Prototipo de una aplicación móvil Android para la detección de somnolencia y alerta en tiempo real aplicada a la conducción nocturna
os accidentes de tránsito debidos a la somnolencia y la distracción constituyen problemas significativos en Ecuador. En el presente estudio se desarrolló un prototipo de aplicación móvil Android para la detección y alerta de somnolencia en la conducción nocturna, en tiempo real, mediante el uso de t...
Salvato in:
| Autore principale: | |
|---|---|
| Altri autori: | , , , |
| Natura: | article |
| Lingua: | eng |
| Pubblicazione: |
2020
|
| Soggetti: | |
| Accesso online: | https://repositorio.utn.edu.ec/handle/123456789/18303 http://risti.xyz/issues/ristie32.pdf |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Aggiungi Tag | Riassunto: | os accidentes de tránsito debidos a la somnolencia y la distracción constituyen problemas significativos en Ecuador. En el presente estudio se desarrolló un prototipo de aplicación móvil Android para la detección y alerta de somnolencia en la conducción nocturna, en tiempo real, mediante el uso de técnicas de visión artificial. Este proyecto se llevó a cabo utilizando el entorno de desarrollo Android Studio, la biblioteca OpenCV, clasificadores en cascada tipo Haar-Like y técnicas de template matching, bajo la metodología de desarrollo XP. La aplicación móvil detecta la ubicación y las dimensiones de un rostro dentro de la imagen adquirida en el espectro visible. Posteriormente, estos valores se emplean para obtener la región de interés que contiene cada ojo, utilizando equivalencias geométricas aplicadas al rostro humano. A continuación, se detecta la presencia de las pupilas en la región de interés mediante la aplicación de técnicas de template matching y la transformada rápida de Fourier, con el fin de determinar si los ojos del conductor están abiertos o cerrados. Finalmente, se emite una alarma audible si no se detectan pupilas en la región de interés durante un período de tiempo determinado. Tras un proceso de pruebas y configuración, la aplicación desarrollada alcanzó una tasa promedio de detección de 32 fps, con una precisión de detección de somnolencia del 91,46 % y un valor AUC de 0,847. |
|---|