A system for drivers drowsiness detection

Abstract

A condução é uma atividade que requer concentração e um estado de atenção de alerta, pois em caso de distração ou sonolência pode levar a graves consequências. No entanto, o comportamento de conduzir num estado de fadiga, é subestimado por muitas pessoas. Além disso, para trabalhos como empresas transportadoras, os camionistas têm de levar a sua mercadoria ao destino o mais rápido possível e por vezes o descanso é evitado, levando a acidentes. Desta forma, torna-se pertinente o desenvolvimento de um sistema que consiga detetar sonolência nos condutores e que os alerte. Para a realização deste projeto foi então desenvolvido um sistema que deteta quando um condutor se encontra com sinais de sonolência, e para isso foram projetados dois modelos, utilizando visão por computador. O primeiro utiliza object detection para fazer um rastreio a regiões-chave como olhos, boca e cabeça. Para isto teve de ser construido um dataset e uma arquitetura de redes neuronais teve de ser escolhida, e o You Only Look Once (YOLO) foi a que se destacou e mais se adequou ao caso. O segundo modelo calcula os valores de Percentage of Eyelid Closure (PERCLOS) e Frequency of Open Mouth (FOM) de maneira a comparar com valores threshold para fazer um juízo final e dar o alerta. Com resultados bastante satisfatórios obtidos, testes foram efetuados numa Raspberry Pi, de forma a ver como o sistema construído se comportava num dispositivo com menos poder computacional.

Driving is an activity that requires concentration and a state of alert attention, as in case of distraction or drowsiness it can lead to serious consequences. However, the behavior of driving in a fatigued state is underestimated by many people. Furthermore, for jobs such as transport companies, truck drivers have to deliver their goods to their destination as quickly as possible and sometimes rest is avoided, leading to accidents. Therefore, it becomes relevant to develop a system that can detect drowsiness in drivers and alert them. In order to carry out this project, a system was developed that detects when a driver has signs of drowsiness, and for that, two models were designed, using computer vision. The first uses object detection to track key regions like eyes, mouth and head. For this, a dataset had to be built and a neural network architecture had to be chosen, and YOLO was the one that stood out and best suited the case. The second model calculates the values of PERCLOS and FOM in order to compare with threshold values to make a final judgment and give the alert. With very satisfactory results obtained, tests were carried out on a Raspberry Pi, in order to see how the built system behaved on a device with less computing power.