Publicación: Modelo de imágenes y reconocimiento facial para la detección temprana de sueño para conductores de forma preventiva por medio de la implementación de Machine Learning
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Palabras clave
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
El proyecto realizado propone un modelo para detectar somnolencia, a través de imágenes completas faciales, enfocado en el estado de los ojos. Este modelo a través de algoritmos de machine learning reconoce los parpadeos que se realizan, de manera que se analizan para determinar si durante cinco fotogramas, la cerradura de los ojos es prolongada o no, indicando indicios de fatiga, por medio de la fórmula investigada de PERCLOS. Se tomó en consideración la posibilidad de utilizar luz infrarroja para mantener la detección en la noche. Como resultados finales se obtuvo un modelo de SVM en conjunto con el algoritmo de HOG, con una precisión en entrenamiento, validación y prueba de 0.98, 0.94 y 0.86 respectivamente. El desarrollo del modelo también señala que el modelo puede fallar por causas externas, lo que indica que este debe ser utilizado como una señal de indicios de somnolencia en conjunto con otras señales. Se propone la mejora del mismo a través de futuros trabajos.
Resumen en inglés
The project proposes a model for detecting drowsiness through full facial images, focusing on the state of the eyes. This model, using machine learning algorithms, recognizes blinking patterns and analyzes them to determine whether eye closure over five consecutive frames is prolonged, indicating signs of fatigue, based on the researched PERCLOS formula. The possibility of using infrared light was considered to maintain detection at night. As final results, an SVM model combined with the HOG algorithm was obtained, achieving training, validation, and testing accuracies of 0.98, 0.94, and 0.86, respectively. The development of the model also indicates that it may fail due to external factors, suggesting that it should be used as an indicator of drowsiness in conjunction with other signals. Improvement of the model through future work is proposed.
