تشخیص حواس پرتی و خواب آلودگی راننده از طریق روش های مبتنی بر پردازش تصویر و یادگیری عمیق

این تحقیق به بررسی یک رویکرد جدید جهت تشخیص حواس‌پرتی و خواب‌آلودگی راننده جهت هوشمندسازی رانندگی پرداخته‌است.به دلیل عدم وجود یک مجموعه داده دقیق و جامع در حوزه مجموعه داده‌های چشم، نویسندگان یک مجموعه داده نوین جمع‌آوری کرده‌اند، همچنین شبکه عصبی مصنوعی‌‌‌ای در جهت تشخیص خواب‌آلودگی راننده به گونه‌ای طراحی شده‌ که دو هدف مهم پردازش‌های بلادرنگ، از جمله دقت بالا و سرعت بالا، همزمان در نظر گرفته شوند. اهداف این مقاله به شرح زیر است: تخمین موقعیت سر راننده جهت تشخیص حواس‌پرتی، معرفی یک مجموعه داده جامع جدید برای تشخیص بسته‌بودن چشم، و همچنین، طراحی سه شبکه عصبی مصنوعی که یکی از آنها یک شبکه عصبی کاملاً طراحی شده (fdnn) است و دو شبکه‌ی دیگر از تکنیک انتقال یادگیری از طریق شبکه‌های vgg16 و vgg19با لایه‌های اضافی استفاده می‌کنند (tlvgg). نتایج نشان می‌دهد دقت شبکه‌های پیشنهادی بالا و پیچیدگی محاسباتی کم است، به طوری که روش پیشنهادی نسبت به کارهای قبلی 4 برابر سریع‌تر و دارای صحت 98.15% است.

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

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 realtime 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 (FDNN) and others use transfer learning with VGG16 and VGG19 with extra designed layers (TLVGG). The experimental results show the high accuracy and low computational complexity of the estimations and the ability of the proposed networks on drowsiness detection.