Аннотация.

В статье предложена концептуальная модель системы распознавания опасных состояний водителя транспортного средства на основе мобильных видеоизмерений его лицевых характеристик. В рамках модели были разработаны схемы распознавания признаков потенциально небезопасного поведения водителя в каждый момент времени движения транспортного средства. Данные схемы ориентированы на детектирование состояний сонливости и ослабленного внимания, определяемых на основе результатов обработки изображений с фронтальной камеры смартфона при помощи методов компьютерного зрения. Лицевые характеристики, считываемые с изображения водителя, описывающие его лицо, направление взгляда, состояние глаз и рта, позволяют принимать решение о присутствии того или иного опасного состояния. Разработанные концептуальная модель и схемы позволяют заблаговременно предупреждать водителя о потенциальной опасности, что позволяет снизить вероятность наступления дорожно-транспортных происшествий или уменьшить ущерб транспортным средствам и людям при их наступлении. Апробация концептуальной модели произведена при разработке прототипа мобильного приложения для водителя и показала улучшение и повышение производительности распознавания опасных состояний во время движения транспортного средства по сравнению с существующими технологическими решениями на смартфонах.

Ключевые слова:

водитель, поведение водителя, смартфон, опасная ситуация, транспортное средство.

Стр. 84-96.

DOI 10.14357/20718632190209

Полная версия статьи в формате pdf. 

Литература

1. Global status report on road safety 2018. Geneva: World Health Organization; 2018. Licence: CC BY- NC-SA 3.0 IGO [Электронный ресурс] – Режим доступа: https://apps.who.int/iris/bitstream/handle/10665/277370/WHO-NMH-NVI-18.20-eng.pdf (дата обращения: 16.04.2019).
2. Owens, J.M., Dingus, T.A., Guo, F., Fang, Y., Perez, M., McClafferty, J., Tefft, B. Prevalence of Drowsy Driving Crashes: Estimates from a Large-Scale Naturalistic Driving Study. (Research Brief.) Washington, D.C.: AAA Foundation for Traffic Safety, 2018.
3. Dinges, D., Grace, R., PERCLOS: A valid psychophysiological measure of alertness as assessed by psychomotor vigilance, TechBrief NHTSA, Publication No. FHWAMCRT-98-006, 1998.
4. Fazeen, M., Gozick, B., Dantu, R., Bhukhiya, M., Gonzalez, M.C., Safe Driving Using Mobile Phones, IEEE Transactions on Intelligent Transportation Systems, vol. 13, issue 3, pp. 1462-1468, 2012.
5. Лашков, И.Б., Подход к распознаванию стиля вождения водителя транспортного средства на основе использования сенсоров смартфона // Информационно-управляющие системы, 2018. № 5. С. 2–12.
6. Лашков, И.Б., Кашевник, А.М., Онтологическая модель системы предупреждения аварийных ситуаций на основе поведения водителя в кабине транспортного средства // Интеллектуальные технологии на транспорте. 2018. № 4. С. 11-19.
7. Lashkov, I., Smirnov, A., Kashevnik, A., Parfenov, V., Ontology-Based Approach and Implementation of ADAS System for Mobile Device Use While Driving, Proceedings of the 6th International Conference on Knowledge Engineering and Semantic Web, Moscow, CCIS 518, pp. 117-131, 2015.
8. Ramachandran, M., Chandrakala, S., Android OpenCV based effective driver fatigue and distraction monitoring system, 2015 International Conference on Computing and Communications Technologies (ICCCT), pp. 262-266, 2015.
9. Abulkhair, M., Alsahli, A.H., Taleb, K.M., Bahran, A.M., Alzahrani, F.M., Alzahrani, H.A., Ibrahim, L.F., Mobile Platform Detect and Alerts System for Driver Fatigue, Procedia Computer Science, vol. 62, pp. 555–564, 2015.
10. García-García, M., Caplier, A., Rombaut, M., Driver Head Movements While Using a Smartphone in a Naturalistic Context, 6th International Symposium on Naturalistic Driving Research, Jun 2017, The Hague, Netherlands. 8, pp. 1-5, 2017.
11. Schmidt, J., Laarousi, R., Stolzmann, W., Karrer, K., Eye blink detection for different driver states in conditionallyautomated driving and manual driving using EOG and a driver camera, Behavior Research Methods, vol. 50, iss. 3, pp. 1088-1101, 2018.
12. Galarza, E. E., Egas, F. D., Silva, F., Velasco, P. M., Galarza E., Real Time Driver Drowsiness Detection Based on Driver’s Face Image Behavior Using a System of Human Computer Interaction Implemented in a Smartphone, Proceedings of the International Conference on Information Technology & Systems, pp. 563-572, 2018.
13. Mohammad, F., Mahadas, K., Hung, G. K., Drowsy driver mobile application: Development of a novel scleral-area detection method, Computers in Biology and Medicine, vol. 89, pp. 76–83, 2017.
14. Bradski, G., Kaehler, A., Learning OpenCV: Computer Vision in C++ with the OpenCV Library, O'Reilly Media, Inc., 2nd edition, 2013.
15. Nambi, A. U., Bannur, S., Mehta, I., Kalra, H., Virmani, A., Padmanabhan, V. N., Bhandari, R., Raman, B., HAMS: Driver and Driving Monitoring using a Smartphone, Proceedings of the 24th Annual International Conference on Mobile Computing and Networking (MobiCom '18). ACM, New York, NY, USA, pp. 840-842, 2018.
16. Redmon, J., Farhadi, A. YOLO9000: Better, Faster, Stronger, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 6517-6525, 2017.
17. Sidaway, B., Fairweather, M., Sekiya, H., Mcnitt-Gray, J., Time-to-Collision Estimation in a Simulated Driving Task, Human Factors: The Journal of the Human Factors and Ergonomics Society, vol. 38, issue 1, pp. 101-113, 1996.
18. Kiefer, R. J., Flannagan, C. A., Jerome, C. J., Time-to-Collision Judgments Under Realistic Driving Conditions, Human Factors: The Journal of the Human Factors and Ergonomics Society, vol. 48, issue 2, pp. 334–345, 2006.
19. Lisper, O., Eriksson, B., Effect of the length of a rest break and food intake on subsidiary reaction-time performance in an 8-hour driving task, Journal of Applied Psychology, vol. 65, issue 1, pp. 117–122, 1980.
20. Wenhui, D., Peishu, Q., H. Jing, Driver fatigue detection based on fuzzy fusion, Proceedings of the Chinese Control and Decision Conference (CCDC '08), pp. 2640–2643, Shandong, China, July 2008.
21. Bergasa, L., Nuevo, J., Sotelo, M., Barea, R., Lopez, M., Real-Time System for Monitoring Driver Vigilance, IEEE Transactions on Intelligent Transportation Systems, vol. 7, no. 1, pp. 63–77, 2006.
22. King, D. E., Dlib-ml: A machine learning toolkit, Journal of Machine Learning Research, vol. 10, pp. 1755–1758, 2009.
23. Ignatov, A., Timofte, R., Szczepaniak P., Chou, W., Wang, K., Wu, M., Hartley, T., Gool, L. V., AI Benchmark: Running Deep Neural Networks on Android Smartphones, ECCV Workshops 2018, pp. 288-314, 2018.
24. Sagonas, C., Antonakos, E., Tzimiropoulos, G., Zafeiriou, S., Pantic, M., 300 faces In-the-wild challenge: Database and results, Image and Vision Computing (IMAVIS), Special Issue on Facial Landmark Localisation "In-The-Wild", issue 47, pp. 3-18, 2016.
25. Gulli, A., Pal, S., Deep Learning with Keras, Packt Publishing, p. 296, 2017.
26. Howard A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., Adam, H., MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, Computing Research Repository, 9 p., 2017.
27. Redmon, J., Divvala, S.K., Girshick, R.B., Farhadi, A., You only look once: Unified, real-time object detection, IEEE Conference on Computer Vision and Pattern Recognition, pp. 779-788, 2016.