تشخيص خودكار عدم تمركز راننده با استفاده از بينايي ماشين و يادگيري عميق: يك مرور كوتاه

Automatic Driver Distraction Detection Using Computer Vision and Deep Learning: a MiniReview

يكي از چالش‌هاي بزرگ جهان امروز تصادفات رانندگي است كه بر اثر عوامل مختلفي همچون عدم تمركز راننده در حين رانندگي رخ مي‌دهد زيرا اين عوامل عواقب جدي و جبران ناپذيري را در پي خواهد داشت. روش‌هاي مختلفي براي تشخيص عوامل عدم تمركز وجود دارد. استفاده از تكنولوژي‌هاي مبتني‌بر بينايي ماشين و يادگيري عميق به منظور تشخيص خودكار اين عوامل مي‎تواند ايمني در رانندگي را بهبود بخشيده و حوادث ناشي از عدم تمركز را به حداقل برساند. استفاده از الگوريتم‌هاي هوشمند پردازش تصوير بر روي داده‌هاي تصويري به دست آمده از دوربين‌هاي نصب شده در محيط رانندگي به منظور استخراج مشخصات و علائم مرتبط بسيار كارآمد مي‌باشند. با بهره‌گيري از الگوريتم‌هاي يادگيري عميق وضعيت راننده، شناسايي و تشخيص داده مي‌شود. به اين ترتيب به صورت هوشمندانه به راننده كمك مي‌شود تا تمركز خود را بهبود بخشيده و از وقوع حوادث جلوگيري شود. هدف اصلي اين مقاله، بررسي روش‌هاي ارائه شده در حوزه تشخيص خودكار عوامل عدم تمركز راننده با استفاده از تكنيك‌هاي بينايي ‌ماشين و يادگيري عميق است. همچنين در اين تحقيق، مي‌توان با هدف بهبود ايمني و پيشگيري از حوادث رانندگي، از روش‌هاي نوين مبتني‌بر وب در سيستم‌هاي تشخيص عوامل عدم تمركز راننده استفاده نمود.

One of the major challenges in the world today is traffic accidents, which occur due to various factors such as driver distraction during driving, as these factors will have serious and irreparable consequences. There are various methods for detecting distraction factors. The use of machine vision-based technologies and deep learning for automatic detection of these factors can improve driving safety and minimize accidents caused by distraction. The use of intelligent image processing algorithms on image data obtained from cameras installed in the driving environment for extracting relevant characteristics and signs is very efficient. By utilizing deep learning algorithms, the driver s condition can be identified and recognized. In this way, intelligent assistance is provided to the driver to improve their focus and prevent accidents. The main goal of this article is to investigate the methods proposed in the field of automatic detection of driver distraction factors using machine vision techniques and deep learning. Additionally, novel web-based methods can be utilized in driver distraction detection systems with the aim of improving safety and preventing traffic accidents.