СИСТЕМА СПОСТЕРЕЖЕННЯ ЗА ПОВЕДІНКОЮ ВОДІЯ
Анотація
В цій роботі розглядається система спостереження за поведінкою водія, який перебуває за кермом автомобіля. Основною метою є реалізація системи з використанням методів детекції та моніторингу об’єктів у відео потоці даних, яка буде працювати у реальному часі з використанням малої обчислювальної потужності та низького енергоспоживання для обробки даних.
У кожному авто є дзеркало заднього бачення. Ідеєю є заміна цього дзеркала на розумне дзеркало, яке буде виконувати моніторинг поведінки водія за допомогою відео-спостереження та повідомляти його у разі небезпеки у форматі звукових повідомлень. Крім цього, дзеркало буде мати можливість взаємодії з мультимедією автомобіля, що дасть можливість доступу до аудіо-виходу авто чи використання інших функціональних компонентів авто, щоб вчасно повідомити водія про небезпеку і забезпечувати функціонування системи тільки під час руху авто.
Система працює тільки в автономному режимі, тобто все працює локально на малопотужному мікрокомп’ютері і всі дані з камери обробляються на самому пристрої, щоб забезпечити максимальну швидкість обробки даних та їх безпеку. Зокрема, дані з камери не зберігаються, а статистика попереджень зберігається тільки локально на пристрої і тільки за згодою водія.
Модель системи складається з двох частин: виділення орієнтиру очей та застосування Naive Bayes класифікатора для визначення поведінки водія на ознаки стомлення, засинання та відволікання під час водіння автомобіля. Реалізована система є концепцією майбутньої системи, яка показує можливість розвитку досліджень і особливістю такої системи є її функціонування в автономному режимі.
Ключові слова: розпізнавання об’єктів, орієнтири обличчя співвідношення сторін очей, Naive Bayes класифікатор, безпека даних.
Повний текст:
PDF (English)Посилання
[1] Asthana, S. Zafeoriou, S. Cheng, and M. Pantic. Incremental face alignment in the wild. In Conference on Computer Vision and Pattern Recognition, 2014.
[2] Dlib C++ library. URL: http://dlib.net/
[3] Facial point annotations: iBUG 300-W dataset. URL: https://ibug. doc.ic.ac.uk/resources/ facial-point-annotations/
[4] Ian Goodfellow, Yoshua Bengio, Aaron Couville. Deep Learning.: The MIT Press Cambridge, 2016. – 800.
[5] Python Data Science Handbook / Jake VanderPlas.: O'Reilly Media, Inc., 2016. – 573.
[6] Naive Bayes. URL: https://scikit-learn.org/stable/modules/ naive_bayes.html
[7] National Sleep Foundation. Drowsy Driving. URL: https:// www.sleepfoundation.org/professionals/drowsy-driving
[8] Tereza Soukupova and Jan Cech. Real-Time Eye Blink Detection using Facial Landmarks. // 21st Computer Vision Winter Workshop, February 3–5, 2016. – 8.
[9] X. Xiong and F. De la Torre. Supervised descent methods and its applications to face alignment. // In Proc. CVPR, 2013. – Pp. 532-539.
[10] Andreas C. Muller and Sarah Guido. Introduction to Machine Learning with Python.: Published by O’Reilly Media, Inc. – First Edition, 2016. – 392.
[11] Deep Learning with Python / François Chollet.: Manning Publications Co. 20 Baldwin Road PO Box 761 Shelter Island, 2018. – 386
[12] Hands-On Machine Learning with Scikit-Learn and TensorFlow / Aurélien Géron. – Concepts, Tools, and Techniques to Build Intelligent Systems.: Published by O’Reilly Media, Inc. – First Edition, 2017. – 564.
[13] Hands-On Machine Learning with Scikit-Learn and TensorFlow / Aurélien Géron. – Concepts, Tools, and Techniques to Build Intelligent Systems.: Published by O’Reilly Media, Inc. – Second Edition, 2019. – 564.
[14] Machine learning: A Probabilistic Perspective / Kevin P. Murphy.: Massachusetts Institute of Technology, 2012. – 1098.
DOI: http://dx.doi.org/10.30970/eli.16.6
Посилання
- Поки немає зовнішніх посилань.