تشخيص حواس پرتي و خواب آلودگي راننده از طريق روشهاي مبتني بر پردازش تصوير و يادگيري عميق

Driver Distraction and Drowsiness Detection Based Image processing and Deep Learning Methods

اين تحقيق به بررسي يك رويكرد جديد جهت تشخيص حواس‌پرتي و خواب‌آلودگي راننده جهت هوشمندسازي رانندگي پرداخته‌است. به دليل عدم وجود يك مجموعه داده دقيق و جامع در حوزه مجموعه داده‌هاي چشم، نويسندگان يك مجموعه داده نوين جمع‌آوري كرده‌اند، همچنين شبكه عصبي مصنوعي‌‌‌اي در جهت تشخيص خواب‌آلودگي راننده به گونه‌اي طراحي شده‌ كه دو هدف مهم پردازش‌هاي بلادرنگ، از جمله دقت بالا و سرعت بالا، همزمان در نظر گرفته شوند. اهداف اين مقاله به شرح زير است: تخمين موقعيت سر راننده جهت تشخيص حواس‌پرتي، معرفي يك مجموعه داده جامع جديد براي تشخيص بسته‌بودن چشم، و همچنين، طراحي سه شبكه عصبي مصنوعي كه يكي از آنها يك شبكه عصبي كاملاً طراحي شده (FD-NN) است و دو شبكه‌ي ديگر از تكنيك انتقال يادگيري از طريق شبكه‌هاي VGG16 و VGG19با لايه‌هاي اضافي استفاده مي‌كنند (TL-VGG). نتايج نشان مي‌دهد دقت شبكه‌هاي پيشنهادي بالا و پيچيدگي محاسباتي كم است، به طوري كه روش پيشنهادي نسبت به كارهاي قبلي 4 برابر سريع‌تر و داراي صحت 98.15% است.

This project presents a novel approach and a new dataset for the problem of driver drowsiness and distraction detection. Lack of an available and accurate eye dataset strongly feels in the area of eye closure detection. Therefore, a new comprehensive dataset is proposed, and a study on driver distraction of the road is provided to supply safety for the drivers. An artificial network is also designed in such a way that two goals of real-time application, including high accuracy and fastness, are considered simultaneously. The main purposes of this project are as follows: Estimation of driver head direction for distraction detection, introduce a new comprehensive dataset to detect eye closure, and also, presentation of three networks in which one of them is a Fully Designed Neural Network (FD-NN) and others use transfer learning with VGG16 and VGG19 with extra designed layers (TL-VGG). The experimental results show the high accuracy and low computational complexity of the estimations and the ability of the proposed networks on drowsiness detection.