ОБНАРУЖЕНИЕ СОСТОЯНИЯ ВОДИТЕЛЯ И НАЛИЧИЯ МОБИЛЬНОГО ТЕЛЕФОНА С ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ

D.K.; N.S.

Авторы

D.K. Muhammad al-Xorzamiy nomidagi TATU
N.S. Muhammad al-Xorzamiy nomidagi TATU

Ключевые слова:

Компьютерное зрение, состояние водителя, мобильный телефон, обнаружение объектов, MobileNet SSD, безопасность дорожного движения

Аннотация

В данной работе рассматриваются методы обнаружения состояния водителя и наличия мобильного телефона в руках с использованием технологий компьютерного зрения. Мы разработали модели, основанные на предобученных сетях, таких как MobileNet SSD, для решения задач идентификации состояния водителя и определения наличия телефона. Результаты показывают эффективность предложенных методов в реальных условиях, что может способствовать повышению безопасности на дорогах[1].

Библиографические ссылки

Визильтер Ю.В., Горбацевич В.С., Моисеенко А.С. Одноэтапный детектор лиц и особых точек на цифровых изображениях // Компьютерная оптика. 2020. Т. 44, № 4. С. 589-595. DOI: 10.18287/2412-6179-CO-674.

Choy Ch., Lee J., Ranftl R., Park J., Koltun V. High-Dimensional Convolutional Networks for Geometric Pattern Recognition // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020. P. 11227-11236.

Wei C.S., Wang Y.T., Lin C.T., and Jung T.P. Toward Drowsiness Detection Using Non-hair-Bearing EEG-Based Brain-Computer Interfaces // IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2018. P. 97-114.

Zhang, W.; Cheng, B.; Lin, Y. Driver Drowsiness Recognition Based on Computer Vision Technology. Tinshhua Sci. Technol. 2012, 17, 354–362.

Evans, L. The Dominant Role of Driver Behavior in Traffic Safety. Am. J. Public Health 1996, 86, 784–786.

Lashkov I. B. Driver’s behavior analysis with smartphone front camera. Информационно-управляющие системы, 2017, 4(89), pp.7–17. doi:10.15217/issnl684

Choi M., Koo G., Seo M., Kim S.W. Wearable device-based system to monitor a driver’s stress, fatigue, and drowsiness. IEEE Transactions on Instrumentation and Measurement,2018, vol. 67, no. 3, pp. 634–645. doi:10.1109/TIM. 2017.2779329

Kim, B.; Baek, Y. Sensor-Based Extraction Approaches of In-Vehicle Information for Driver Behavior Analysis. Sensors 2020, 20,5197

Balali, V.; Tavakoli, A.; Heydarian, A. A Multimodal Approach for Monitoring Driving Behavior and Emotions; Report 20–27; Mineta Transportation Institute: San José, CA, USA, 2020.

Sarker, I.H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Comput. Sci. 2021, 2, 420.