Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Remigiusz Osicki

Wyznaczanie położenia źrenicy w obrazach twarzy z kamery o niskiej rozdzielczości


Pupil position estiamtion in face images from low resolution camera


Opiekun pracy dyplomowej: dr inż. Aleksandra Królak
Praca dyplomowa inżynierska obroniona 2019-02-07
Streszczenie pracy dyplomowej:
Celem projektu było opracowanie i implementacja algorytmu wykrywania źrenicy w obrazach twarzy. Algorytmy takie mogą znaleźć zastosowanie w systemach śledzenia wzroku lub detekcji mrugnięć. W pracy opisano najważniejsze elementy budowy oka. Przedstawiono metody wykorzystywane do śledzenia wzroku i wyznaczania położenia źrenicy. Przybliżone zostały możliwości zastosowań wyżej wspomnianych metod. Podano także korzyści możliwości oraz korzyści jakich dostarcza stosowanie tychże metod. Ukazano aplikację technik śledzenia wzroku w Neuromarketingu. Opisano także pojęcie uwagi wzrokowej (ang. visual attention). Omówiono rodzaje ruchów oka, oraz mięśnie odpowiedzialne za te ruchy. W części doświadczalnej przedstawiono krótko język Python oraz bibliotekę OpenCV. Opisano działanie klasyfikatora opartego na cechach Haara, oraz wykorzystane metody segmentacji obrazów, takie jak progowanie oraz wykrywanie okręgów za pomocą transformaty Hough’a. Omówione zostały założenia i działanie opracowanego algorytmu. Podano sposób zbierania danych testowych. Zaprezentowano wyniki uzyskane z testowania algorytmu na zebranych danych, oraz interpretację tychże wyników. Uzyskano skuteczność wykrywania pojedynczej źrenicy na poziomie 69%. Słowa kluczowe: śledzenie ścieżki wzroku, wykrywanie źrenicy, biblioteka OpenCV, wideookulografia, analiza obrazów.
Abstract:
The goal of this project was to design and implement the algorithm for pupil detection in face images. Such algorithms can be used in eye tracking or eye blink detection systems. This work describes the most important elements of eye anatomy. Methods used for eye tracking and determining pupil position are presented. Applications of these methods are also described. Advantages and benefits that are the results of eye tracking are given. In the thesis applications of eye tracking methods used in Neuromarketing are presented, as well as the term “Visual Attention” and types of eye movements and muscles responsible for these movements. In the experimental section, Python language and OpenCV library are briefly presented. The operating process of classifiers based on Haar-like features is given, as well as the used image analysis methods such as thresholding and circle detection based on Hough transform. Assumption that were made for algorithm to function, as well as the way in which algorithm operates are described. The method of collecting the test data is presented. The results obtained from testing the algorithm on the collected data are presented, as well as the interpretation of these. Obtained accuracy for single pupil detection was equal to 69%. Keywords: eye tracking, pupil detection, OpenCV library, videooculography, image analysis.