21736

21736

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

كارشناسي ارشد

مخابرات ـ رمز

1398/11/20

دكتر علي اصغر بهشتي شيرازي

برق

دنياي امروز در حال حركت به¬سوي هوشمند¬سازي است. يكي از هزاران كاربرد هوشمندسازي، هوشمندسازي رانندگي به منظور كنترل رانندگي راننده و تامين امنيت وي است. هوشمندسازي رانندگي از طريق تشخيص رفتار راننده انجام مي¬گيرد. براي اين منظور از روش¬هاي مختلفي استفاده مي¬شود كه ازجمله¬ي آنها مي¬توان به سنسورهاي خارجي كه درون ماشين قرار مي¬گيرند و يا كنترل و بررسي حالاتي از راننده مثل خواب¬آلودگي توسط سيگنال¬هاي مغزي اشاره كرد. اما روش به¬روز ديگري كه براي كنترل رفتار راننده مي¬توان در نظر گرفت استفاده از روش‌هاي پردازش تصوير است كه نسبت به روش¬هاي قبلي كم هزينه¬تر، در دسترس¬تر و رايج¬تر است. اين روش‌ها معمولا از دوربين‌هاي از پيش تعبيه شده در ماشين بهره مي‌برند. خواب¬آلودگي، حواس¬پرتي، صحبت كردن با تلفن همراه و خستگي چند نمونه از رفتار¬هاي خطرناكي است كه مي‌توان به وسيله‌ي دوربين‌هاي نظارتي تشخيص داد. از اين علايم پرخطر نام برده¬شده، ما به دنبال تهيه¬ي سيستمي براي تشخيص خواب¬آلودگي و حواس¬پرتي هستيم. در راه حل پيشنهادي به سراغ تشخيص ميزان چرخش و انتقال سر راننده از طريق نقاط لندمارك و روش¬هاي به¬روزي همچون شبكه¬هاي عصبي عميق رفتيم و يك شبكه عصبي عميق كاملا طراحي شده و دو شبكه¬ي عميق كه از تكنيك انتقال ¬يادگيري سود مي¬برند، معرفي كرديم. هدف از معرفي شبكه¬ي اول، ارائه يك شبكه با پيچيدگي محاسباتي پايين مخصوص كارهاي بلادرنگ و آنلاين است. و هدف از معرفي شبكه¬ي دوم و سوم غلبه بر مشكل نبود مجموعه داده¬ي بزرگ براي شبكه¬هاي عصبي عميق در اين حوزه¬ي تشخيص خواب¬آلودگي ا¬ست. يكي از چالش¬هاي بزرگ در زمينه¬ي كنترل رفتار راننده از طريق شبكه¬هاي عصبي، كمبود مجموعه¬ داده¬ي بزرگ و دردسترس عموم است. به همين منظور ما در اين پژوهش يكي از معروف¬ترين مجموعه داده¬هاي موجود را با داده¬هاي خود تركيب كرده و از اين¬طريق گسترش داديم. نتايج نشان مي¬دهد روش پيشنهادي نسبت به كارهاي قبلي 4 الي 20 برابر سريع¬تر است و داراي صحت 96.19% است.

1398/11/30

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

2/8/2021 12:00:00 AM

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. A deep 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 deep neural network (FD-DNN) 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.