A carregar...
Publicação
Sleepy Drivers: Eye-state and Drowsiness Monitoring Using Face Video
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.53 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Driver drowsiness has been identified as a major contributor to road accidents, accounting
for up to 20% of all incidents, often resulting in fatalities and severe injuries. Even
though detecting and mitigating it is crucial to improving road safety, existing datasets
for drowsiness detection are limited in complexity. This dissertation addresses this critical
need by undertaking two distinct processes.
In the primary development process, machine learning techniques are employed to
analyze face video data, with a particular focus on the eye region as an indicator of drowsi-
ness. The secondary process centers on the proposal of a comprehensive data acquisition
protocol, capturing multimodal data streams coupled with personal and idiosyncratic
factors.
The eye-state classifier achieved an accuracy of 73.75%, and a manual eye-state la-
beling approach led to a binary classification model of drowsiness with 80.00% accuracy
and 100.00% recall for the drowsy class.
In conclusion, this work intended to contribute to future studies on effective drowsy
driving alert systems based on eye-state. To further enhance this research, increasing the
dataset size and subject variability is key. As to new research directions, expanding into
interpretability and causality studies based on the proposed data acquisition protocol
holds promise for advancing road safety initiatives.
A sonolência dos condutores foi identificada como um dos principais factores que con- tribuem para acidentes rodoviários, representando até 20% de todos os incidentes, resul- tando frequentemente em mortes e ferimentos graves. Embora a sua deteção e atenuação sejam cruciais para melhorar a segurança rodoviária, os dados existentes para a deteção da sonolência são limitados em termos de complexidade. Esta dissertação aborda esta necessidade crítica através de dois processos distintos. No processo de desenvolvimento primário, são utilizadas técnicas de aprendizagem automática para analisar dados de vídeo de rostos, com especial incidência na região dos olhos como indicador de sonolência. O processo secundário centra-se na proposta de um protocolo de aquisição de dados, capturando fluxos de dados multimodais associados a factores pessoais e idiossincráticos. O classificador do estado ocular alcançou uma precisão de 73,75% e uma abordagem manual de classificação do estado ocular levou a uma classificação binária de sonolência com 80,00% de exatidão e 100,00% de revocação para a classe sonolenta. Em conclusão, este trabalho pretende contribuir para estudos futuros sobre sistemas eficazes de alerta de condução sonolenta baseados no estado ocular. Para melhorar esta investigação, é fundamental aumentar o tamanho do conjunto de dados e a variabilidade dos sujeitos. Quanto a próximos passos, a expansão para estudos de interpretabilidade e causalidade baseados no protocolo de aquisição de dados proposto é promissor para o avanço das iniciativas de segurança rodoviária.
A sonolência dos condutores foi identificada como um dos principais factores que con- tribuem para acidentes rodoviários, representando até 20% de todos os incidentes, resul- tando frequentemente em mortes e ferimentos graves. Embora a sua deteção e atenuação sejam cruciais para melhorar a segurança rodoviária, os dados existentes para a deteção da sonolência são limitados em termos de complexidade. Esta dissertação aborda esta necessidade crítica através de dois processos distintos. No processo de desenvolvimento primário, são utilizadas técnicas de aprendizagem automática para analisar dados de vídeo de rostos, com especial incidência na região dos olhos como indicador de sonolência. O processo secundário centra-se na proposta de um protocolo de aquisição de dados, capturando fluxos de dados multimodais associados a factores pessoais e idiossincráticos. O classificador do estado ocular alcançou uma precisão de 73,75% e uma abordagem manual de classificação do estado ocular levou a uma classificação binária de sonolência com 80,00% de exatidão e 100,00% de revocação para a classe sonolenta. Em conclusão, este trabalho pretende contribuir para estudos futuros sobre sistemas eficazes de alerta de condução sonolenta baseados no estado ocular. Para melhorar esta investigação, é fundamental aumentar o tamanho do conjunto de dados e a variabilidade dos sujeitos. Quanto a próximos passos, a expansão para estudos de interpretabilidade e causalidade baseados no protocolo de aquisição de dados proposto é promissor para o avanço das iniciativas de segurança rodoviária.
Descrição
Palavras-chave
Drowsiness Drowsiness detection Machine learning Eye-state classification Road safety.