Ανίχνευση Ελλειψης Συγκέντρωσης κατά την Οδήγηση

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Ανίχνευση Ελλειψης Συγκέντρωσης κατά την Οδήγηση"

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Ανίχνευση Ελλειψης Συγκέντρωσης κατά την Οδήγηση ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ του ηµήτριου Θ. Μεζίνη Επιβλέπων: Αναστάσιος Ντελόπουλος Επίκουρος Καθηγητής Θεσσαλονίκη, Οκτώβριος 2009

2

3 Περίληψη Το αντικείµενο της εργασίας αυτής είναι ο σχεδιασµός ενός οικονοµικού συστήµατος ανάλυσης της κατάστασης του οδηγού κατά την οδήγηση. Καθώς ένα µεγάλο ποσοστό ατυχηµάτων σχετίζονται µε την αντιληπτική κατάσταση του οδηγού κατά την οδήγηση, ϑεωρώντας ότι µπορεί αυτή να εκτιµηθεί από την στατιστική ανάλυση της καταστασης των µατιών του οδηγού (ακολουθία ανοιχτών - κλειστών µατιών), χρησιµοποιούµε έναν εκτιµητή 4 σταδίων : εντοπισµός προσώπου - εντοπισµός περιοχής µατιών - εντοπισµός µατιού - εκτίµηση κατάστασης "ανοιχτό - κλειστό" και δηµιουργού- µε µια χρονική αλληλουχία καταστάσεων της οποίας η στατιστική ανάλυση δείχνουµε ότι µπορεί να εκτιµήσει την κατάσταση του οδηγού. Ο αλγόριθµος δοκιµάστηκε πειραµατικά σε ασπρόµαυρο ϐίντεο χαµηλής ανάλυσης όπου και παρουσιάζονται στοιχεία που δείχνουν ότι µπορεί να χρησιµοποιηθεί σε πραγµατικές συνθήκες και εφαρµογές. Abstract This diploma thesis describes the design and prototype implementation of an affordable in-car accident prevention system that is based on real-time evaluation of the drivers attention state. A great number of accidents are related with the awareness state of the driver. Assuming that this can be assessed by statistical analysis of the eyes state (sequence of open - closed states), we use a 4-stage estimator: face detection - eye region detection - eye detection - eye state detection (open/closed) and then we create the states timesequence that is subsequently used to assess the drivers awareness state. The methodology was tested on low-resolution grayscale video and the results show it can have applications in real-time conditions.

4

5 Περιεχόµενα 1 Ο ανθρώπινος παράγοντας στα ατυχήµατα κατά την οδήγηση Εισαγωγή Μορφές διάσπασης της προσοχής ραστηριότητες που µπορούν να οδηγήσουν σε ατυχήµατα Ερευνητικές Περιοχές - Τρέχουσα κατάσταση Εισαγωγή Εντοπισµός προσώπου - µατιών Ανάλυση συµπεριφοράς Οριοθέτηση του προβλήµατος - Υποθέσεις Οριοθέτηση του προβλήµατος Επιµέρους προβλήµατα Υποθέσεις Υλοποίηση Συστήµατος Γενική περιγραφή Βαθµίδες εντοπισµού προσώπου Εντοπισµός προσώπου µε τον αλγόριθµο "Viola-Jones AdaBoosted Algorithm" Εντοπισµός προσώπου µε τη χρήση SVM Βαθµίδες εντοπισµού µατιών Οριοθέτηση της περιοχής των µατιών Αποκοπή της περιοχής των δυο µατιών Εκτίµηση κατάστασης µατιού (ανοιχτό/κλειστό) Βαθµίδα στατιστικής µοντελοποίησης συµπεριφοράς Πειραµατικά εδοµένα Εντοπισµός Προσώπου Εντοπισµός Ματιών Στατιστική Μοντελοποίηση Συµπεριφοράς

6 6 Συµπεράσµατα Εντοπισµός Προσώπου - Ματιών Στατιστική Μοντελοποίηση Συµπεριφοράς Α Βαθµίδες συστήµατος - Θεωρητικό Υπόβαθρο 47 Α.1 Εντοπισµός Προσώπου Α.1.1 Viola-Jones AdaBoosted Algorithm Α.1.2 Εντοπισµός Προσώπων µε SVM (Support Vector Machines) Α.2 Στατιστική ανάλυση. Ο αλγόριθµος Expectation - Maximization (ΕΜ)

7 Κατάλογος Σχηµάτων 1.1 Ολοκληρωµένο σύστηµα ασφάλειας αυτοκινήτου ιάγραµµα συστήµατος παρακολούθησης κατάστασης οδηγού Αλγόριθµος συστήµατος παρακολούθησης της κατάστασης του οδηγού Επιτυχείς εντοπισµοί προσώπων µε τον αλγόριθµο των Viola-Jones Επιτυχείς εντοπισµοί προσώπων σε έγχρωµες εικόνες µε τον αλγόριθµο Reduced Set Vectors (RSV-SVMs) (κόκκινα πλαίσια) Στάδια αναγνώρισης µατιών. Αύξηση αντίθεσης και αποκοπή εικονοστοιχείων που δεν περιέχουν σηµαντική πληροφορία για τα χαρακτηριστικά του προσώπου Τελική κάθετη προβολή για την προκύπτουσα εικόνα Οριοθέτηση της οριζόντιας περιοχής των µατιών ιαδικασία αποκοπής µατιών. Στις εικόνες µε µπλε σηµεία και στα διαγράµ- µατα µε κόκκινες διακεκοµµένες γραµµές, είναι τα δεδοµένα εκπαίδευσης ιόρθωση της περιοχής αποκοπής µε τη χρήση του κέντρου ϐάρους (µπλε σηµείο) Εκπαίδευση δικτύου αναγνώρισης Radial Basis για το αριστερό µάτι µε εισόδους Αµετάβλητες Ροπές Zernike Εκτίµηση κατάστασης του αριστερού µατιού. Το µάτι είναι κλειστό κατά συνέπεια και τα δυο νευρωνικά δίκτυα δίνουν τιµές κοντά στο µηδέν Παράδειγµα επιτυχούς εντοπισµού προσώπου µε τον αλγόριθµο των Viola- Jones Παράδειγµα ανεπιτυχούς εντοπισµού προσώπου και από τους δυο αλγόριθ- µους Παράδειγµα ανεπιτυχούς εντοπισµού προσώπου µε τον αλγόριθµο των Viola- Jones και επιτυχούς µε τη χρήση RS-SVM Παράδειγµα ανεπιτυχούς εντοπισµού προσώπου µε τον αλγόριθµο των Viola- Jones και επιτυχούς µε τη χρήση RS-SVM Παράδειγµα ανεπιτυχούς εντοπισµού προσώπου µε τον αλγόριθµο των Viola- Jones και επιτυχούς µε τη χρήση RS-SVM

8 5.6 Παράδειγµα επιτυχούς εντοπισµού µατιών Παράδειγµα επιτυχούς εντοπισµού, αλλά αδυναµίας εκτίµησης κατάστασης µατιών λόγω κακής οριοθέτησης του πλαισίου του προσώπου Παράδειγµα επιτυχούς εντοπισµού, αλλά αδυναµίας εκτίµησης κατάστασης µατιών λόγω κακών συνθηκών ϕωτισµού και παραµορφώσεων από τη χρήση γυαλιών όρασης Παράδειγµα επιτυχούς εντοπισµού, αλλά αδυναµίας εκτίµησης κατάστασης µατιών λόγω απόστασης - χαµηλής ανάλυσης περιοχής µατιών Κατανοµή πυκνότητας πιθανότητας κανονικής συµπεριφοράς Στατιστική ανάλυση 2 διαφορετικών χρονικών ακολουθιών. Κάθε σηµείο αντιστοιχεί σε ένα παράθυρο 30 δευτ. Πράσινο : Πρώτο ϐίντεο - κανονική συµπεριφορά. Κόκκινο : εύτερο ϐίντεο - προς σύγκριση. Με κύκλο ση- µειώνονται τα παράθυρα που ϑεωρείται ότι η συµπεριφορά αποκλίνει από την κανονική ιάγραµµα PERCLOS για κανονική (πράσινο) και µη-κανονική (κόκκινο) συµπεριφορά. Με κύκλο σηµειώνονται τα παράθυρα που ϑεωρείται ότι η συµπεριφορά αποκλίνει από την κανονική Α.1 Αρχική εικόνα (αριστερά) και η προκύπτουσα integral image (δεξιά) Α.2 Υπολογισµός αθροισµάτων Α.3 ιάφοροι τύποι ορθογωνίων χαρακτηριστικών Α.4 Ο διαδοχικός εκτιµητής Α.5 Το επίπεδο Η3 (πράσινο) δεν διαχωρίζει τις 2 οµάδες. Το Η1 (µπλε) τις διαχωρίζει µε µικρό διαχωρισµό, ενώ το Η2 µε το µέγιστο Α.6 Υπερεπίπεδο µέγιστου διαχωρισµού και τα περιθώρια µε εφαρµογή του αλγόριθµου SVM σε δεδοµένα 2 οµάδων. Τα δείγµατα στο όριο του περιθωρίου ονοµάζονται Support Vectors Α.7 Μη-γραµµικώς διαχωρίσιµα δείγµατα

9 Κατάλογος Πινάκων 1.1 Network Of Employers For Traffic Safety (NETS) 2001 Survey Results NHTSA, NTS-31 Survey Results Εφαρµογή της ϐαθµίδας εντοπισµού προσώπου στη ϐάση εικόνων BioID- FaceDatabase-V Εφαρµογή της ϐαθµίδας εντοπισµού προσώπου στην ϐάση εικόνων από την κάµερα χαµηλής ανάλυσης Εφαρµογή της ϐαθµίδας εντοπισµού µατιών στην ϐάση εικόνων από την κά- µερα χαµηλής ανάλυσης Μέσες τιµές µ των τριών συνιστωσών του µοντέλου µικτών gaussian συναρτήσεων Τυπικές αποκλίσεις (σ) των τριών συνιστωσών του µοντέλου µικτών gaussian συναρτήσεων Βάρη (w k ) των τριών συνιστωσών του µοντέλου µικτών gaussian συναρτήσεων Αναλυτικά στατιστικά για την κανονική συµπεριφορά

10

11 Ευχαριστίες Στην παρούσα διπλωµατική εργασία παρουσιάζεται ο σχεδιασµός και η υλοποίηση ενός συστήµατος µοντελοποίησης της συµπεριφοράς, µε σκοπό τον εντοπισµό έλλειψης συγκέντρωσης κατά την οδήγηση. Ευχαριστώ τον επιβλέποντα της διπλωµατικής µου, Αναστάσιο Ντελόπουλο τόσο για την ελευθερία που µου άφησε στην επιλογή του ϑέµατος όσο και για τη διακριτική καθοδήγηση και την ενθάρρυνση του στις δυσκολίες που αντιµετώπισα. Ολα τα προαναφερόµενα συνετέλεσαν στην επιτυχή ολοκλήρωση της παρούσας εργασίας. Επίσης ευχαριστώ ϑερµά το διδακτορικό ϕοιτητή Χρήστο ίου που η έµπρακτη υποστήριξή του καθώς και οι εύστοχες ερωτήσεις - παρατηρήσεις του υπήρξαν πολύτιµη ϐοήθεια προς την επιστηµονική πληρότητα της εργασίας αυτής. Τέλος, ϑα ήθελα να ευχαριστήσω την οικογένειά µου και τους ϕίλους µου για την υποστήριξη που µου παρέχουν σε ό,τι κάνω στη Ϲωή µου.

12

13 Κεφάλαιο 1 Ο ανθρώπινος παράγοντας στα ατυχήµατα κατά την οδήγηση Στο κεφάλαιο αυτό ϑα γίνει µια γρήγορη περιγραφή του προβλήµατος που οδήγησε στον σχεδιασµό αυτού του συστήµατος. 1.1 Εισαγωγή Η έλλειψη προσοχής ή η διάσπαση της από εξωγενείς παράγοντες αποτελούν σηµαντικούς παράγοντες της ασφαλούς οδηγικής συµπεριφοράς. Καθώς η χρήση νέων τεχνολογιών πληροφόρησης, επικοινωνίας αλλά και διασκέδασης µέσα στο αυτοκίνητο αυξάνεται όλο και περισσότερο, ο σηµερινός οδηγός δεν απασχολείται µόνο µε τη µετάβασή του σε κάποιο µέρος, αλλά επιπλέον µπορεί να λαµβάνει πληροφορείς για τη διαδροµή του, για την κίνηση στους δρόµους, να µιλάει στο τηλέφωνο και να διαβάζει την ηλεκτρονική αλληλογραφία του. Παρόλο που κάποια από αυτά τα συστήµατα παρέχουν χρήσιµες πληροφορίες για τον οδηγό, ϐρίσκεται υπό εξέταση η επίδραση που έχει η συνδυασµένη χρήση τους στην αντιληπτική ικανότητα του κατά την οδήγηση.[25] Οι οδηγοί που ενεπλάκησαν σε ένα ατύχηµα, σε πολλές περιπτώσεις δηλώνουν κατόπιν ότι οι αιτίες του ατυχήµατος σχετίζονται µε κάποιες απότοµες αλλαγές συνθηκών. Τις περισσότερες ϕορές όµως αυτό δεν είναι σωστό, καθώς οι συνθήκες κατά την οδήγηση ελάχιστες ϕορές µεταβάλλονται ξαφνικά. Πιο ϱεαλιστική είναι η παραδοχή πως εξαιτίας της έλλειψης προσοχής κατά την οδήγηση, ο οδηγός συνειδητοποιεί ξαφνικά ότι κάτι δεν πάει καλά αδυνατώντας να αντιδράσει σωστά. Ενα απλό παράδειγµα είναι η διαδικασία που ενώ ένας οδηγός κινείται µε 50 χλµ/ώρα αποσπά την προσοχή του από τον δρόµο για 2 δευτερόλεπτα για να αλλάξει το σταθµό στο ϱαδιόφωνο ή ένα CD. Αν κατά το διάστηµα αυτό απαιτηθεί να σταµατήσει το αυτοκίνητο η συµπεριφορά του αυτοκινήτου ϑα είναι σαν να κινούταν µε 84 χλµ/ώρα και ο οδηγός είχε την προσοχή του στο δρόµο.

14 2 Ο ανθρώπινος παράγοντας στα ατυχήµατα κατά την οδήγηση 1.2 Μορφές διάσπασης της προσοχής Η διάσπαση της προσοχής µπορεί να χωριστεί στις παρακάτω γενικές κατηγορίες [15]: Οπτική διάσπαση. Η µορφή αυτή διάσπασης της προσοχής συνίσταται στις περιπτώσεις που το ϐλέµµα του οδηγού δεν είναι στο δρόµο. Η οπτική διάσπαση της προσοχής οδηγεί ταυτόχρονα τόσο σε µειωµένη ικανότητα ελέγχου του οχήµατος όσο και σε µείωση της ικανότητας εντοπισµού αντικειµένων και γεγονότων στο δρόµο [36]. Προκαλείται από µεγαλύτερης διάρκειας από την κανονική κλείσιµο των µατιών σε περίπτωση που ο οδηγός παρουσιάζει συµπτώµατα κόπωσης ή στην περίπτωση της οπτικής περίσπασης της προσοχής όταν ο οδηγός πρέπει όσο οδηγεί να διαβάσει ένα σύνθετο χάρτη σε µια συσκευή GPS ή κάποιο κείµενο και γενικά δραστηριότητες που απαιτούν η οπτική προσοχή του να ϐρίσκεται σε πολλαπλές κατευθύνσεις. ιάσπαση συγκέντρωσης. Η µορφή αυτή διάσπασης της προσοχής συνίσταται στις πε- ϱιπτώσεις που το µυαλό του οδηγού δεν είναι στο δρόµο. Σύµφωνα µε µελέτες [36], η συµπεριφορά του οχήµατος σε αυτό το είδος της διάσπασης της προσοχής παραµένει αµετάβλητη, δηλαδή η ταχύτητα και η ϑέση στο οδόστρωµα δεν αποκλίνουν από την κανονική οδηγική συµπεριφορά αλλά µειώνεται σηµαντικά η ικανότητα εντοπισµού αντικειµένων και ορθής κρίσης γεγονότων. Αυτά οφείλονται στην περίσπαση της προσοχής του οδηγού που µπορεί να οφείλεται σε µια σοβαρή συζήτηση στο κινητό ή στην παρακολούθηση ε- νός ηχητικού µηνύµατος ή ακόµα και σε περιπτώσεις που ένα σοβαρό προσωπικό ϑέµα απασχολεί στον οδηγό, τα οποία µπορούν να οδηγήσουν σε επιλεκτικό ϕιλτράρισµα των πληροφοριών από την οδήγηση ϐασιζόµενο σε αναµενόµενα γεγονότα παρά σε πραγµατικά. Τέτοια παραδείγµατα είναι περιπτώσεις οδηγών που ενώ µιλάνε στο κινητό σε µια σοβαρή συζήτηση, ακόµα και µε τη χρήση hands-free, σε µια διασταύρωση ϐλέπουν ένα αυτοκίνητο να πλησιάζει από δεξιά και δεν δίνουν προτεραιότητα αδυνατώντας να κρίνουν ορθά την κατάσταση ή κοιτώντας το προπορευόµενο όχηµα να περνάει έναν ϕωτεινό σηµατοδότη δεν παρατηρούν ότι στο ενδιάµεσο αυτός έχει γίνει κόκκινος. Μονοτονία Σε λιγότερο απαιτητικές συνθήκες οδήγησης (οδήγηση σε εθνικούς δρόµους - αυτοκινητόδροµους), η προσοχή του οδηγού µπορεί σταδιακά να αποσπαστεί από την οδήγηση σε σκέψεις που δεν έχουν σχέση µε την οδήγηση. Η κατάσταση αυτή προκύπτει από το γεγονός ότι η διαδικασία οπτικού εντοπισµού ατονεί σε επαναληπτικά και προ- ϐλέψιµα ερεθίσµατα. Σε τέτοιες συνθήκες αυξάνεται η πιθανότητα συγκρούσεων στο πίσω µέρος του προπορευόµενου οχήµατος ή και η έξοδος από το οδόστρωµα σε περιπτώσεις ανεπαρκούς σήµανσης.

15 1.3 ραστηριότητες που µπορούν να οδηγήσουν σε ατυχήµατα ραστηριότητες που µπορούν να οδηγήσουν σε ατυχήµατα Η περίσπαση της προσοχής του οδηγού είναι µια από της σοβαρότερες αιτίες που οδηγούν σε ατυχήµατα. Σύµφωνα µε µελέτες του δικτύου εργαζοµένων για την ασφάλεια στους δρόµους στις ΗΠΑ (Network Of Employers For Traffic Safety (NETS)), οι δραστηριότητες που απασχολούνται οι οδηγοί πέραν από τη ϐασική δραστηριότητα της οδήγησης είναι οι εξής : ραστηριότητες κατά την οδήγηση Ποσοστό (%) Οµιλία µε τους συνεπιβάτες 96 Ρύθµιση κλιµατιστικού / ϱαδιοφώνου 89 Κατανάλωση ϕαγητού ή καφέ 74 Χρήση κινητού 51 Φροντίδα παιδιών 41 Ανάγνωση χάρτη / GPS 34 Προσωπική ϕροντίδα 19 Προετοιµασία για την εργασία 11 Πίνακας 1.1: Network Of Employers For Traffic Safety (NETS) 2001 Survey Results Ολες οι παραπάνω δραστηριότητες µπορούν εν δυνάµει να περισπάσουν την προσοχή του οδηγού κατά την οδήγηση. Επιπλέον, σε µελέτες της διεύθυνσης για την ασφάλεια των εθνικών αυτοκινητόδρο- µων στις ΗΠΑ (National Highway Traffic Safety Administration (NHTSA)), η διεύθυνση µελετών (Research And Evaluation Division (NTS-31)) αναφέρει ότι σε έρευνα µεταξύ 723 περιστατικών ατυχηµάτων µε 1284 εµπλεκόµενους οδηγούς, οι 507 δηλώθηκε από την αστυνοµία ότι δεν είχαν εµπλοκή στο ατύχηµα. Από τους υπόλοιπους, τα ποσοστά ανά κατηγορία σχετικά µε τα αίτια των ατυχηµάτων είναι ως εξής [5] [11]: Αιτίες ατυχήµατος Ποσοστό (%) Περίσπαση Προσοχής 22.7 Υπερβολική ταχύτητα 18.7 Κατανάλωση Αλκοόλ 18.2 Λάθη αντίληψης 15.1 Λάθος αποφάσεις 10.1 Ανικανότητα οδήγησης 6.4 Πίνακας 1.2: NHTSA, NTS-31 Survey Results Από ανάλυση των δεδοµένων που προέκυψαν από τις προαναφερόµενες µελέτες της NHTSA [34] τα ατυχήµατα που σχετίζονται µε την περίσπαση προσοχής - από τις αναφο- ϱές της αστυνοµίας µετά τα ατυχήµατα - σχετίζονται µε οπτική διάσπαση της προσοχής όσο και µε διάσπαση της συγκέντρωσης. Μια παράλληλη µελέτη που στόχο είχε να εντοπίσει περισσότερες λεπτοµέρειες που σχετίζονται µε τα αίτια της διάσπασης της προσοχής,

16 4 Ο ανθρώπινος παράγοντας στα ατυχήµατα κατά την οδήγηση ερευνώντας τα αστυνοµικά αρχεία της Β. Καρολίνας (ΗΠΑ) εντόπισε ατυχήµατα που σχετίζονταν µε την διάσπαση της προσοχής και η πλειοψηφία αυτών (55,5 %) σχετίζονταν µε ενέργειες που η πηγή τους ϐρισκόταν εντός του αυτοκινήτου (αντικείµενα, όργανα ή πρόσωπα). [38]. Μια πιο ολοκληρωµένη µελέτη της NHTSA σχετικά µε τα αίτια των ατυχηµάτων σχετιζόµενα µε την περίσπαση της προσοχής του οδηγού δηµοσιεύτηκε το 2006 [24]. Τέλος από µια παλιά αλλά από τις πλέον αντιπροσωπευτικές µελέτες στον τοµέα της πρόληψης των ατυχηµάτων που διεξήχθη το 1975, παρόλο που τότε η χρήση τεχνολογιών στο αυτοκίνητο δεν ήταν τόσο διαδεδοµένη όσο στις µέρες µας κατέληξε ότι από το σύνολο των ατυχηµάτων το 93% σχετιζόταν µε ανθρώπινο λάθος, το 34% µε περιβαλλοντικούς παράγοντες και το 13% µε το αυτοκίνητο. Επιπλέον τα ατυχήµατα από ανθρώπινο λάθος µπορούν να κατηγοριοποιηθούν σε λάθη αναγνώρισης (56%), λάθη αποφάσεων (52%) και λάθος αντιδράσεις (11%) [12] Το γενικό συµπέρασµα από την παραπάνω µελέτη το οποίο και επιβεβαιώνεται από µια σειρά µετέπειτα µελετών είναι ότι το µεγαλύτερο µέρος των ατυχηµάτων δεν προκαλείται από συνειδητά παραβατικούς οδηγούς αλλά από συνεπείς οδηγούς που διαπράττουν µια σειρά λαθών. Από τα προαναφερθέντα ϕαίνεται ότι ένα ολοκληρωµένο σύστηµα ασφάλειας αυτοκινήτου πέρα από τα παθητικά µέτρα ασφάλειας που ϐοηθούν στο να µειωθούν τις συνέπειες ενός ατυχήµατος (Ϲώνες ασφάλειας - αερόσακοι - πλαίσια ελεγχόµενης παραµόρφωσης) και τα ενεργητικά που είναι αποτελεσµατικά στην αποφυγή µιας επερχόµενα επικίνδυνης κατάστασης (ESP - ABS), η παρακολούθηση της κατάστασης του οδηγού είναι ένα ϑεµελιώδες ενεργητικό µέτρο αφού το όχηµα µπορεί να προσαρµόζει τη συµπεριφορά του στις αλλαγές της απόδοσης του οδηγού ή να παρέχει συστήµατα προειδοποίησης που ϑα επαναφέρουν τον οδηγό. Κατά συνέπεια ένα ολοκληρωµένο σύστηµα ασφάλειας ϑα πρέπει να έχει τη µορφή που ϕαίνεται στο Σχήµα 1.1 Από τις µελέτες που έχουν γίνει στο ϑέµα και από όλες τις παραµέτρους που µπορούν να εξεταστούν για να προσδιοριστεί η κατάσταση του οδηγού - EEG (ElectroEncephalo- Gram), EOG (Electro-OculoGraph), ECG (ElectroCardioGram), GSR(Galvanic Skin Response) και αναλύσεις της ϑέσης και των κινήσεων του κεφαλιού, έχει διαπιστωθεί ότι η καταγραφή του ϱυθµού κλεισίµατος των µατιών 1 του οδηγού είναι ένα γενικό και αξιόπιστο κριτήριο εκτίµησης της εγρήγορσης του οδηγού και παράλληλα το λιγότερο οχληρό προς τον οδηγό. Εξάλλου η συµπεριφορά του ϐλέµµατος του οδηγού είναι το πρωτεύον στοιχείο που πρέπει να παρακολουθείται εξ αιτίας του κυρίαρχου ϱόλου της όρασης κατά την οδήγηση καθώς περίπου το 90% των πληροφοριών προέρχεται από οπτικά ερεθίσµατα κατά την οδήγηση. [12] Πολλοί ερευνητές σε όλο τον κόσµο ασχολούνται µε τον εντοπισµό της έλλειψης προσοχής κατά την οδήγηση και σύντοµα τέτοια συστήµατα ϑα είναι διαθέσιµα στο ευρύ κοινό. 1 Με τον όρο κλείσιµο µατιών εννοούµε µια γρήγορη αλλά οµαλή µετάβαση από την κατάσταση του ανοιχτού µατιού προς το κλειστό παρά το στιγµιαίο ανοιγο-κλείσιµο των µατιών που περιγράφεται µε τον όρο "ϐλεφαρισµός".

17 1.3 ραστηριότητες που µπορούν να οδηγήσουν σε ατυχήµατα 5 Σχήµα 1.1: Ολοκληρωµένο σύστηµα ασφάλειας αυτοκινήτου

18 6 Ο ανθρώπινος παράγοντας στα ατυχήµατα κατά την οδήγηση

19 Κεφάλαιο 2 Ερευνητικές Περιοχές - Τρέχουσα κατάσταση Στο κεφάλαιο αυτό ϑα γίνει µια ενδεικτική παρουσίαση του ερευνητικού έργου πάνω στο αντικείµενο της οπτικής εκτίµησης της κατάστασης του οδηγού. 2.1 Εισαγωγή Ο ανθρώπινος παράγοντας, όπως αναφέρθηκε στο προηγούµενο κεφάλαιο, είναι η κυ- ϱίαρχη αιτία πολλών οδηγικών ατυχηµάτων. Η έλλειψη συγκέντρωσης και η κούραση είναι σηµαντικοί παράγοντες που οδηγούν σε αυτά καθώς επηρεάζουν την πρόσληψη πληρο- ϕοριών από το εξωτερικό περιβάλλον, την ικανότητα, την ταχύτητα της αντίδρασης καθώς και την αποτελεσµατικότητα των ενεργειών. Η ανίχνευση της κατάστασης του οδηγού είναι µια πολύπλοκη διεργασία και η έρευνα πάνω σε αυτή την κατεύθυνση - παρόλο που είναι εκτεταµένη - είναι ακόµα ελλιπής, εξαιτίας της πολυσύνθετης ϕύσης της ανθρώπινης αντίληψης και της συµπεριφοράς. Μέχρι του παρόντος δεν υπάρχει µια ποσοτική µέθοδος µέτρησης της κούρασης. Το ίδιο ισχύει και για την µέτρηση του πόσο διασπά την προσοχή µια παράλληλη ασχολία. Οι παράµετροι που χρησιµοποιούνται στην έρευνα για την εκτίµηση της κατάστασης του οδηγού είναι : Κίνηση των µατιών : Μοντέλο ανίχνευσης αντικειµένων - σηµεία προσήλωσης. Ρυθµός κλεισίµατος των µατιών. ιαστολή της κόρης του µατιού. Κατεύθυνση κεφαλιού - ϐλέµµατος. Χρονική διάρκεια ανά κατεύθυνση του ϐλέµµατος.

20 8 Ερευνητικές Περιοχές - Τρέχουσα κατάσταση Εγκάρσιος έλεγχος του αυτοκινήτου : Ικανότητα του οδηγού να κρατάει τη σωστή ϑέση στο οδόστρωµα. ιαµήκης έλεγχος του αυτοκινήτου : Ικανότητα του οδηγού να κρατάει σωστές αποστάσεις από προπορευόµενα οχήµατα. Χρόνος αντίδρασης σε ερεθίσµατα. Ικανότητα εντοπισµού εµποδίων και αντικειµένων. Αρτηριακή πίεση. Ρυθµός αναπνοής. Καρδιακοί παλµοί. Ενας από τους παραπάνω παράγοντες που επί του παρόντος ϑεωρείται ένας από τους πιο αποτελεσµατικούς για τον εντοπισµό της περίσπασης της προσοχής κατά την οδήγηση είναι η παρακολούθηση του ϱυθµού κλεισίµατος των µατιών του οδηγού. Η αύξηση των ποσοστών που τα µάτια είναι κλειστά είναι από τους πιο αξιόπιστους εκτιµητές νωχελικότητας ή περίσπασης της προσοχής [4]. Εξάλλου, έχει παρατηρηθεί ότι 20 µε 30 δευτερόλεπτα πριν από ένα ατύχηµα παρατηρείται συνήθως µια µεγάλη αύξηση του ποσοστού που είναι κλειστά τα µάτια [23]. Ο αριθµός των δηµοσιεύσεων που καταλήγει ότι υπάρχει υψηλή συσχέτιση µεταξύ της κίνησης των ϐλεφάρων και των παραγόντων που προαναφέρθηκαν είναι µεγάλος. Αν και η καλύτερη µέθοδος είναι κυρίως τα εγκεφαλικά κύµατα, οι καρδιακοί παλµοί και αρτηριακή πίεση [19], η µέτρηση αυτών των στοιχείων κατά την οδήγηση ϑα προκαλούσε την ενόχληση του οδηγού από τον αριθµό των αισθητήρων που ϑα έπρεπε να είναι συνδεδεµένοι µε αυτόν που ϑα µπορούσε να επηρεάσει την οδηγική του συµπερι- ϕορά. Η παρακολούθηση του ϐλέµµατος από την άλλη µε µια αδιόρατη κάµερα δίνει τη δυνατότητα µια ακριβούς εκτίµησης µε την ελάχιστη δυνατή όχληση. 2.2 Εντοπισµός προσώπου - µατιών Σε γενικές γραµµές οι αλγόριθµοι εντοπισµού των µατιών αποτελούνται από δύο στάδια. Στο πρώτο στάδιο εντοπίζεται το πρόσωπο και οριοθετείται η περιοχή των µατιών και στη συνέχεια εντοπίζονται τα µάτια µέσα σε αυτό το παράθυρο. Υπάρχουν πολλές διαφορετικές προσεγγίσεις για τον εντοπισµό του προσώπου - των οποίων µια πλήρης ανασκόπηση µπορεί να ϐρεθεί στην ϐιβλιογραφική παραποµπή [27] - οι οποίες µπορούν να ταξινοµηθούν σε τέσσερεις ϐασικές κατηγορίες : 1. Μέθοδοι ϐασισµένοι στη µορφολογία του προσώπου. (Knowledge-based methods). Οι µέθοδοι αυτοί ϐασίζονται σε κανόνες που σχετίζονται µε τη µορφολογία του ανθρώπινοι προσώπου. Οι κανόνες αυτοί σχετίζονται µε τα συµµετρικά χαρακτη- ϱιστικά που έχουν τα στοιχεία του ανθρώπινου προσώπου και τις αποστάσεις µεταξύ

21 2.2 Εντοπισµός προσώπου - µατιών 9 αυτών. Σε τέτοια συστήµατα από µια εικόνα υπολογίζονται τα χαρακτηριστικά του προσώπου και στη συνέχεια εκπαιδεύεται το σύστηµα να αναγνωρίζει το πρόσωπο µε ϐάση αυτά τα χαρακτηριστικά [8]. 2. Μέθοδοι ϐασισµένοι στην εµφάνιση. (Appearance-based methods). Σε γενικές γραµµές οι αλγόριθµοι αυτοί ϐασίζονται σε στατιστική ανάλυση (ταξινόµηση κατά Bayes, µέγιστη πιθανοφάνεια)και σε µηχανές εκπαίδευσης (Support Vector Machines, Artificial Neural Networks). Τις περισσότερες ϕορές για λόγους υπολογιστικής απλούστευσης και ακρίβειας εφαρµόζεται µείωση διαστάσεων (PCA, Wavelets) 3. Μέθοδοι αντιστοίχησης προτύπων. (Template-matching methods). Με τη µέθοδο αυτή η αναγνώριση του προσώπου γίνεται µε την αποθήκευση πολλών προτύπων και την συσχέτισή τους µε την προς ανάλυση εικόνα. 4. Μέθοδοι ϐασισµένοι στη χρήση αµετάβλητων χαρακτηριστικών. (Featureinvariant methods). Οι µέθοδοι αυτοί έχουν ως αντικείµενο τον εντοπισµό των δοµικών χαρακτηριστικών του προσώπου ανεξάρτητα από τον ϕωτισµό, τη γωνία πε- ϱιστροφής και τις εκφράσεις του προσώπου. Τα κυρίαρχα χαρακτηριστικά όπως µάτια, µύτη, στόµα µπορούν να εντοπιστούν µε ανιχνευτές ακµών και στη συνέχεια να επαληθεύεται η ύπαρξη προσώπου µε στατιστικά µοντέλα που έχουν δηµιουργη- ϑεί. Κάθε µια από τις παραπάνω µεθόδους έχει κάποιους περιορισµούς : εµπρόσθια όψη του προσώπου, ανέκφραστα πρόσωπα, απλό ϕόντο εικόνας, περιορισµοί στην διακύµανση του ϕωτισµού, είδος χτενίσµατος κοκ. Για τον εντοπισµό των µατιών υπάρχουν δυο προσεγγίσεις στη ϐιβλιογραφία, εντοπισµός στο ορατό ϕάσµα και εντοπισµός στο εγγύτερο υπέρυθρο (Near Infra-Red (NIR)). Σε ελεγχόµενες συνθήκες όπου η υπέρυθρη ϕωτεινή πηγή είναι σχεδόν κάθετα στο επίπεδο της ίριδας παρέχεται ένα πολύ καθαρό οπτικό σήµα (bright pupil effect) που προσδιορίζει τη ϑέση της ίριδας, το οποίο µπορεί να εντοπιστεί πολύ εύκολα και µε ακρίβεια. [1] [31] [32]. Παρόλο που οι προσεγγίσεις αυτές έχουν πρακτικές εφαρµογές και είναι εύκολες στην υλοποίηση έχουν δυο µειονέκτηµα, την παραγωγή πολλών λανθασµένων αποτελεσµάτων σε µη-ελεγχόµενες συνθήκες ϕωτισµού και το ότι µε τη µέθοδο αυτή δεν προάγεται η προσπάθεια κατανόησης και εκµετάλλευσης των αντιληπτικών δυνατοτήτων του ανθρώπινου εγκεφάλου για τη χρήση αυτών, κατά τον εντοπισµό προσώπων σε πραγµατικές συνθήκες. Υπάρχουν αρκετές αναφορές και για την προσέγγιση του εντοπισµού στο ορατό ϕάσµα είτε µε τη χρήση ANN (Artificial Neural Networks), SVM (Support Vector Machines) [26] είτε µε τη χρήση προγραµµατιστικών τεχνικών [18]. Οι αλγόριθµοι αυτοί ϐασίζονται κυρίως στη σάρωση της εικόνας µε πλαίσια διαφορετικών µεγεθών και την µετέπειτα ταξινόµηση των δειγµάτων αυτών ανάλογα µε το αν περιέχεται πρόσωπο ή όχι στο υπο εξέταση πλαίσιο. Για τη µείωση του υπολογιστικού κόστους οι αρχικές εικόνες µπορεί να µετασχηµατιστούν

22 10 Ερευνητικές Περιοχές - Τρέχουσα κατάσταση κατάλληλα σε χώρους µικρότερων διαστάσεων (πχ µετασχηµατισµοί κυµατιδίων, PCA). Στις περιπτώσεις που έχουµε περιστροφή του κεφαλιού ή απόκρυψη µερικών χαρακτηριστικών σηµείων του προσώπου, το πρόβληµα αντιµετωπίζεται προσαρµόζοντας ένα τρισδιάστατο παραµορφώσιµο µοντέλο του κεφαλιού και επανασχεδιάζοντας την εικόνα σε εµπρόσθια όψη. Μια πιο εκτεταµένη ανασκόπηση µπορεί να ϐρεθεί στην ϐιβλιογραφική παραποµπή [30]. 2.3 Ανάλυση συµπεριφοράς Ο ϱυθµός κλεισίµατος των µατιών έχει παρατηρηθεί ότι µεταβάλλεται από ϕυσικοσυναισθηµατικούς παράγοντες, άγχος, κούραση, προσπάθεια συγκέντρωσης [32] [29] [28] [10] [20] και έχει ϐρεθεί ότι είναι ένα από τα πιο αξιόπιστα µεγέθη µέτρησης του επιπέδου εγρήγορσης του οδηγού. Ο ϱυθµός αυτός µπορεί να µετρηθεί µε τον δείκτη PERCLOS (Percentage of Eye Closure) δηλαδή το ποσοστό που το αντικείµενο εντοπίζεται µε κλειστά µάτια µεταβαλλόµενου του χρόνου και συνίσταται στη µέτρηση µάλλον του οµαλού και σχετικά αργού κλεισίµατος των µατιών παρά των ϐλεφαρισµών. Το µέτρο αυτό στοιχειο- ϑετήθηκε το 1994 σε µια µελέτη, όπου ϑεωρήθηκε ως όριο για τον εντοπισµό νωθρότητας το ποσοστό του χρόνου σε δεδοµένο χρονικό διάστηµα που τα µάτια είναι κλειστά να είναι τουλάχιστον 80% [39]. Βασισµένη πάνω σε αυτή τη µελέτη η NHTSA ϑεωρεί τον δείκτη PERCLOS τον πιο αντιπροσωπευτικό για µετρήσεις πραγµατικού χρόνου σε αυτοκίνητα όσον αφορά το επίπεδο εγρήγορσης των οδηγών. Εχει προταθεί ότι δείκτης PERCLOS µπορεί να αναλυθεί σε δυο επιµέρους µεγέθη, τον δείκτη ECD (Eye Closure Duration) και τον FEC (Frequency of Eye Closure ) [35]. Οι δυο αυτές παράµετροι περιέχουν περισσότερες πληροφορίες για την κατάσταση του οδηγού από τον αρχικό δείκτη καθώς µε τον ίδιο ποσοστό είναι δυνατόν να υπάρχουν διαφορετικοί συνδυασµοί διάρκειας και ϱυθµού κλεισίµατος των µατιών κατά συνέπεια είναι δυνατόν να αναγνωριστούν διαφορετικά µοντέλα συµπεριφορών πέραν του επιπέδου εγρήγορσης. Η στατιστική ανάλυση των αποτελεσµάτων (ακολουθία 0 και 1 όσον αφορά ανοιχτό µάτι κλειστό µάτι ή απουσία µατιού) ώστε να εντοπιστούν διαφορετικές συµπεριφορές, µπορεί να µοντελοποιηθεί από έναν πεπερασµένο αριθµό πολυπαραµετρικών - στον χώρο των FEC και ECD - γκαουσιανών συναρτήσεων µε τη ϐοήθεια του αλγόριθµου Expectation- Maximization (EM). [2] [16]

23 Κεφάλαιο 3 Οριοθέτηση του προβλήµατος - Υποθέσεις Στο κεφάλαιο αυτό παρουσιάζονται οι παραδοχές και προσεγγίσεις που έγιναν στον σχεδιασµό του συστήµατος. 3.1 Οριοθέτηση του προβλήµατος Σκοπός της παρούσας εργασίας είναι η δηµιουργία ενός αξιόπιστου αλγόριθµου εντοπισµού της κατάσταση των µατιών και στη συνέχεια η στοιχειοθέτηση της αντιστοίχησης της ακολουθίας ανοιχτών/κλειστών µατιών µε την κατάσταση του οδηγού. Οπως έχει αναφερ- ϑεί υπάρχουν αρκετές µέθοδοι που µπορούν να χρησιµοποιηθούν για να γίνει εκτίµηση της κατάστασης του οδηγού όπως η κίνηση των ϐλεφάρων, η κατεύθυνση του ϐλέµµατος, η περιστροφή του προσώπου. Οι παράµετροι που προκύπτουν από την ανάλυση των ακολουθιών αναλύονται στατιστικά ώστε να προκύψουν παράµετροι που ϑα δίνουν µια ακριβή εκτίµηση της κατάστασης του οδηγού. Στη συγκεκριµένη εργασία η εκτίµηση αυτή γίνεται µέσω µόνο της στατιστικής ανάλυσης των ακολουθιών κλειστών/ανοιχτών µατιών σε στατικές εικόνες κλίµακας του γκρι, επικεντρώνεται δηλαδή µόνο στον εντοπισµό των κλειστών µατιών και στην στατιστική ανάλυση παραµέτρων που χαρακτηρίζουν τα χρονικά διαστή- µατα που έµειναν κλειστά. Το σηµαντικότερο µέρος κατά συνέπεια της εργασίας είναι η ακρίβεια εντοπισµού των καταστάσεων κλειστών µατιών του οδηγού, ώστε να οδηγηθούµε σε αξιόπιστα αποτελέσµατα. Αν και πρωταρχικός σκοπός της εργασίας δεν είναι η ταχύτητα επεξεργασίας, σε ε- πόµενο στάδιο ϑα πρέπει να επικεντρωθούν οι προσπάθειες στην ϐελτιστοποίηση των αλγόριθµων επεξεργασίας της εικόνας ώστε να γίνει δυνατή η υλοποίησή της σε συστήµατα πραγµατικού χρόνου.

24 12 Οριοθέτηση του προβλήµατος - Υποθέσεις 3.2 Επιµέρους προβλήµατα Η µέθοδοι που εφαρµόζονται στη συγκεκριµένη εργασία προς τον εντοπισµό των κλειστών µατιών και την µοντελοποίηση της συµπεριφοράς του οδηγού, σύµφωνα µε όσα προαναφέρθηκαν χωρίζονται σε τέσσερα στάδια. Εντοπισµός Προσώπου ϑεί το υπολογιστικό κόστος για τα επόµενα ϐήµατα. Το πρόσωπο του οδηγού εντοπίζεται στην εικόνα ώστε να µειω- Προσδιορισµός περιοχής µατιών Μια πιο µικρή περιοχή όπου ϑα γίνει το τελικό ϐή- µα του εντοπισµού των µατιών καθορίζεται για τον ίδιο λόγο που αναφέρθηκε και στο προηγούµενο ϐήµα. Εντοπισµός ανοιχτών/κλειστών µατιών Το τελικό στάδιο της αναγνώρισης είναι ο εντοπισµός των µατιών, ο καθορισµός αν τα µάτια είναι ανοιχτά ή κλειστά και η κατασκευή µιας ακολουθίας 1 και 0 που ϑα αναλύεται στατιστικά, παράλληλα µε τα τρία ϐήµατα που περιγράφηκαν στο σηµείο αυτό. Μοντελοποίηση συµπεριφοράς Το στάδιο αυτό µπορεί να λειτουργεί παράλληλα µε τα προηγούµενα τρία. Τροφοδοτείται διαρκώς µε µια ακολουθία 0 και 1 από το προηγού- µενο στάδιο και αναλαµβάνει τόσο την ϐραχυχρόνια παρακολούθηση του οδηγού για να εντοπίσει άµεσα επικίνδυνες συµπεριφορές - όπως υπνηλία - αναλύοντας την ακολουθία για ϐραχυχρόνιες ακολουθίες απουσίας ανοιχτών µατιών, αλλά και δυνητικά επικίνδυνες καταστάσεις που µπορούν να εντοπιστούν µε τη στατιστική ανάλυση της παραπάνω ακολουθίας για µεγαλύτερα χρονικά παράθυρα. Το σχηµατικό διάγραµµα των ϐαθµίδων του προαναφερόµενου συστήµατος ϕαίνεται στο Σχήµα Υποθέσεις Υπόθεση 1 Υπό κανονικές συνθήκες ο οδηγός ϐρίσκεται σε σχετικά σταθερή ϑέση, µε το πρόσωπο µπροστά το περισσότερο διάστηµα. Κατά συνέπεια η κάµερα µπορεί να τοποθετηθεί σε σταθερή ϑέση µπροστά από τον οδηγό ώστε το πρόσωπό του να είναι διαρκώς στο πεδίο της. Υπόθεση 2 εν αντιµετωπίζεται το πρόβληµα ϕωτεινότητας που παίζει σηµαντικό ϱόλο στην ακρίβεια εντοπισµού των χαρακτηριστικών του προσώπου. Σε πραγµατικές συνθήκες το πρόσωπο του οδηγού σπάνια είναι οµοιόµορφα ϕωτισµένο. Μέθοδοι που µπορεί σχετικά εύκολα να αντιµετωπιστεί το πρόβληµα αυτό, δίνονται στο τελευταίο κεφάλαιο µε τα συµπεράσµατα.

25 3.3 Υποθέσεις 13 Σχήµα 3.1: ιάγραµµα συστήµατος παρακολούθησης κατάστασης οδηγού Υπόθεση 3 Το πρόσωπο των ατόµων έχει διαστάσεις που είναι σχετικά σταθερές. Κατά συνέπεια πρόσωπα που εντοπίζονται µε µικρότερες διαστάσεις από ένα κατώφλι ϑεωρούνται ότι δεν ανήκουν στον οδηγό και απορρίπτονται. Υπόθεση 4 Ο αλγόριθµος εντοπισµού των κλειστών µατιών εµπλέκεται αφού έχουν ε- κτελεστεί επιτυχώς τα στάδια που αναφέρθηκαν προηγουµένως. Σε περίπτωση που έχουµε αποτυχία εντοπισµού προσώπου ή της περιοχής των µατιών, ϑεωρούµε ότι αυτό έγινε για τους εξής λόγους : Ο οδηγός δεν είχε το πρόσωπο στραµµένο µπροστά. Ο οδηγός είχε το πρόσωπο στραµµένο µπροστά υπό γωνία. Το πρόσωπο το οδηγού καλύπτεται από κάποιο αντικείµενο. Και στις δυο περιπτώσεις ϑεωρούµε ότι σε τέτοιες περιπτώσεις ο οδηγός δεν έχει α- πόλυτα την προσοχή του στο δρόµο µπροστά από το αυτοκίνητο κατά συνέπεια οι εικόνες που αποτυγχάνει ο αλγόριθµος εντοπισµού προσώπου ορίζονται ως καταστάσεις κλειστών µατιών (0 στην ακολουθία). Υπόθεση 5 Για τον εντοπισµό του κλεισίµατος των µατιών και όχι των ϐλεφαρισµών, όπως αυτά ορίστηκαν στο 1ο κεφάλαιο είναι επαρκής ένας ϱυθµός εικόνων 10fps. Ο

26 14 Οριοθέτηση του προβλήµατος - Υποθέσεις ϱυθµός αυτός ϑα πρέπει να µένει σταθερός για να προκύψουν στη συνέχεια σωστά αποτελέσµατα από την στατιστική ανάλυση.

27 Κεφάλαιο 4 Υλοποίηση Συστήµατος Στο κεφάλαιο αυτό γίνεται µια αναλυτική περιγραφή της µεθοδολογίας του σχεδιασµού του συστήµατος. Στην παρούσα εργασία σκοπός είναι να σχεδιαστεί ένα σύστηµα το οποίο ϑα εντοπίζει τα µάτια του οδηγού σε µια ακολουθία εικόνων στο ορατό ϕάσµα και στη συνέχεια ϑα δηµιουργεί ένα µοντέλο κανονικής συµπεριφοράς του οδηγού, το οποίο και ϑα αποτελεί το πρότυπο για περαιτέρω συγκρίσεις που σκοπό έχουν να εντοπίζουν επικίνδυνα µοντέλα συµπεριφοράς κατά τη οδήγηση. Στη συνέχεια ϑα περιγραφούν αναλυτικά η µεθοδολογία καθώς και οι ϑεωρητικές προσεγγίσεις που ακολουθήθηκαν στον σχεδιασµό της κάθε ϐαθµίδας του παραπάνω διαγράµµατος. 4.1 Γενική περιγραφή Η προσοµοίωση του συστήµατος της εργασίας έγινε µε τη ϐοήθεια του µαθηµατικού πακέτου MATLAB R2008a, σε έναν υπολογιστή µε επεξεργαστή Intel R Core TM 2 CPU T7200, 2GHz, 4MB L2 Cache και µνήµη 2GB DDR2. Για την εκπαίδευση και την προσοµοίωση του συστήµατος χρησιµοποιήσαµε 2 ϐάσεις δεδοµένων µε πρόσωπα. Χρησιµοποιήθηκε η BioID-FaceDatabase-V1.2, που προσφέρεται δωρεάν από την εταιρία BioID και αποτελείται από 1521 εικόνες 256 επιπέδων του γκρι, µε ανάλυση 384x286 εικονοστοιχείων. Σε κάθε µια παρουσιάζεται η εµπρόσθια όψη του προσώπου ενός από 23 ανθρώπους µε ποικίλα χαρακτηριστικά. Επιπλέον, παρέχονται και στοιχεία µαζί µε τις εικόνες αναφορικά µε τα χαρακτηριστικά σηµεία του προσώπου, πράγµα απαραίτητο για την εκπαίδευση των δικτύων µας στις ϐαθµίδες του συστήµατος, όπου αυτό ήταν απαραίτητο. Στη συνέχεια δηµιουργήσαµε µια ϐάση δεδοµένων µε εικόνες οι οποίες λήφθηκαν σε κλειστό χώρο, µε µη-οµοιόµορφο ϕωτισµό και σε σχετικά απλό περιβάλλον. Για το σκοπό αυτό χρησιµοποιήσαµε µια κάµερα χαµηλής ανάλυσης Philips SPC 900NC, ϱυθµίζοντας την στα 10fps και επιλέγοντας ως ϕορµάτ λήψης το I- YUV, 352x288 εικονοστοιχείων 256 επιπέδων του γκρι. Για να συµπληρώσουµε τη ϐάση λάβαµε εικόνες (snapshots) σε προκαθορισµένα χρονικά διαστήµατα για ένα διάστηµα 10

28 16 Υλοποίηση Συστήµατος λεπτών. Τέλος, για τον έλεγχο όσων αφορά το στάδιο της προσοµοίωσης για τη στατιστική µοντελοποίηση συµπεριφοράς καταγράψαµε 2 ϐίντεο των 10 λεπτών µε τις προαναφερό- µενες ϱυθµίσεις της κάµερας, όπου κάθε εικόνα αναγνωρίστηκε χειροκίνητα όσον αφορά την κατάσταση των µατιών. Στο Σχήµα 4.2 ϕαίνεται αναλυτικά το διάγραµµα ϱοής των διεργασιών. Σχήµα 4.1: Αλγόριθµος συστήµατος παρακολούθησης της κατάστασης του οδηγού

29 4.2 Βαθµίδες εντοπισµού προσώπου Βαθµίδες εντοπισµού προσώπου Η πρώτη ϐαθµίδα του συστήµατος, όπως έχει προαναφερθεί, είναι η ϐαθµίδα εντοπισµού του προσώπου. Οπως ϕαίνεται και στο διάγραµµα του Σχήµατος 4.2 για την υλοποίηση της ϐαθµίδας αυτής χρησιµοποιήσαµε έναν εκτιµητή δυο σταδίων. Το πρώτο στάδιο είναι ένας εκτιµητής που ϐασίζεται στον αλγόριθµο των Viola-Jones που είναι και πιο γρήγορος στον εντοπισµό προσώπου. Σε περίπτωση που σύµφωνα µε τα κριτή- ϱια που έχουµε προκαθορίσει αποτύχει ο εντοπισµός του προσώπου τότε εµπλέκεται ο δεύτερος αλγόριθµος που ϐασίζεται στη χρήση Reduced Set Vectors Support Vector Machines (RSV-SVMs). Ο αλγόριθµος αυτός είναι περισσότερο εξαντλητικός στον εντοπισµό προσώπου και γι αυτό λίγο πιο χρονοβόρος Εντοπισµός προσώπου µε τον αλγόριθµο "Viola-Jones AdaBoosted Algorithm" Ο αλγόριθµος των Viola-Jones στηρίζεται στην σάρωση µιας εικόνας στην οποία ϑέλου- µε να εντοπίσουµε πρόσωπα µε ένα παράθυρο ανίχνευσης προσώπων. Για να επιτευχθεί αυτό, η απλούστερη µέθοδος ϑα ήταν κλιµάκωση του µεγέθους της εικόνας και στη συνέχεια η σάρωση της µε το παράθυρο ανίχνευσης για τον εντοπισµό προσώπων σε όλα τα δυνατά µεγέθη. Η µέθοδος αυτή -όπως είναι ευνόητο- είναι αρκετά χρονοβόρα εξ αιτίας του υπολογισµού των διαφορετικών µεγεθών της ίδιας εικόνας και η µετέπειτα σάρωση τους. Η προσέγγιση των Viola-Jones ϐασίζεται απεναντίας στην κλιµάκωση του µεγέθους του παράθυρου ανίχνευσης και τη σάρωση της εικόνας µε τα διαφορετικά µεγέθη του παράθυρου ανίχνευσης. Ενώ αρχικά ϕαίνεται ότι και οι δυο προσεγγίσεις είναι το ίδιο χρονοβόρες οι Viola-Jones σχεδίασαν έναν αµετάβλητο σε σχέση µε το µέγεθος ανιχνευτή ο οποίος απαιτεί τον ίδιο αριθµό υπολογισµών ανεξάρτητα από το µέγεθος. Ο ανιχνευτής αυτός κατασκευάζεται µε τη χρήση µιας ενδιάµεσης αναπαράστασης της εικόνας (integral image) και µερικών απλών ορθογώνιων χαρακτηριστικών που ϑυµίζουν κυµατίδια Haar. Μια αναλυτική παρουσίαση του ϑεωρητικού µέρους του αλγόριθµου των Viola-Jones πα- ϱατίθεται στο Παράρτηµα Α.1.1. Η ταχύτητα και η αξιοπιστία του αλγόριθµου των Viola-Jones µας οδήγησαν να τον επιλέξουµε ως το πρώτο ϐήµα για τον εντοπισµό του προσώπου καθώς είναι κατάλληλος για εφαρµογές πραγµατικού χρόνου. Για την προσοµοίωση του αλγόριθµου χρησιµοποιήθηκε ο κώδικας του Sreekar Krishna, "Open CV Viola-Jones Face Detection" από το Matlab Central. Η συνάρτηση εντοπισµού επιστρέφει έναν πίνακα N 4 όπου Ν είναι ο αριθµός των προσώπων που εντοπίστηκαν. Στην περίπτωση που δεν εντοπίστηκε πρόσωπο είναι Ν=1 και όλες οι τιµές του πίνακα ίσες µε -1, ενώ στην αντίθετη περίπτωση στον κάθε πίνακα εµφανίζονται το διάνυσµα x, y που αντιστοιχεί στο πάνω αριστερό άκρο του παράθυρου που έχει εντοπιστεί το πρόσωπο καθώς και το ύψος και το πλάτος του παράθυρου. Στη συνέχεια ϕαίνονται παραδείγµατα επιτυχών εντοπισµού προσώπων µε τον αλγό- ϱιθµο αυτό.

30 18 Υλοποίηση Συστήµατος Σχήµα 4.2: Επιτυχείς εντοπισµοί προσώπων µε τον αλγόριθµο των Viola-Jones Παρατηρούµε ότι ο αλγόριθµος εντοπίζει µε επιτυχία πρόσωπα ανεξάρτητα από το ϕωτισµό και την πολυπλοκότητα του περιβάλλοντος. Παρόλ αυτά επειδή παρουσιάζει και ένα µικρό ποσοστό λανθασµένων εντοπισµών (false positives), για να µειωθεί περαιτέρω το ποσοστό τους ορίσαµε δυο εµπειρικά κριτήρια απόρριψης. Το πρώτο σχετίζεται µε τις διαστάσεις του παράθυρου και το δεύτερο µε τις αναλογίες του. Ετσι, στην περίπτωση που έχουµε εντοπισµό, το δείγµα απορρίπτεται αν οι διαστάσεις του παράθυρου είναι µικρότερες από 75 εικονοστοιχεία και αν η αναλογία ύψους µε το πλάτος είναι µεγαλύτερη από 10% και στις δυο διαστάσεις. Εξάλλου σε περίπτωση που οι διαστάσεις του προσώπου στην εικόνα είναι µικρότερες από την διάσταση που ϑέσαµε ως κατώφλι, ϑα ήταν δύσκολο να εκτιµηθεί η κατάσταση του µατιού στο επόµενο στάδιο. Οι περιορισµοί αυτοί ϕαίνονται αρχικά ότι µπορούν να περιορίσουν και το ποσοστό των επιτυχών εντοπισµών, πράγµα ανεπιθύµητο παρ όλη την παρουσία και του δεύτερου διαδοχικού εκτιµητή ο οποίος σύµφωνα µε τον αλγόριθµο που έχουµε παρακάµπτεται στην περίπτωση επιτυχούς εντοπισµού από τον προηγούµενο εκτιµητή. Πρακτικά, αυτό δε συµβαίνει γιατί ϑεωρούµε ότι η απόσταση του προσώπου του οδηγού είναι σχετικά σταθερή από την κάµερα και επίσης ϑέλουµε πρόσωπα σε δεύτερο πλάνο που εντοπίζονται (πίσω επιβάτες) να µην λαµβάνονται υπ όψη. Εξάλλου µετά από δοκιµές σε πολλές διαφορετικές εικόνες παρατηρήσαµε ότι ο εκτιµητής έχει εκπαιδευτεί κυρίως σε δείγµατα των οποίων η απόσταση του προσώπου από την κάµε- ϱα είναι σε κάποιο συγκεκριµένο εύρος και έτσι παρουσιάζει µικρότερα ποσοστά επιτυχίας στον εντοπισµό προσώπων σε αρκετά κοντινές και µακρινές αποστάσεις Εντοπισµός προσώπου µε τη χρήση SVM Η ϑεωρία των SVMs έχει τις αρχές της από τα τέλη της δεκαετία του 70 [37]. Τα τελευταία χρόνια, ωστόσο, παρατηρείται πολύ συχνή χρήση τους σε πολλούς τοµείς της

31 4.2 Βαθµίδες εντοπισµού προσώπου 19 αναγνώρισης προτύπων, όπως στην αυτόµατη αναγνώριση των χαρακτήρων του αλφαβήτου, στην αναγνώριση αντικειµένων, στον εντοπισµό προσώπων σε εικόνες κ.τ.λ. Ενα SVM δηµιουργεί ένα υπερεπίπεδο ή µια οµάδα από αυτά σε ένα πολυδιάστατο χώρο, τα οποία µπορούν να χρησιµοποιηθούν για την επίλυση προβληµάτων ταξινόµησης, παλινδρόµησης κ.α. Η ταξινόµηση δεδοµένων είναι ένα κοινό υπολογιστικό πρόβληµα. Στην περίπτωση των SVMs ένα δεδοµένο ορίζεται ως ένα ν-διάστατο διάνυσµα και το πρόβληµα που προκύπτει είναι αν µπορεί να υπάρξει ένα (ν-1) διαστάσεων επίπεδο που µπορεί να διαχωρίσει τα δεδοµένα µας. Αυτό αποκαλείται ως ένας γραµµικός ταξινοµητής. Μπορεί να υπάρχουν πολλά τέτοια επίπεδα που µπορούν να ταξινοµήσουν τα δεδοµένα, αλλά αυτό που απαιτείται είναι να υπολογιστεί το επίπεδο αυτό το οποίο µεγιστοποιεί την απόσταση διαχωρισµού µεταξύ των δυο οµάδων. Εάν υπάρχει ένα τέτοιο επίπεδο καλείται υπερεπίπεδο µέγιστου διαχωρισµού (maximum-margin hyperplane) και ένας τέτοιος γραµµικός ταξινο- µητής, ταξινοµητής µέγιστου διαχωρισµού (maximum margin classifier). Τα σηµεία που ορίζουν ένα τέτοιο υπερεπίπεδο καλούνται support vectors. Για µία πληρέστερη εισαγωγή της ϑεωρίας των SVMs, ο αναγνώστης µπορεί να ανατρέξει στο [9]. Επίσης µια σύνοψη του ϑεωρητικού υπόβαθρου των SVMs ϐρίσκεται και στο Παράρτηµα Α.1.2, της παρούσας εργασίας. Παρόλο που η χρήση των SVMs έχει πολύ καλά αποτελέσµατα όσον αφορά τον εντοπισµό αντικειµένων, έχει ένα σηµαντικό µειονέκτηµα, ειδικά στη χρήση τους σε εφαρµογές πραγµατικού χρόνου εξ αιτίας των µεγάλων υπολογιστικών απαιτήσεων τους. Η υπολογιστική πολυπλοκότητα των ταξινοµήσεων είναι γραµµικά ανάλογη του αριθµού των Support Vectors (SVs) και επίσης εξαρτάται και από τους υπολογισµούς που πρέπει να γίνουν για να ϐρεθεί ο ϐαθµός ταύτισης µεταξύ ενός SV και κάθε ενός από τα δεδοµένα σε συνάρτηση µε την πολυπλοκότητα της συνάρτησης kernel. Η έρευνα για την ϐελτιστοποίηση της διαδικασίας των υπολογισµών έχει επικεντρωθεί στην µείωση του αριθµού των SV που ορίζουν το υπερεπίπεδο διαχωρισµού. Εχει ωστόσο προταθεί µια διαφορετική µέθοδος προσέγγισης της µείωσης της υπολογιστικής πολυπλοκότητας από τον Burges [7] µε τη χρήση Reduced Set Vectors (RSV-SVMs). Η προσέγγιση αυτή σε εφαρµογές ταξινόµησης εικόνων παρουσιάζει ϐελτίωση των χρόνων υπολογισµών µεταξύ µιας κλίµακας του 10 και 30, διατηρώντας την αρχική ακρίβεια των αποτελεσµάτων. Επιπλέον, σε προβλήµατα εντοπισµού προσώπων µε τη χρήση διαδοχικών εκτιµητών µπορεί να υπάρξει περαιτέρω ϐελτίωση των αποτελεσµάτων. Παρόλ αυτά η χρήση έστω και 3 διαδοχικών εκτιµητών µε RSV αναιρεί τα πλεονεκτήµατα της µεθόδου καθιστώντας τέτοια συστήµατα µη-πρακτικά για εφαρµογές πραγµατικού χρόνου. Περαιτέρω ανάλυση των RSV-SVMs καθώς και εφαρµογές µπορούν να ϐρεθούν στο [21]. Ο αλγόριθµος εντοπισµού του προσώπου µε τη χρήση SVMs εµπλέκεται σε περίπτωση αποτυχίας εντοπισµού προσώπου στο πρώτο στάδιο, είτε από αδυναµία του αλγόριθµου των Viola-Jones, είτε από αδυναµία εκπλήρωσης των κριτηρίων που προαναφέραµε. Ο αλγόριθµος αυτός είναι περισσότερο απαιτητικός υπολογιστικά από τον προηγούµενο, αλλά και περισσότερο αξιόπιστος. Η υπολογιστική του πολυπλοκότητα µειώνεται µε τη χρήση

32 20 Υλοποίηση Συστήµατος Reduced Set Vectors (RSV-SVMs), µια προσέγγιση όπου η υπολογιστική πολυπλοκότητα της ταξινόµησης µειώνεται µε την επιλογή ενός κατάλληλα επιλεγµένου υποσυνόλου όλων των support vectors του υπερεπίπεδου µέγιστου διαχωρισµού [7]. Η υλοποίηση του έγινε µε τη ϐιβλιοθήκη fdlibmex.dll του Wolf Kienzle από την ιστοσελίδα του 1. Παρόλο που σε πολλές µεθόδους ταξινόµησης µε SVMs χρησιµοποιείται µια απεικόνιση της εικόνας µε επιλεγµένα χαρακτηριστικά τα οποία οδηγούν στην αποτύπωση της εικόνας µε διανύσµατα χαρακτηριστικών µικρότερων διαστάσεων (πχ στον χώρο του µετασχηµατισµού κυµατιδίων), η συγκεκριµένη υλοποίηση χρησιµοποιεί ως είσοδο στον ταξινοµητή τον πλήρη πίνακα των τιµών των επιπέδων του γκρι, των εικονοστοιχείων του κάθε πλαισίου της εικόνας που εξετάζεται. Ετσι, ως είσοδος είναι σε κάθε περίπτωση ένα διάνυσµα 361 τιµών που προκύπτει από τη διάταξη των τιµών των εικονοστοιχείων του πλαισίου που σαρώνει την εικόνα για να εντοπίσει πρόσωπα. Η καινοτοµία της µεθόδου που χρησιµοποιείται είναι ότι αντιµετωπίζει τον υπολογιστικό ϕόρτο για τον υπολογισµό της οµοιότητας της εισόδου µε τα σηµεία που ορίζουν τα υπερεπίπεδα µέγιστου διαχωρισµού ώστε να ταξινοµηθεί το δείγµα, µε την απεικόνιση των support vectors των υπερεπιπέδων αυτών µε κατάλληλη µορφή έτσι ώστε να µπορούν να υπολογιστούν µε διαδοχικές προσεγγίσεις και να µειωθεί έτσι η υπολογιστική πολυπλοκότητα από O(h w) σε O(r(h+w)) για πλαίσια διαστάσεων h w, όπου r είναι ένας σταθµιστής µεταξύ ταχύτητας και ακρίβειας των αποτελεσµάτων. Ο αλγόριθµος είναι αρκετά γρήγορος και µε δυνατότητα παραµετροποίησης της ευαισθησίας του εκτιµητή και περιγράφεται αναλυτικά στο [22]. Ως έξοδος προκύπτει ένα άνυσµα 3 τιµών που περιλαµβάνει τις συντεταγµένες του πάνω αριστερού άκρου του τετράγωνου πλαισίου και τη διάστασή του. Ο αλγόριθµος εφαρµόζεται σε κάθε εικόνα έξι ϕορές για έξι διαφορετικές τιµές της ευαισθησίας του εκτιµητή (r) γύρω από την προκαθορισµένη (default). Μεγαλύτερη ευαισθησία οδηγεί στον εντοπισµό προσώπων σε δυσκολότερες περιπτώσεις αλλά αυξάνει και τον αριθµό των λανθασµένων εντοπισµών. Για το λόγο αυτό συγκεντρώνονται τα παράθυρα που ο εκτιµητής ϑεωρεί ότι έχει εντοπίσει πρόσωπο και µε έναν αλγόριθµο αυτά συγκρίνονται µεταξύ τους και επιλέγεται µε έναν συγκριτή πλειοψηφίας αυτό που εντοπίστηκε τις περισσότερες ϕορές, ως η τελική επιλογή για την περιοχή του προσώπου. Ο συγκριτής πλειοψηφίας Εφαρµόζοντας τον αλγόριθµο Reduced Set Vectors (RSV-SVMs) για τον εντοπισµό των προσώπων σε µια εικόνα µε διαφορετικές τιµές ευαισθησίας, εντοπίζονται αρκετές υ- ποψήφιες περιοχές από τις οποίες ϑα πρέπει να επιλεγεί η πιθανοτικά επικρατέστερη. Επειδή σε πολλές περιπτώσεις τα πλαίσια των υποψήφιων περιοχών που έχουν εντοπιστεί πρόσωπα παρουσιάζουν µικρές αποκλίσεις τόσο ως προς τη ϑέση τους µέσα στην εικόνα όσο και ως προς τις διαστάσεις τους πρέπει να γίνει µια σύγκριση των πλαισίων αυτών και να απορριφθούν αυτά που έχουν επιλέξει αντίστοιχο κοµµάτι της εικόνας µετρώντας 1

33 4.2 Βαθµίδες εντοπισµού προσώπου 21 παράλληλα πόσες ϕορές έχει επιλεγεί το κοµµάτι αυτό, ώστε να προκύψει τελικά η επικρατέστερη περιοχή που επιλέχθηκε τις περισσότερες ϕορές από τις διαδοχικές εφαρµογές του αλγόριθµου. Μια µέθοδος για την γρήγορη σύγκριση δυο εικόνων είναι µε την χρήση µεθόδων κατακερµατισµού και η τελική σύγκριση µόνο των µοναδικών χαρακτηριστικών µικρής διάστασης για την κάθε εικόνα που προκύπτουν από τη διαδικασία αυτή. Μια µέθοδος κατακερµατισµού που έχει προταθεί για εικόνες είναι από τους Venkatesan, Koon, Jakubowski και Moulin [33]. Η µέθοδος αυτή ϐασίζεται στο µετασχηµατισµό κυµατιδίων και τον µετέπειτα κατακερµατισµό της εικόνας σε τυχαίου µεγέθους ορθογώνια, από τα οποία εξάγονται ανύσµατα που περιέχουν στατιστικές πληροφορίες σχετικά µε τους συντελεστές τους στο πεδίο του Μ/Σ κυµατιδίου. Στη συνέχεια τα ανύσµατα που παράχθηκαν υπόκεινται σε επιπλέον επεξεργασία ώστε να παραχθεί ο µοναδικός αριθµός κατακερµατισµού για την εικόνα. Για την σύγκριση δυο εικόνων ως προς την οµοιότητά τους χρησιµοποιείται η σύγκριση των αριθµών κατακερµατισµού τους µε ϐάση την κανονικοποιηµένη απόσταση Hamming 2 των ενδιάµεσων τιµών κατά την διαδικασία υπολογισµού του αριθµού κατακερµατισµού. Το αποτέλεσµα αυτής της σύγκρισης οδηγεί στην παραγωγή ενός αριθµού (ποσοστό οµοιότητας), που δείχνει το ϐαθµό οµοιότητας των προς σύγκριση εικόνων. Υ- ψηλές τιµές του αριθµού αυτού (κοντά στο 100%) αντιπροσωπεύουν σχεδόν όµοιες εικόνες καθότι οι τιµές των αριθµών κατακερµατισµού είναι παραπλήσιες, ενώ σε αντίθετη περίπτωση έχουµε τιµές κοντά ή και κάτω από το 50%. Από πειραµατικά δεδοµένα έχει ϐρεθεί ότι ο αλγόριθµος αυτός παρουσιάζει ανοχή στις εξής περιπτώσεις : Περιστροφή έως και 2 o Απότµηση έως και 10% Μεταβολή µεγέθους έως και 10% Τυχαία διαγραφή έως και 5 γραµµών. Μετατόπιση έως και 5% Συµπίεση JPEG µε ϐαθµό ποιότητας πάνω από 10%. Φιλτράρισµα median 4 4 Χαρακτηριστικά που τον καθιστούν ιδανικό για τη σύγκριση και απόρριψη παραπλήσιων τµηµάτων της εικόνας που έχουν επιλεγεί ως υποψήφιες περιοχές από τους αλγόριθ- µους εντοπισµού προσώπου. Η υλοποίησή του ϐήµατος αυτού έγινε µε τη ϐοήθεια του Image Hashing Toobox από τους Vishal Monga, Divyanshu Vats, Brian L. Evans 3. Οι παράµετροι που χρησιµοποιή- ϑηκαν είναι : x y 2 Η µέση απόσταση Hamming δύο διανυσµάτων είναι 2 x y 3

34 22 Υλοποίηση Συστήµατος ΜΣ κυµατιδίου Daubechies 4ης τάξης. Κβαντιστής 100 σταθµών. Ανάλυση ΜΣ κυµατιδίου 3 σταδίων. Κατακερµατισµός της εικόνας σε 150 τυχαία ορθογώνια. Στη συνέχεια στο Σχήµα 4.3 ϕαίνονται περιπτώσεις όπου έγινε χρήση του αλγόριθµου Reduced Set Vectors (RSV-SVMs), τα διαφορετικά υποψήφια παράθυρα και αυτό που επιλέχθηκε µετά τον συγκριτή πλειοψηφίας. Οι πράσινες οριοθετηµένες περιοχές όπου υπάρχουν είναι περιπτώσεις που έχουν απορριφθεί από τα κριτήρια που ϑέσαµε στον αλγόριθµο των Viola-Jones. Σχήµα 4.3: Επιτυχείς εντοπισµοί προσώπων σε έγχρωµες εικόνες µε τον αλγόριθµο Reduced Set Vectors (RSV-SVMs) (κόκκινα πλαίσια). 4.3 Βαθµίδες εντοπισµού µατιών Το επόµενο ϐήµα µετά τον εντοπισµό του προσώπου είναι να εντοπιστούν τα µάτια και να προσδιοριστεί αν είναι ανοιχτά ή κλειστά. Για το σκοπό αυτό, η ϐαθµίδα αυτή αποτε-

35 4.3 Βαθµίδες εντοπισµού µατιών 23 λείται από τρία επιµέρους στάδια που σκοπό έχουν αντί να σαρώσουµε όλο το πρόσωπο για να εντοπίσουµε πιθανές περιοχές των µατιών, να περιορίσουµε αρχικά όσο το δυνατόν περισσότερο την προς αναζήτηση περιοχή. Στο πρώτο στάδιο περιορίζουµε την εικόνα του προσώπου στην παράλληλη περιοχή πάνω και κάτω από τα µάτια. Στη συνέχεια αποκόπτουµε τις δυο περιοχές των µατιών και τέλος στο τελικό στάδιο εκτιµούµε την κατάσταση των µατιών. Η υλοποίηση και των τριών σταδίων έγινε µε τη χρήση Νευρωνικών ικτύων (ΑΝΝ) Οριοθέτηση της περιοχής των µατιών Το πρώτο στάδιο προς τον εντοπισµό των µατιών είναι να περιορίσουµε την προς έρευνα περιοχή σε µια οριζόντια Ϲώνη στο πάνω µισό της περιοχής του προσώπου. Για το λόγο αυτό αρκεί µια απλή και γρήγορη αποκοπή του πάνω µισού του παραθύρου που έχει εντοπιστεί πρόσωπο από την προηγούµενη ϐαθµίδα. Πριν όµως προχωρήσουµε σε αυτό και για ϐελτιωθεί η εικόνα του προσώπου ως προς την αντίθεσή της, επεξεργαζόµαστε τις εικόνες που παρουσιάζουν χαµηλή αντίθεση και τις οποίες µπορούµε να εντοπίσουµε υπολογίζοντας τον συντελεστή κύρτωσης 4 του ιστογράµµατος τους. Σε περίπτωση που η συνάρτηση είναι λεπτόκυρτη, δηλαδή το εύρος της αντίθεσης της είναι µικρό, µε τη ϐοήθεια της συνάρτησης imadjust του Matlab επεξεργαζόµαστε την εικόνα ώστε το ιστόγραµµα που προκύπτει να επεκταθεί σε όλο το εύρος του ϕάσµατος των 256 επιπέδων του γκρι, ϐελτιώνοντας έτσι την αντίθεσή της. Το επόµενο στάδιο είναι να περιορίσουµε την περιοχή σε µια οριζόντια Ϲώνη µεταξύ των ϕρυδιών και της περιοχής κάτω από το µάτι, αφού µέσα σε αυτή την περιοχή περιέχεται όλη η οπτική πληροφορία που Ϲητάµε για να εκτιµήσουµε τελικά αν τα µάτια του οδηγού είναι κλειστά ή ανοιχτά. Για να προχωρήσουµε προς αυτή την κατεύθυνση δηµιουργήσαµε έναν αλγόριθµο ο οποίος έχει ως σκοπό τη δηµιουργία µιας αξιόπιστης κάθετης προβολής που να δίνει την δυνατότητα σε έναν εκτιµητή να συµπεράνει την κατάσταση των µατιών. Για να τονίσουµε τα σηµεία της εικόνας που υπάρχει η οπτική πληροφορία ως προς το περιεχόµενο και να απορρίψουµε περιττή πληροφορία ως προς την υφή της, επεξεργαζό- µαστε την εικόνα µε ένα ϕίλτρο το οποίο αντικαθιστά κάθε εικονοστοιχείο µε το εύρος της ϕωτεινότητας των γειτονικών του 3 3. Τέλος για να απορρίψουµε την περιττή πληροφο- ϱία της υφής περνάµε την εικόνα από ένα υψιπερατό ϕίλτρο που αποκόπτει τις τιµές της ϕωτεινότητας που είναι κάτω από κάποιο ποσοστό της µέσης τιµής της ϕωτεινότητας των εικονοστοιχείων όλης της εικόνας και η τιµή του οποίου καθορίστηκε εµπειρικά στο 55% της µέσης τιµής. Η τιµή αυτή προφανώς σχετίζεται µε τις κοινές συνθήκες ϕωτισµού που υπάρχουν για όλες τις εικόνες της ϐάσης εικόνων που χρησιµοποιούµε. Για την υλοποίηση σε πραγµατικά συστήµατα η τιµή αυτή ϑα πρέπει να προκύπτει προσαρµοστικά ανάλογα µε τις συνθήκες ϕωτισµού του περιβάλλοντος, αλλά η διερεύνηση αυτή ξεφεύγει από τα 4 Ο συντελεστής κύρτωσης µιας συνάρτησης ορίζεται από τον τύπο γ 2 = µ 4 µ όπου µ k η κεντρική ϱοπή k-τάξης. Ο συντελεστής κύρτωσης ισούται µε το 0 για µεσόκυρτες συναρτήσεις, ενώ παίρνει ϑετικές τιµές για λεπτόκυρτες και αρνητικές για πλατύκυρτες.

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012 ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο

Διαβάστε περισσότερα

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 5 η Παρουσίαση : Ψηφιακή Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Σύνθεση Χρωμάτων Αφαιρετική Παραγωγή Χρώματος Χρωματικά

Διαβάστε περισσότερα

2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5

2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5 IOYNIOΣ 23 Δίνονται τα εξής πρότυπα: x! = 2.5 Άσκηση η (3 µονάδες) Χρησιµοποιώντας το κριτήριο της οµοιότητας να απορριφθεί ένα χαρακτηριστικό µε βάση το συντελεστή συσχέτισης. Γράψτε εδώ το χαρακτηριστικό

Διαβάστε περισσότερα

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ

Διαβάστε περισσότερα

Περίληψη ιπλωµατικής Εργασίας

Περίληψη ιπλωµατικής Εργασίας Περίληψη ιπλωµατικής Εργασίας Θέµα: Εναλλακτικές Τεχνικές Εντοπισµού Θέσης Όνοµα: Κατερίνα Σπόντου Επιβλέπων: Ιωάννης Βασιλείου Συν-επιβλέπων: Σπύρος Αθανασίου 1. Αντικείµενο της διπλωµατικής Ο εντοπισµός

Διαβάστε περισσότερα

Οπτική αντίληψη. Μετά?..

Οπτική αντίληψη. Μετά?.. Οπτική αντίληψη Πρωτογενής ερεθισµός (φυσικό φαινόµενο) Μεταφορά µηνύµατος στον εγκέφαλο (ψυχολογική αντίδραση) Μετατροπή ερεθίσµατος σε έννοια Μετά?.. ΓΙΑ ΝΑ ΚΑΤΑΝΟΗΣΟΥΜΕ ΤΗΝ ΟΡΑΣΗ ΠΡΕΠΕΙ ΝΑ ΑΝΑΛΟΓΙΣΤΟΥΜΕ

Διαβάστε περισσότερα

Εξετάζεται ο βαθµός στον οποίο οι παρακάτω. που αποδέχεται ο πεζός και στην επιλογή του να διασχίσει ή όχι την οδό

Εξετάζεται ο βαθµός στον οποίο οι παρακάτω. που αποδέχεται ο πεζός και στην επιλογή του να διασχίσει ή όχι την οδό ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝΤΟΜΕΑΣ ΜΕΤΑΦΟΡΩΝ ΚΑΙ ΣΥΓΚΟΙΝΩΝΙΑΚΗΣ ΥΠΟ ΟΜΗΣ ΙΕΡΕΥΝΗΣΗ ΤΟΥ ΙΑΣΤΗΜΑΤΟΣ ΑΠΟ ΤΟ ΟΧΗΜΑ ΠΟΥ ΑΠΟ ΕΧΕΤΑΙ Ο ΠΕΖΟΣ ΓΙΑ ΝΑ ΙΑΣΧΙΣΕΙ ΑΣΤΙΚΗ Ο Ο ΕΚΤΟΣ ΙΑΣΤΑΥΡΩΣΕΩΝ

Διαβάστε περισσότερα

4.3. Γραµµικοί ταξινοµητές

4.3. Γραµµικοί ταξινοµητές Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων

Διαβάστε περισσότερα

ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΗ ΚΙΝΗΣΗ ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΑ ΜΕΤΑΒΑΛΟΜΕΝΗ ΚΙΝΗΣΗ. Κινητική του υλικού σηµείου Ερωτήσεις Ασκήσεις

ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΗ ΚΙΝΗΣΗ ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΑ ΜΕΤΑΒΑΛΟΜΕΝΗ ΚΙΝΗΣΗ. Κινητική του υλικού σηµείου Ερωτήσεις Ασκήσεις ΕΡΓΑΣΙΑ ΣΤΗ ΦΥΣΙΚΗ Α ΛΥΚΕΙΟΥ ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΗ ΚΙΝΗΣΗ ΕΥΘΥΓΡΑΜΜΗ ΟΜΑΛΑ ΜΕΤΑΒΑΛΟΜΕΝΗ ΚΙΝΗΣΗ Κινητική του υλικού σηµείου Ερωτήσεις Ασκήσεις Α. Ερωτήσεις Πολλαπλής Επιλογής Να γράψετε στο φύλλο των απαντήσεών

Διαβάστε περισσότερα

Κοινωνικό Προφίλ. ραστηριότητες. Στόχος. Νέες ράσεις. e-mail: info@youngsafedrivers.com web site: www.youngsafedrivers.com

Κοινωνικό Προφίλ. ραστηριότητες. Στόχος. Νέες ράσεις. e-mail: info@youngsafedrivers.com web site: www.youngsafedrivers.com Ελληνική Εταιρία Νέων Σωστής Οδικής Συµπεριφοράς Αστική µη κερδοσκοπική εταιρία 2011 Ελληνική Εταιρία Νέων Σωστής Οδικής Συµπεριφοράς All Rights Reserved Ελληνική Εταιρία Νέων Σωστής Οδικής Συµπεριφοράς

Διαβάστε περισσότερα

Γνωστική Ψυχολογία ΙΙ (ΨΧ 05) Γλώσσα (3)

Γνωστική Ψυχολογία ΙΙ (ΨΧ 05) Γλώσσα (3) Γνωστική Ψυχολογία ΙΙ (ΨΧ 05) Γλώσσα (3) Δυσκολίες στην ανάγνωση Τα θεωρητικά μέρη του δικτύου οπτικής αναγνώρισης λέξεων και οι εκτιμώμενες θέσεις τους στο αριστερό ημισφαίριο του εγκεφάλου του έμπειρου

Διαβάστε περισσότερα

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση ΤΨΣ 50 Ψηφιακή Επεξεργασία Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία

Διαβάστε περισσότερα

Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ

Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ Σ ΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΩΝ ΕΞΕΤΑΣΕΩΝ Μ ΑΪΟΥ 2002 2004 Δ ΕΥΤΕΡΟ ΜΕΡΟΣ Π ΕΡΙΛΗΨΗ: Η μελέτη αυτή έχει σκοπό να παρουσιάσει και να ερμηνεύσει τα ευρήματα που προέκυψαν από τη στατιστική

Διαβάστε περισσότερα

Αλλαγές στους Κανόνες Οδικής Κυκλοφορίας της NNO

Αλλαγές στους Κανόνες Οδικής Κυκλοφορίας της NNO 1η Νοεμβρίου 2012 Αλλαγές στους Κανόνες Οδικής Κυκλοφορίας της NNO Από την 1η Νοεμβρίου 2012 θα ισχύουν διάφορες αλλαγές στους κανόνες οδικής κυκλοφορίας της ΝΝΟ. Πολλές από αυτές τις αλλαγές είναι απλά

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος xi 1 Αντικείμενα των Πιθανοτήτων και της Στατιστικής 1 1.1 Πιθανοτικά Πρότυπα και Αντικείμενο των Πιθανοτήτων, 1 1.2 Αντικείμενο της Στατιστικής, 3 1.3 Ο Ρόλος των Πιθανοτήτων

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2

ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2 1 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2 Β. ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΕΥΝΑ 1. Γενικά Έννοιες.. 2 2. Πρακτικός Οδηγός Ανάλυσης εδοµένων.. 4 α. Οδηγός Λύσεων στο πλαίσιο

Διαβάστε περισσότερα

Αναγνώριση Προτύπων - Νευρωνικά ίκτυα

Αναγνώριση Προτύπων - Νευρωνικά ίκτυα ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΣΕΡΡΩΝ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ Αναγνώριση Προτύπων - Νευρωνικά ίκτυα ρ. Χαράλαµπος Π. Στρουθόπουλος Αναπληρωτής Καθηγητής

Διαβάστε περισσότερα

ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β

ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΠΟΛΙΤΙΚΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΜΕΡΟΣ Β ηµήτρης Κουγιουµτζής http://users.auth.gr/dkugiu/teach/civilengineer E mail: dkugiu@gen.auth.gr 1/11/2009 2 Περιεχόµενα 1 ΠΕΡΙΓΡΑΦΙΚΗ

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες ΕΙΣΑΓΩΓΗ Βασικές έννοιες Σε ένα ερωτηματολόγιο έχουμε ένα σύνολο ερωτήσεων. Μπορούμε να πούμε ότι σε κάθε ερώτηση αντιστοιχεί μία μεταβλητή. Αν θεωρήσουμε μια ερώτηση, τα άτομα δίνουν κάποιες απαντήσεις

Διαβάστε περισσότερα

Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών

Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών 1 Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της Κωτσογιάννη Μαριάννας Περίληψη 1. Αντικείµενο- Σκοπός Αντικείµενο της διπλωµατικής αυτής εργασίας

Διαβάστε περισσότερα

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Οι παρούσες σημειώσεις αποτελούν βοήθημα στο μάθημα Αριθμητικές Μέθοδοι του 5 ου εξαμήνου του ΤΜΜ ημήτρης Βαλουγεώργης Καθηγητής Εργαστήριο Φυσικών

Διαβάστε περισσότερα

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της

Διαβάστε περισσότερα

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τοµέας Μαθηµατικών, Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόµενα Εισαγωγή στη

Διαβάστε περισσότερα

ΙΕΡΕΥΝΗΣΗ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ ΥΠΟΛΟΓΙΣΜΩΝ ΚΛΩΘΟΕΙ ΟΥΣ, Ι ΙΑΙΤΕΡΑ ΣΕ ΜΗ ΤΥΠΙΚΕΣ ΕΦΑΡΜΟΓΕΣ.

ΙΕΡΕΥΝΗΣΗ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ ΥΠΟΛΟΓΙΣΜΩΝ ΚΛΩΘΟΕΙ ΟΥΣ, Ι ΙΑΙΤΕΡΑ ΣΕ ΜΗ ΤΥΠΙΚΕΣ ΕΦΑΡΜΟΓΕΣ. ΙΕΡΕΥΝΗΣΗ ΚΑΙ ΑΝΑΛΥΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ ΥΠΟΛΟΓΙΣΜΩΝ ΚΛΩΘΟΕΙ ΟΥΣ, Ι ΙΑΙΤΕΡΑ ΣΕ ΜΗ ΤΥΠΙΚΕΣ ΕΦΑΡΜΟΓΕΣ. Ν. Ε. Ηλιού Επίκουρος Καθηγητής Τµήµατος Πολιτικών Μηχανικών Πανεπιστηµίου Θεσσαλίας Γ.. Καλιαµπέτσος Επιστηµονικός

Διαβάστε περισσότερα

Ποσοτικές Μέθοδοι., Εισηγητής: Ν.Κυρίτσης, MBA, Ph.D. Candidate,, e-mail: kyritsis@ist.edu.gr

Ποσοτικές Μέθοδοι., Εισηγητής: Ν.Κυρίτσης, MBA, Ph.D. Candidate,, e-mail: kyritsis@ist.edu.gr Ποσοτικές Μέθοδοι Εισηγητής: Ν.Κυρίτσης MBA Ph.D. Candidate e-mail: kyritsis@ist.edu.gr Εισαγωγή στη Στατιστική Διδακτικοί Στόχοι Μέτρα Σχετικής Διασποράς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή Η Τυποποιημένες

Διαβάστε περισσότερα

Επιλογή επενδύσεων κάτω από αβεβαιότητα

Επιλογή επενδύσεων κάτω από αβεβαιότητα Επιλογή επενδύσεων κάτω από αβεβαιότητα Στατιστικά κριτήρια επιλογής υποδειγμάτων Παράδειγμα Θεωρήστε τον παρακάτω πίνακα ο οποίος δίνει τις ροές επενδυτικών σχεδίων λήξης μιας περιόδου στο μέλλον, όταν

Διαβάστε περισσότερα

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21

Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ. (Power of a Test) ΚΕΦΑΛΑΙΟ 21 ΚΕΦΑΛΑΙΟ 21 Η ΙΣΧΥΣ ΕΝΟΣ ΕΛΕΓΧΟΥ (Power of a Test) Όπως είδαμε προηγουμένως, στον Στατιστικό Έλεγχο Υποθέσεων, ορίζουμε δύο είδη πιθανών λαθών (κινδύνων) που μπορεί να συμβούν όταν παίρνουμε αποφάσεις

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

Εικόνες και γραφικά. Τεχνολογία Πολυµέσων 05-1

Εικόνες και γραφικά. Τεχνολογία Πολυµέσων 05-1 Εικόνες και γραφικά Περιγραφή στατικών εικόνων Αναπαράσταση γραφικών Υλικό γραφικών Dithering και anti-aliasing Σύνθεση εικόνας Ανάλυση εικόνας Μετάδοση εικόνας Τεχνολογία Πολυµέσων 05-1 Περιγραφή στατικών

Διαβάστε περισσότερα

Σύστηµα Καθοδήγησης σε Parking DUPLINE

Σύστηµα Καθοδήγησης σε Parking DUPLINE Σύστηµα Καθοδήγησης σε Parking DUPLINE Ανιχνεύει τις ελεύθερες θέσεις πάρκινγκ και οδηγεί τον οδηγό σε αυτές από τη συντοµότερη δυνατή διαδροµή Ανίχνευση αυτοκινήτου µε αισθητήρα υπερήχων ultrasonic Ο

Διαβάστε περισσότερα

Ασφάλειαστοδρόµο, ασφάλειαστηζωή αφιέρωµα στους νέους

Ασφάλειαστοδρόµο, ασφάλειαστηζωή αφιέρωµα στους νέους Ασφάλειαστοδρόµο, ασφάλειαστηζωή αφιέρωµα στους νέους Καλές πρακτικές για ασφαλείς µετακινήσεις Ευη Μπλάνα Γραµµατεία ιυπουργικής Επιτροπής Οδικής Ασφάλειας 1 6 Απριλίου 2012 Τροχαία ατυχήµατα και νέοι

Διαβάστε περισσότερα

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 9 ο 9.1 ηµιουργία µοντέλων πρόβλεψης 9.2 Απλή Γραµµική Παλινδρόµηση 9.3 Αναλυτικά για το ιάγραµµα ιασποράς

Διαβάστε περισσότερα

4. Βασικοί κανόνες τοποθέτησης των πινακίδων

4. Βασικοί κανόνες τοποθέτησης των πινακίδων 4. Βασικοί κανόνες τοποθέτησης των πινακίδων 4.1 Γενικά (1) Η σωστή επιλογή της θέσης των πληροφοριακών πινακίδων είναι βασικής σηµασίας για την έγκαιρη παρατήρηση της πληροφοριακής σήµανσης καθώς επίσης

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΕΠΙΜΟΡΦΩΣΗ ΤΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΓΙΑ ΤΗΝ ΑΞΙΟΠΟΙΗΣΗ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΩΝ ΤΠΕ ΣΤΗ ΔΙΔΑΚΤΙΚΗ ΠΡΑΞΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΟΡΙΟ ΣΥΝΑΡΤΗΣΗΣ ΕΞ ΑΡΙΣΤΕΡΩΝ ΚΑΙ ΕΚ ΔΕΞΙΩΝ ΣΥΓΓΡΑΦΕΑΣ: ΚΟΥΤΙΔΗΣ ΙΩΑΝΝΗΣ

Διαβάστε περισσότερα

sin ϕ = cos ϕ = tan ϕ =

sin ϕ = cos ϕ = tan ϕ = Τ.Ε.Ι. ΠΕΙΡΑΙΑ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΟΜΙΚΩΝ ΕΡΓΩΝ ΜΗΧΑΝΙΚΗ 1 ΠΑΡΑ ΕΙΓΜΑ 1 ΚΑΤΑΣΚΕΥΗ ΙΑΓΡΑΜΜΑΤΩΝ MQN ΣΕ ΟΚΟ ιδάσκων: Αριστοτέλης Ε. Χαραλαµπάκης Εισαγωγή Με το παράδειγµα αυτό αναλύεται

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

Εισαγωγή στις Ηλεκτρικές Μετρήσεις

Εισαγωγή στις Ηλεκτρικές Μετρήσεις Εισαγωγή στις Ηλεκτρικές Μετρήσεις Σφάλματα Μετρήσεων Συμβατικά όργανα μετρήσεων Χαρακτηριστικά μεγέθη οργάνων Παλμογράφος Λέκτορας Σοφία Τσεκερίδου 1 Σφάλματα μετρήσεων Επιτυχημένη μέτρηση Σωστή εκλογή

Διαβάστε περισσότερα

Βίντεο και κινούµενα σχέδια

Βίντεο και κινούµενα σχέδια Βίντεο και κινούµενα σχέδια Περιγραφή του βίντεο Ανάλυση του βίντεο Κωδικοποίηση των χρωµάτων Μετάδοση τηλεοπτικού σήµατος Συµβατικά τηλεοπτικά συστήµατα Τεχνολογία Πολυµέσων 06-1 Περιγραφή του βίντεο

Διαβάστε περισσότερα

Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS)

Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) ρ. ΧΑΛΚΙΑΣ ΧΡΙΣΤΟΣ xalkias@hua.gr Χ. Χαλκιάς - Εισαγωγή στα GIS 1 Ορισµοί ΓΠΣ Ένα γεωγραφικό πληροφοριακό σύστηµα Geographic Information

Διαβάστε περισσότερα

ΠΟΙΟΤΙΚΟΣ ΕΛΕΓΧΟΣ ΤΡΟΦΙΜΩΝ ΕΙΣΑΓΩΓΙΚΑ

ΠΟΙΟΤΙΚΟΣ ΕΛΕΓΧΟΣ ΤΡΟΦΙΜΩΝ ΕΙΣΑΓΩΓΙΚΑ ΠΟΙΟΤΙΚΟΣ ΕΛΕΓΧΟΣ ΤΡΟΦΙΜΩΝ ΕΙΣΑΓΩΓΙΚΑ 1 Ποιότητα και Ποιοτικός Έλεγχος Ο όρος «ποιότητα» συχνά χρησιµοποιείται χωρίς την πραγµατική της έννοια. ηλαδή δεν προσδιορίζεται αν το προϊόν στο οποίο αναφέρεται

Διαβάστε περισσότερα

Πιστοποίηση των αντηλιακών µεµβρανών 3M Scotchtint της εταιρίας 3Μ

Πιστοποίηση των αντηλιακών µεµβρανών 3M Scotchtint της εταιρίας 3Μ Πιστοποίηση των αντηλιακών µεµβρανών 3M Scotchtint της εταιρίας 3Μ 1 Πιστοποίηση των αντηλιακών µεµβρανών 3M Scotchtint της εταιρίας 3Μ Οι αντηλιακές µεµβράνες 3M Scotchtint της εταιρίας 3Μ µελετήθηκαν

Διαβάστε περισσότερα

Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος

Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος ΜΑΘΗΜΑ 10 ο Συνολοκλήρωση και μηχανισμός διόρθωσης σφάλματος Η μέθοδος της συνολοκλήρωσης είναι ένας τρόπος με τον οποίο μπορούμε να εκτιμήσουμε τη μακροχρόνια σχέση ισορροπίας που υπάρχει μεταξύ δύο ή

Διαβάστε περισσότερα

Βίντεο. Τεχνολογία Πολυμέσων και Πολυμεσικές Επικοινωνίες 06-1

Βίντεο. Τεχνολογία Πολυμέσων και Πολυμεσικές Επικοινωνίες 06-1 Βίντεο Εισαγωγή Χαρακτηριστικά του βίντεο Απόσταση θέασης Μετάδοση τηλεοπτικού σήματος Συμβατικά τηλεοπτικά συστήματα Ψηφιακό βίντεο Εναλλακτικά μορφότυπα Τηλεόραση υψηλής ευκρίνειας Κινούμενες εικόνες

Διαβάστε περισσότερα

Kalman Filter Γιατί ο όρος φίλτρο;

Kalman Filter Γιατί ο όρος φίλτρο; Kalman Filter Γιατί ο όρος φίλτρο; Συνήθως ο όρος φίλτρο υποδηλώνει µια διαδικασία αποµάκρυνσης µη επιθυµητών στοιχείων Απότολατινικόόροfelt : το υλικό για το φιλτράρισµα υγρών Στη εποχή των ραδιολυχνίων:

Διαβάστε περισσότερα

Ελληνικό Ανοικτό Πανεπιστήμιο

Ελληνικό Ανοικτό Πανεπιστήμιο Διοίκηση Ολικής Ποιότητας και Διαχείριση Περιβάλλοντος Ελληνικό Ανοικτό Πανεπιστήμιο Πρόγραμμα Σπουδών: Διοίκηση Επιχειρήσεων και Οργανισμών Ακαδημαϊκό Έτος 2006-07 2η ΟΣΣ Ευτύχιος Σαρτζετάκης, Αναπληρωτής

Διαβάστε περισσότερα

ΕΡΕΥΝΑ Ο ΙΚΗΣ ΑΣΦΑΛΕΙΑΣ

ΕΡΕΥΝΑ Ο ΙΚΗΣ ΑΣΦΑΛΕΙΑΣ ΕΡΕΥΝΑ Ο ΙΚΗΣ ΑΣΦΑΛΕΙΑΣ Γιώργος Μιχαήλ Κλήµης, ΜΒΑ, PhD ΠΑΝΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Ι.Ο.Α.Σ. ΙΝΣΤΙΤΟΥΤΟ Ο ΙΚΗΣ ΑΣΦΑΛΕΙΑΣ ΓΕΦΥΡΑ Α.Ε. 1 1. ΤΑΥΤΟΤΗΤΑ ΕΡΕΥΝΑΣ Το συνολικό δείγµα απαριθµεί 918 ερωτηµατολόγια που

Διαβάστε περισσότερα

ΕΝ ΕΙΚΤΙΚΑ ΠΑΡΑ ΕΙΓΜΑΤΑ ΚΡΙΤΗΡΙΩΝ ΑΞΙΟΛΟΓΗΣΗΣ. Κεφάλαιο 17

ΕΝ ΕΙΚΤΙΚΑ ΠΑΡΑ ΕΙΓΜΑΤΑ ΚΡΙΤΗΡΙΩΝ ΑΞΙΟΛΟΓΗΣΗΣ. Κεφάλαιο 17 ΕΝ ΕΙΚΤΙΚΑ ΠΑΡΑ ΕΙΓΜΑΤΑ ΚΡΙΤΗΡΙΩΝ ΑΞΙΟΛΟΓΗΣΗΣ 1 ο Παράδειγµα (διάρκεια: 15 λεπτά) Κεφάλαιο 17 Α. ΣΤΟΙΧΕΙΑ ΤΟΥ ΜΑΘΗΤΗ ΟΝΟΜΑΤΕΠΩΝΥΜΟ ΜΑΘΗΤΗ:... ΤΑΞΗ:... ΤΜΗΜΑ:... ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ:... ΗΜΕΡΟΜΗΝΙΑ:... Β.

Διαβάστε περισσότερα

J-GANNO. Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β, Φεβ.1998) Χάρης Γεωργίου

J-GANNO. Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β, Φεβ.1998) Χάρης Γεωργίου J-GANNO ΓΕΝΙΚΕΥΜΕΝΟ ΠΑΚΕΤΟ ΥΛΟΠΟΙΗΣΗΣ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΙΚΤΥΩΝ ΣΤΗ ΓΛΩΣΣΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ JAVA Σύντοµη αναφορά στους κύριους στόχους σχεδίασης και τα βασικά χαρακτηριστικά του πακέτου (προέκδοση 0.9Β,

Διαβάστε περισσότερα

ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα

ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα πολυδιάστατου ψηφιακού σήµατος (Εικόνες Εικονοσειρές)» Πακέτο Εργασίας 4: Προστασία

Διαβάστε περισσότερα

Εικόνα. Τεχνολογία Πολυμέσων και Πολυμεσικές Επικοινωνίες 05-1

Εικόνα. Τεχνολογία Πολυμέσων και Πολυμεσικές Επικοινωνίες 05-1 Εικόνα Εισαγωγή Ψηφιακή αναπαράσταση Κωδικοποίηση των χρωμάτων Συσκευές εισόδου και εξόδου Βάθος χρώματος και ανάλυση Συμβολική αναπαράσταση Μετάδοση εικόνας Σύνθεση εικόνας Ανάλυση εικόνας Τεχνολογία

Διαβάστε περισσότερα

Προσοχή. Ηπροσοχήείναιµία κεντρική λειτουργία του γνωστικού συστήµατος.

Προσοχή. Ηπροσοχήείναιµία κεντρική λειτουργία του γνωστικού συστήµατος. Προσοχή Ηπροσοχήείναιµία κεντρική λειτουργία του γνωστικού συστήµατος. Ηπροσοχήεµπλέκεται στην επιλογή των στοιχείων του περιβάλλοντος που επιθυµούµε να επεξεργαστούµε, και παράλληλα στην αγνόηση στοιχείων

Διαβάστε περισσότερα

Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Μάθηση και Γενίκευση. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες

Διαβάστε περισσότερα

Επεξεργασία Χαρτογραφικής Εικόνας

Επεξεργασία Χαρτογραφικής Εικόνας Επεξεργασία Χαρτογραφικής Εικόνας ιδάσκων: Αναγνωστόπουλος Χρήστος Αρχές συµπίεσης δεδοµένων Ήδη συµπίεσης Συµπίεση εικόνων Αλγόριθµος JPEG Γιατί χρειαζόµαστε συµπίεση; Τα σηµερινά αποθηκευτικά µέσα αδυνατούν

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο

Διαβάστε περισσότερα

Περιεχόμενα. Δομές δεδομένων. Τεχνικές σχεδίασης αλγορίθμων. Εισαγωγή στον προγραμματισμό. Υποπρογράμματα. Επαναληπτικά κριτήρια αξιολόγησης

Περιεχόμενα. Δομές δεδομένων. Τεχνικές σχεδίασης αλγορίθμων. Εισαγωγή στον προγραμματισμό. Υποπρογράμματα. Επαναληπτικά κριτήρια αξιολόγησης Περιεχόμενα Δομές δεδομένων 37. Δομές δεδομένων (θεωρητικά στοιχεία)...11 38. Εισαγωγή στους μονοδιάστατους πίνακες...16 39. Βασικές επεξεργασίες στους μονοδιάστατους πίνακες...25 40. Ασκήσεις στους μονοδιάστατους

Διαβάστε περισσότερα

ΣΧΕΔΙΟ ΜΑΘΗΜΑΤΟΣ: ΜΑΘΗΜΑΤΙΚΑ ΣΤ ΔΗΜΟΤΙΚΟΥ «ΤΑ ΚΛΑΣΜΑΤΑ»

ΣΧΕΔΙΟ ΜΑΘΗΜΑΤΟΣ: ΜΑΘΗΜΑΤΙΚΑ ΣΤ ΔΗΜΟΤΙΚΟΥ «ΤΑ ΚΛΑΣΜΑΤΑ» ΣΧΕΔΙΟ ΜΑΘΗΜΑΤΟΣ: ΜΑΘΗΜΑΤΙΚΑ ΣΤ ΔΗΜΟΤΙΚΟΥ «ΤΑ ΚΛΑΣΜΑΤΑ» Νικόλαος Μπαλκίζας 1. ΕΙΣΑΓΩΓΗ Σκοπός του σχεδίου μαθήματος είναι να μάθουν όλοι οι μαθητές της τάξης τις έννοιες της ισοδυναμίας των κλασμάτων,

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2010 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2010 ΕΚΦΩΝΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 00 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α. Έστω t, t,..., t ν οι παρατηρήσεις µιας ποσοτικής µεταβλητής Χ ενός δείγµατος µεγέθους ν, που έχουν µέση τιµή x. Σχηµατίζουµε

Διαβάστε περισσότερα

Ανίχνευση Κίνησης Παρουσίας. Κέντρο εκπαίδευσης ISC

Ανίχνευση Κίνησης Παρουσίας. Κέντρο εκπαίδευσης ISC Ανίχνευση Κίνησης Παρουσίας Κέντρο εκπαίδευσης ISC July 2009 > Ανίχνευση κίνησης και παρουσίας Περιεχόμενα Τι είναι ο ανιχνευτής κίνησης? Ανιχνευτές κίνησης & οφέλη για τον πελάτη Ανιχνευτές κίνησης στην

Διαβάστε περισσότερα

Πίνακες Εισροών-Εκροών της Ελληνικής Οικονοµίας για τον Τουρισµό. Σύνοψη Μελέτης

Πίνακες Εισροών-Εκροών της Ελληνικής Οικονοµίας για τον Τουρισµό. Σύνοψη Μελέτης Πίνακες Εισροών-Εκροών της Ελληνικής Οικονοµίας για τον Τουρισµό Σύνοψη Μελέτης Η παρούσα µελέτη των Πινάκων Εισροών-Εκροών µε επίκεντρο τους τοµείς τουρισµού του έτους 1992 εκπονήθηκε µε χρηµατοδότηση

Διαβάστε περισσότερα

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------

----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 8 ο 8.1 Συντελεστές συσχέτισης: 8.1.1 Συσχέτιση Pearson, και ρ του Spearman 8.1.2 Υπολογισµός του συντελεστή

Διαβάστε περισσότερα

Συνολικός Χάρτης Πόλης

Συνολικός Χάρτης Πόλης Στα πλαίσια εφαρµογής της οδηγίας 2002/49/ΕΚ, για την αντιµετώπιση των σοβαρών περιβαλλοντικών προβληµάτων που αντιµετωπίζουν οι πόλεις, εξαιτίας του οδικού Θορύβου, µε σοβαρές επιπτώσεις στην ανθρώπινη

Διαβάστε περισσότερα

1.1. Κινηµατική Οµάδα Γ.

1.1. Κινηµατική Οµάδα Γ. 1.1. Οµάδα Γ. 1.1.21. Πληροφορίες από το διάγραµµα θέσης-χρόνου..ένα σώµα κινείται ευθύγραµµα και στο διάγραµµα βλέπετε τη θέση του σε συνάρτηση µε το χρόνο. i) Βρείτε την κλίση στο διάγραµµα x-t στις

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ' ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2006 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ' ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2006 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ o ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ' ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 006 ΕΚΦΩΝΗΣΕΙΣ A. Η συνάρτηση f είναι παραγωγίσιµη στο ΙR. και c πραγµατική σταθερά. Να αποδείξετε ότι (c f(x)) =c f (x), x ΙR. Μονάδες

Διαβάστε περισσότερα

Υπολογιστικές Μέθοδοι στις Κατασκευές

Υπολογιστικές Μέθοδοι στις Κατασκευές Γενικά Για Τη Βελτιστοποίηση Η βελτιστοποίηση µπορεί να χωριστεί σε δύο µεγάλες κατηγορίες: α) την Βελτιστοποίηση Τοπολογίας (Topological Optimization) και β) την Βελτιστοποίηση Σχεδίασης (Design Optimization).

Διαβάστε περισσότερα

2.3. Ασκήσεις σχ. βιβλίου σελίδας 100 104 Α ΟΜΑ ΑΣ

2.3. Ασκήσεις σχ. βιβλίου σελίδας 100 104 Α ΟΜΑ ΑΣ .3 Ασκήσεις σχ. βιβλίου σελίδας 00 04 Α ΟΜΑ ΑΣ. Έξι διαδοχικοί άρτιοι αριθµοί έχουν µέση τιµή. Να βρείτε τους αριθµούς και τη διάµεσό τους. Αν είναι ο ποιο µικρός άρτιος τότε οι ζητούµενοι αριθµοί θα είναι

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα

Θεμελιώδεις αρχές επιστήμης και μέθοδοι έρευνας

Θεμελιώδεις αρχές επιστήμης και μέθοδοι έρευνας A. Montgomery Θεμελιώδεις αρχές επιστήμης και μέθοδοι έρευνας Καρολίνα Δουλουγέρη, ΜSc Υποψ. Διαδάκτωρ Σήμερα Αναζήτηση βιβλιογραφίας Επιλογή μεθοδολογίας Ερευνητικός σχεδιασμός Εγκυρότητα και αξιοπιστία

Διαβάστε περισσότερα

Γ ΚΟΙΝΟΤΙΚΟ ΠΛΑΙΣΙΟ ΣΤΗΡΙΞΗΣ

Γ ΚΟΙΝΟΤΙΚΟ ΠΛΑΙΣΙΟ ΣΤΗΡΙΞΗΣ Γ ΚΟΙΝΟΤΙΚΟ ΠΛΑΙΣΙΟ ΣΤΗΡΙΞΗΣ ΕΠΙΧΕΙΡΗΣΙΑΚΟ ΠΡΟΓΡΑΜΜΑ «ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ» 2000-2006 ΑΞΟΝΑΣ ΠΡΟΤΕΡΑΙΟΤΗΤΑΣ: 1 - ΠΑΙ ΕΙΑ ΚΑΙ ΠΟΛΙΤΙΣΜΟΣ ΜΕΤΡΟ: 1.3 ΤΕΚΜΗΡΙΩΣΗ, ΑΞΙΟΠΟΙΗΣΗ ΚΑΙ ΑΝΑ ΕΙΞΗ ΤΟΥ ΕΛΛΗΝΙΚΟΥ

Διαβάστε περισσότερα

Αναγνώριση µορφασµών µε ϐάση τα ενεργά σηµεία του προσώπου

Αναγνώριση µορφασµών µε ϐάση τα ενεργά σηµεία του προσώπου Α ρ ι ς τ ο τ ε λ ε ι ο Π α ν ε π ι ς τ η µ ι ο Θ ε ς ς α λ ο ν ι κ η ς Τµηµα Ηλεκτρολογων Μηχανικων & Μηχανικων Υπολογιστων Τοµεας Ηλεκτρονικης και Υπολογιστων Αναγνώριση µορφασµών µε ϐάση τα ενεργά σηµεία

Διαβάστε περισσότερα

Εκτίµηση παχών ασφαλτικών στρώσεων οδοστρώµατος µε χρήση γεωφυσικής µεθόδου

Εκτίµηση παχών ασφαλτικών στρώσεων οδοστρώµατος µε χρήση γεωφυσικής µεθόδου Εκτίµηση παχών ασφαλτικών στρώσεων οδοστρώµατος µε χρήση γεωφυσικής µεθόδου Ανδρέας Λοΐζος Αν. Καθηγητής ΕΜΠ Χριστίνα Πλατή Πολιτικός Μηχανικός ΕΜΠ Γεώργιος Ζάχος Πολιτικός Μηχανικός ΕΜΠ ΠΕΡΙΛΗΨΗ Τα τελευταία

Διαβάστε περισσότερα

Εισαγωγή στην Κανονική Κατανομή. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη

Εισαγωγή στην Κανονική Κατανομή. Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη Εισαγωγή στην Κανονική Κατανομή Παιδαγωγικό Τμήμα ημοτικής Εκπαίδευσης ημοκρίτειο Πανεπιστήμιο Θράκης Αλεξανδρούπολη Ένα πρόβλημα Πρόβλημα: Ένας μαθητής είχε επίδοση στο τεστ Μαθηματικών 18 και στο τεστ

Διαβάστε περισσότερα

ΤΕΙ Κρήτης, Παράρτηµα Χανίων

ΤΕΙ Κρήτης, Παράρτηµα Χανίων ΠΣΕ, Τµήµα Τηλεπικοινωνιών & ικτύων Η/Υ Εργαστήριο ιαδίκτυα & Ενδοδίκτυα Η/Υ ( ηµιουργία συστήµατος µε ροint-tο-ροint σύνδεση) ρ Θεοδώρου Παύλος Χανιά 2003 Περιεχόµενα 1 ΕΙΣΑΓΩΓΗ...2 2 ΤΟ ΚΑΝΑΛΙ PΟINT-TΟ-PΟINT...2

Διαβάστε περισσότερα

Prost S: Οδοποιΐα Σιδηροδρομική Υδραυλικά έργα

Prost S: Οδοποιΐα Σιδηροδρομική Υδραυλικά έργα Prost S: Οδοποιΐα Σιδηροδρομική Υδραυλικά έργα Χαρακτηριστικά Οριζοντιογραφία Στο γραφικό περιβάλλον της εφαρμογής είναι δυνατή η σχεδίαση οριζοντιογραφιών δρόμων, σιδηροδρομικών γραμμών, ανοικτών και

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 8 ΤΟ ΜΑΘΗΜΑ ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ

ΚΕΦΑΛΑΙΟ 8 ΤΟ ΜΑΘΗΜΑ ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ ΚΕΦΑΛΑΙΟ 8 ΤΟ ΜΑΘΗΜΑ ΑΡΧΕΣ ΟΙΚΟΝΟΜΙΚΗΣ ΘΕΩΡΙΑΣ Εισαγωγή Στο Κεφάλαιο 8 υπολογίζονται και συγκρίνονται τα ποσοστά επιλογής του µαθήµατος στους ετήσιους πληθυσµούς, ανά φύλο και κατεύθυνση. Υπολογίζεται

Διαβάστε περισσότερα

Cubitech Hellas Ακροπόλεως 24, Καλλιθέα, Αθήνα Τ.Κ. 176 75, Ελλάδα, Τηλ. 210 9580887-8 Φαξ.2109580885

Cubitech Hellas Ακροπόλεως 24, Καλλιθέα, Αθήνα Τ.Κ. 176 75, Ελλάδα, Τηλ. 210 9580887-8 Φαξ.2109580885 CubisLITE Client Οδηγίες Χρήσεως Cubitech Hellas Ακροπόλεως 24, Καλλιθέα, Αθήνα Τ.Κ. 176 75, Ελλάδα, Τηλ. 210 9580887-8 Φαξ.2109580885 1 ΠΕΡΙΕΧΟΜΕΝΑ Γενικά 1. Τι είναι ο CubisLITE Server 2. Τι είναι ο

Διαβάστε περισσότερα

ροµολόγηση πακέτων σε δίκτυα υπολογιστών

ροµολόγηση πακέτων σε δίκτυα υπολογιστών ροµολόγηση πακέτων σε δίκτυα υπολογιστών Συµπληρωµατικές σηµειώσεις για το µάθηµα Αλγόριθµοι Επικοινωνιών Ακαδηµαϊκό έτος 2011-2012 1 Εισαγωγή Οι παρακάτω σηµειώσεις παρουσιάζουν την ανάλυση του άπληστου

Διαβάστε περισσότερα

Εκπαιδευτική Μονάδα 10.2: Εργαλεία χρονοπρογραμματισμού των δραστηριοτήτων.

Εκπαιδευτική Μονάδα 10.2: Εργαλεία χρονοπρογραμματισμού των δραστηριοτήτων. Εκπαιδευτική Μονάδα 10.2: Εργαλεία χρονοπρογραμματισμού των δραστηριοτήτων. Στην προηγούμενη Εκπαιδευτική Μονάδα παρουσιάστηκαν ορισμένα χρήσιμα παραδείγματα διαδεδομένων εργαλείων για τον χρονοπρογραμματισμό

Διαβάστε περισσότερα

ΚΑΤΑΓΡΑΦΗ ΠΟΣΟΤΗΤΩΝ ΕΠΙΚΙΝ ΥΝΩΝ ΣΤΕΡΕΩΝ ΑΠΟΒΛΗΤΩΝ ΣΤΑ ΑΣΤΙΚΑ ΣΤΕΡΕΑ ΑΠΟΒΛΗΤΑ ΤΟΥ ΗΜΟΥ ΚΑΛΑΜΑΡΙΑΣ

ΚΑΤΑΓΡΑΦΗ ΠΟΣΟΤΗΤΩΝ ΕΠΙΚΙΝ ΥΝΩΝ ΣΤΕΡΕΩΝ ΑΠΟΒΛΗΤΩΝ ΣΤΑ ΑΣΤΙΚΑ ΣΤΕΡΕΑ ΑΠΟΒΛΗΤΑ ΤΟΥ ΗΜΟΥ ΚΑΛΑΜΑΡΙΑΣ ΕΛΛΗΝΙΚΗ ΗΜΟΚΡΑΤΙΑ ΕΡΓΑΣΤΗΡΙΟ ΜΕΤΑ ΟΣΗΣ ΘΕΡΜΟΤΗΤΑΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ URL: http://aix.meng.auth.gr Θεσσαλονίκη, 26/3/20127/7/20104/7/2010

Διαβάστε περισσότερα

Δομές Δεδομένων. Λουκάς Γεωργιάδης. http://www.cs.uoi.gr/~loukas/courses/data_structures/ email: loukas@cs.uoi.gr

Δομές Δεδομένων. Λουκάς Γεωργιάδης. http://www.cs.uoi.gr/~loukas/courses/data_structures/ email: loukas@cs.uoi.gr Δομές Δεδομένων http://www.cs.uoi.gr/~loukas/courses/data_structures/ Λουκάς Γεωργιάδης email: loukas@cs.uoi.gr Αλγόριθμος: Μέθοδος για την επίλυση ενός προβλήματος Δεδομένα: Σύνολο από πληροφορίες που

Διαβάστε περισσότερα

Εναλλακτικές Τεχνικές Εντοπισμού Θέσης

Εναλλακτικές Τεχνικές Εντοπισμού Θέσης Εναλλακτικές Τεχνικές Εντοπισμού Θέσης Στρίγκος Θεόδωρος Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο el01222@mail.ntua.gr Σκοπός της διπλωματικής εργασίας είναι η

Διαβάστε περισσότερα

Σ Ε Μ Ι Ν Α Ρ Ι Ο ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ: ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΧΡΗΣΤΟΥ ΚΩΝΣΤΑΝΙΝΟΣ. Υπεύθυνες Εκπόνησης Εργασίας ΟΝΟΜΑ: ΦΩΤΕΙΝΗ ΕΠΩΝΥΜΟ: ΛΙΟΣΗ Α.

Σ Ε Μ Ι Ν Α Ρ Ι Ο ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ: ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΧΡΗΣΤΟΥ ΚΩΝΣΤΑΝΙΝΟΣ. Υπεύθυνες Εκπόνησης Εργασίας ΟΝΟΜΑ: ΦΩΤΕΙΝΗ ΕΠΩΝΥΜΟ: ΛΙΟΣΗ Α. Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Κ Ρ Η Τ Η Σ Π Α Ι Δ Α Γ Ω Γ Ι Κ Ο Τ Μ Η Μ Α Δ Η Μ Ο Τ Ι Κ Η Σ Ε Κ Π Α Ι Δ Ε Υ Σ Η Σ Σ Ε Μ Ι Ν Α Ρ Ι Ο ΣΤΑΤΙΣΤΙΚΗ ΠΕΡΙΓΡΑΦΙΚΗ ΕΦΑΡΜΟΡΜΟΣΜΕΝΗ ΣΤΗΝ ΨΥΧΟΠΑΙΔΑΓΩΓΙΚΗ (Β06Σ03) ΤΙΤΛΟΣ

Διαβάστε περισσότερα

Mάθημα: Θερμικές Στροβιλομηχανές. Εργαστηριακή Ασκηση. Μέτρηση Χαρακτηριστικής Καμπύλης Βαθμίδας Αξονικού Συμπιεστή

Mάθημα: Θερμικές Στροβιλομηχανές. Εργαστηριακή Ασκηση. Μέτρηση Χαρακτηριστικής Καμπύλης Βαθμίδας Αξονικού Συμπιεστή Ε.Μ. ΠΟΛΥΤΕΧΝΕIΟ ΕΡΓΑΣΤΗΡIΟ ΘΕΡΜIΚΩΝ ΣΤΡΟΒIΛΟΜΗΧΑΝΩΝ ΤΟΜΕΑΣ ΡΕΥΣΤΩΝ Mάθημα: Θερμικές Στροβιλομηχανές Εργαστηριακή Ασκηση Μέτρηση Χαρακτηριστικής Καμπύλης Βαθμίδας Αξονικού Συμπιεστή Κ. Μαθιουδάκη Καθηγητή

Διαβάστε περισσότερα

Περίθλαση από µία σχισµή.

Περίθλαση από µία σχισµή. ρ. Χ. Βοζίκης Εργαστήριο Φυσικής ΙΙ 71 7. Άσκηση 7 Περίθλαση από µία σχισµή. 7.1 Σκοπός της εργαστηριακής άσκησης Σκοπός της άσκησης είναι η γνωριµία των σπουδαστών µε την συµπεριφορά των µικροκυµάτων

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Πίνακες, κατανομές, ιστογράμματα... 1 1.2 Πυκνότητα πιθανότητας, καμπύλη συχνοτήτων... 5 1.3

Διαβάστε περισσότερα

Κεφάλαιο 10 Περιστροφική Κίνηση. Copyright 2009 Pearson Education, Inc.

Κεφάλαιο 10 Περιστροφική Κίνηση. Copyright 2009 Pearson Education, Inc. Κεφάλαιο 10 Περιστροφική Κίνηση Περιεχόµενα Κεφαλαίου 10 Γωνιακές Ποσότητες Διανυσµατικός Χαρακτήρας των Γωνιακών Ποσοτήτων Σταθερή γωνιακή Επιτάχυνση Ροπή Δυναµική της Περιστροφικής Κίνησης, Ροπή και

Διαβάστε περισσότερα

Οδικά Τροχαία Ατυχήµατα. Συµβολή στην Έρευνα Συµπεριφοράς των Οδηγών

Οδικά Τροχαία Ατυχήµατα. Συµβολή στην Έρευνα Συµπεριφοράς των Οδηγών Οδικά Τροχαία Ατυχήµατα Συµβολή στην Έρευνα Συµπεριφοράς των Οδηγών Α. Κιµούνδρης Λέκτορας, Τµήµα Πολιτικών Μηχανικών, ΑΠΘ Φ. Κεχαγιά ιπλωµατούχος Πολιτικός Μηχανικός ΑΠΘ, υποψήφια διδάκτορας Α. Σατραζέµης

Διαβάστε περισσότερα

ΠροσδιορισµόςΒέλτιστης Λύσης στα Προβλήµατα Μεταφοράς Η µέθοδος Stepping Stone

ΠροσδιορισµόςΒέλτιστης Λύσης στα Προβλήµατα Μεταφοράς Η µέθοδος Stepping Stone ΠροσδιορισµόςΒέλτιστης Λύσης στα Προβλήµατα Μεταφοράς Η µέθοδος Stepping Stone Hµέθοδος Stepping Stoneείναι µία επαναληπτική διαδικασία για τον προσδιορισµό της βέλτιστης λύσης σε ένα πρόβληµα µεταφοράς.

Διαβάστε περισσότερα

8. Σύνθεση και ανάλυση δυνάμεων

8. Σύνθεση και ανάλυση δυνάμεων 8. Σύνθεση και ανάλυση δυνάμεων Βασική θεωρία Σύνθεση δυνάμεων Συνισταμένη Σύνθεση δυνάμεων είναι η διαδικασία με την οποία προσπαθούμε να προσδιορίσουμε τη δύναμη εκείνη που προκαλεί τα ίδια αποτελέσματα

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση

Διαβάστε περισσότερα

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.

Μέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua. Μέρος Β /Στατιστική Μέρος Β Στατιστική Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.gr/gpapadopoulos) Από τις Πιθανότητες στη Στατιστική Στα προηγούμενα, στο

Διαβάστε περισσότερα

Αναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης

Αναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης Αναγνώριση Προτύπων (Pattern Recognton Μπεϋζιανή Θεωρία Αποφάσεων (Bayesan Decson Theory Π. Τσακαλίδης ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Μπεϋζιανή Θεωρία Αποφάσεων (Bayes Decson theory Στατιστικά

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ ιαφάνειες για το µάθηµα Information Management ΑθανάσιοςΝ. Σταµούλης 1 ΠΗΓΗ Κονδύλης Ε. (1999) Στατιστικές τεχνικές διοίκησης επιχειρήσεων, Interbooks 2 1 Γραµµική παλινδρόµηση Είναι

Διαβάστε περισσότερα

Χρήσιµες ληροφορίες σε εφήβους 12-15 ετών γιατο ώς να κυκλοφορούν µε ασφάλεια στους δρόµους

Χρήσιµες ληροφορίες σε εφήβους 12-15 ετών γιατο ώς να κυκλοφορούν µε ασφάλεια στους δρόµους Χρήσιµες ληροφορίες σε εφήβους 12-15 ετών γιατο ώς να κυκλοφορούν µε ασφάλεια στους δρόµους Γραμματεία Διυπουργικής Επιτροπής Οδικής Ασφάλειας 19/03/2014 Πόσα παιδιά (

Διαβάστε περισσότερα

Προσομοίωση, Έλεγχος και Βελτιστοποίηση Ενεργειακών Συστημάτων

Προσομοίωση, Έλεγχος και Βελτιστοποίηση Ενεργειακών Συστημάτων ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΘΗΝΑΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ Μαρία Σαμαράκου Καθηγήτρια, Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας Διονύσης Κανδρής Επίκουρος Καθηγητής, Τμήμα Ηλεκτρονικών Μηχανικών

Διαβάστε περισσότερα

Θέµατα αξιολόγησης εκπαιδευτικού λογισµικού

Θέµατα αξιολόγησης εκπαιδευτικού λογισµικού Θέµατα αξιολόγησης εκπαιδευτικού λογισµικού Όνοµα: Τάσος Αναστάσιος Επώνυµο: Μικρόπουλος Τίτλος: Αναπληρωτής Καθηγητής, Εργαστήριο Εφαρµογών Εικονικής Πραγµατικότητας στην Εκπαίδευση, Πανεπιστήµιο Ιωαννίνων

Διαβάστε περισσότερα

Βρέντζου Τίνα Φυσικός Μεταπτυχιακός τίτλος: «Σπουδές στην εκπαίδευση» ΜEd Email : stvrentzou@gmail.com

Βρέντζου Τίνα Φυσικός Μεταπτυχιακός τίτλος: «Σπουδές στην εκπαίδευση» ΜEd Email : stvrentzou@gmail.com 1 1.1 Ευθύγραμμη κίνηση 1. Να αναφέρετε ποια από τα σώματα που φαίνονται στην εικόνα κινούνται. Α. Ως προς τη Γη B. Ως προς το αυτοκίνητο. Α. Ως προς τη Γη κινούνται το αυτοκίνητο, το αεροπλάνο και ο γλάρος.

Διαβάστε περισσότερα