ALTERNATIVA TECNOLÓGICA PARA ESTIMAR LA DISTRACCIÓN Y SOMNOLENCIA DEL CONDUCTOR MEDIANTE VISIÓN POR COMPUTADOR E INTELIGENCIA ARTIFICIAL USANDO TOF (TECHNOLOGICAL ALTERNATIVE TO ESTIMATE DRIVER DISTRACTION AND SLEEPINESS THROUGH COMPUTER VISION AND ARTIFICIAL INTELLIGENCE USING TOF)

Fernando Alejandro Guevara Carrillo, William Quitiaquez, Oswaldo Sebastián Valencia Bernal, Patricio Quitiaquez, Fernando Toapanta Ramos

Resumen


Resumen
El documento presenta una alternativa tecnológica que detecta condiciones anormales del conductor a causa de la distracción y/o somnolencia. Utilizando la tecnología de tiempo de vuelo, se determinaron distancias de objetos con la emisión de una señal infrarroja en conjunto con la inteligencia artificial del modelo CANDIDE, además, se mostró el resultado de un algoritmo para seguimiento facial en tiempo real. Para la detección de la distracción fueron considerados tres movimientos faciales, además de un algoritmo de control que relaciona los valores de datos de los vértices, en el rostro del conductor. Finalmente, se obtuvo una interfaz visual que indicó, mediante alertas visuales y sonoras, cuando el rostro del conductor se encontraba fuera de los parámetros aceptados para la conducción. El sistema es autónomo y no debe ser activado y/o configurado por el conductor, utilizó la visión artificial como método de seguimiento, contribuyendo en la reducción de accidentes de tránsito
Palabras Clave: Detección de objetos, distracción, Candide, Kinect, time-of-flight.

Abstract
The document presents a technological alternative, that detects abnormal driver conditions due to distraction and / or drowsiness. Using time-of-flight technology, objects distances were determined with the emission of an infrared signal, in conjunction with the artificial intelligence of the CANDIDE model, besides, the result of an algorithm for real-time facial tracking was shown. For the detection of distraction, three facial movements were considered, in addition to a control algorithm, that relates the data values of the vertices in the driver´s face. Finally, a visual interface was obtained, that indicated by visual and audible alerts, when the driver's face was outside the accepted parameters for driving. The system is autonomous and should not be activated and / or set by the driver, it used artificial vision as a monitoring method, contributing to the reduction of traffic accidents.
Keywords: Candide, distraction, Kinect, object detection, time-of-flight.

Texto completo:

419-437 PDF

Referencias


Agencia Nacional de Tránsito, (09 de 2019). Reporte Nacional de Siniestros de Tránsito Septiembre 2019. Obtenido de:

https://www.ant.gob.ec/index.php/descargable/file/6804-siniestros-septiembre-2019.

Brown I., (1994). Driver fatigue. Human Factors. Human Factors: The Journal of the Human Factors and Ergonomics Society.

Chen M., Barwolff G., & Schwandt H., (2014). Time-Of-Flight technology applied in pedestrian movement detection. The Conference on Pedestrian and Evacuation Dynamics.

Darby J., Sánchez M., Butler P., & Loram I., (2016). An evaluation of 3D head pose estimation using the Microsoft Kinect v2. Gait & Posture, 48, 83-88.

Feldstein I., Güntner A., & Bengler K., (2015). Infrared-Based In-Vehicle Head Tracking: A Prototype for Tracking Drivers’ Head Movements in Real Time. Procedia Manufacturing, 3, 829-836.

Gallup A., Church A., & Pelegrino A., (2016). Yawn duration predicts brain weight and cortical neuron number in mammals. Biology Letters.

Guevara F., & Valencia O., (2013). Análisis del conductor: Estimación de la distracción y somnolencia mediante visión por computador e inteligencia artificial usando tecnología ToF. Sangolquí: Universidad

Politécnica del Ejército.

Kutila M., (2006). Methods for Machine Vision Based Driver Monitoring Application.

Li Z., Cui L., & Chen J., (2018). Traffic Accident Modelling via Self-Exciting Point Processes. Reliability Engineering and System Safety.

Lyznicki J., Doege T., Davis R., & Williams M., (1998). Sleepiness, driving and motor vehicle crashes. JAMA.

Masood S., Rai A., Aggarwal A., Ahmad D., & Ahmad M., (2018). Detecting Distraction of drivers using Convolutional Neural Network. Pattern Recognition Letters.

Miles R., (2012). Learn Microsoft Kinect API.

Miles R., (2012). Using Kinect for Windows with XNA, Kinect for Windows SDK. Edición 1.1.

Mitler M., Lipsitz J., Walsh J., & Wylie C., (1997). He sleep of long-haul truck drivers. N Engl J Med, 337, 755- 761.

Musuña J., Zapata B., Oñate L., & Campusano G., (2014). Diseño y construcción de un robot móvil que permita la obtención de una nube de puntos del escaneo de habitaciones utilizando láser y webcams. Ingenius, 11, 53-61.

Rydfalk M., (1987). CANDIDE, A parameterized face. Linköping University, Sweden: Report No. LiTH-ISY-I-866, Dept. of Electrical Engineering.

Solaz J., Laparra Hernández J., Bande D., Rodríguez N., Veleff S., Gerpe J., & Medina E., (2016). Drowsiness detection based on the analysis of breathing rate obtained from real-time image recognition. Transportation Research Procedia, 14, 3867 – 3876.

Webb J., & Ashley J., (2012). Beginning Kinect Programming with the Microsoft Kinect SDK.

Wickens C., (2002). Multiple resources and performance prediction. Theoretical issues in ergonomics science, 159-177.






URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Barra de separación


Licencia Creative Commons    Pistas Educativasa está bajo la Licencia Creative Commons Atribución 3.0 No portada.    


TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA

Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México

Tel. 01 (461)61 17575 Ext 5106

www.itcelaya.edu.mx