اه ی سلاک ی ک رد

خشت ی ص گدننار تافلخت ی

ازفا هب هجوتاب ی

ش هداد مجح اه

یکی ، لیلاد نآ زا م

ی دشاب . یم هزورما شور زا ناوت

یاه

یانیب و یعونصم شوه هنیمز رد رضاح هتسد و صیخشت یارب ،نیشام ی

.درب هرهب یگدننار تافلخت یدنب هب هجوت اب

ایشا صیخشت رد نآ یلااب تقد دوجو و قیمع یریگدای روهظ دوجوم ی

هتسد و ریوصت رد نآ یدنب

شهوژپ رد ام ،اه

.میدرب هرهب شور نیا زا دوخ شور سانش ی :شهوژپ شور یسررب هب ادتبا شهوژپ نیا رد ام

یاه کیسلاک هنیمز رد

یگدننار تافلخت صیخشت

هتخادرپ سپس ، نیشام یریگدای قیمع یریگدای ،

هعومجم ریز و یم یسررب ار نآ یاه

مینک ، شور دوجوم یاهرازبا و اه

هکبش و قیمع یریگدای هنیمز رد یم یسررب ار یشچیپ یبصع یاه

.مینک زا یکی ،قیمع یریگدای رد متیروگلا

اه رد

و صیخشت هنیمز د

هتس یدنب یشچیپ یبصع هکبش ،ریواصت یرامعم و

هکبش نیا رد دوجوم یاه یم

دشاب .

ی هتفا اه : ام ی ک رامعم ی دج ی د دوبهب هک ی

هتفا رامعم ی

VGGNet

م ی دشاب فرعم ار ی م ی نک ی م هک رتماراپ دادعت نآ یاه

یرامعم هب تبسن

VGGNet

یم رتمک و دشاب

خشت رب هولاع ی

ص واصت ی ر ون نودب ی

،ز بوخ درکلمع ی

ن ی ز خشت رد ی ص

واصت ی ر دش ی

ًاد ون ی ز ی رد 10 (سلاک 10 گدننار تلاح عون ی

دراد ) .

تن ی هج گ ی ر ی رتماراپ دادعت لک رد: ام یداهنشیپ یرامعم یاه

یلصا یرامعم هب تبسن

VGGNet-19

% هب کیدزن 72

یم شهاک دبای

یم هکبش یور رب یشزادرپ و یتابساحم راب شهاک ببس رما نیا هک .دوش

نینچمه شیامزآ ماجنا زا سپ

% تقد تسناوت ام یداهنشیپ یرامعم 22

/ 99

% تقد و زیون نودب ریواصت صیخشت رد ار 12

/ 99 ریواصت صیخشت رد ار

ییاسانش رادزیون هتسد و

یدنب .دنک

هژاو یاه :یدیلک ،یعونصم شوه قیمع یریگدای

هکبش ، یرامعم ،یشچیپ یبصع VGGNet

همدقم فده و

همدقم ار رضاح نرق رد ی

هنا اه سب شقن ی را مهم ی گدنز رد ار ی

رشب ی ا ی اف م ی دننک روط هب . ی د هک ی رگ گدنز ی لباق اهنآ نودب

وصت ی ر ن ی تس م تأرج هب . ی

ناوت مامت هکتفگ ی

روانف ی اه ار اب ار دوخ طابترا ی

هنا اه هدرک ظفح دنا

و ید رگ نودب اهنآ دشر

ای ن ندش رازبا ی ن ی تس سب . ی را ی اهراک زا ی ور هرمز ناسنا اه هب یار هنا ا هکارچ هدش هدرپس اه ی

ن تعرس رب هولاع اه هاگتسد

شخب ی ند م ،اهراک هب ی

ب دنناوت ی ش ناسنا ناوت و تردق زا ی

دننک لمع پ اب رضاح نرق رد .

ی تفرش ژولونکت و ملع ی

فده

لک ی ا رب ی ن ار هک تسا ی

هنا تح و اه ناسنا دننامه اه ی

دننامه .دننک لمع اهنآ زا رتارف ناسنا

مصت ،دنک رکف ،دنزب فرح ی

م

گب ی

،در خشت ار اهراتفر و ماسجا عاونا ی

ص ... و دهدب یعونصم شوه .

یشناد رد یم هنایار مولع یم بجوم هک دشاب

دوش

هنایار .دهد ناشن دوخ زا یریگدای و هبساحم ،للادتسا ،رکفت هلمج زا ناسنا درکلمع هباشم یدرکلمع اه

هلئسم نایب فدهو

رد دزن هنلااس ام روشک ی

ک هب 122000 م خر فداصت

ی دهد دزن و ی ک هب 16000 م تسد زا ار دوخ ناج رفن ی

دنهد .[1]

ای ن رقت رامآ ی اب 2 ب ربارب ی رتش اهروشک رد تافداصت زا ی

اپورا یی م ی دشاب رت مهم زا .[2]

ی ن لماع ،تافداصت رد لماوع

ناسنا ی ماشآو ندروخ ،دنبرمک نتسبن(

ی ند ار ماگنه رد گدنن

ی

، شقن )...و هارمه نفلت اب تبحص 90

- 70 رد ار یدصرد

تخا ی را دراد ا لاح هدش ملاعا دراوم هب هجوت اب .[3]

ی ن پ لاوس ی ش م ی یآ د آ هک یا ا ی ن فلتخم مولع زا هک دراد دوجو ناکما

ار هزوح رد ی

هنا ارب ی اسانش یی گدننار تافلخت ی

گدننار تافداصت شهاک رد و ی

؟درب هرهب

هداد مجح شیازفا و ایند رد یروانف نوزفا زور دشر اب نینچمه ،اه

،دوب تبثم لااب لاوس هب ام خساپ رگا ترورض نیا

یم دوجو هب شور هک دیآ

دوش یفرعم یگدننار تافلخت صیخشت هنیمز رد یدیدج یاه تافلخت عاونا ییاسانش ناوت ات

زا

ایو )بولطمان تیفیک اب یتح(ریواصت یور ار ویدیو

یب تروص هب یترابع هب و نامز نیرتمک رد

1گنرد هتشاد دشاب . فده

ک یفرعم ،ام یل کی

یرامعم قیمع یریگدای هزوح رد هتفای دوبهب قیمع تقد ، رتمک یاهرتماراپ دادعت رب هولاع هک تسا

اب ریواصت رد هچ و بولطم تیفیک اب ریواصت رد هچ یگدننار تافلخت صیخشت رد زین ییلااب )رادزیون( بولطم ان تفیک

،

.دشاب هتشاد

1Real time

یعونصم شوه عونصم شوه ی

ی ا شام شوه ی

ن

2ی شوه هب ی هک ی ک شام ی ن ارش رد ی ط م ناشن دوخ زا فلتخم ی

،دهد م هتفگ ی دوش .

د ترابع هب ی

رگ عونصم شوه ی

م ی دناوت شنکاو اه یی هباشم درکلمع ناسنا دنمشوه ی

ارش کرد هلمج زا ی

ط پ ی چ ی

،هد

بش ی ه زاس ی ارف ی اهدن ی رکفت ی ش و ی هو اه ی للادتسا ی ناسنا ی ،اهنآ هب قفوم خساپ و ی

گدا ی ر ی اناوت و یی و شناد بسک

ارب للادتسا ی

اسم لح ی ل دنشاب هتشاد ار .[4]

بی رتش هلاقم اه و تاقیقحت عونصم شوه هب طوبرم

ی

، [5]

ناونع هب ار نآ

حارط و تخانش شناد(

ی لماع اه ی رعت )دنمشوه ی

ف هدرک دنا

[6]

.[7]

یارب رگید فیصوت کی تسا نیا یعونصم شوه

هک :

« عونصم شوه ی

ا هعلاطم زا تسا ترابع ی

ن پماک هنوگچ هک ی

اهرتو م ار ی ناوت اهراک هب راداو یی

رضاح لاح رد هک درک

ناسنا نآ اه حص ار اه ی

ح ی ا م ماجنا رتهب ی

دنهد

» . ی ک س ،دنمشوه لماع ی

متس ی حم تخانش اب هک تسا ی

ط ،دوخ فارطا

قفوم سناش ی

ت م لااب ار دوخ ی

درب .

دنمشوه ی موهفم ی بسن ی تسا من و ی ناوت حص هدودحم ی

ح ی ارب ار ی رعت هئارا ی ف راتفر .دومن صخشم نآ زا ی

زا هک

رظن ی ک دنمشوه درف یم روصت

دوش

؛ ارب تسا نکمم ی

ی ک د درف ی رگ ا ی ن هنوگ دشابن صوصخ عومجم رد اما . ی

تا ز ی ر

لباق ی ت اه ی رورض ی ارب ی دنمشوه ی :تسا

1 اب هجاوم رد - عقوم

ی ت اه ی رعت لبق زا ی

ف هدشن دناوتب سب فاطعنا اب ی

را شناد کناب ساسا رب و لااب خساپ

دهد .

2 پ هب - ی ما اه ی تسردان یا مهبم انعم .دهد

3 امت - ی اهز تهابش و اه

ار کرد .دنک

4 تاعلاطا - ار

زجت ی ه لحت و ی ل و هدرک تن ی هج گ ی ر ی .دنک

5 رد - و نتخومآ ی

گدا یری دنمناوت .دشاب

6 دناوتب - طابترا هفرط ود .دنک رارقرب

ضرف هک مینک راعت

ی ف لااب یارب دنمشوه ی دشاب لوبق دروم

، ز دراوم ی ر تسرهف ی اظو زا تسا ی

ف ی زا هک ی ک س ی متس

م راظتنا دنمشوه ی

دور رقت و ی ًاب عونصم شوه نادنمشناد رثکا ی

ز حرش هب دنراد رظن قفاوت نآ رب ی

ر :تسا

1 لوت - ی د راتفگ

2 خشت - ی ص بط نابز شزادرپ( راتفگ کرد و ی

ع ی )ناسنا

3 ذپروتسد - ی

ر ی لباق و ی ت ف لامعا ماجنا ی

ز ی ک ی حم رد ی ط بط ی ع ی زاجم و ی

4 للادتسا و جاتنتسا -

5 خشت - ی ص سانشزاب و وگلا ی

ارب وگلا ی وگ خساپ یی لبق شناد ساسا رب لئاسم هب ی

6 امش - یل ی فارگ ی ک ی ی ا ف ی ز ی ک ی سکع و تاساسحا زاربا تهج لمعلا

اه ی رظ ی ف

7 سکع تعرس - لااب لمعلا

2Artificial Intelligence

شوه هچخیرات یعونصم

رد ی ک شزومآ هاگراک ی

رد عقاو لاس رد تومتراد جلاک 1956

مز رد شهوژپ ی

هن عونصم شوه ی

دش زاغآ

[8][7]

.

ن نلآ ناگدننک تکرش ی

لو گنراک هاگشناد(

ی س تربره ،)نولم ی

نوم گنراک هاگشناد(

ی کم ناج ،)نولم تراک

ی هسسؤم(

روانف ی ورام ،)تسوچاسام ی

ن کسنم ی روانف هسسؤم(

ی آ و )تسوچاسام روتر

نب زا لئوماس ی

نا ناراذگ رد شهوژپ ناربهر و

مز ی هن عونصم شوه ی

دندش وجشناد هارمه هب اهنآ .[7]

ی ناشنا همانرب اه یی ار نآ تاعوبطم هک دنتشون

« تفگش روآ » صوت ی ف

م ی

،دندرک ار ی هنا اه ژتارتسا ی اه ی زاب ِدرب ی رکچ مارف ار ز ی دنتفرگ ، تلااوس هنیمز رد ربج

ار م لح ی ،دندرک تابثا هب

ضق ی ه اه ی قطنم ی یم دنتخادرپ لگنا و

ی س ی م تبحص ی

ک دندر .[7]

نامتراپد رمآ عافد

ی اک ههد طساوا رد 1960

م ی دلا ی

امرس ی ه راذگ ی گنس ی ن ی مز رد شهوژپ هزوح رد ی

هن عونصم شوه ی

دندرک

، [9]

نینچمه امزآ

ی هاگش اه ی یرایسب نآ رد

رد ههد روشک زا یرایسب اه

سأت ی س نب .دش ی ناراذگنا عونصم شوه

ی آ دروم رد ی

هدن بشوخ ی ن س تربره :دندوب ی

نوم

پ ی ش بی ن ی درک هک

« ره راک ی هک ی ک م ناسنا ی دناوت دهد ماجنا هدنیآ لاس تسیب رد

شام ی ن اه زین یم نا دنناوت ج ما

دنهد .»

ورام ی ن م ی کسن ی

، :تشون

« هلئسم شوه یعونصم رد

رد لک ط ی ی ک دش دهاوخ لح لسن

» .[9]

لاس رد 1965 م ی دلا ی مان نیا د دج شنا ی د ار عونصم شوه ی

دنتشاذگ لاعف هتبلا . ی

ت ا رد ی ن مز ی هن لاس زا 1960

م ی دلا ی .دش عورش شام ماجنا

ی ن ی زاب ی اه ن و ی ز ضق تابثا ی

ه اه ی ر ی ضا ی زا هدافتسا اب ار

ی هنا اه یاهراک هلمج زا شهوژپ

ی

لوا ی ه رد هنیمز عونصم شوه ی

زاغآ رد .دوب نچ

ی ن یم روصت دش

ار هک ی هنا اه نچ دوب دنهاوخ رداق ی

ن لاعف ی ت اه یی اب اهنت ار

سب دادعت زا نتفرگ هرهب ی

را ز ی دا ی سم ی ر ارب ی هلئسم لح ار

وجتسج هدرک

رتهب سپس و ی

ن شور ار ارب ی نآ لح هب اه

اختنا دننک ب .

لاس دودح رد یاه

1974 یدلایم بن

ی نا ناراذگ ا ی ن ملع رد تسد و هعسوت و دشر ی

با ی بت فادها هب یی

ن هدش اب

تسکش هب هک یروط هب تفای شهاک جیردت هب یعونصم شوه یور رب یراذگ هیامرس نآ هجیتن رد هک دندش وربور ییاه

هعسوت چیه لاس نیا زا .تفرگن تروص لاس دنچ تدم هب هصرع نیا رد یا

ناونع هب اه «

یعونصم شوه ناتسمز »

دای

یم .دننک لاس لیاوا رد 1980

شهوژپ ، یاه

یعونصم شوه ز رد

متسیس هنیم هربخ یاه

تیقفوم3

ثعاب هک درک بسک ار ییاه

.دش هزوح نیا هرابود نتفرگ ناج س

ی متس اه ی هربخ تراهم و شناد اه

ی لحت ی ل ی ار ناسنا رد دوجوم هب

همانرب لکش

بش ی ه زاس ی م ی دننک . لاس رد 1985 عونصم شوه ، ی

مهس ی ک م ی ل ی درا رلاد زا ار ی هب رازاب داد صاصتخا دوخ .

نامه رد

ار ،نارود ی

هنا اه ی نپاژ رد مجنپ لسن نینچمه و دش یفرعم

تلود اه ی رمآ ی اک د راب ناتسلگنا و ی

رگ شهوژپ رد اه

ی

هاگشناد ی عونصم شوه هزوح ی

امرس ی ه راذگ ی دنتفرگ رس زا ار .

هرابود اما شاپورف اب

ی شام ی ن لاس رد Lisp

1987 راب ،

د ی رگ ا ی ن ملع رخت راچد ی

ب دیدش تفلاخم و .دش

لاس رخاوا رد 1990

م ی دلا ی اوا و ی ل نرق 21 عونصم شوه ، ی

رد آ ام ی ش

، هداد واک ی

، خشت ی ص تا کشزپ ی د و ی رگ

مز ی هن اه هرهب دروم رادرب

ی ط .تفرگ رارق ی

ا ی ن لاس قلات ،اه ی اه ی دج ی د ی ب ی ن یعونصم شوه د و

ی رگ ،رامآ دننام( مولع

3Expert system

ر ی ضا ی تا )داصتقا و ازفا اب

ی ش تابساحم تردق ی

ار ی هنا اه کات و ی د عونصم شوه زا هدافتسا اب صاخ لئاسم لح رب ی

، هب

نارگشهوژپ و دمآ دوجو اب یددعتم یاه تیقفوم

شور زا هدافتسا اه

ی ر ی ضا ی تا ی اهدرادناتسا و ی

ملع ی ا رد ی ن مز ی هن

بسک ندرک .د

رد اتسار ی قفوم ی ت اه ی ارب هدمآ تسد هب ی

عونصم شوه ی

، م ی ناوت د هب ی پ ( ولب

Deep Blue

لوا ،) ی ن ار ی هنا اراد ی

زاب تراهم ی

،ناهج جنرطش نامرهق تسناوت هک درک هراشا جنرطش

« رگ ی فوراپساک »

تن اب ار ی هج 3،5 هب 2،5 ط ی 6

رد هقباسم 11

م ی 1997 لاس رد .دهد تسکش 2011

ن ی ز ط ی کی قباسم ه ولت ی ز ی نو ی س ، ی متس خساپ و شسرپ ابIBM

مان

« نوستاو » تسناوت تما فلاتخا اب ی

زا ب رب لاا نامرهق ود مان هب هقباسم نیا

یاه ر درب و رت ج نج و ی گن ی ز و هدش بلاغ

نآ نداد تسکش هب قفوم دوش اه

.

یریگ هجیتن هب لصف نیا رد ام شهوژپ نیا ماجنا زا فده و هلئسم نایب

میتخادرپ شیادیپ هچخیرات و یعونصم شوه نینچمه ،

نآ ار .میدرک نایب لاس رد یعونصم شوه

فلتخم یاه بیشن و زارف اب

هدوب هارمه ییاه تسا

و تیمها اما ، یگدرتسگ

ییاراک هنیمز رد ملع نیا یاه ،فلتخم یاه

.تسا هدش نآ نوزفا زور دشر و یراگدنام ثعاب هب هجوت اب

درکلمع شوه

شور نینچمه و یعونصم قیمع یریگدای یاه

یم راظتنا لع نیا زا ناوتب هک دور

و یگدننار تافلخت صیخشت تهج م هرهب

.درب

و ینابم قیقحت هنیشیپ

همدقم نیا رد لصف ام شور زا هدافتسا اب یگدننار تافلخت صیخشت هنیمز رد قباس تاقیقحت یسررب هب ادتبا فلتخم یاه

یم رپ د میزا ، یرامعم عاونا زا هک یتلااقم یسررب هب سپس یم تسا هدش هدافتسا یشجیپ یبصع هکبش یاه

.میزادرپ

گناژ و ناراکمه

] 10

لدم زا [

م ی ناد فداصت ی طرش ی ناهنپ تلااح اب هارمه نفلت اب تبحص فلخت ییاسانش یارب 4

هدافتسا ناگدننار طسوت دندرک

. لدم نیا لدم هلمج زا

یاه کفت ی ک هدننک لا زا هک تسا ی

ه فخم ی نزو و هدرک هدافتسا یاه

کرتشم ی ارب ی رف زا مادکره ی

م اه ی دا م ی یگ در . نآ ییاسانش هب ادتبا ،هدننار طسوت هارمه نفلت اب تبحص ییاسانش یارب یاه

تسد ییاسانش سپس و ناهد و تروص یم هدننار یاه

تحبص ییاسانش هب هدش دای لدم زا هدافتسا اب تیاهن رد و دنزادرپ

م هارمه نفلت اب ی

.دنزادرپ

ساسا رب هدننار طسوت هارمه نفلت زا هدافتسا صیخشت متسیس درکلمع هوحن HCRF

[10]

یم ییویدیو ریوصت کی متسیس نیا یدورو هدمآ لااب لکش رد هک روطنامه زین ییویدیو ریواصت زا نینچمه ،دشاب

هدرب هرهب متسیس شزومآ یارب .دنا

نآ متیروگلا زا اه

Adaboost Classifiers

نیا ،دندرک هدافتسا تروص ییاسانش یارب

نشیکیلپا رد متیروگلا نشیکیلپا هلمج زا یفلتخم یاه

ایو یتینما یاه ار و ناسنا شنکردنا

ی هنا .تسا هدش هدافتسا تکرح

4Hidden Conditional Random Fields (HCRF)

و اهبل ی گژ ی مهم ی م ناشن هک تسا ی

رط زا تبحص لاح رد هدننار دهد ی

ق خرب .تسا نفلت ی

اهراتفر زا ی

د ی رگ دننام

شارخ ی ند س نچمه هک ،ر ی

ن اب ی د من رد تکرح هب اه بل نوچ ، دربب لااب ار تسد ی

آ ی دن ا زا ، ی ن رد .دنتسه انثتسم رما

ای ن قیقحت زا ی ک روگلا ی مت خشت ی ص هدافتسا اه گنر ساسا رب بل تسا هدش

. بل یزمرق هک ساسا نیا رب تمسق زا اه

یاه

م تحار هیحان نیا صیخشت بیترت نیدب ،تسا رتشیب تروص رگید ی

.دوش

ناهد صیخشت زا ریوصت هنومن [10]

خشت زا دعب ی

ص حان ، هرهچ ی

ه اهنت تسد یاراد

کی گنر کی(

تسوپ ) .تسا تسد صیخشت یارب متیروگلا نامه زا اه

یم هدافتسا .دوش

تسد صیخشت زا ریوصت هنومن [10]

افتسا هارمه نفلت زا هدننار هک یتقو یم هد

یم کیدزن تروص هب تسد ،دنک هک تشاد هجوت هتکن نیا هب دیاب اما ،دوش

راچد ار هارمه نفلت اب تبحص صیخشت رما نیا هک دنک هدافتسا رس ندناراخ یارب دوخ تسد زا هدننار تسا نکمم یم لکشم یم هرهب زین ناهد تکرح صیخشت زا لکشم نیا عفر یارب ،دنک

بحص ماگنه رد هکارچ ،دنرب هارمه نفلت اب ت

یم هتسب و زاب هدننار ناهد % تقد هب دنتسناوت اهنآ متسیس نداد شزومآ زا سپ .دوش

2 / 91 نفلت زا هدافتسا صیخشت رد

.دنتفای تسد هارمه

و رملو ناراکمه

] 11

زا هدافتسا اب[

شور نلاوط هظفاح ی

تدم هاتوک عون تشه ییاسانش هب5

یبایدر اب یگدننار فلخت

یم هداج رد یعقاو یگدننار لوط رد ناگدننار تاکرح .دزادرپ

قیقحت نیا رد 8

زورب و هدننار یترپ ساوح ثعاب هک ار راک

یم هثداح نیا .دنداد رارق ییاسانش و یسررب دروم ار دوش

8 : زا تسا ترابع تیلاعف ای راک

1 . :نیشام یویدار زا هدافتسا میظنت لثم

.نیشام طبظ یادص یدنلب

2 . یس شخپ هاگتسد زا هدافتسا راک نیا هلمج زا:ید

یم اه .درک هراشا گنهآ یوجتسج هب دوش

3 . :نیشام نفلت هچرتفد زا هدافتسا هدش هیبعت متسیس قیرط زا سامت یرارقرب یارب دارفا مان یوجتسج لثم

ساوح ثعاب رما نیا هک نیشام رد یم هدننار تدم ینلاوط یترپ

.دوش

4 . :یبای تهج بای هشقن رد وجتسج ترپ ار دوخ ساوح رظن دروم دصقم نتفای یارب هدننار هک تروص نیا هب

.دیامن نیشام 5 . هرامش :یریگ .دنک دراو ار رظن دروم هرامش یتسد تروص هب ،سامت یرارقرب یارب هدننار

6 . :یربوان .دنک باختنا تکرح ریسم عورش یارب ار رهش کی هدننار

7 . یولت زا هدافتسا :نیشام نویز

تیلاعف هیلک هدهاشم یارب هدننار هک ییاه

ولت ی ز ی نو یم ماجنا میظنت لثم ،دهد

لاناک رییغت ای ریوصت شیامن تلاح ولت

ی ز ی نو .

8 . یربوان یادص میظنت :

نیشام رد یربوان یتوص رایتسد یادص نازیم میظنت

5Long Short-Term Memory (LSTM)

ساوح صیخشت متسیس زا هدافتسا اب هدننار یترپ

LSTM [11]

یم یرادربریوصت لباقم هداج زا هک ینیبرود ،تسا هدمآ لااب لکش رد هک روطنامه ییویدیو لانگیس و دنک

𝑣₁(𝑡^′) ار

یم مهارف یبناج فارحنا و هدش شزادرپ ار طخ زا جورخ رادشه متسیس طسوت هک دنک

𝑠_𝐿𝐷(𝑡^′) هیواز و

𝑠_𝐻𝐴(𝑡^′)

یم هبساحم ییویدیو لانگیس زین مود نیبرود .دوش

𝑣₂(𝑡^′) یم مهارف ار شخرچ نازیم ،رس یبایدر متسیس طسوت هک دنک

𝑠_𝐻𝑅(𝑡̇^′) رس هبساحم ار

یم نامرف هیواز نینچمه .دوش 𝑠_𝑆𝐴(𝑡^′)

زاگ هچیرد تیعقوم رگسح ، 𝑠_𝑇𝑃(𝑡^′)

تعرس و 𝑠_𝑆𝑃(𝑡^′)

اب هارمه هدش هیبعت روسنس طسوت 𝑠_𝐿𝐷(𝑡^′)

𝑠_𝐻𝐴(𝑡^′) و هب

CAN-Bus

یم لاسرا ا یجورخ سناکرف .دنوش

نی 6 لانگیس

نیب 10 ات 100 یم زتره کی سناکرف هکنیا یارب .دشاب

تخاون 100 یطخ تروص هب اه هداد یلاوت دوش لصاح زتره

نورد

6یبای یم لامرن زا سپ.دوش لانگیس یزاس

تمسق رد اه

normalization

هب یدورو ناونع هب یم دراوLSTM

.دوش

هکبش اه هرگ هک هزادنا نامه هبLSTM

یی اهرادرب رد ی

(f) xn

و (t) sn

اه هرگ ، دراد دوجو ی

دورو ی .دراد هرگ دادعت

اه ی جورخ ی اه سلاک دادعت اب هکبش ی

پ راک رد ازجم ی

ش ب ی ن ی دراد تقباطم .

متسیس

LSTM

ی رامعم ک ی

بصع هکبش ی

تشگزاب ی ( ی ک بصع هکبش ی

عونصم ی لاس رد هک تسا ) 1997

م ی دلا ی ارخوه پس طسوت ی

رت و ی نگرو مشا ی د ربوه هئارا

دش دعب و[12]

اه لاس رد 2000 م ی دلا ی ف طسوت ی ل ی سک و سرژ شناراکمه .دش هداد دوبهب

هظفاح کولب زا لکشتمLSTM

ی ک ولس :هظفاح ل هزاورد

دورو ی ، هزاورد جورخ ی و یشومارف هزاورد [11]

متسیس یارب ،لااب لکش هب هجوتاب :تسا مکاح ریز طباورLSTM

𝑓_𝑡 = 𝜎_𝑔(𝑤_𝑓× 𝑥_𝑡+ 𝑈_𝑓× ℎ_𝑡−1+ 𝑉_𝑓 ∘ 𝑐_𝑡−1+ 𝑏_𝑓)1- (

6Intrapolated

2 )

𝑖_𝑡 = 𝜎_𝑔(𝑤_𝑖× 𝑥_𝑡+ 𝑈_𝑖× ℎ_𝑡−1+ 𝑉_𝑖 ∘ 𝑐_𝑡−1+ 𝑏_𝑖) ) 2-2 (

𝑜_𝑡 = 𝜎_𝑔(𝑤_𝑜× 𝑥_𝑡+ 𝑈_𝑜× ℎ_𝑡−1+ 𝑉_𝑜 ∘ 𝑐_𝑡−1+ 𝑏_𝑜) )3-2(

𝑐_𝑡 = 𝑓_𝑡∘ 𝑐_𝑡−1+ 𝑖_𝑡 ∘ 𝜎_𝑐 (𝑤_𝑐× 𝑥_𝑡+ 𝑈_𝑐× ℎ_𝑡−1+ 𝑏_𝑐) )4-2(

ℎ𝑡 = 𝑜𝑡∘ 𝜎𝑐 (𝑐𝑡) )5-2(

هطبار نیا رد و دیومگیس عبات 𝜎

𝑜، ^𝑓 ،^𝑖 و

رادرب بیترت هب 𝑐 هزاورد ،یشومارف هزاورد ،یدورو هزاورد هب طوبرم یاه

یم هظفاح لولس و یجورخ نآ همه زادنا .دشاب

یفخم تلاح رادرب هزادنا اب و هدوب ناسکی اه یم رباربℎ

ماجنا زا سپ .دشاب

.تسا هدمآ ریز لودج رد شیامزآ نیا زا لصاح جیاتن شیامزآ

لودج 2 - 1 - زا لصاح جیاتن هقبط و ییاسانش

هکبش زا هدافتسا اب یگدننار تافلخت یدنب LSTM-RNN یاه

RNN ، SVM و [11]

LSTM-RNN

features classes accuracy recall precision F1

low-level sig. 2 91/^{6 % 89}/^{7 % 90}/^{8 % 90}/^{1 %}

low-level sig. 3 54/^{4 % 62}/^{1 % 63}/^{0 % 62}/^{0 %}

low-level sig. 6 43/^{3 % 39}/^{0 % 38}/^{7 % 38}/^{1 %}

functionals 2 96/^{6 % 95}/^{0 % 97}/^{2 % 96}/^{0 %}

functionals 3 60/^{4 % 70}/^{2 % 70}/^{1 % 70}/^{1 %}

functionals 6 45/^{4 % 42}/^{6 % 41}/^{0 % 40}/^{7 %}

RNN

features classes accuracy recall precision F1

low-level sig. 2 74/6 % 60/0 % 68/3 % 63/2 %

low-level sig. 3 42/1 % 46/6 % 46/4 % 45/6 %

low-level sig. 6 37/8 % 30/9 % 30/6 % 29/5 %

functionals 2 94/9 % 92/9 % 95/0 % 93/8 %

functionals 3 62/5 % 67/9 % 65/7 % 66/5 %

functionals 6 44/7 % 41/4 % 36/4 % 38/0 %

SVM

functionals 2 91/8 % 88/0 % 90/6 % 89/1 %

functionals 3 61/6 % 65/8 % 64/6 % 64/9 %

functionals 6 43/5 % 39/2 % 35/2 % 36/7 %

هقبط و صیخشت زا لصاح ،لااب جیاتن ره رد یگدننار تافلخت یدنب

10 یلیم یم هیناث

،لااب لودج رد .دشاب یکینومراهF1

زا

7 تقد زاب و ی با

8ی یم .دشاب اه هداد زا هدافتسا ماگنه ی

اپ حطس یی ن اه هکبش ، LSTM ی

طسوتم روط هب 1

لداعم F

1%

/ 90 ار م تسد هب ی

زا حوضو هب و دنروآ اهRNN

ی ( درادناتسا %

2 / 63 ) یپ ش ی م ی گ ی دنر . لد ی ل لصا ی ا ی ن ناوتان رما ی

اهRNN ی زاس لدم رد درادناتسا ی

گتسباو ی اه ی نلاوط ی هبون هب هک تسا تدم دوخ

رد س زا هدافتسا ماگنه ی

لانگ حطس

اپ یی ن اپ ناونع هب ی

ه ا ی ارب ی دنب هقبط ،ی

لماع ی رورض ی .تسا درکلمع زا هدافتسا ماگنه هب یرامآ یاه

،9

1 یارب لصاحF

هکبش اب رباربLSTM

% 96 یم رادناتسا شور تبسن هب مه زاب هک دشاب وRNN

.دراد یرتربSVM یم رخآرد

هجیتن ناوت

هکبش هک تفرگ شور تبسن یرتهب درکلمعLSTM

.دراد دوخ قباس یاه

سروت و ناراکمه هقبط و ییاسانش هب[13]

یدنب جنپ یم هارمه نفلت نیبرود زا هدافتسا اب یگدننار فلخت عون .دزادرپ

نآ اه هزوح رد دیدج یرامعم کی Convolutional Neural Network(CNN)

یم یفرعم نک

ن د . 1 - حیحص یگدننار

2 - تسار تسد اب نداتسرف کمایپ 3

- تسار تسد اب لیابوم اب تبحص 4

- پچ تسد اب نداتسرف کمایپ

قیقحت رد هدش هدافتسا ریواصت هنومن [13]

نآ یداهنشیپ یرامعم شچیپ هیلا هس لماش اه

3×3 و زاسوسکی هیلا هس اب هارمه ،دراد هیلا هس

یعمجت هنشیب

یم نآ یفرعم هب لصفم تروص هب دعب یاه لصف رد هک دشاب درپ میهاوخ اه

هیلا یلک راتخاس ریز لکش ،تخا درکلمع و اه

یم شیامن ار یرامعم نیا .دهد

7Precision

8Recall

9Functionals

قیقحت رد یداهنشیپ یرامعم یلک راتخاس [13]

ا هب لصاح جیاتن شیامزآ ماجنا زا سپ ( تقد دوب تروص نی

recision

% ربارب )p

99 ( یبایزاب و

ecall

% اب ربارب )r

5 / 99 و

( تقد

accuracy

% اب ربارب ) 68

/ 99 .دش

نچ ناراکمه و ]

14 ی[ ک روگلا ی مت اسانش یی ا دنبرمک ی نم ی نتبم ی رب یشچیپ یبصع هکبش و

شام ی ن تشپ رادرب ی

ناب

10ی

فرعم ی م ی .دننک نآ یم یفرعم ار یمتسیس قیقحت نیا رد اه یم دای سایقم دنچ شور ناونع هب نآ زا و دننک

.دننک

متسیس نآ قیرط زا ادتبا اه نیشام CNN

هداج رد دوجوم یاه یم ییاسانش ار اه

نیشام ییولج هشیش سپس ،دنک

یم ییاسانش یم ییاسانش ار هدننار ینمیا دنبرمک تیاهن رد و دوش

تیاهن رد .دنک طسوت

هتسد SVM یم یدنب .دوش

متسیس نیا درکلمع هوحن ریز لکش یم ناشن ار

.دهد انبم ی راک ی هتسد دنب ی هدننک هتسد SVM

دنب ی طخ ی هداد اه

سقت رد و تسا ی

م طخ ی هداد اه طخ ی باختنا یم دوش شاح هک ی ه مطا ی نان ب ی رتش ی .دشاب هتشاد

10Support Vector Machine(SVM)

زا هدافتسا اب هدننار طسوت ینمیا دنبرمک نتسب مدع ای نتسب صیخشت متسیس وCNN

SVM [14]

متسیس قیقحت نیا رد هک تسا هدش حرطم یسایقم دنچ صیخشت

ازف روط هب ی

هدن ا ی ارب ی زجت و شزادرپ ی

ه لحت و ی ل

وصت ی ر زجت .تسا هدش هدافتسا ی

ه لحت و ی ل ی ک ش ی قم رد ی سا اه ی وصت فلتخم ی

ر انعم تاعلاطا زا ام کرد یی

ار نآ

ازفا ی ش م ی .دهد یگژیو متسیس نیا قیرط زا سایقم رد ریوصت کی یاه

یم ییاسانش فلتخم یاه شنیچ ریز لکش ،دوش

هیلا یم ناشن متسیس نیا یاه .دهد

دنچ شور زا هدافتسا اب یگژیو جارختسا لدم رد شخب هس ،یسایقم

لماش نآ شخب ره .تسا هدش هیبعتCNN 5

هیلا هس و شچیپ هیلا یم لصتم لاماک ی

.دشاب یم ییاسانش ار نیشام لوا شخب CNN

و دنک هشیش مود شخبCNN

ییولج تیاهن رد و نیشام یم ییاسانش ار هدننار دنبرمک رخآ شخبCNN

هتسد یارب .دنک زا مه شخب ره ییاهن یدنب

.دنرب یم هرهبSVM

هرهب اب یسایقم دنچ صیخشت متسیس زا یریگ

CNN [14]

نآ خرن صخاشود اه تقد

( صیخشت ( هدشن هداد صیخشت خرن و )CIR

و هیلقن هلیسو صیخشت یبایزرا یارب )MIR

یم فیرعت نیشام یولج هشیش :دننک

𝐶𝐼𝑅 =^𝑁𝑟

𝑁_𝑡 )13-2(

𝑀𝐼𝑅 =^𝑁𝑚

𝑁_𝑡 )14-2( ،لااب هطبار رد

𝑁_𝑟

،حیحص هدش هداد صیخشت ریواصت دادعت

𝑁_𝑚

یخشت ریواصت دادعت و هدشن هداد ص

𝑁_𝑡

لک دادعت

یم هدش یبایزرا ریواصت دشاب

تسد هب ریز هطبار زا هک یم

:دیآ

( 15-2 ) 𝑁_𝑡= 𝑁_𝑟+ 𝑁_𝑚

نینچمه مان اب رگید صخاش کی

تبثم خرن بذاک

( یم فیرعت )WIR

یم هبساحم ریز هطبار زا هک دننک .دوش

𝑊𝐼𝑅 =^𝑁𝑤

𝑁_𝑡 )16-2(

𝑁_𝑡 = 𝑁_𝑟+ 𝑁_𝑤+ 𝑁_𝑚 )17-2(

نآ رد هک 𝑁_𝑤

یم هابتشا صیخشت دادعت ناونع هب هابتشا هب اما هدرکن هدافتسا ینمیا دنبرمک زا هدننار هک ینعم نیا هب دشاب

دنبرمک زا هدافتسا ینمیا

.تسا هدش ییاسانش

ارب ی امزآ ی ش خشت ی ص سو ی هل لقن ی ه ، نآ اه 6000 وصت ی ر سو ی هل لقن ی ه ارب ار ی درک باختنا لدم شزومآ دن

سپس . 2000

وصت ی ر سو ی هل لقن ی ه واصت ناونع هب ار ی

ر فداصت روط هب و باختنا تست ی

نآ هب ار اه 10 سقت هعومجم ی

م درک دن . دروم رد

نآ یداهنشیپ متیروگلا نیشام ییولج هشیش و هیلقن هلیسو صیخشت زا هتفرگرب هک اه

یم CNN

% تقد اب تسناوت دشاب

3 / 93 (دنک ییاسانش ار هیلقن هلیسو لکش

2 - 10 - رد، )فلا متیروگلا هک یلاح

AdaBoost

% تقد تسناوت 6

/ 90 رد ار

(دنک ییاسانش هیلقن هلیسو ییاسانش لکش

2 - 10 - .) ب

هیلقن هلسو ییاسانش ریواصت هنومن شور اب هدش ییاسانش ریواصت )فلا( ؛

اب هدش ییاسانش ریواصت )ب(CNN

شور AdaBoost [14]

Title and Author: Distracted Driving Detection in Low-Quality Images Using Deep Learning/

Mohammad Reza Jafari Supervisor:

Graduation date:

Number of pages: 83 Abstract

Research aim: Considering increased rates of car accidents in our country, there is a need to supervise, damage control and present an innovative system or algorithm in the field of computers for detecting different types of driving violations such as talking on the phone, eating and drinking, etc. Our goal is to distinguish and classify driving violations. Regarding the reasons for doing this research is the disability of the classic methods for distinction of the driving violations because of the excessive amount of the data. Nowadays we can use various methods and ways in the field of artificial intelligence and machine vision for the distinction and classification of the driving violations. We have utilized deep learning in this research for its accuracy in distinction of objects in the images and also its classification of the data .

Research method: In this research, first we study the classic methods in distinction of the driving violations, then we study machine learning, deep learning and its subdivisions, methods and tools in deep learning and the convolutional neural networks. In deep learning one of the algorithms for distinction and classification of the images is the convolutional neural network with various architectures of the networks .

Findings: We have introduced a new architecture which in addition to the improved VGGNet, has less parameters compared to VGGNet architecture , has architecture of distinguishing the images without noise, and also has acceptable function in distinguishing images with intense noise in 10 classes (10 types of driving forms) .

Conclusion: The total number of our suggested architecture parameter is nearly 72% less than original architecture of VGGNet-19 which leads to reduction in the compute and processors at the network. The results of our suggested architecture experiments were 99/22% of accuracy in the images without noise and 99/12% in detecting and classifying the images with noise.

Keywords: Deep Learning,Convolution Neural Networks, VGGNet-19

Department of Computer

Thesis submitted in partial fulfillment for the degree of M.Sc. in Computer System Architecture

Distracted Driving Detection in Low-Quality Images Using Deep Learning

By:

Mohammad Reza Jafari

Supervisor:

Dr. Mahdi Nooshyar

Advisor:

Dr. Shahram Jamali

January 2020