Sürüú OrtamÕnda Sürücü Uykuluk Tespitinin
Derin Ö÷renme Yöntemleri Kullanarak
Gerçekleútirilmesi
Detection of Driver Drowsiness in Driving
Environment using Deep Learning Methods
Vedat Tümen1, Özal YÕldÕrÕm1
Bilgisayar Mühendisli÷i Bölümü
Munzur Üniversitesi
Tunceli, Türkiye
{vtumen, oyildirim}@munzur.edu.tr
Özetçe— Bu çalÕúmada, sürücülerin sürüú ortamÕndaki
uyku durumlarÕnÕn tespiti için derin ö÷renme yöntemi
kullanÕlmÕútÕr. Sürücülere ait belirli hareketsiz yüz
görüntülerindeki gözlerin kapalÕ olup olmadÕ÷ÕnÕn tespit
edilmesi için bir konvolüsyonel sinir a÷Õ (KSA) modeli
önerilmiútir. Önerilen bu model, insan-bilgisayar arayüz
tasarÕmÕnda, yüz ifadesi tanÕmada, sürücü yorgunlu÷unun-
uykulu÷unun tespit edilmesi gibi geniú bir potansiyel
uygulama alanÕna sahiptir. Sürücü uykuluk tespiti verileri
üzerinde geliútirilen bu yöntem Closed Eyes In The Wild
(CEW) verisetinde bulunan 4.846 adet gerçek yüzdeki göz
imgeleri üzerinde uygulanmÕútÕr. HazÕrlanan modelin
baúarÕmlarÕnÕ kÕyaslamak için aynÕ veriler üzerinde, yaygÕn
kullanÕlan KSA modelleri kullanÕlmÕútÕr. Elde edilen
sÕnÕflandÕrma sonuçlarÕna göre, tasarlanan modelin 96.5%
ve 92.99% düzeyinde baúarÕya ulaútÕ÷Õ ve bu problem
alanÕnda kullanÕlabilecek bir yapÕ oldu÷u görülmektedir.
Anahtar Kelimeler —sürücü uyku tespiti; konvolüsyonel
sinir a÷larÕ; görüntü iúleme.
Abstract - In this study, a deep learning method was
used to detect sleep states of the drivers in the driving
environment. A convolutional neural network (CNN) model
has been proposed to determine whether the eyes of certain
constant face images of drivers are closed. The proposed
model has a wide potential application area such as human-
computer interface design, facial expression recognition,
driver fatigue-sleepiness determination. This method, which
was developed on driver sleepiness data, has been applied
on 4,846 real eye images in the Closed Eyes In The Wild
(CEW) database. Commonly used CNN models are used on
the same data to compare performances of the prepared
model. According to the classification results obtained,
96.5% and 92.99% of the designed model achieved success
and it is seen that this structure can be used in this problem
area.
Key words - driver drowsiness detection; convolutional
neural networks; image processing.
978-1-5386-5135-3/18/$31.00 ©2018 IEEE
Burhan Ergen2
Bilgisayar Mühendisli÷i Bölümü
FÕrat Üniversitesi
ElazÕ÷, Türkiye
bergen@firat.edu.tr
I. GøRøù
Göz kapalÕlÕ÷Õ tespiti, gerçek dünya uygulama
senaryosunda; parlaklÕk, bulanÕklaúma, farklÕ cilt rengi gibi
bireysel farklÕlÕklardan ve ortam de÷iúikliklerinin çeúitlili÷inden
kaynaklanan zorlayÕcÕ koúullar içeren karmaúÕk bir iúlemdir.
Göz kapalÕlÕ÷Õn tespiti bir çok alanda uygulama imkanÕ
bulmuútur. BunlarÕn baúÕnda son zamanlarda; sürücü destek
sistemleri, akÕllÕ araçlarÕn geliútirilmesi ve iyileútirilmesi, sürücü
kontrol ve uyarÕ sistemleri gibi birçok alan bulunmaktadÕr.
Biliúim ça÷Õndaki geliúmeler paralelinde yapay zekanÕn tüm
alanlara uyarlanmasÕ ve geliúimi ile günümüzde sürücüsüz
hareket eden araçlar üretilmektedir. Bu alandaki araútÕrmalar
devam ederken sürücü destek sistemleri için ihtiyaca göre farklÕ
çözümler de üretilmektedir. Sürücüsüz araç üreticileri Google,
Toyota, Nissan, BMW, Tesla gibi üreticiler, sürücü destek
sistemleri teknolojileri üzerinde ARGE faaliyetlerini
sürdürmektedirler [1]. Günümüzdeki sürücü destek sistemleri
incelendi÷inde çok farklÕ alanlarda çalÕúmalar yapÕldÕ÷Õ
görülmektedir.
Sürekli hareket halinde olan araç trafi÷i; yol, araç ve insan
etkileúimlerinden oluúmakta ve bunlardan herhangi birinde
oluúabilecek aksaklÕk hayati kazalara sebep olmaktadÕr [2].
TÜøK(Türkiye østatistik Kurumu), 2009-2016 yÕllarÕ arasÕnda
meydana gelen trafik kazalarÕndaki sürücü hatalarÕ 89.3%
olarak açÕklamÕútÕr [3]. ABD NHTSA (National Highway
Traffic Safety Administration) araútÕrmasÕna göre ABD’deki
ölüm veya yaralanma ile sonuçlanan 56.000 trafik kazalarÕna
sürücülerin uyku halinin sebep oldu÷u belirtilmiútir [4].
II. øLGøLø ÇALIùMALAR
Sürücü yorgunluk-uykuluk tespiti için farklÕ tipte çalÕúmalar
mevcuttur. Bu çalÕúmalar, vücut sÕcaklÕk de÷erleri, nabÕz
de÷erleri veya beyin elektriksel sinyallerinin elde edilmesi ile
sürücünün uyanÕklÕk durumu hakkÕnda bilgi vermektedir [5].
Fiziksel vücut özelliklerinin incelenmesiyle yapÕlan çalÕúmalar
EEG (Electroencephalography) baúlÕ÷Õ gibi yardÕmcÕ aparatlar
gerektirdi÷i için sürücüyü rahatsÕz etmekte ve gerçek hayatta
uygulanmasÕ sürücüler için zordur. Bir di÷er çalÕúma [6] ise
sürücünün kullandÕ÷Õ aracÕn verdi÷i tepkilerin algÕlanmasÕna
yönelik yapÕlmÕú olup, günümüzde araçlarda kullanÕlan
yorgunluk tespit sistemleri bu parametrelere ba÷lÕ olarak
geliútirilmiútir. Bu parametreler aracÕn gaz pedalÕ ve
direksiyonu gibi araç donanÕmÕna yerleútirilen sensörlerden
anlÕk olarak elde edilip, sürüú tipi ve sürücü durumunun tespit
edilmesinde kullanÕlmaktadÕr [6]. Bu tip çalÕúmalar genelde
sürücü özelliklerine göre büyük farklÕlÕk göstermekte ve buna
ba÷lÕ olarak baúarÕ oranÕ düúük olmaktadÕr. Bunun yanÕ sÕra,
sensörlerin aracÕn istenen konumlarÕna yerleútirilmesi zahmetli
ve uzman gerektiren iúlemlerdir. AynÕ zamanda bu sistemler,
bakÕm – onarÕm gerektiren süreçler içermektedir.
Gözün kapalÕ olup olmadÕ÷Õ ya da sürücülerin uykulu olup
olmadÕ÷Õ tespiti ile ilgili literatürde birçok çalÕúma
bulunmaktadÕr. Sürücü uyanÕklÕk tespiti için geliútirilen baúka
bir yöntem ise sürücüye ait görüntülerin anlÕk olarak tespit
edilmesi ve de÷erlendirilmesi ile sürücünün durumunun
belirlenmesine dayanÕr [7]. Sürücünün verdi÷i uyarÕnÕn
algÕlanmasÕna dayanan sistemler genellikle sürücü yorgunlu÷u
seviyesi tespiti için arabaya yerleútiren kameradan sürücü
görüntüsünü alÕp sürücü yorgunluk seviyesini tespit etmeye
çalÕúÕr. PERCLOS (Percentage of eye closure) sürücü uyku-
yorgunluk seviyesi tespiti için en çok kullanÕlan parametre
bileúenleridir [8]. Göz kapanma oranÕnÕ belirleyen PERCLOS,
belli bir sürede gözün 80% kapalÕ oldu÷u zamanÕn oranÕnÕ ifade
etmek için kullanÕlmaktadÕr. Gözün kapalÕ ve açÕk olma
durumunun tespiti, yorgunluk-uykusuzluk algÕlama ve
kameralar ile göz kÕrpma sistemi dahil olmak üzere geniú
uygulamalara sahiptir.
Luis M. Bergasa ve arkadaúlarÕnÕn yapmÕú oldu÷u [9]
çalÕúmada, sürücünün uyanÕklÕk hali gerçek zamanlÕ olarak
izlenmiú ve yüzde göz kapanÕúÕ süresi, göz kÕrpma sÕklÕ÷Õ gibi
parametreler tespit edilerek bulanÕk sÕnÕflandÕrma ile yüksek
baúarÕm elde edilmiútir. Fengi Song ve ark. [10] yapmÕú
olduklarÕ çalÕúmalarÕnda, yüz görüntüsünde gözlerin kapalÕ olup
olmadÕ÷ÕnÕ tespit etmeye yönelik olarak farklÕ görüntü iúleme
tekniklerini ZJU ve CEW veritabanÕ üzerinde farklÕ
sÕnÕflandÕrma yöntemleri ile test etmiú ve baúarÕmlarÕ
karúÕlaútÕrmÕútÕr. Brojeshwar Bhowmick ve ark. [11]
çalÕúmalarÕnda, sürücü uykusuzlu÷unu belirlemek için göz
tespiti ve gözün açÕk-kapalÕ olma durumunu do÷rusal olmayan
destek vektör makineleri (DVM) sÕnÕflandÕrÕcÕsÕ kullanarak
tespit etmiúlerdir. Xue Liu ve ark. [12] çalÕúmalarÕnda, kapalÕ
göz tespiti için farklÕ sÕnÕflandÕrma teknikleri kullanmÕú ve en
yüksek baúarÕmÕ DVM+HOG yöntemi ile elde etmiútir.
YapÕlan çalÕúmalarÕn ço÷unun belirli veritabanlarÕ üzerinde
yapÕldÕ÷Õ ve bunlarÕn baúarÕmlarÕnÕn karúÕlaútÕrÕlmasÕ úeklinde
oldu÷u görülmektedir. Bu çalÕúmalarda; SVM, k-NN, AdaBoost
gibi sÕ÷ yapÕlÕ sÕnÕflandÕrÕcÕlarÕn kullanÕldÕ÷Õ görülmektedir. Bu
çalÕúmada kamuya açÕk olarak paylaúÕlan CEW veritabanÕndaki
görüntülerde bulunan açÕk ve kapalÕ göz imgeleri ile sÕ÷-yapÕlÕ
ö÷renme yöntemlerinin yerine hem özellik çÕkarÕmÕ hem de
sÕnÕflandÕrma süreçlerini bir arada barÕndÕran bir derin ö÷renme
yöntemi önerilmiútir.
III. DERøN ÖöRENME
Günümüzde oldukça popüler bir alana dönüúen derin
ö÷renme, çok katmanlÕ ileri beslemeli sinir a÷larÕnÕn e÷itilme
süreçlerinin bir araya gelmesi ile meydana gelmektedir. Derin
ö÷renme modelleri çok sayÕda faklÕ nitelikte gizli katman ile
oluúturuldu÷undan bu ismi almÕútÕr. Görüntü sÕnÕflandÕrma,
tanÕmlama, bölme-ayÕrma, video analizi ve anlamlandÕrma,
sÕnÕflama, ses tanÕma ve iúleme, do÷al dil ö÷renme gibi birçok
farklÕ alanda kullanmaktadÕr. Derin ö÷renme özellikle, büyük
miktarlarda, etiketlenmemiú e÷itim verilerinden öznitelik
çÕkarÕm yöntemleri ile özelliklerin saptamasÕnÕ yapabilen
sistemler oluúturmak için ileri teknoloji, çok seviyeli sinir
a÷larÕn kullanÕlmasÕ ile oluúmaktadÕr.
Günümüzde halen kullanÕlan yapay sinir a÷larÕnÕn tek
baúÕna bazÕ problemleri çözmede yetersiz kalmasÕ veya
sonuçlarÕn geç üretilmesi, verilerin daha ileri bir seviyede
iúlenmesi için derin ö÷renme algoritmalarÕ-modelleri
geliútirilmektedir. Derin ö÷renme alanÕnda özellikle görüntü
iúlemede, görüntüyü bütün alarak iúleyen ve verinin
özniteliklerinin elde edilmesi ile sÕnÕflara veya özelliklerine
ayÕran, baúarÕm oranÕ yüksek olan konvolüsyon sinir a÷larÕ
yöntemi kullanÕlmaktadÕr.
A. Konvolüsyonel Sinir A÷larÕ
Teknolojinin geliúimine paralel olarak artan veri boyutu ile
oluúan büyük verilerden tutarlÕ ve anlamlÕ bilgileri çÕkarmak,
özellik çÕkarÕmÕ ile ilgili optimizasyon yapmamÕzÕ sa÷lamÕútÕr.
Klasik yapay sinir a÷larÕ, nöronlar ve gizli katmanlar arasÕndaki
iliúkiler ve ö÷renilen parametreler çok büyük hesaplama
gerektirmekte ve hem zaman hem de maliyet açÕsÕndan
dezavatajlÕdÕr. 1990 yÕlÕnda Yann LeCun tarafÕndan aslÕnda
rakam tanÕma için geliútirilen ve günümüzde artan bir úekilde
kullanÕlan KSA’lar, çok katmanlÕ sinir a÷larÕnÕn ileri yayÕlÕm
algoritmasÕnÕn özel bir türüdür [13]. KSA, öniúlem aúamasÕnÕ
minimum düzeye indirgeyerek; kenar, kalÕp ve temel
özelliklerin ortaya çÕkartÕlmasÕ için geliútirilmiútir. KSA’nÕn,
öznitelik ço÷altma ve özetleme katmanlarÕna sahip olmasÕ, di÷er
sÕnÕflandÕrma, tanÕma algoritmalarÕna göre daha iyi sonuçlar
üretmektedir.
Günümüzde oldukça popüler olan ve halen kullanÕlan KSA
tabanlÕ ve KSA türevli modeller, LeNet [14], AlexNet [15],
GoogLeNet [16], VGGNet [17] ve ResNet [18]tir. KSA
katmanlarÕ modellere göre de÷iúim ve geliúim farklÕlÕ÷Õ
göstermekte ve temel olarak dört katmandan oluúmaktadÕr.
1) Konvolüsyon katmanÕ: Konvolüsyon katmanÕ nöronlardan
oluúan ve genelde rastgele sayÕlardan üretilen a÷ÕrlÕk filtreleri ve
özellik haritalarÕndan oluúmaktadÕr. Bu a÷ÕrlÕklar ile imgenin
tüm kanallardaki piksel de÷erleri belli aralÕklarla konvolüsyon
iúlemine tabi tutulur ve yeni bir çÕktÕ elde edilir.
2) Pooling katmanÕ: Konvolüsyon katmanÕndan sonra oluúan
verilerdeki hesaplama karmaúÕklÕ÷ÕnÕ azaltmak için kullanÕlan
bir adÕmdÕr. Ancak verilerdeki önemli bazÕ bilgilerin
kaybolmasÕna sebep olabilir. Pooling katmanÕnda genelde
maksimum ve ortalama teknikleri yaygÕn olarak kullanÕlÕr.
Maksimum pooling katmanÕ, filtrelemeden sonra seçilen
bölgedeki piksellerin en büyük de÷erini çÕkÕú olarak seçer.
3) Aktivasyon katmanÕ: Bu katmanda hazÕrlanan farklÕ do÷rusal
olmayan aktivasyon fonksiyolarÕ, verilere uygulanarak eúik
de÷erden geçirilir. KSA modellerinde kullanÕlan en yaygÕn
yöntem sÕfÕra eúikleme olarak bilinen ve Denklem 1’de ifade
edilen ReLU aktivasyon fonksiyonudur.
­0; x ≤ 0
ReLU: f ( x) ® (1)
¯ x; x > 0
Bu yöntem, sigmoid ve tanjant fonksiyonu ile
karúÕlaútÕrÕldÕ÷Õnda daha hÕzlÕ sonuç üretmektedir. ReLU
yönteminin yanÕ sÕra birçok aktivasyon fonksiyonu
bulunmaktadÕr. Bunlardan bazÕlarÕ;

­0; x ≤ 0
0/1 step : f ( x) ® (2)
¯1; x > 0
­0; x ≤ 0
-1/+1 step : f ( x) ® (3)
¯−1; x > 0
1 2’de göz kapalÕlÕ÷Õ tespiti için hazÕrlanan toplamda 13 katmanlÕ
Sigmoid : f ( x) = (4)
1 + e− x
ex − e− x
tanh : f ( x) = (5)
e x + e− x
4. Softmax sÕnÕflandÕrÕcÕ katmanÕ: Özellikle yüksek sayÕda farklÕ
etiketli verilerin sÕnÕflandÕrÕlmasÕ için kullanÕlan baúarÕlÕ bir
yöntemidir. øúleme sonucunda verinin parametreleri en çok
hangi sÕnÕfa benzerlik gösteriyorsa o sÕnÕfa ayÕrÕr.
IV. DENEYSEL SONUÇLAR
Bu makale çalÕúmasÕnda, iki ayrÕ deneysel çalÕúma
yapÕlmÕútÕr. Bunlardan birincisinde, CEW veritabanÕndan alÕnan
göz görüntüleri sol ve sa÷ göz úeklinde ayrÕlarak sÕnÕf sayÕsÕ
artÕrÕlmÕú ve dört sÕnÕflÕ bir veri seti hazÕrlanmÕútÕr. økinci
çalÕúma ise yine aynÕ veritabanÕndaki imgeler açÕk göz ve kapalÕ
göz olarak iki sÕnÕfa ayrÕlmÕútÕr. Her iki çalÕúmada da KSA
tabanlÕ modeller kullanÕlmÕú ve baúarÕmlarÕ de÷erlendirilmiútir.
A. VeritabanÕ
Bu çalÕúma, kamuya açÕk olarak paylaúÕlan Closed Eyes In
The Wild (CEW) [19] sisteminde bulunan CEW veritabanÕnda
farklÕ ÕúÕk ortamÕ altÕnda elde edilmiú açÕk ve kapalÕ göz
imgeleri kullanÕlmÕútÕr. ùekil 1’de, görüldü÷ü gibi rastgele
seçilmiú dört sÕnÕflÕ etikete sahip imgelerin bir kÕsmÕ verilmiútir.
ùekil 1. CEW veritabanÕnda bulunan örnek imgeler(a: sol-kapalÕ,
b: sa÷-kapalÕ, c: sa÷-açÕk, d: sa÷-açÕk)
CEW veritabanÕ içerisinde; 1192 kiúiye ait kapalÕ göz
imgesi ve 1231 kiúiye ait açÕk göz imgeleri bulunmaktadÕr.
Verisetindeki imgeler 24x24 boyutlu ve gri formatta
oluúturulmuútur. Bu imgeler kapalÕ-açÕk sol-sa÷ göz úeklinde
etiketlenmiútir. Veriseti üzerinde yapÕlan birinci çalÕúmada, dört
sÕnÕf (sol-kapalÕ, sol-açÕk, sa÷-kapalÕ, sa÷-açÕk) kullanÕlmÕútÕr.
økinci çalÕúmada ise sol ve sa÷ gözlerin birleútirilmesi ile elde
edilen iki sÕnÕf (açÕk ve kapalÕ göz) kullanÕlmÕútÕr. Her iki
çalÕúma için veritabanÕnÕn 80%’i e÷itim, 20%’si ise test
aúamasÕnda kullanÕlmak üzere ayrÕ veri setleri oluúturulmuútur.
B. ÇalÕúma OrtamÕ ve KullanÕlan DonanÕm
SÕnÕflandÕrma iúlemi için Python programla dili kullanÕlmÕú
ve sÕnÕflandÕrma katmanÕ olarak softmax sÕnÕflandÕrÕcÕsÕ olan
KSA tabanlÕ modeller tasarlanmÕútÕr. Deneysel çalÕúmalar, CPU
tabanlÕ olarak Intel Xenon 2.20 GHz iúlemci ve GPU Tesla K80
donanÕmÕ üzerinde yapÕlmÕú ve her iki donanÕma ait
performanslar de÷erlendirilmiútir. Önerilen KSA modelinin
performans kÕyaslamalarÕ için; Lenet_5, Vgg_5, Vgg_6, Vgg_7
modelleri, veritabanÕnda bulunan imgelere uygulanmÕútÕr. ùekil
KSA tabanlÕ sÕnÕflandÕrma modeli sunulmuútur.
ùekil 2. Göz kapalÕlÕ÷Õ tespiti için hazÕrlan KSA modeli.
Önerilen KSA modeli, ilk katmanda 24×24 boyutlu gri
formatÕnda imgeleri giriú olarak almakta ve bu katman üzerinde
3×3 boyutlu filtreler ile özellik haritalarÕ elde edilmektedir.
Konvlüsyon katmanÕndan sonra gelen ReLU aktivasyon
katmanÕ ile özellik haritalarÕ eúiklenmektedir. ReLU katmanÕnÕn
çÕkÕúÕ tekrar bir konvolüsyon katmanÕna verilmiú ardÕnda bu
veriler farklÕ kernel boyutu ile filtreden geçirildikten sonra
ReLU aktivasyon katmanÕna verilmiútir. Bu iúlem aynÕ úekilde
tekrar edildikten sonra verilerdeki ayrÕntÕlarÕn belirgin hale
getirilmesi ve boyut küçültme için Max Pooling katmanÕ
kullanÕlmÕútÕr. Bu iúlemler birkez daha tekrar edildikten sonra
Tam Ba÷lÕ katmanÕndan geçirilmiú ve son olarak oluúan tüm bu
hücreler softmax sÕnÕflandÕrÕcÕ katmanÕ ile sÕnÕflandÕrÕlmÕútÕr.
C. Deneysel ÇalÕúma 1
Bu çalÕúmada, veritabanÕnda bulunan etiketlenmiú göz
imgeleri, dört sÕnÕf olarak KSA tabanlÕ modeller altÕnda
sÕnÕflandÕrÕlmÕú ve baúarÕmlarÕ test edilmiútir. Tablo 1’de dört
sÕnÕfa göre KSA modellerinin baúarÕmlarÕ görülmektedir.
Tablo 1. KSA modellerinin dört sÕnÕfÕ tanÕmadaki baúarÕmÕ.
KSA Aúama Her periyotta
BaúarÕm
Modelleri (epoch) Geçen süre (sn)
OranÕ(%)
(100) GPU/CPU
Lenet_5 92 2/16 92.16
Vgg_5 94 2/18 92.27
Vgg_6 88 3/18 92.47
Vgg-7 65 3/21 92.37
Önerilen
KSA Modeli
22 1/14 92.99
Tablo 1 incelendi÷inde hazÕrlamÕú oldu÷umuz modelin
baúarÕm oranÕn di÷er modellere göre yüksek oldu÷u aynÕ
zamanda e÷itim sürecinin daha erken sonuçlandÕ÷Õ ve en yüksek
baúarÕya 22. aúamada ulaútÕ÷Õ görülmektedir. ùekil 3’te
modelimizin 0-100 devirdeki baúarÕm grafi÷i görülmektedir.
 modelin e÷itim aúamasÕnÕn tamamlandÕ÷Õ görülmüútür. YapÕlan
bu çalÕúmada, önerilen KSA modeli ile Vgg_5 modelinin
baúarÕm düzeyinin aynÕ oldu÷u fakat en yüksek baúarÕya ulaúma
devrini incelendi÷inde önerilen modelin daha iyi oldu÷u tespit
edilmiútir. ùekil 5’te önerilen sÕnÕflandÕrma modelinin baúarÕm
grafi÷i görülmektedir.
ùekil 5 incelendi÷inde, 22. devirde modelin 96.49% baúarÕ
elde etti÷i ve bu aúamada e÷itim aúamasÕnÕn tamamlanmÕú
oldu÷u görülmektedir. øncelenen di÷er modellerin hem bu
baúarÕya ulaúamadÕ÷Õ hem de e÷itim aúamasÕnÕn uzun sürdü÷ü
görülmüútür. Tablo 3’te, literatürde aynÕ veri setini kullanan
çalÕúmalar ile bu çalÕúmada önerilen KSA modelinin performans
karúÕlaútÕrmasÕ verilmiútir.

ùekil 3. KSA modelinin 4 sÕnÕflÕ görüntüler üzerinde e÷itim ve

do÷rulama sonuçlarÕ.
ùekil 3 incelendi÷inde; 22. aúamada modelin 92.99% baúarÕ
elde etti÷i ve bu aúamada e÷itim aúamasÕnÕn tamamlanmÕú
oldu÷u görülmektedir. øncelenen di÷er modellerin hem bu
baúarÕya ulaúmadÕ÷Õ hem de e÷itim aúamasÕnÕn biraz daha uzun
sürdü÷ü görülmüútür.
D. Deneysel ÇalÕúma 2
Bu çalÕúmada, veritabanÕnda bulunan etiketlenmiú göz
imgeleri, kapalÕ ve açÕk olarak iki etiketli KSA tabanlÕ modeller
altÕnda sÕnÕflandÕrÕlmÕú ve baúarÕmlarÕ test edilmiútir. ùekil 4’te
açÕk ve kapalÕ göz imgelerine ait bazÕ örnekler görülmektedir.

ùekil 5. KSA modelinin iki sÕnÕflÕ görüntüler üzerinde e÷itim ve

do÷rulama sonuçlarÕ.

Tablo 3. Önerilen KSA modelinin literatürdeki çalÕúmalarla

karúÕlaútÕrÕlmasÕ.

ùekil 4. CEW veritabanÕnda aynÕ kiúilere ait açÕk ve kapalÕ göz Veri
BaúarÕm
imgelerinin bir kÕsmÕ(a: kapalÕ göz b: açÕk göz) ÇalÕúma seti SÕnÕflandÕrÕcÕ
OranÕ(%)
(100)
ùekil 4 inceledi÷inde, veritabanÕnda aynÕ kiúilere ait sol ve [10] CEW HPOG+SVM 95.90
sa÷ gözlerin açÕk veya kapalÕ oldu÷u görülmektedir. Bu [20] ZJU LBP+SVM 90.37
çalÕúmada, iki etiketli bir sÕnÕflandÕrma yapÕlaca÷Õndan açÕk göz Önerilen KSA
CEW KSA 96.49
imgeleri bir sÕnÕfa, kapalÕ göz imgeleri de di÷er bir sÕnÕfa Modeli
yerleútirilmiú ve hazÕrlanan verisetinin 80%’i e÷itim, 20%’si
test için kullanÕlmÕútÕr. YapÕlan bu çalÕúmanÕn baúarÕm sonuçlarÕ Tablo 3 incelendi÷inde, önerilen KSA modelinin CEW
Tablo 2’de görülmektedir. veritabanÕ ile yapÕlan çalÕúmaya [10] göre daha yüksek baúarÕm
elde etti÷i görülmüútür. Literatürdeki bu çalÕúmalarda, verilere
Tablo 2. KSA modellerinin 2 sÕnÕfÕ tanÕmadaki baúarÕmÕ ait birçok dönüúümden sonra elde edilen özellik vektörleri
üzerinde DVM sÕnÕflandÕrÕcÕlarÕ kullanÕlmÕútÕr. Bu çalÕúmada ise
Aúama Her periyotta herhangi bir öniúlem, özellik çÕkarÕmÕ aúamasÕ olmadan
KSA BaúarÕm verilerin sÕnÕflandÕrÕlmasÕ sa÷lanmÕútÕr. AynÕ zamanda, elde
(epoch) Geçen süre (sn)
Modelleri OranÕ(%) edilen sÕnÕflandÕrma do÷rulu÷u literatürdeki di÷er yapÕlara göre
(100) GPU/CPU
Lenet_5 94 1/5 95.98 yüksektir.
Vgg_5 98 1/5 96.49
Vgg_6 88 1/6 96.19 V. SONUÇLAR
Vgg-7 65 1/6 96.08 Bu çalÕúmada, sürüú ortamÕnda sürücü uykuluk tespiti için
Önerilen KSA tabanlÕ bir derin ö÷renme modeli önerilmiútir. Önerilen
22 1/5 96.49
KSA Modeli modelin literatürdeki incelenen yöntemlere göre daha iyi bir
sonuç üretti÷i görülmüútür. AyrÕca önerilen yöntem, KSA
Tablo 2 incelendi÷inde, önerilen KSA modelinin alanÕnda oldukça popüler olan Lenet ve Vgg gibi modellerle
sÕnÕflandÕrma baúarÕmÕnÕn di÷er KSA modellerine yakÕn sonuç kÕyaslandÕ÷Õnda hazÕrlanan modelin baúarÕmÕnÕn yüksek çÕktÕ÷Õ
verdi÷i görülmüútür. AynÕ zamanda e÷itim sürecinin GPU görülmüútür. Bu model, sürücülerin araç kullanÕmÕnda gözlerine
tabanlÕ iúlemcilerde farklÕklar göstermedi÷i, her deviri(epoch) 1
odaklanarak, gözlerin açÕk ya da kapalÕ olup olmadÕklarÕnÕ
saniye gibi kÕsa bir sürede tamamladÕ÷Õ görülmüútür. HazÕrlanan
model en yüksek baúarÕya 22. devirde ulaúmÕú ve bu devirde de belirleyebilir. Önerilen bu model sürücü destek sistemi için
avantaj sa÷layan bir çalÕúma olarak de÷erlendirilebilir. AynÕ
zamanda, insan-bilgisayar arayüz tasarÕmÕnda ve yüz ifadesi [16] S. Christian, "Going Deeper With Convolutions." Proceedings Of
tanÕma gibi alanlarda kullanÕlabilir. Önerilen modelin, The IEEE Conference on Computer Vision and Pattern
görüntüleri öniúlemden geçirmeden do÷rudan iúlemesi, hem Recognition, P. 1-9, 2015.
zaman hem de maliyet açÕsÕndan incelenen di÷er modellerden [17] ønternet Eriúimi: http://www.robots.ox.ac.uk/~vgg/research/very_
daha iyi sonuç üretti÷i tespit edilmiútir. øleriki çalÕúmalarda deep Eriúim tarihi:27.02.2018
sürücünün sadece göz görüntüleri de÷il aynÕ zamanda [18] He, Kaiming, "Deep Residual Learning for Image Recognition."
hareketleri, ses sinyalleri, yüz ifadeleri ve EEG sinyalleri de Proceedings of the IEEE conference on computer vision and
alÕnarak farklÕ yöntemlerin kullanÕlmasÕ hedeflenmektedir. pattern recognition., p. 770-778, 2016.
[19] Closed Eyes In The Wild (CEW) Dataset. ønternet Eriúimi:
http://parnec.nuaa.edu.cn/xtan/data/ClosedEyeDatabases.html
KAYNAKÇA Eriúim Tarihi: 27.02.2018
[20] Wu, Yu-Shan, et al. "An eye state recognition method for
drowsiness detection." Vehicular technology conference (VTC
[1] R. Dale, A. Stedmon. "To Delegate or not to Delegate: A Review 2010-Spring), 2010 IEEE 71st. IEEE, 2010
of Control Frameworks for Autonomous Cars." Applied
ergonomics, vol:53 383-388. 2016.
[2] ø.H. HancÕ, ve B. Eúiyok, “Uyku ve Trafik KazalarÕ”,
http://www.ttb.org.tr/STED/sted0301/1.html, 10 Mart 2014.
[3] Türkiye østatistik Kurumu (TÜøK), ønternet Eriúimi:
http://www.tuik.gov.tr/PreHaberBultenleri.do?id=24606 Eriúim
tarihi: 27.02.2018.
[4] NCSDR/NHTSA Expert Panel on Driver Fatigue and Sleepiness,
“Drowsy driving and automobile crashes,” NHTSA report.
ønternetEriúimi: https://www.nhtsa.gov/sites/nhtsa.dot.gov/files/
808707.pdf Eriúim Trihi: 27.02.2018
[5] R.P. Nikhil, C. K. Chien-Yao, L.W., Chao, C.F., Jung, T.P., Liang
S.F. and Lin, C.T., 2008. “EEG-based Subject-and Session-
independent Drowsiness Detection: An Unsupervised Approach,”
EURASIP Journal on Advances in Signal Processing, ISSN: 1110-
8657, January 2008.
[6] Y. Takei, and Y. Furukawa, 2005. "Estimate of driver’s
fatiguethrough steering motion". Man and Cybernetics IEEE
International Conference, vol. 2, pp.1765- 1770, 2005
[7] S. Golgiyar, A. F. Kocamaz, F. Okumuú, “Video TabanlÕ Uykulu
Sürücü AlgÕlama Sistemi”, Eleco 2014 Elektrik – Elektronik –
Bilgisayar ve Biyomedikal Mühendisli÷i Sempozyumu, s.332-338,
2014.
[8] S. Vitabile, A. De Paola, and D. Sorbello, “A realtime non-
intrusive FPGA-based drowsiness detection system”, Journal of
Ambient Intelligence and Humanized Computing, vol. 2, no. 4, pp
251-262, 2011.
[9] L.M. BERGASA, et al. Real-time system for monitoring driver
vigilance. IEEE Transactions on Intelligent Transportation
Systems, 7.1: 63-77, 2006.
[10] F., Song, et al. "Eyes closeness detection from still images with
multi-scale histograms of principal oriented gradients." Pattern
Recognition 47.9: 2825-2838, 2014.
[11] B. Bhowmick,and KS Chidanand Kumar. "Detection and
classification of eye state in IR camera for driver drowsiness
identification." Signal and Image Processing Applications
(ICSIPA), IEEE International Conference on. IEEE, 2009.
[12] L. Xue, X. Tan, and S. Chen. "Eyes closeness detection using
appearance based methods." International Conference on
Intelligent Information Processing. Springer, Berlin, Heidelberg,
2012.
[13] J. Gehring, Y. Miao, F. Metze, "Extracting Deep Bottleneck
Features Using Stacked Auto-Encoders", Acoustics, Speech and
Signal Processing (ICASSP), IEEE International Conference on
May 2013.
[14] Y. LeCun, “LeNet-5, convolutional neural networks,” 2013
[15] A. Krizhevsky, I. Sutskever, E. Geoffrey Hinton, "Imagenet
Classification With Deep Convolutional Neural Networks",
Advances in Neural Information Processing Systems, pp. 1097-
1105, 2012.