|
|
|
|
| LEADER |
02607na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2017 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid4559
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Omanović, Tarik
|
| 245 |
1 |
0 |
|a Detekcija umora vozača iz video snimki :
|b diplomski rad /
|c Tarik Omanović ; [mentor Sven Lončarić].
|
| 246 |
1 |
|
|a Driver Fatigue Monitoring from Video Data
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b T. Omanović,
|c 2017.
|
| 300 |
|
|
|a 35 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Programsko inženjerstvo i informacijski sustavi, šifra smjera: 54, datum predaje: 2017-06-29, datum završetka: 2017-07-14
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Vožnja u umornom stanju predstavlja veliku opasnost, stoga postoji realna potreba za detekcijom umora vozača. Detekcija umora iz video signala predstavlja primjenjiv neinvazivan pristup tom problemu. Video signal analiziran je uz pomoć komercijalnog alata FaceTrack proizvođača Visage Technologies te su dobivene značajke lica podijeljene u tri kategorije: jednostavne, složene i one definirane vremenom. Napravljene su video snimke umornih vozača, te je na njima ručno očitana razina umora u svakom trenutku. Na video snimkama provedeno je četiri algoritma strojnog učenja. To su k-NN (k najbližih susjeda), SVM (stroj potpornih vektora), AdaBoost i Random forest (nasumična šuma). Svi algoritmi su trenirani na svim skupovima značajki, te su dobiveni ohrabrujući rezultati.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Drowsy driving poses a threat to public safety, so there is a real need for drowsiness detection. Drowsiness detection from video signal presents a practical, non intrusive approach to this issue. Video signal is analyzed using commercial tool FaceTrack from Visage Technologies. Calculated facial features are divided in three categories: simple features, complex features and features defined by time. Several drowsy individuals have been recorded and level of drowsiness has been manually marked on each of them. Four machine learning algorithms have been trained on video signal. Those are k nearest neighbors, SVM, AdaBoost and Random forest. All algorithms have been tested on all sets of features with encouraging results.
|
| 653 |
|
1 |
|a umor
|a infracrveno
|a značajke lica
|a strojno učenje
|a konfuzijska matrica
|a preciznost
|
| 653 |
|
1 |
|a drowsiness
|a infrared
|a facial features
|a machine learning
|a confusion matrix
|a accuracy
|
| 700 |
1 |
|
|a Lončarić, Sven
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 49634
|d 49634
|