سيستم بلادرنگ و هوشمند اعلام هشدار خستگي رانندگان بر مبناي تصاوير ويديويي

Real-Time Intelligent Alarm System of Driver Fatigue Based on Video Sequences

زمينه و هدف : هوشمند­سازي سيستم ­هاي بازدارنده­ي سوانح رانندگي مي­تواند در به حداقل رساندن مرگ و مير ناشي از تصادفات موثر باشد. يكي از عوامل منجر به مرگ كه سهم عمده­اي را در ايجاد تصادفات به خود اختصاص داده، خطاهاي انساني است. خستگي در حين رانندگي از مواردي است كه سبب ايجاد خطا و كاهش دقت در كنترل وسيله نقليه مي­شود. روش بررسي : با تكيه بر تكنيك­ هاي پردازش تصاوير ويديويي، علائم خستگي و خواب­آلودگي چهره فرد در زمان رانندگي آشكار شده است. سيستم در گام نخست با تصويربرداري از صورت شخص توسط يك دوربين، دنباله ­هاي ويدويي با نرخ 15 فريم بر ثانيه دريافت نموده و با تبديل فريم ­ها از فضاي RGB به فضاهاي YCbCr و HSV ، ناحيه چهره از ساير بخش­ها جداسازي مي­شود. در گام بعدي، در يك فاصله زماني با تكيه بر آستانه­ گذاري و معادلات تقارن چهره انسان، باز يا بسته بودن چشم ­ها تعيين شده و در نهايت با استفاده از روش كلاسترينگ K-means ، تكرر خميازه­ شناسايي خواهد شد. در مرحله ارزيابي، با پياده­سازي الگوريتم بر دنباله­ هاي ويديويي ضبط شده تحت شرايط واقعي در فضاي شهري و برون شهري و مقايسه با روش­ هاي چون Visual Information و Monitoring Driver Vigilance ، عملكرد مناسب­تري حاصل آمد. يافته­ ها : با آزمايش سيستم براي مجموعه­اي از 5949 فريم ويديويي گوناگون، دقت ميانگين 93/06% و نرخ آشكارسازي ( DR ) برابر با 90/78% نتيجه شد. نتيجه­ گيري : دقت بالا در جداسازي، نرخ ناچيز خطا در اعلام هشدار و سرعت مناسب پردازش داده­هاي ورودي، سيستم را از ساير روش­ هاي مشابه متمايز مي­سازد. بهره­ گيري از اين سيستم، در به حداقل رساندن سطح تصادفات ناشي از خستگي رانندگان موثرخواهد بود.

Background and aims: Developing intelligent systems to prevent car accidents can be very effective in minimizing accident death toll. One of the factors which play an important role in accidents is the human errors. Fatigue driving is one of the cases that can cause errors and reduce accuracy in contorlling the vehicle. Methods: The signs of fatigue and sleepiness while driving is revealed based on video processing techniques. In this model, the person’s face is filmed by a camera in the first step by receiving 15fps video sequence. Then, the images are transformed from RGB space into YCbCr and HSV spaces. The face area is separated from other parts. That the eyes are open or closed in a specific time interval is determined by focusing on thresholding and equations concerning the symmetry of human faces a finally using K-means Clustering, the frequency of yawning is identified. In the evaluation phase, the implementation of the algorithm on video sequences recorded under real conditions in urban and suburban areas and compared with methods such as Visual Information and Monitoring Driver Vigilance, better performance was achieved. Results: The proposed system has been implemented on different video sequences with average accuracy of 93.18% and detection rate (DR) of 92.71% out of total 5900 image frames. Conclusion: High accuracy in segmentation, low error rate and quick processing of input data distinguishes this system from similar ones. This system can minimize the number of accidents caused by drivers’ fatigue.