12 : 2015,,..,,. Adaboost [2],,., ( ). Hansen [3],. (Active shape model, ASM) [4] (Active appearance model, AAM) [5],,.,.,, [6]. [7].,,.,., : 1), ; 2)

Size: px

Start display at page:

Download "12 : 2015,,..,,. Adaboost [2],,., ( ). Hansen [3],. (Active shape model, ASM) [4] (Active appearance model, AAM) [5],,.,.,, [6]. [7].,,.,., : 1), ; 2)"

汤卢
7 years ago
Views:

1 38 12 Vol. 38, No ACTA AUTOMATICA SINICA December, , 2, 3 1, 2, 3 4 1, 2, 3. Adaboost.,,. : 1) Adaboost, ; 2),.,,.,,,,,,,.., 2012, 38(12): DOI /SP.J Realization and Optimization of Embedded Driver Status Detection System ZHANG Xu 1, 2, 3 LI Ya-Li 1, 2, 3 CHEN Chen 4 WANG Sheng-Jin 1, 2, 3 1, 2, 3 DING Xiao-Qing Abstract This paper presents a novel driver status detection algorithm, which can be processed in embedded platform in real-time. The proposed method is based on Adaboost and dynamic modeling algorithm. Compared to the traditional active infrared radiation method, our system employs a safer passive way and the algorithm is more robust to the various illuminations. There are two main contributions: 1) it mixes up the single eye and eye pairs detectors together and presents an adaptive detection region Adaboost eye detection algorithm, improving the detection rate and speeding up the eye detection process; 2) it presents a dynamic eye modeling tracking algorithm which is based on the Gaussian mixture model. The tracking algorithm can automatically extract image intensity distribution of the driver s eye region, thus can model and track eyes of different drivers. Experiments on several public databases and driving sequences taken in real car show that the proposed method can detect the driver status precisely and satisfy the real time processing requirements. Key words Embedded system, driver status detection, dynamic eye model, eye tracking Citation Zhang Xu, Li Ya-Li, Chen Chen, Wang Sheng-Jin, Ding Xiao-Qing. Realization and optimization of embedded driver status detection system. Acta Automatica Sinica, 2012, 38(12): , 2, , 2,, Manuscript received January 4, 2012; accepted March 20, 2012 (863 ) (2009AA11Z214), ( ), ( ) Supported by National High Technology Research and Development Program of China (863 Program) (2009AA11Z214), National Natural Science Foundation of China ( ), and the Doctoral Fund of Ministry of Education of China ( ) Recommended by Associate Editor DONG Feng , , , 4. PA , 1. State Key Laboratory of Intelligent Technology and Systems, Beijing , China 2. Tsinghua National Laboratory for Information Science and Technology, Beijing , China 3. Department of Electronic Engineering, Tsinghua University, Beijing , China 4. Department of Computer & Information Science, University of Pennsylvania, Philadelphia PA , USA.,,.,,., [1].,.,.,.,,,,.,,,.,

1, 2, 3 1, 2, 3 4 1, 2, 3. Adaboost.,,. : 1) Adaboost, ; 2),.,,.,,,,,,,.., 2012,

2 12 : 2015,,..,,. Adaboost [2],,., ( ). Hansen [3],. (Active shape model, ASM) [4] (Active appearance model, AAM) [5],,.,.,, [6]. [7].,,.,., : 1), ; 2), ; 3),..,,,,.,,,. 1, 1. Haar Adaboost [8],. :,,,,.,. PERCLOS. Wierwille, PERCLOS [9]. Fig Algorithm framework of driver status detection Haar Adaboost [8]. Haar,,. Adaboost,. Viola [2],.,.,, ,, ;, ;,,.,. 2 3.

3 自 2016 动化学报 38 卷 2.2 检测区域自适应调整 (a) 脸 + 眼检测 (a) Face + eye (b) 双眼检测 (c) 单眼检测 (b) Eye pair (c) Single eye 图2 Fig. 2 三种人眼检测方法 Three kinds of eye location methods 为了利用双眼检测的速度与准确性, 同时解决眉毛虚警与人脸倾斜的问题, 人眼检测采取了以双眼检测为主, 单眼检测器进行辅助的检测框架. 检测器采用 OpenCV 训练好的单眼双眼检测器[8]. 首先对全图像进行一次双眼检测, 并对每一个检测结果对应的位置附近使用单眼检测器进行确认, 并根据单眼检测器的结果调整输出. 如图 3 所示, 黑色实线框为双眼检测器的检测结果 (图 3 (a) 为正确的检测结果, 图 3 (b) 为眉毛虚警), 白色虚线框为单眼检测器测试的范围, 黑色虚线框为最终的输出结果. 当双眼检测器检测不到眼睛的时候, 为解决可能出现的人眼倾斜, 在整个图像中进行单眼检测. 测试表明, 双眼检测器在人脸倾斜 5 以上就会失效, 而单眼检测器可以容忍最多达到 30 的倾斜. 单双眼检测相结合的检测方法由于调用了单眼检测器, 可以适应驾驶员头部大约 30 的倾斜. (a) 对眼睛结果的确认 (b) 对眉毛虚警的修正 (a) Confirmation for eye (b) Correction for brow 图3 Fig. 3 单眼检测器对双眼检测器结果的确认 Verification of the results of double eyes detector by single eye detector 由于驾驶员人脸的运动光照变化车辆震动等原因, 在人眼的检测跟踪过程中经常会出现人眼目标丢失的情况, 需要重新调用人眼检测器找回眼睛. 为了避免在整幅图像中寻找眼睛, 提高人眼检测的速度, 本文提出检测区域自适应调整的检测方法, 根据已得到的检测与跟踪信息动态调整检测区域的位置与大小. 需要进行人眼检测的区域由眼睛在图像中某位置 x 出现的概率确定. 采用高斯模型对该概率进行建模, 假定截止到时刻 t 得到的人眼定位结果为 R = {rr 1, r 2,, r t } = {dd1, t 1,, t n }, 这个结果是检测 d1, d 2,, d m } 为检与跟踪结果的集合, 其中 D = {d 测结果, T = {tt1, t 2,, t n } 为跟踪结果, n+m = t. 那么, 在 t + 1 时刻, 人眼在位置 x 出现的概率表示为 x µ µ )T Σ 1 (x x µ µ) (x 1 2 x R) = P (x (1) 1 e 2π Σ 2 其中, µ 为均值向量, 表示眼睛最可能出现的位置; Σ 为协方差矩阵, 表示眼睛可能偏移的位置范围. 为了 x) 的横纵坐标 x, y 相互简化计算, 假定人眼位置 (x 独立, 两个方向的方差分别为 σx2, σy2. 再假设该概率 x R) = P (x x rr t ). t 时刻的满足马尔科夫条件, 则 P (x 结果输出可能是检测结果或者是跟踪结果. 当 r t 为跟踪结果时, 根据跟踪的情况, 通过线 µ, 性模型, 可以得到对 t + 1 时刻眼睛位置的预测 µ 而对方差的估计则由速度 v 给出, 即: µ = (xt + vx, yt + vy )T µ σx2 = vx2 σy2 = (2) vy2 µ; 检测区域的大小根据 3σ 准则检测区域的中心为 µ 确定, 宽度为 3vx, 高度为 3vy. 此时检测时间为全图像检测时间的 9vx vy /S, 其中 S 为图像的大小. 当 r t 为检测结果且检测成功, 根据经验, 检测区域的中心取前一帧眼睛的位置, 大小取原始图像的一半, 此时检测时间约为原来的 1/4. 如果小范围的人眼检测失败, 则自动转换成全图像的人眼检测, 保证即使人眼出现大范围的运动, 仍然可以检测到. 检测区域自适应调整的示意图见图 4. 需要注意的是, 跟踪结果确定的检测区域是指检测框中心需要覆盖的区域. 实验证明, 在光照车辆震动等情形造成的跟踪失败时, 检测区域自适应调整的检测方法可以迅速准确找到眼睛的位置, 实现稳定的检测, 详细实验结果参见第 5.3 节.

首先对全图像进行一次双眼检测, 并对每一个检测结果对应的位置附近使用单眼检测器进行确认, 并根据单眼检测器的结果调整输出. 如图 3 所示, 黑色实线框为双眼检测器的检测结果 (图 3 (a) 为正确的检测结果, 图 3 (b) 为眉毛虚警), 白色虚线框为单眼检测器测试的范围, 黑色虚线框为最终的输出结果.

4 12 期张旭等: 嵌入式驾驶员状态检测算法的实现与优化 2017 需要对通过人眼中心的竖直线进行一次扫描, 提取出灰度变化信息. 跟踪过程仅需要对人眼附近一个小区域内进行模型的提取与匹配 (见式 (6)), 计算量相当于人眼范围约 100 像素 40 像素大小的区域进行访问, 计算速度快, 在嵌入式系统上实现了实时处理. 3.1 基于高斯混合模型的动态人眼建模图4 Fig. 4 检测区域自适应调整 Adaptive adjustment of detection region 3 人眼跟踪人眼跟踪能够在人眼检测的基础上快速准确地定位眼睛, 提高系统的处理速度, 同时对人脸姿态角度等的变化有很好的鲁棒性. 基于亮瞳特征的人眼跟踪方法有卡尔曼滤波与均值偏移 (Mean shift) 结合的算法[7] 以及基于伪彩色图的粒子滤波跟踪算法[10]. 采用基于线性假设的卡尔曼滤波跟踪非线性运动的人眼效果不够理想, 同时长时间的主动红外光照射也会对驾驶员的正常驾驶产生干扰. 基于动态模板的人眼跟踪方法[11] 仅仅使用像素点的匹配, 极易受到眼睛运动尺度变化等因素的影响. 基于粒子滤波与可变形模板的人眼跟踪方法[12] 有很好的鲁棒性, 但是计算复杂度很高, 难以在嵌入式平台上实现实时处理. 由于不同人的眼睛外观有着很大差异 (如图 5), 为解决不同驾驶人的人眼跟踪问题, 本文使用高斯混合模型对人眼灰度变化进行动态建模, 并采用基于模型匹配的人眼跟踪算法. 该算法的建模过程仅图5 Fig. 5 基于高斯混合模型的人眼建模方法通过提取眼睛部位的一条竖直线上的灰度信息, 实现了对不同驾驶人人眼的建模. 为了使虹膜与眉毛的部位呈现类似高斯模型的特征, 在提取灰度信息的时候对灰度分布图进行了翻转 (如图 5). 下面将叙述人眼动态建模的过程. 采用高斯混合模型对人眼在竖直线上的灰度分布图呈现的多峰模式进行描述, 眼睛模型 M 可以表示为 (y µi )2 X 2 (3) M= αi e 2σi i 式中, αi 表示归一化因子, y 表示竖直线上的位置, µi 表示每个高斯模型的均值 (峰的位置), σi 表示每个高斯模型的方差 (峰的宽度). µi 与 σi 的估计方法如下: 首先在灰度曲线上寻找比较明显的局部极值点, 每一个极值点对应一个高斯模型, 取半峰值带宽 (峰值一半在图像中对应的宽度) 作为每一个高斯模型的方差 σi, 取半峰值带宽对应的两个点的中心作为高斯模型的均值 µi (见图 6). 在 CAS-PEAL 数据库[13] 上的测试表明: 双峰模式大约占据全体样本的 55.6 %, 单峰模式占 23. 5%, 三个峰的情况占 19.1 %, 没有峰或者更多峰的情况仅占 1.8 %. 当两个高斯模型能正好拟合人眼三种典型的人眼模型 (人脸图片来自 CAS-PEAL 中国人脸数据库) Three kinds of eye models (Face samples are from CAS-PEAL face database.)

采用基于线性假设的卡尔曼滤波跟踪非线性运动的人眼效果不够理想, 同时长时间的主动红外光照射也会对驾驶员的正常驾驶产生干扰. 基于动态模板的人眼跟踪方法[11] 仅仅使用像素点的匹配, 极易受到眼睛运动尺度变化等因素的影响. 基于粒子滤波与可变形模板的人眼跟踪方法[12] 有很好的鲁棒性, 但是计算复杂度很高, 难以在嵌入式平台上实现实时处理.

5 ( ),,.,,., 3,,,.,,. Fig Extraction process of eye model,,,.,. t V (t) = [x(t), y(t), v x (t), v y (t), w e (t), d eb (t), p n (t)], x(t), y(t) t, v x (t), v y (t) t, w e (t) t, d eb (t) t, p n (t). t = 0,, v x (t) = 0, v y (t) = 0, x(0), y(0), w e (0), p n, d eb (t) ( ), 0,. t, x(t), ȳ(t) : { x(t) = x(t 1) + v x (t 1) (4) ȳ(t) = y(t 1) + v y (t 1),., t t 1 : p n (t) = p n (t 1) β 1 w e (t 1) < w e (t) < α 1 w e (t 1) (5) β 2 d eb (t 1) < d eb (t) < α 2 d eb (t 1), ;, α 1, β 1 ;, α 2, β 2., α 1 = α 2 = 3, β 1 = β 2 = 0.7., t x(t), y(t). (x(t), y(t)) = arg max x(t),y(t) w e (t) x(t) x(t) < max(5v x, 20) (6) y(t) ȳ(t) < max(5v y, 20),.,,.,,.,,. 7.,. Fig Flow graph of eye tracking :, ;.,,.

, t t 1 : p n (t) = p n (t 1) β 1 w e (t 1) < w e (t) < α 1 w e (t 1) (5) β 2 d eb (t 1) < d eb (t) < α 2 d eb (t 1), ;, α 1, β 1 ;, α 2, β 2., α 1 = α 2 = 3, β 1 = β 2 = 0.7.

6 12 期张旭等: 嵌入式驾驶员状态检测算法的实现与优化 2019 人眼状态的判定由眼睑的开闭程度确定. 当驾驶员刚开始驾驶时, 算法会自动学习驾驶员的人眼宽度, 并将其定义为清醒时的人眼宽度. 当跟踪过程中发现人眼的宽度小于正常时候的 70 % (或者人眼纵向的梯度明显变小), 则判定为闭眼. 如果发生检测失败的情况, 则表明驾驶员在当前帧没有正视前方, 如果驾驶员较长时间没有正视前方, 那么驾驶员极有可能出现左顾右盼以及与后座的乘客聊天等驾驶不专心行为. 在眼睛状态判定的基础上, 通过 PERCLOS [9] 值给出驾驶员的状态. 即统计一段时间内 (本文取 8 秒) 人眼开闭的时间比, 输出驾驶员的状态. 对驾驶员疲劳程度的判定条件与优先级如表 1 所示. 系统的主控芯片是一款定点处理器, 浮点运算速度慢 (浮点数字信号处理器成本较高, 主频较低, 很少用在实际的数字图像处理系统中). 而在传统的 Adaboost 算法中, 大量的分类器系数都是用浮点表示的, 不利于定点处理器的处理. 我们采用 Q17 对分类器的系数进行定标, 将浮点运算变成定点运算. 实验表明, 这种方法在保证检测器精度的条件下, 可以加快检测速度, 有利于系统的实时实现. 在准确检测驾驶员状态的同时, 辅以 LED 小灯以及扬声器等声光提醒措施, 就能够很好起到提醒驾驶员的目的. 表 1 驾驶员状态输出条件与优先级 Table 1 Output conditions and prior level of 驾驶员状态检测一直缺少专用的数据库, 前人的工作大多采用自行拍摄视频进行评测的方法, 不够客观. 为了在公共数据集上充分测试驾驶员状态检测算法的有效性, 本文设计了四个实验. 第一个是眼睛定位与跟踪准确度的实验, 该实验评价算法能否在多种光照下准确定位眼睛. 第二个是眼睛开闭判定准确度的实验, 评价算法能否在准确定位眼睛的基础上判定眼睛的开闭情况. 第三个实验是驾驶员状态检测准确度的判定, 这是评价驾驶员状态检测系统最直接的指标, 检测区域自适应调整算法的有效性也在这个实验中进行了测试. 第四个实验是系统执行速度的测试, 这是评价 DSP 系统实时性的重要指标. driver status 优先级条件输出 1 不正视前方时间超过 50 % 不专心 2 闭眼时间在 50 % 与 70 % 之间疲劳 3 闭眼时间超过 70 % 重度疲劳 4 睁眼时间超过 50 % 正常 5 其他未知情况 4 嵌入式系统的优化驾驶员状态检测系统的主芯片采用 TI 公司设计的 TMS320DM6437 数字信号处理器 (Digital signal processor, DSP), 采用的 CMOS 数字图像传感器为 NTSC 制式, 图像大小 640 像素 480 像素, 帧率为 30 帧每秒 (fps). 图 8 是系统的实拍图, 旁边圆形的物体是一枚一元硬币. 这样尺寸的装置非常适合于集成在车内. 该系统推荐放置在仪表盘上方, 尽量保持在面部正前方, 与人脸的俯仰和水平夹角均不大于 15, 同时人脸要尽可能充满图像 (如图 4), 双眼区域大约在 250 像素 400 像素之间. 为满足这个要求系统采用的镜头焦距在 6 mm 8 mm 之间. (a) 正面图 (b) 侧面图 (a) Front view (b) Side view 图8 Fig. 8 系统实拍图 Photos of our system 5 实验结果 5.1 人眼定位跟踪准确度人眼定位跟踪准确度的实验采用卡耐基梅隆大学的 Cohn-Kanade 数据库[14], 该数据库包含了 182 个人的个表情动作序列, 序列中包含多种光照的情况, 而且人眼变化较为剧烈. 标定采用半自动的方法, 先用 Adaboost 方法对数据库进行自动标定, 然后进行人工检查, 修正错误的标定, 从而得到最终的标定结果. 使用本文的算法对每段视频进行人眼的定位与跟踪, 只要当人眼定位与跟踪结果在标定的人眼范围之内就判定为定位准确, 如图 9 所示. 图中白色的方框为人眼数据的标定, 白色十字是使用上文的人眼定位跟踪算法定位的人眼位置. 实验中, 左右眼定位结果分别进行了统计, 在对个表情序列的测试中, 人眼定位跟踪准确度如表 2 所示. 图9 Cohn-Kanade 数据库标定与人眼定位结果 Fig. 9 Labeling and locating results of Cohn-Kanade database

对驾驶员疲劳程度的判定条件与优先级如表 1 所示. 系统的主控芯片是一款定点处理器, 浮点运算速度慢 (浮点数字信号处理器成本较高, 主频较低, 很少用在实际的数字图像处理系统中). 而在传统的 Adaboost 算法中, 大量的分类器系数都是用浮点表示的, 不利于定点处理器的处理. 我们采用 Q17 对分类器的系数进行定标, 将浮点运算变成定点运算.

7 (%) Table 2 Accuracy of eyes locating and tracking (%) ),, , 95 % CAS- PEAL [13] 800, 400. : Adaboost,,. Chang LIBSVM [15].,, 90 %, 10 %.,, 3. 3 (%) Table 3 Accuracy of open or close judgement of eye (%) SVM , SVM,.,, SVM, DSP,., DSP , 1.,.,. ( 10).,. ( ) ( Table 4 Fig Sample images of detection results Precision-Recall rate of driver status detection [, ] [, ] 1 [1, 0] 2 [1, 0] 3 [1, 0] 4 [1, 0] 5 ( ) [1, 0] 6 [0.993, 0] 7 ( ) [1, 0] 8 [0.980, 0] [0.9965, 0], %,, [11] 88.9 % [16] 94 %,. ( 5 7),,.. :,... 5,.,, 96 %.,,. 19 %, 5.26,. Table 5 5 The efficiency of adaptive detection region Adaboost eye detection algorithm 2.74 % 96.5 %

10 4 10 Sample images of detection results Precision-Recall rate of driver status detection [, ] [, ] 1 [1, 0] 2 [1, 0] 3 [1, 0] 4 [1, 0] 5 ( ) [1, 0] 6 [0.993, 0] 7 ( ) [1, 0] 8 [0.

8 12 : DSP,. DSP 600 MHz, NTSC, , 30 (fps). 6 DSP PC, PC Intel R Core TM i3 530, 3.0 GHz, 4 G., 0.4, 2., 2/0.4 = 5 fps, 20 fps. Table 6 6 Processing speed of each part of algorithm (fps) [DSP, PC] [13.5, 170] [16.5, 125] [6.9, 49] [43.5 ( ), 1 266] [27, 1 000] 6, DSP : Adaboost.,, 7 fps, 145 ms,.. PC.,,, PC., DSP DSP, PC. 6, DSP. : 1),,, ; 2),,.,,.,.,,..,,,,,. References 1 Li Li, Wang Fei-Yue, Zheng Nan-Ning, Zhang Yi. Research and developments of intelligent driving behavior analysis. Acta Automatica Sinica, 2007, 33(10): (,,,.., 2007, 33(10): ) 2 Viola P, Jones M J. Robust real-time face detection. International Journal of Computer Vision, 2004, 57(2): Hansen D W, Ji Q. In the eye of the beholder: a survey of models for eyes and gaze. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(3): Cootes T F, Taylor C J, Cooper D H, Graham J. Active shape models, their training and application. Computer Vision and Image Understanding, 1995, 61(1): Cootes T F, Edwards G, Taylor C J. Active appearance models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(6): Lee S J, Jo J, Jung H G, Park K R, Kim J. Real-time gaze estimator based on driver s head orientation for forward collision warning system. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(1): Ji Q, Zhu Z W, Lan P. Real-time nonintrusive monitoring and prediction of driver fatigue. IEEE Transactions on Vehicular Technology, 2004, 53(4): Lienhart R, Kuranov A, Pisarevsky V. Empirical analysis of detection cascades of boosted classifiers for rapid object detection. Pattern Recognition, 2003, 2781: Wierwille W W, Wreggit S S, Kirn C L, Ellsworth L A, Fairbanks R J. Research on Vehicle Based Driver Status/performance Monitoring: Development, Validation, and Refinement of Algorithms for Detection of Driver Drowsiness. National Highway Traffic Safety Administration Final Report. DOT HS , Office of Crash Avoidance Research, USA, Zhang Chuang, Chi Jian-Nan, Zhang Zhao-Hui, Wang Zhi- Liang. The research on eye tracking for gaze tracking system. Acta Automatica Sinica, 2010, 36(8): (,,,.., 2010, 36(8): ) 11 Horng W B, Chen C Y, Chang Y, Fan C H. Driver fatigue detection based on eye tracking and dynamic template matching. In: Proceedings of the 2004 IEEE International Conference on Networking, Sensing and Control. Taipei, China: IEEE, Li Y L, Wang S J, Ding X Q. Eye/eyes tracking based on a unified deformable template and particle filtering. Pattern Recognition Letters, 2010, 31(11):

6, DSP. : 1),,, ; 2),,.,,.,.,,..,,,,,. References 1 Li Li, Wang Fei-Yue, Zheng Nan-Ning, Zhang Yi. Research and developments of intelligent driving behavior analysis.

9 Gao W, Cao B, Shan S G, Chen X L, Zhou D L, Zhang X H, Zhao D B. The CAS-PEAL large-scale Chinese face database and baseline evaluations. IEEE Transaction on System Man, and Cybernetics (Part A), 2008,38(1): Kanade T, Cohn J F, Tian Y L. Comprehensive database for facial expression analysis. In: Proceedings of the 4th IEEE International Conference on Automatic Face and Gesture Recognition. Grenoble, France: IEEE, Chang C C, Lin C J. LIBSVM: A library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): Zhang Z B, Chen Y Z, Yang Y Z. Driver fatigue detection system based on machine vision. In: Proceedings of the 7th World Congress on Intelligent Control and Automation. Chongqing, China: IEEE, zhangxu06@mails.tsinghua.edu.cn (ZHANG Xu Master student in the Department of Electronic Engineering, Tsinghua University. He received his bachelor degree from Tsinghua University in His research interest covers computer vision.) liyali@ocrserv.ee.tsinghua.edu.cn (LI Ya-Li PH. D. candidate in the Department of Electronic Engineering, Tsinghua University. She received her bachelor degree from Nanjing University in Her research interest covers computer vision.), 2011.,. cyrilchen99@gmail.com (CHEN Chen Master student at University of Pennsylvania, USA. He received his bachelor degree from Tsinghua University in His research interest covers computer vision, machine learning, and robotics.)... wgsgj@tsinghua.edu.cn (WANG Sheng-Jin Professor in the Department of Electronic Engineering, Tsinghua University. His research interest covers computer vision and pattern recognition. Corresponding author of this paper.).. dingxq@tsinghua.edu.cn (DING Xiao-Qing Professor in the Department of Electronic Engineering, Tsinghua University. Her research interest covers computer vision and pattern recognition.)

In: Proceedings of the 4th IEEE International Conference on Automatic Face and Gesture Recognition. Grenoble, France: IEEE, 2000. 46 53 15 Chang C C, Lin C J.

,,.,, : 1),,,,, 2),,,,, 3),,,,,,,,,, [6].,,, ( ),, [9], : 1), 2),,,,, 3),,, 2.,, [10].,,,,,,,,, [11]. 2.1,, [12],, ;, ; Fig. 1 1 Granular hier

,,.,, : 1),,,,, 2),,,,, 3),,,,,,,,,, [6].,,, ( ),, [9], : 1), 2),,,,, 3),,, 2.,, [10].,,,,,,,,, [11]. 2.1,, [12],, ;, ; Fig. 1 1 Granular hier 36 7 Vol. 36, No. 7 2010 7 ACTA AUTOMATICA SINICA July, 2010 1, 2 1, 2, 3 1, 2,,,,,,, DOI,,, 10.3724/SP.J.1004.2010.00923 Distributed Simulation System Hierarchical Design Model Based on Quotient Space