Реалізація моделі допомоги водієві при сонливості на основі виявлення рухів очей

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2020.211755

Ключові слова:

сонливість водія, рухи очей, розширений ЛБШ, Віола-Джонс, НБ, МОВ

Анотація

Щорічно багато людей стає інвалідами на все життя або гинуть в результаті дорожньо-транспортних пригод зі смертельними наслідками. Крім механічних несправностей і людських помилок, однією з основних причин смертельних дорожньо-транспортних пригод є сонливість водія. Коли водії відчувають сонливість, з'являється безліч фізіологічних і поведінкових симптомів, таких як зміни хвиль людського мозку, міміки, активності очей, зменшення рухів голови і т. д. Тому існує значна необхідність у розробці моделей виявлення сонливості водія, які використовують ці симптоми для зниження аварійності шляхом попередження водіїв про сонливість і втому. У даній статті основна увага приділяється моделі допомоги водієві при сонливості для моніторингу та оповіщення водіїв з використанням поведінкового методу (метод виявлення рухів очей). Запропонований метод виявлення рухів очей (закриті/відкриті) використовує розширений локальний бінарний шаблон (розширений ЛБШ), в якому використовуються дескриптори для представлення зображень очей для вилучення особливостей тканин різних людей у рухомому автомобілі для визначення того, чи водій перебуває в сонному стані чи ні. Це відбувається після запису відео водія і виявлення його очей. Для вилучення ознак, зображення очей ділиться на невеликі області за допомогою розширеного ЛБШ і впорядковується в єдиний вектор ознак, де цей метод використовується для визначення ознак подібності в навчальній групі і класифікації зображення очей. Для забезпечення високої точності використовується наївний байєсівський класифікатор (НБ) і метод опорних векторів (МОВ). Отримані результати свідчать про те, що система має високий ступінь точності в порівнянні з іншими існуючими методами, де рівень точності НБ І МОВ з використанням набору даних виявлення очей з навчанням 90% і тестуванням 10% становить 96% і 97% відповідно

Спонсори дослідження

  • Department of Computer Science
  • College of Science
  • University of Diyala
  • Iraq

Біографії авторів

Jumana Waleed, University of Diyala Baquba, Diyala, Iraq

PhD, Assistant Professor

Department of Computer Science, College of Science

Thekra Abbas, Almustanseriah University Baghdad, Iraq

PhD, Assistant Professor, Head of Department

Department of Computer Science, College of Science

Taha Mohammed Hasan, University of Diyala Baquba, Diyala, Iraq

PhD, Assistant Professor, Head of Department

Department of Computer Science, College of Science

Посилання

  2. Laouz, H., Ayad, S. Terrissa, L. S. (2020). Literature Review on Driver’s Drowsiness and Fatigue Detection. 2020 International Conference on Intelligent Systems and Computer Vision (ISCV). Fez. doi: http://doi.org/10.1109/iscv49265.2020.9204306
  3. Baccour, M. H., Driewer, F., Kasneci, E., Rosenstiel, W. (2019). Camera-Based Eye Blink Detection Algorithm for Assessing Driver Drowsiness. 2019 IEEE Intelligent Vehicles Symposium (IV). Paris, 987–993. doi: http://doi.org/10.1109/ivs.2019.8813871
  4. Hayawi, A. A., Waleed, J. (2019). Driver's Drowsiness Monitoring and Alarming Auto-System Based on EOG Signals. 2019 2nd International Conference on Engineering Technology and its Applications (IICETA). Al-Najef, 214–218. http://doi.org/10.1109/iiceta47481.2019.9013000
  5. Hu, J. (2017). Comparison of Different Features and Classifiers for Driver Fatigue Detection Based on a Single EEG Channel. Computational and Mathematical Methods in Medicine. Hindawi, 2017, 1–9. doi: http://doi.org/10.1155/2017/5109530
  6. Jo, J., Lee, S. J., Park, K. R., Kim, I.-J., Kim, J. (2014). Detecting driver drowsiness using feature-level fusion and user-specific classification. Expert Systems with Applications, 41 (4), 1139–1152. doi: http://doi.org/10.1016/j.eswa.2013.07.108
  7. Elbagoury, B. M., Maskeliunas, R., Salem, A. B. M. M. (2018). A hybrid liar/radar-based deep learning and vehicle recognition engine for autonomous vehicle precrash control. Eastern-European Journal of Enterprise Technologies, 5 (9 (95)), 6–17. doi: http://doi.org/10.15587/1729-4061.2018.141298
  8. Feng, R., Zhang, G., Cheng, B. (2009). An on-board system for detecting driver drowsiness based on multi-sensor data fusion using Dempster-Shafer theory. ICNSC ’09. International Conference on Networking, Sensing and Control, 897–902. doi: http://doi.org/10.1109/icnsc.2009.4919399
  9. Hemantkumar, B., Shashikant, M. D., Lokhande (2017). Non-intrusive Detection and Prediction of Driver’s Fatigue Using Optimized Yawning Technique. Materials Today: Proceedings, 4 (8), 7859–7866. doi: http://doi.org/10.1016/j.matpr.2017.07.121
  10. Ferreira, S., Kokkinogenis, Z., Couto, A. (2019). Using real-life alert-based data to analyse drowsiness and distraction of commercial drivers. Transportation Research Part F: Traffic Psychology and Behaviour, 60, 25–36. doi: http://doi.org/10.1016/j.trf.2018.10.003
  11. Ouabida, E., Essadike, A., Bouzid, A. (2020). Optical correlator based algorithm for driver drowsiness detection. Optik, 204, 164102. doi: http://doi.org/10.1016/j.ijleo.2019.164102
  12. Cori, J. M., Anderson, C., Shekari Soleimanloo, S., Jackson, M. L., Howard, M. E. (2019). Narrative review: Do spontaneous eye blink parameters provide a useful assessment of state drowsiness? Sleep Medicine Reviews, 45, 95–104. doi: http://doi.org/10.1016/j.smrv.2019.03.004
  13. Zhang, W., Cheng, B., Lin, Y. (2012). Driver drowsiness recognition based on computer vision technology. Tsinghua Science and Technology, 17 (3), 354–362. doi: http://doi.org/10.1109/tst.2012.6216768
  14. Hussein, W., El-Seoud, M. S. A. (2017). Improved Driver Drowsiness Detection Model Using Relevant Eye Image’s Features. 2017 European Conference on Electrical Engineering and Computer Science (EECS). Bern, 261–265. doi: http://doi.org/10.1109/eecs.2017.55
  15. Jabbar, R., Al-Khalifa, K., Kharbeche, M., Alhajyaseen, W., Jafari, M., Jiang, S. (2018). Real-time Driver Drowsiness Detection for Android Application Using Deep Neural Networks Techniques. Procedia Computer Science, 130, 400–407. doi: http://doi.org/10.1016/j.procs.2018.04.060
  16. Pinto, A., Bhasi, M., Bhalekar, D., Hegde, P. Koolagudi, S. G. (2019). A Deep Learning Approach to Detect Drowsy Drivers in Real Time. 2019 IEEE 16th India Council International Conference (INDICON). Rajkot, 1–4. doi: http://doi.org/10.1109/indicon47234.2019.9030305
  17. Herrera-Granda, E. P., Caraguay-Procel, J. A., Granda-Gudiño, P. D., Herrera-Granda, I. D., Lorente-Leyva, L. L., Peluffo-Ordóñez, D. H. et. al. (2019). Drowsiness Detection in Drivers Through Real-Time Image Processing of the Human Eye, Intelligent Information and Database Systems. ACIIDS 2019. Lecture Notes in Computer Science. Cham: Springer, 11431, 626–637. doi: http://doi.org/10.1007/978-3-030-14799-0_54
  18. Bamidele, A. A., Kamardin, K., Syazarin, N., Mohd, S., Shafi, I., Azizan, A. et. al. (2019). Non-intrusive Driver Drowsiness Detection based on Face and Eye Tracking. International Journal of Advanced Computer Science and Applications, 10 (7), 549–569. doi: http://doi.org/10.14569/ijacsa.2019.0100775
  19. Maior, C. B. S., Moura, M. J. das C., Santana, J. M. M., Lins, I. D. (2020). Real-time classification for autonomous drowsiness detection using eye aspect ratio. Expert Systems with Applications, 158, 113505. doi: http://doi.org/10.1016/j.eswa.2020.113505

##submission.downloads##

Опубліковано

2020-10-31

Як цитувати

Waleed, J., Abbas, T., & Mohammed Hasan, T. (2020). Реалізація моделі допомоги водієві при сонливості на основі виявлення рухів очей. Eastern-European Journal of Enterprise Technologies, 5(9 (107), 6–13. https://doi.org/10.15587/1729-4061.2020.211755

Номер

Том 5 № 9 (107) (2020): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2020 Jumana Waleed, Thekra Abbas, Taha Mohammed Hasan

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.