Please use this identifier to cite or link to this item: http://bibdigital.epn.edu.ec/handle/15000/20522
Title: Implementación de un algoritmo de detección de somnolencia humana, en tiempo real basado en visión artificial
Authors: Revelo Álava, Adriana Sofía
Keywords: ELECTRÓNICA
TELECOMUNICACIONES
VISIÓN ARTIFICIAL
Issue Date: 31-Oct-2019
Publisher: Quito, 2019.
Citation: Revelo Álava, A. S. (2019). Implementación de un algoritmo de detección de somnolencia humana, en tiempo real basado en visión artificial. 83 hojas. Quito : EPN.
Abstract: This project presents a human drowsiness detection algorithm in real time using computer vision. Drowsiness is a state whose consequences can be very dangerous for vehicle drivers, air traffic controllers, nuclear plant controllers, etc. In 2018 in Ecuador, 353 traffic accidents were reported for driving while drowsy. The algorithm that we present obtains frontal images of the driver using an infrared camera, then performs automatic face detection using the Viola-Jones algorithm. After this, the eye portion is extracted and the classification between open and closed eye is done with two methods: a) using a multilayer perceptron (MLP) neural network and b) method based on the extraction of maximums and minimums of horizontal and vertical edges of the eye. Finally, it makes the detection of drowsiness during the time the eyes were closed within a time interval. For the open and close eye classification using the first method the algorithm obtains 97% of accuracy and for the second the accuracy is 84%.
Description: Se presenta un algoritmo de detección de somnolencia humana en tiempo real usando visión artificial. La somnolencia es un estado cuyas consecuencias pueden ser muy peligrosas. En Ecuador en el año 2018 se reportaron 353 accidentes de tránsito por conducir en estado de somnolencia. El algoritmo que se presenta obtiene imágenes frontales del conductor usando una cámara infrarroja, realiza detección automática de rostro usando el algoritmo de Viola-Jones. Luego de esto se extrae la porción del ojo y se procede con la clasificación entre ojos abiertos/cerrados por medio de dos métodos: a) usando una red neuronal de tipo perceptrón multicapa (MLP) entrenada con imágenes ecualizadas del ojo y b) método basado en la morfología del ojo. Finalmente se realiza la detección de somnolencia según el tiempo en que los ojos estuvieron cerrados dentro de un intervalo de tiempo. Para la clasificación de ojos abiertos/cerrados usando el primer método, se obtuvo un 97% de precisión mientras que usando el segundo método se obtuvo el 84% de precisión.
URI: http://bibdigital.epn.edu.ec/handle/15000/20522
Appears in Collections:Tesis Electrónica y Telecomunicaciones (IET)

Files in This Item:
File Description SizeFormat 
CD 10013.pdf4,63 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.