Wyszukiwarka
Abstrakt
To this day, driver fatigue remains one of the most significant causes of road accidents. In this paper, a novel way of detecting and monitoring a driver’s physical state has been proposed. The goal of the system was to make use of multimodal imaging from RGB and thermal cameras working simultaneously to monitor the driver’s current condition. A custom dataset was created consisting of thermal and RGB video samples. Acquired data was further processed and used for the extraction of necessary metrics pertaining to the state of the eyes and mouth, such as the eye aspect ratio (EAR) and mouth aspect ratio (MAR), respectively. Breath characteristics were also measured. A customized residual neural network was chosen as the final prediction model for the entire system. The results achieved by the proposed model validate the chosen approach to fatigue detection by achieving an average accuracy of 75% on test data
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Autorzy (5)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Język:
- angielski
- Rok wydania:
- 2023
- Opis bibliograficzny:
- Leszczełowska P., Bollin M., Lempkowski K., Żak M., Rumiński J.: Driver’s Condition Detection System Using Multimodal Imaging and Machine Learning Algorithms// / : , 2023,
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-031-43078-7_6
- Źródła finansowania:
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 35 razy
Publikacje, które mogą cię zainteresować
Experience-Based Cognition for Driving Behavioral Fingerprint Extraction
- H. Zhang,
- F. Li,
- J. Wang
- + 3 autorów
Deep Learning: A Case Study for Image Recognition Using Transfer Learning
- S. Erpolat Tasabat,
- O. Aydin