Professional Documents
Culture Documents
HCM
Từ khóa: Phát hiện tài xế buồn ngủ, Điểm nhận diện khuôn mặt, Báo động, điều kiện ánh sáng
1.GIỚI THIỆU
Với tốc độ ngày càng tăng của cuộc sống và công việc, con người đã bắt đầu thỏa hiệp với
những gì họ cần nhất, để hoạt động hiệu quả trong một uation ngồi nhất định, tức là nghỉ ngơi
và ngủ đầy đủ để hoạt động trong khi thực hiện một nhiệm vụ. Sự buồn ngủ của người lái xe
là một điều rất thận trọng và đã dẫn đến rất nhiều rủi ro. Một số nhà nghiên cứu thậm chí còn
cung cấp một dữ liệu cho thấy gần 1200 người chết và 7.000 thương tích lớn được gây racho
người lái xe mệt mỏi đang phải đối mặt mà cuối cùng dẫn đến một vụ tai nạn. Với sự trợ giúp
của công nghệ hiện đại và hệ thống quét thời gian thực bằng camera, chúng ta có thể ngăn
ngừa rủi ro lớn trên đường bằng cách cảnh báo người lái xe đang cảm thấy buồn ngủ thông
quahệ thống phát hiện buồn ngủ. Mục đích của cam kết này là xây dựng một hệ thống phát
hiện buồn ngủ nguyên mẫu. Sự chú ý sẽ được đưa vào việc lập kế hoạch một khuôn khổ sẽ
theo dõi chính xác tình trạng mở hoặc đóng của mắt người lái xe liên tục. Bằng cách tập trung
vào mắt, nó đã dẫn đến sự khởi đầu của sự mệt mỏi của người lái xe có thể được phát hiện
để tránh một tai nạn xe hơi. Phát hiện buồn ngủ phụ thuộc vào chuyển động của mắt và thời
gian trôi qua giữa các lần chớp mắt để giúp tạo ra điểm số mà người lái xe được đánh giáed
có buồn ngủ hay không. Để ngăn chặn những tai nạn này, chúng tôi đã phát triển một hệ
thống sử dụng python, mở Cv và keras hoạt động trên nguồn cấp dữ liệu trực tiếp của người
lái xe thông qua webcam sau đó được xử lý để tạo ra điểm số dựa trên thời gian giữa mắt
closing và mở và khi mắt nhắm trong một thời gian dài, điểm số bắt đầu tăng lên và khi đạt
đến một dấu hiệu nhất định, báo thức bắt đầu bíp cảnh báo người lái xe và đánh thức anh ta.
lên.
1.3 OpenCV
OpenCV là một thư viện nguồn máy tính mã nguồn mở có sẵn trong mã hóa python để mã
hóa các kỹ năng hình ảnh của máy tính thông minh của chúng tôi. OpenCV được mong đợi
cho khả năng tính toán và tập trung cao độ vào vị trí hình ảnh đang diễn ra và bằng chứng
phân biệt. OpenCV được mã hóa với C được sắp xếp hợp lý và có thể hoạt động với bộ xử
lý đa lõi. Nếu chúng ta cần cải tiến được lập trình dần dần bằng cách sử dụng các mô hình
Intel [Intel]. Chúng bao gồm các lịch trình cấp thấp ở các khu vực thuật toán khác nhau được
sắp xếp hợp lý. Do đó, Ope nCV sử dụng thư viện IPP, vào thời gian chạy nếu thư viện đó
được giới thiệu.
Hình 1 cho thấy phương pháp được sử dụng để phát triển hệ thống một cách hiệu quả. Thuật
toán được sử dụng để xử lýhình ảnh t he để cung cấp mã để chỉ định khuôn mặt trong hình
ảnh, hình ảnh được chia thành các tiểu vùng để xác định xem khu vực có trên khuôn mặt hay
không. Việc sử dụng thuật toán này có nghĩa là một phương pháp tiết kiệm thời gian và chỉ
các tên miền chứa khuôn mặt được xử lý.
Hình 2 cho thấy hệ thống sẽ hoạt động và trông như thế nào trong thế giới thực
Hình 3,4,5 Cho thấy trường hợp kiểm tra thời gian thực tạo ra điểm số dựa trên thời gian
mắt nhắm lại và phát ra âm thanh báo động khi đạt đến ngưỡng nhất định.
3. Kết quả
Sau đây là bảng đại diện cho bốn trường hợp thử nghiệm gặp phải trong khi thực hiện dự
án này liên quan đến sự buồn ngủ của người lái xe.
Bảng 1. Có một điểm mà mắt nhắm trên một số cạnh nhất định khi chúng ta thấy rằng người
lái xe cảm thấy mệt mỏi. Từ bây giờ những trường hợp này là nổi bật và cảnh báo. Tìm thấy
kết quả đã không chụp những bức ảnh lớn và những nỗ lực đã được thực hiện để xác định
chớp mắt và buồn ngủ. Đối với dự án này, chúng tôi đã sử dụng pc tương thích webcam 5
megapixel . Webcam có một đèn LED màu trắng tích hợp gắn liền với nó để cho thấy rằng
nó đang hoạt động. Trong trường hợp thời gian thực, đèn LED hồng ngoại nên được sử dụng
instead của đèn LED trắng cho mục đích đóng khung. Loa tích hợp được sử dụng để cung
cấp đầu ra âm thanh để đánh thức người lái xe khi phát hiện buồn ngủ. Khung được thiết kế
cho những người khác nhau trong điều kiện ánh sáng khác nhau (ngày và đêm). Khi điểm
mà tại đó ánh sáng nền của webcam được bật và khuôn mặt được giữ thẳng hàng, thì khung
hình có thể phát hiện chớp mắt và buồn ngủ với độ chính xác hơn 95%.
Độ chính xác phát hiện mắt = tổng số lần mắt được phát hiện / (tổng độ chính xác phát hiện
buồn ngủ = tổng số không. âm thanh báo động thời gian / (tổng số không. thời gian âm
thanh báo động + tổng số lần báo thức không phát ra âm thanh).
4. KẾT LUẬN
Với sự giúp đỡ của các thiết bị hỗ trợ nghiên cứu và các tài liệu nghiên cứu, chúng tôi kết luận
rằng chương trình buồn ngủ của người lái xe là quan trọng và nên là một phần bắt buộc trong
cuộc sống của người lái xe. Do đó, chúng tôi sẽ thiết kế và cải thiện thành công việc triển khai
Driver Drowsiness Detector sử dụng Python và OpenCv và web cam để có được một khuôn
mặt.
THAM KHẢO
[1]. Ameratunga.S , Bailey.J, Connor.J, Civil.I, Dunn.R , Jackson.R , Norton.R, và Robinson.E,
―Người lái xe buồn ngủ và nguy cơ gây thương tích nghiêm trọng cho người ngồi trên xe: Nghiên
cứu kiểm soát dân số .‖British Medical Journal, vol. 324, 2002, trang 1125–1129. [2]. Bronte.S,
Bergasa.L, Delgado.B, Garcia.I, Hernandez.N và Sevillano.M, ―Máy dò buồn ngủ dựa trên tầm nhìn
cho một mô phỏng lái xe thực tế, ‖ trong Hội nghị hệ thống giao thông thông minh IEEE (ITSC),
2010. [3]. Distante.A, D'Orazio. T, Guaragnella.C và Leo.M, ―Một cách tiếp cận trực quan để phát
hiện sự không chú ý của người lái xe , ‖Pattern Recogn., vol. 40, số 8, 2007, trang 2341–2355.
[4]. Bradski. G, Kaehler.A, -Learning OpenCV, O'Reilly, 2008.
[5]. Igarashi.K, Itou.K, Itakura.F, Miyajima.C, Ozawa.T, Takeda.K và Wakita.T, ―Nhận dạng người
lái xe bằng tín hiệu hành vi lái xe, ‖IEICE - Trans. Inf. Syst., vol. E89- D, 2006.
[6]. Nakakhông. T, Suzuki.M, Yamamoto.N, Yamamoto.O và Yamamoto.S, ―Đo lường ý thức của
người lái xe bằng cách xử lý hình ảnh một phương pháp giả định sự buồn ngủ của người lái xe bằng
cách chớp mắt đối phó với sự khác biệt cá nhân.‖Systems, Man and Cybernetics, vol. 4, 2006