La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Driver Drowsiness Estimation by Parallel Linked Time-Domain CNN with Novel Temporal Measures on Eye States Estimation de la somnolence du conducteur par CNN à domaine temporel lié en parallèle avec de nouvelles mesures temporelles sur les états oculaires

Kenta NISHIYUKI, Jia-Yau SHIAU, Shigenori NAGAE, Tomohiro YABUUCHI, Koichi KINOSHITA, Yuki HASEGAWA, Takayoshi YAMASHITA, Hironobu FUJIYOSHI

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'estimation de la somnolence du conducteur est l'une des tâches importantes pour prévenir les accidents de voiture. La plupart des approches sont des classifications binaires qui classent un conducteur comme étant significativement somnolent ou non. L'estimation de la somnolence à plusieurs niveaux, qui détecte non seulement une somnolence importante mais également une somnolence modérée, est utile pour rendre le système automobile plus sûr et plus confortable. Les approches existantes sont principalement basées sur des mesures temporelles conventionnelles qui extraient des informations temporelles liées aux états oculaires, et ces mesures se concentrent principalement sur la détection d'une somnolence significative pour la classification binaire. Pour l'estimation de la somnolence à plusieurs niveaux, nous proposons deux mesures temporelles, le temps moyen de fermeture des yeux (AECT) et le pourcentage doux de fermeture des paupières (Soft PERCLOS). Les approches existantes sont également basées sur un réseau neuronal convolutif (CNN) dans le domaine temporel en tant que modèles de réseaux neuronaux profonds, dont les couches sont liées séquentiellement. Le modèle de réseau extrait des fonctionnalités principalement axées sur la résolution mono-temporelle. Nous avons constaté que les fonctionnalités axées sur la résolution multi-temporelle sont efficaces pour l'estimation de la somnolence à plusieurs niveaux, et nous proposons un CNN dans le domaine temporel lié en parallèle pour extraire les fonctionnalités multi-temporelles. Nous avons collecté notre propre ensemble de données dans un environnement réel et évalué les méthodes proposées avec l'ensemble de données. Comparé aux mesures temporelles et aux modèles de réseau existants, notre système surpasse les approches existantes sur l'ensemble de données.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.6 pp.1276-1286
Date de publication
2020/06/01
Publicisé
2020/04/10
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019MVP0017
Type de manuscrit
Special Section PAPER (Special Section on Machine Vision and its Applications)
Catégories

Auteurs

Kenta NISHIYUKI
  OMRON Corporation,Chubu University
Jia-Yau SHIAU
  National Taiwan University
Shigenori NAGAE
  OMRON Corporation
Tomohiro YABUUCHI
  OMRON Corporation
Koichi KINOSHITA
  OMRON Corporation
Yuki HASEGAWA
  OMRON Corporation
Takayoshi YAMASHITA
  Chubu University
Hironobu FUJIYOSHI
  Chubu University

Mots-clés

Table des matières