Detección de fatiga en conductores de vehículos mediante Inteligencia Artificial

La Paz. Deep Learning. 2021

La visión artificial tiene aplicaciones que van desde los vehículos autónomos hasta herramientas de asistencia al conductor. En este proyecto exploramos un detector de indicios de fatiga con OpenCV y dlib.

DESCRIPCIÓN DEL PROBLEMA

La fatiga puede reducir la atención al volante y aumentar el riesgo de accidente. Este proyecto explora si un sistema de visión artificial puede reconocer algunos indicios, como el cierre prolongado de los ojos, y generar una alerta. El prototipo no sustituye el descanso ni está validado como sistema de seguridad vial.

OBJETIVO

Diseñar un sistema para detectar la fatiga en conductores.

SELECCIÓN DEL MODELO

Se seleccionó un modelo de visión artificial pre entrenado basado en la librería cv2 de OpenCV y dlib para detección facial.

TÉCNICAS IMPLEMENTADAS

OpenCV: La biblioteca libre de visión artificial que se está usando para obtener la imagen del conductor.
Dlib face landmarks: El predictor de dlib localiza 68 puntos de referencia facial; en este proyecto utilizamos los correspondientes a los ojos.
NumPy: Esta biblioteca se está usando para el cálculo de la proporción de abertura de los ojos, mediante álgebra lineal y el posicionamiento de los puntos faciales de los ojos.

EVALUACIÓN DE MODELOS

El sistema construido hace uso de un modelo pre entrenado de detección facial. Con ayuda de las bibliotecas previamente mencionadas se realiza un procedimiento como sigue:

Se carga el modelo detector y predictor que son los que detectan el rostro del conductor así como los 68 puntos faciales.
Calculamos la relación de aspecto de los ojos a partir de las distancias entre sus puntos de referencia.
Según el valor obtenido y el tiempo durante el que se mantiene, el programa asigna una etiqueta: despierto, cansado o dormido. Son estimaciones basadas en umbrales, no mediciones directas de fatiga.
El sistema indica en pantalla el estado identificado, este es el paso donde podría activarse o no una alarma.
Este procedimiento se realiza fotograma a fotograma para tener una predicción constante del estado de fatiga de la persona.

ANÁLISIS DE RESULTADOS

En nuestras pruebas, el modelo preentrenado localizó el rostro y sus puntos de referencia de forma útil para el prototipo. Esto no garantiza la fiabilidad de la detección de fatiga.

La detección de fatiga fue inconsistente. A veces el sistema no detectaba los ojos cerrados; otras, activaba una etiqueta demasiado pronto. La calidad del vídeo y el enfoque exclusivo en los ojos, sin considerar señales como la boca, podrían contribuir a estos errores.

CONCLUSIÓN

Desarrollamos un prototipo que estima indicios de fatiga, pero las detecciones todavía no son consistentes. Proponemos probar operaciones de erosión y dilatación para reducir ruido, incorporar la apertura de la boca y ajustar los umbrales. Todas estas mejoras requieren evaluación antes de considerar un uso real.