16. 12. 2019  8:32 Albína
Akademický informační systém

Lidé na STU


Na této stránce máte zobrazeny všechny veřejně přístupné údaje o zadané osobě. Některé informace o personálním zařazení a funkcích osoby mohou být skryty.

Ing. Andrej Fogelton, PhD.
Identifikační číslo: 36271
Univerzitní e-mail: andrej.fogelton [at] stuba.sk
 
Externí spolupracovník - Fakulta informatiky a informačných technológií (STU)

Kontakty     Absolvent     Závěrečná práce     Projekty     
Publikace     Stáže     Vedené práce     

Základní informace

Základní informace o závěrečné práci

Typ práce: Disertační práce
Název práce:Eye blink detection
Autor: Ing. Andrej Fogelton, PhD.
Pracoviště: Ústav počítačového inžinierstva a aplikovanej informatiky (FIIT)
Vedoucí práce: doc. Ing. Vanda Benešová, PhD.
Oponent 1:prof. Ing. Jarmila Pavlovičová, PhD.
Oponent 2:doc. RNDr. Elena Šikudová, PhD.
Stav závěrečné práce:Závěrečná práce byla úspěšně obhájena


Doplňující informace

Následují doplňující informace závěrečné práce. Kliknutím na odkaz s názvem jazyka zvolíte, v jakém jazyce mají být informace zobrazeny.

Jazyk zpracování závěrečné práce:anglický jazyk

slovenský jazyk        anglický jazyk

Název práce:Eye blink detection
Abstrakt:Eye blink detection has many uses, the most common are human computer interaction for disabled people, dry eye monitoring systems, and fatigue detection. In this thesis, we analyze state-of-the-art methods with emphasis on usability. We focus on real-time methods working in the real-world environment and using a common webcam. We introduce two new datasets which are the biggest datasets available. The proposed annotation contains face and eye corners position, so the eye blink detection performance is not influenced either by face or eye detection methods. An evaluation procedure defines True positives with intersection over union metric. Two state-of-the-art methods are introduced. The first method analysis motion vectors using average motion vector with standard deviation. These are the input to the carefully designed state machine. With the second method, we evaluate different features from related work as the input to a Recurrent Neural Network (RNN). The best performing is the combination of motion vectors, time difference, and gradient orientations. This method achieves the best results on the biggest and the most challenging dataset Researcher's night. We introduce the first method which categorizes blinks into complete and incomplete ones. Shifting unidirectional RNN output not only helps to save resources compared to bidirectional RNN, but it even delivers up to 5% better performance.
Klíčová slova:eye blink detection, incomplete blink, blink completeness, motion vectors, recurrent neural network, shifting output of recurrent neural network

Zobrazení a stahování souborů

Pokud chcete zobrazit zadání závěrečné práce, klikněte na ikonu Zobrazit zadání. Ikony Závěrečná práce, Přílohy práce, Posudek vedoucího a Posudek oponenta představují soubory týkající se závěrečné práce, které je možné stáhnout. Budou zobrazeny pouze v případě, že je soubor vložen a zároveň je veřejný.

Zobrazit zadání

Části práce s odloženým zveřejněním:

Závěrečná práce (přílohy závěrečné práce) neomezeně
Posudky závěrečné práce neomezeně