Sistema de Detección de Sueño, en El Vehículo

 

INGENIERÍA ELECTRÓNICA

sistema de detección de sueño, en el vehículo.

Autor: Héctor Adrian Carangui Siguencia.

Azogues-Ecuador 2021

.

 

ÍNDICE GENERAL ÍNDICE GENERAL..........................................................................................................I ÍNDICE DE TABLAS.................... .......................................... ............................................ ............................................ .....................................III ...............III ÍNDICE DE FIGURAS...................... ............................................ ............................................ .......................................................IV .................................IV ........................................... ............................................ ............................................ ....................................................1 ..............................1 Capítulo I..................... 1.1.

Ante Antecede cedentes. ntes...... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... ........... ............... ..................1 .........1

1.2.

Just Justifica ificación. ción...... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... .............. ................... ................... ...........1 .1

1.3.

Defin Definició iciónn del probl problema. ema..... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......2 ..2

1.4.

Obje Objetivos tivos..... .......... .......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... ............... ................... ..........2 .2

1.4.1. Obje 1.4.1. Objetivo tivo gene general.. ral....... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... ...........2 ......2 1.4.2. 1.4. 2. Obje Objetivos tivos específ específicos icos..... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... ............. ................. ...........2 ..2 1.5. Metod Metodolog ología... ía........ .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ............... ................... ............3 ...3

Capítulo II...................................................................................................................4 Fundamentación Fundamentac ión teórica.................... .......................................... ............................................ ............................................ .............................4 .......4 2.1.

Fatig Fatiga.... a......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... ............ ........4 .4

2.2.

Somn Somnolen olencia. cia...... .......... .......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... ........... ..............5 ........5

2.2.1. Fact 2.2.1. Factores ores qque ue causan causan ssomno omnolenc lencia... ia........ .......... .......... ......... ......... .......... .......... .......... ........... ................ ...........6 .6 2.3. Tecn Tecnolog ologías ías actua actuales les para para la de detecc tección ión ddee la somnolen somnolencia.. cia......... ................ ...................6 ..........6 2.3.1. OptA 2.3.1. OptAlert. lert...... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... ........... ............... ..................7 .........7 2.3.2. 2.3. 2. Dete Detector ctor de fa fatiga tiga de B Bosch osch..... ......... ......... .......... .......... .......... .......... .......... .......... .......... .......... ............... ..............7 ....7 2.4. Afec Afección ción la ssomno omnolenc lencia ia en la conduc conducción ción..... .......... .......... .......... .......... .......... .......... .......... ............. ............7 ....7 2.5.

El ojo humano.. humano....... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... ............... ................... ..........8 .8

2.6.

Parp Parpadeo adeo o pest pestañeo añeo..... .......... .......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... ........... .............8 .......8

2.7.

Frec Frecuenc uencia ia de parpa parpadeo. deo...... .......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... ............8 .......8

2.8.

Tiem Tiempo po de durac duración ión del parpa parpadeo deo..... .......... .......... .......... .......... ......... ......... .......... .......... .......... ........... ................ ...........9 .9

2.9.

Nive Nivell de aper apertura tura del ojo.. ojo....... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... ............. ..............9 ......9

2.10.

Proce Procesos sos para la dete detecció cciónn de de rostro y ojos ojos..... .......... .......... .......... .......... .......... ........... ............... ............9 ...9

2.11.

Segu Seguimien imiento to del rostr rostro.... o......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... ..........1 .....100

2.12.

Visió Visiónn Artifi Artificial.. cial....... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... ............1 .......100 I

 

2.13.

Proce Procesami samiento ento digit digital al de imág imágenes enes..... ......... ......... .......... .......... .......... ............ ................. ................... ............11 ...11

2.14.

Siste Sistemas mas de visió visiónn por comp computad utador... or........ .......... .......... .......... ......... ......... .......... .......... .......... ............. ...........11 ...11

2.15.

Rasp Raspberry berry Pi 3 Mode Modell B... B........ .......... .......... .......... ......... ......... .......... .......... .......... .......... ........... ............... .................12 ........12

2.16.

Cáma Cámara ra Web. Web...... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ............. ................. ..........12 .12

2.17.

Open CV....... CV............ .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .............12 ........12

2.18.

Insta Instalació laciónn de Open CV en Rasp Raspbian. bian...... .......... .......... .......... .......... .......... ......... ......... .......... .............. ..........12 .12

2.19.

Libre Librerías rías de Open CV....... CV............ ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .........13 ....13

2.20.

Dete Detecció cciónn y reco reconoci nocimient mientoo facia facial..... l.......... .......... .......... .......... .......... ......... ......... ........... ................ ..............13 ....13

2.21.

Dete Detecció cciónn de ojos ojos..... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... .............. ................... .................14 ........14

2.22. 2.2 2.

Evalua Evaluació ciónn de ap apert ertura ura y posi posició ciónn del oojo jo en imág imágene eness filtrad filtradas. as.... ...... ...... ......1 ...144

2.23.

Segu Seguimien imiento to de los ojos..... ojos.......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... .......... ............1 .......155

2.24.

Clasi Clasifica ficador dor Haar - Casc Cascade. ade...... .......... .......... .......... .......... .......... .......... .......... .......... .......... ............. ................. ..........16 .16

2.25.

Reco Reconoci nocimien miento to facia faciall con Open CV.. CV....... .......... .......... .......... .......... ......... ......... .......... .............. ..............17 .....17

2.26.

Los siste sistemas mas de recon reconocim ocimiento iento facia faciall automátic automáticos... os........ .......... .......... .......... .......... ..........17 .....17

Capítulo III...................... ............................................ ............................................ ............................................ ..............................................18 ........................18 Desar De sarrol rollo lo del sis sistem temaa de det detecc ección ión de cansa cansanci ncioo o fat fatiga iga al mom momen ento to de conducir.....................................................................................................................18 3.1.

Desc Descripci ripción ón general del sistema sistema..... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ......... ............1 ........188

3.2.

Dise Diseño ño de uunn sist sistema ema de reco reconoci nocimient mientoo de patrone patrones.... s......... .......... .......... .......... .......... ..........18 .....18

3.3.

Diag Diagrama rama ddee blo bloques ques de fun funcion cionamie amiento nto de dell sistema. sistema...... ......... ......... .......... .............. ..............21 .....21

3.4.

Siste Sistemas mas ddee adq adquisic uisición ión de imág imágenes enes..... ......... ......... .......... .......... .......... ............ ................. ................... ............22 ...22

3.5.

Proc Procesad esadoo de Imágenes..... Imágenes.......... .......... .......... .......... .......... .......... .......... .......... .......... ......... ......... ............. .................. .............22 ...22

3.6.

Indic Indicadore adoress de fatig fatigaa en la con conducc ducción.. ión....... .......... .......... .......... .......... ......... ......... ........... ................ ..............23 ....23

3.7.

Dise Diseño ño e im implem plementac entación ión del ssoftwa oftware... re........ .......... .......... .......... .......... .......... ........... ............... .................23 ........23

3.8.

Sele Selecció cciónn de técnica técnicass de rec reconoc onocimien imiento to facial... facial........ .......... .......... .......... .......... ............. ...............23 .......23

3.9.

Fas Fasee de entre entrenamie namiento.. nto....... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... ........... ...........24 .....24

3.10.

Arqui Arquitect tectura ura del sist sistema ema propu propuesto esto..... .......... .......... .......... .......... .......... .......... ........... ............... .................25 ........25 II

 

3.11. 3.1 1.

Sistem Sistemaa oper operati ativo vo y softw software are de pr progr ograma amació ción.. n..... ...... ....... ........ ........ ........ ........ ........ ........ .......25 ...25

3.12.

Técn Técnicas icas para el segu seguimie imiento nto de rostr rostros.. os....... .......... .......... .......... .......... ......... ......... .......... .............. ..........26 .26

3.13. 3.1 3.

Detect Detectore oress Haa Haarr para la la det detec ecció ciónn de la car caraa y ojos... ojos...... ...... ...... ...... ....... ........ ........ ........ ......26 ..26

3.14. 3.1 4.

Desar Desarrol rollo lo del al algor goritm itmoo de dete detecci cción ón de la somnol somnolenc encia.. ia..... ...... ...... ...... ...... ....... .......2 ...277

3.15.

Métod Métodoo de dete detecció cciónn de área áreas.... s......... .......... .......... .......... .......... .......... ........... ................ ................... ................29 .......29

3.16.

Algor Algoritmo itmo K-Ne K-Neares arestt Neighbors Neighbors..... .......... .......... .......... ......... ......... .......... .......... ............... ................... .............31 ....31

3.17. 3.1 7.

Implem Implement entaci ación ón del del sist sistema ema ddee det detecc ección ión de cans cansan ancio cio.... ........ ........ ........ ........ ..........31 ......31

3.18.

Indic Indicador ador de aler alerta... ta........ .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... .......... ............... .................32 .......32

3.19.

Anál Análisis isis de cost costoo del proye proyecto.. cto....... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .............. ..........32 .32

CAPÍTULO IV.................... .......................................... ............................................ ............................................ ..........................................33 ....................33 CONCLUSIONES CONCLUSIONE S Y RECOMENDACIONES.....................................................33 4.1. 4.2.

Conc Conclusio lusiones. nes...... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... ............. ................. ..............33 .....33 Reco Recomend mendacio aciones. nes...... .......... ......... ......... .......... .......... .......... .......... .......... .......... .......... ......... ......... .......... .......... .......... .......... ..........3 .....333

ÍNDICE DE TABLAS costos. ......................................................................33 Tabla 1. Evaluación de costos.......................................................................33

III

 

ÍNDICE DE FIGURAS Figura 1. Diagrama de funcionamiento del sistema de control. ...............................6 Figura 2. Nivel de apertura del ojo humano..........................................................9

IV

 

Figura 3. Características visuales en una imagen.................................................14 Figura 4. Estados aplicados al seguimiento de los ojos........................................16 Figura 5. Esquema general de un reconocimiento de patrones..............................19 Figura 6. Diagrama de bloques del funcionamiento del sistema............................21 Figura 7. Sistema activo de detección de somnolenc somnolencia. ia.........................................24 Figura 8. Arquitectura del prototipo para la detección de signos de fatiga. ............25 Figura 9. Técnicas para el seguimiento de rostros. ...... ............ ................. ............................ .......................26 ......26 Figura 10. Algoritmo de detección de la somnolencia..........................................28 Figura 11. Contorno de los ojos.........................................................................29 Figura 12. Grafica de valores de porcentaje en tres estados..................................30

V

 

 

RESUMEN Esta tesis se propone un sistema el cual mediante una cámara web monitoree el rostro del usuario, para lo cual se ha propuesto un análisis de imágenes en tiempo real, mismo que analiza rasgos característicos del usuario, el sistema no es invasivo adaptativo a cambios de iluminación y entorno y aplicable a cualquier persona. esta  basado en el análisis de fatiga del conductor el cual se desarrolla estableciendo estableciendo  parámetros que engloba la visión artificial orientada al seguimiento y análisis de los ojos, para alcanzar este objetivo incursionamos en el método Haar – Cascade para el reconocimiento reconocimie nto del rostro y procesamien procesamiento to de imágenes. Para demostrar las prestaciones del sistema este es implementado y sometido a  pruebas el cual, es desarrollado sobre la tarjeta electrónica Raspberry Pi, y una video cámara Web mismo que funciona mediante el procesamiento de imágenes en tiempo real.

Palab Pa labras ras clav clave: e: Inteligencia artificial, visión artificial, método Haar – Cascade, Raspberry Pi 3b, cámara Web.

VI

 

Capítulo I 1.1.

Antecedentes

El índice de accidentes por pérdida de pista, muestra que estos se originan al conducir en estado de somnolencia, o debido a malas condiciones físicas. La mayoría de vehículos en el Ecuador son de gama baja, los cuales no vienen con la tecnología sufic suficien iente, te, com comoo par paraa ale alerta rtarr es estos tos estado estados, s, pre previn vinien iendo do accide accidente ntes. s. El av avanc ancee tecnológico busca alcanzar innovaciones que permita al conductor ofrecerle una alta efectividad en seguridad (López Romero, 2016). El procesamiento de imágenes en la inteligencia artificial es conocido como la visión artificial, estos avances permiten realizar un procesamiento mediante algoritmos computacionales, los cuales conjuntamente con el lenguaje de desarrollo Open CV  buscan solventar solventar esta nec necesidad(Flores esidad(Flores Ca Calero, lero, 2009). En la última década ha surgido un gran avance tecnológico ofreciendo ordenadores de alto nivel los cuales pueden simplificar la vida con el desarrollo de la inteligencia artificial (López Romero, 2016). La inteligencia artificial avanza cambiando el estilo de vida de todos los seres humanos, no tanto respecto a lo que podemos hacer con ella sino en lo que se aplica, esta hace referencia a una secuencia de algoritmos establecidos de acuerdo a las necesidades necesidad es requeridas(Israel, 2016).

1.2.

Justificación

El avan avance ce tecn tecnol ológ ógic icoo ha revo revolu luci cion onad adoo nu nues estr tras as vi vida das, s, te teni nien endo do al al alca canc ncee ordenadores y software de alto nivel, los cuales permiten la vinculación con equipos, datos en la nube, los cuales mejoran la calidad de vida de las personas. Este avance  busca alcanzar innovacione innovacioness que permitan a los conductores obtener seguridad al momen mo mento to de co condu nducir cir dur durant antee gra grande ndess per period iodos os de tie tiempo mpo,, por lo genera generall los

1

 

vehículos en Ecuador son de gama baja mismos que no constan con sistemas que  proporcionen alertas frente a síntomas de cansancio, razón por la cual se plantea este  proyecto mismo que plantea el desarrollo de un algoritmo capaz de determinar los signos de fatiga o cansancio en la conducción, utilizando los métodos de visión artificial (Israel, 2016).

1.3. .3.

De Defi fini nicción ión d deel p prrobl bleema

En el Ecuador se han presentado múltiples accidentes, ocasionados por choques laterales, estrellamiento o perdida de pista, los cuales se producen por síntomas de fati fatiga ga o cans cansan anci cioo al mome moment ntoo de cond conduc ucir ir.. Si Sien endo do es este te un unaa de la lass mayo mayore ress afecciones presentes presentes en este año. La fatiga o somnolencia al momento de conducir es determinada como un factor de riesgo la cual origina accidentes de tránsito, esta se  produce debido a la privación de sueño con excesivas horas de conducción conducción,, gene genera rand ndoo un conf confli lict ctoo entr entree las las ne nece cesi sida dade dess fi fisi siol ológ ógic icas as y la lass ac acti tivi vida dade dess  profesionales del conductor, por lo tanto, es fundamental el entendimiento de los limites humanos entre la fatiga, la somnolencia y la privación de sueño. Estos síntomas en los conductores es un factor muy importante a tomar en cuenta por  ocasionar excesivos accidentes de tránsito, es por esta razón que durante la última dé décad cadaa el pro proble blema ma de som somnol nolenc encia ia en con conduc ductor tores es ha recibi recibido do un increm incremen ento to importante de atención por parte de la comunidad científica(Alexander científica(Alexander et al., 2017).

1.4.

Objetivos

1.

1.4.1. 1.4 .1. Obj Objeti etivo vo g gene eneral ral

Diseñar un sistema que monitoree la fatiga o somnolencia al momento de operar  vehículos a grandes distancias

2

 

1.4.2. 1.4 .2. Obj Objeti etivos vos espe específ cífico icos s



Realizar una descripción del análisis de la fatiga al momento de conducir.



Diseñ Dis eñar ar un alg algori oritmo tmo que permit permitaa ide identi ntific ficar ar el rostro rostro del conduc conductor tor pa para ra determinar síntomas de fatiga.



Implementar el prototipo en un vehículo para comprobar el funcionamiento del sistema.



Verificar que el sistema cumpla con los requerimientos de identificación de cansancio para determinar la eficiencia del proyecto.

1.5.

Metodología

como estudiante de ingeniería en este proyecto se ha propuesto realizar un sistema de dete detecc cció iónn de dell cans cansan anci cio, o, el cual cual es está tá ba basa sado do en In Inte teli lige genc ncia ia Arti Artifi fici cial al,, y el  procesamiento  procesamie nto de imágenes el cual es indispensable para la detección de rasgos faciales. La visión artificial y el procesamiento de imágenes es una parte indispensable para la detección de rasgos faciales, por este motivo se ha propuesto utilizar la investigación experimental ya que provee medios alternos y extienden los límites del conocimiento teórico las cuales son llevadas a cabo a través de un análisis de aquí la importancia de esta investigación. En la parte final se utilizará la metodología inductiva –  deductiva ya que establece los procedimientos necesarios para alcanzar los objetivos  planteados..  planteados Open cv ofrece un conjunto de librerías esenciales para el desarrollo del proyecto y entre en trena namie miento nto de modelo modeloss sup superv ervisa isados dos en el diseño diseño y de desar sarrol rollo, lo, la fase fase de aprendizaje va relacionada con los datos obtenidos por la cámara web la cual esta  posicionadaa estratégicamente para capturar las imágenes  posicionad imágenes frontales de los conductores cuando estén conduciendo a las cuales se les aplica un clasificador en cascada para detectar el rostro del conductor, luego se obtiene la región de interés es decir los ojos del rostro detectado.

3

 

Capítulo II Fundamentación teórica Esta sección da a conocer el análisis de los temas que intervienen en el desarrollo del  proyecto, su marco conce conceptual, ptual, que abarca únicamente teo teoría ría y definiciones.

2.1.

Fatiga

Se define como la falta de energía y la presencia de sueño, es un síntoma que puede ser complicado de descubrir, para las personas en general se suele definir como letarg letargo, o, ag agota otamie miento nto o ca cansa nsanci ncioo (Mo (Moren reno, o, 20 2011) 11),, alguno algunoss de est estos os síntom síntomas as se describen a continuación los cuales son.



Parpadeos constantes y prolongados.



Tiempo lento de reacción.



Ardor de ojos.



Menor concentració concentración. n. Adormecimiento de los ojos.



Alteración de los sentidos.



Movimientos inquietos y constantes.



Aunque, existen varios factores que contribuyen a que una persona se quede dormida mientras conduce un vehículo dentro de las cuales destacan las siguientes.



Consumo de medicamentes que producen sueño.

4

 



Conducir por periodos prolongados de tiempo.



Consumo de estupefacie estupefacientes. ntes.



Cansancio por esfuerzo físico o mental.

2.2.

Somnolencia

Está definida como la sensación de pesadez y torpeza de los sentidos motivada por el sueño a la cual se le domina como vigilia y el sueño profundo, el comienzo de esta etapa no es un evento único sino se origina por varias funciones neurológicas las cuale cu aless pro produc ducen en ca cambi mbios os se senso nsoria riales les,, en la mem memori oria, a, concie concienc ncia, ia, pe perdi rdida da de dell  pensamiento lógico, latencia en la respuesta a estímulos y alteraciones en los  pensamiento  potenciales cerebrales (Guevara Carrillo & Valencia Bernal, 2013). Los riesgos que  presentan la somnolencia somnolencia en una persona sson on los siguiente siguientes. s.



Dormirse en cualquier momento.



Perdida de pista mientras conduce.

Alguna Alg unass de las ca carac racter teríst ística icass más notori notorias as del estado estado de so somno mnolen lencia cia a nivel nivel fisiológico se puede ver principalmente en el rostro de las personas, sus ojos, movimientos faciales, de boca y cabeceo, estos parámetros son claves a la hora de dete determ rmin inar ar su se es está tá en es esta tado do de so somn mnol olen enci ciaa o vi vigi gili lia, a, ot otro ross fa fact ctor ores es qu quee dete determ rmin inan an o dan dan info inform rmac ació iónn clav clavee so sonn la lass se seña ñale less ce cere rebr bral ales es,, ca card rdia iaca cass y oculografia, a pesar de que estas no se visualizan sin la ayuda de instrumentación especial dan información precisa (Guevara Carrillo & Valencia Bernal, 2013).No hay un método o métrica establecida para determinar el estado de somnolencia las funcio fun ciones nes fis fisiol iológi ógica cass aso asocia ciadas das co conn el sue sueño ño y sus fas fases es es el único único método método conocido que da información precisa del estado real de alerta de una persona, en la Figura 1. 1. se describe el funcionamiento de control de estados.

5

 

Figura 1. Diagrama de funcionamiento del sistema de Fuente.(Guevara Carrillo & Valencia Bernal, 2013)

control.

2.2.1.. Facto 2.2.1 Factores res qu que e causa causan n somn somnolen olencia cia

Alguna Alg unass de las ca carac racter teríst ística icass más notori notorias as del estado estado de so somno mnolen lencia cia a nivel nivel fisiol fisiológi ógico co se puede puede ver pri princi ncipa palme lmente nte en el rostro rostro de las pe perso rsona nass sus sus ojos ojos movimientos faciales de boca y cabeceo, estos parámetros son claves para determinar  si se está en somnolencia o vigilia (López Romero, 2016).

2.3.. 2.3

Te Tecno cnolog logías ías actual actuales es p para ara la d dete etecc cción ión de la ssomn omnole olenci nciaa

Las tecnologías relacionadas con la prevención y detección de somnolencia en conductores, constituyen elementos de seguridad activos en los vehículos modernos, el análisis de la somnolencia comprend comprenden en modelos comerciales y sistemas patentados siendo sien do los más importa importantes, ntes, OptAler OptAlert,t, dete detector ctor de fatiga fatiga de Bosch (“Detecto (“Detectorr de fatiga al volante Bosch [Laboratorio Tecmovia] | Tecmovia,” 2014).

6

 

2.3. 2.3.1. 1. Op OptA tAle lert rt

Está Está basa basada da en la dete detecc cció iónn de pa patr tron ones es en ti tiem empo po re real al,, va vali lida dand ndoo de fo form rmaa independiente independie nte el surgimiento de la somnolencia, del conductor en un viaje, midiendo con precisión y en tiempo real, la atención y somnolencia de un conductor, mediante el uso de pulsos invisibles de luz los cuales detectan el movimiento de los ojos y los  parpados. (“Detector (“Detector de fatiga al vvolante olante Bosch [L [Laboratorio aboratorio Tecmovia] Tecmovia] | Tecmovia,” 2014).

2.3.2. Detector  de  de fatiga de Bosch El sensor funciona a partir partir de un servo el cual provee direcció direcciónn eléctrica o ángulo de giro del volante que es parte del sistema ESP, el detector de fatiga de Bosch interpreta los movimientos del volante y recomienda al conductor que se tome un  pequeño descanso si detecta anomalías en su conducción, conducción, ya que el análisis es  periódico desde el momento que inicia su conducción. conducción. Estos datos que analiza se  basan en fases, en las que el conductor apenas mueve el volante, y que  posteriormente combina movimientos bruscos y rápidos, para mantener el vehículo en el carril. Las decisiones que toma este sistema esta basada en la frecuencia de estas correcciones de conducción, y otros parámetros como son la duración de  proyecto, el uso de los intermitentes y la hora del día (“Detector de fatiga al volante Bosch [Laboratorio Tecmovia] | Tecmovia,” 2014).

2. 2.4. 4.

Af Afec ecci ción ón la so somn mnol olen enci ciaa een n llaa ccon ondu ducc cció ión n

Está a diferencia del alcoholismo y el exceso de velocidad no permite mayor control sobre el vehículo debido a que si el conductor se duerme no reacciona a tiempo ante algún imprevisto, es por esta razón que se piensa que la somnolencia es un factor de riesgo tan grave como las antes mencionadas (Flores Calero, 2009). Las alteraciones  producidas por por la somnolenc somnolencia ia y que afectan a la conducc conducción ión son.



Incremento del tiempo de reacción.



Menor concentración y más distracciones. 7

 



Toma de decisiones más lentas y más errores.



Alteraciones y descoordinación motora.



Aparición de micro sueños.



Alteración de las funciones sensoriales.





2.5.

Alteraciones en la percepción. Cambios en el comportamiento comportamiento..

El ojo humano

El ojo humano es uno de los sentidos más importantes ya que por medio de estos se ingresa información al cerebro, del entorno que rodea a una persona, es importante que el conductor presente condiciones favorables con respecto a su estado visual,  para reaccionar de manera adecuada frente a cualquier evento (Orosco & Pomasunco, 2018).

2.6.

Parpadeo o pestañeo

El pa parp rpad adeo eo es una una acci acción ón de refle reflejo jo,, que que se re real aliz izaa de mane manera ra vo volu lunt ntar aria ia o involuntaria el cual tiene dos funciones principales.



Lubricar los ojos para evitar la resequedad.



Proteger al ojo contra agentes externos como polvos y partículas extrañas.

El pestañeo voluntario es la acción resultante de cerrar y abrir los parpados de manera consciente, mientras que el parpadeo involuntario o espontaneo tiene como objetivo cumplir las funciones antes mencionadas (Orosco & Pomasunco, 2018).

2.7. .7.

Frecu cueencia ncia de parpa arpade deoo

La frecuencia de parpadeo corresponde al número de veces que se parpadea en un  periodo de tiempo, esta se relaciona directamente con el estado mental de la persona y con la activ ctivid idaad que que se encue cuentra ntra re reaali lizzand ndoo, una per ersson onaa parp rpaade deaa 8

 

aproximadamente aproximadam ente entre 15 y 20 veces por minuto bajo condiciones normales (Orosco & Pomasunco, 2018).

2.8. 2.8.

Ti Tiem empo po de du dura raci ción ón del del p par arpa pade deoo

En el artículo realizado determino los siguientes parámetros con respecto al tiempo de duración de parpadeo.



Condiciones de estado despierto, menos de 200 ms.



Condiciones de signos de cansancio o somnolencia, mayor a 500 ms.

Estos parámetros se implementarán en el capítulo 3 con el fin de analizar cuando una  persona presente signos de fatiga al momento de conducir un vehículo en el horario nocturno.

2.9. .9.

Ni Nivvel d dee ape apertu rtura del oj ojoo

Para la detección somnolencia en un conductor, un factor determinante e importante es el nivel de apertura de sus ojos, ya que en estos se refleja el cansancio de una  persona, razón por la cual este estudio, se enfocará directamente a tomar datos y analizar el comportamiento de la apertura y cierre de los parpados para identificar si una persona esta con somnolencia la cual se aprecia en la Figura 2  2  (Orosco & Pomasunco, 2018).

Figura 2. Nivel de apertura del ojo humano. Fuente.(Orosco & Pomasunco, 2018)

2.10. 2.1 0. Pr Proce ocesos sos para para la de detec tecció ción n de rrost ostro ro y oojos jos

9

 

Para el proceso de detección se utiliza el clasificador cascada Haar – based para la detección de objetos, el resultado es un detector o clasificador bastante rápido, el cual está orientado a trabajar en tiempo real en el campo de reconocimiento de rostros. Loss detec Lo detector tores es Haar Haar – bas based ed pue puede denn ser en entre trenad nados os de forma forma au autom tomáti ática ca par paraa encontrar caras de un gran conjunto de imágenes, el enfoque se centra principalmente en el análisis del ojo a la boca pero si el desarrollo está pensado con el uso de cámaras cám aras de visió visiónn noct nocturna urna la cara caracterí cterística stica por defe defecto cto es el ojo (Flores (Flores Calero, Calero, 2009).

2. 2.11 11.. Se Segu guim imie ient ntoo d del el rost rostro ro Se utiliza la librería Template Matching la cual se utiliza para buscar y encontrar la ubicación de una imagen de plantilla, en una imagen más grande, OpenCV viene con cv2.matchTemplate() para este propósito la función retorna una imagen en escala de grises, donde cada pixel indica el diámetro de pixeles con la plantilla. La imagen de entra en trada da dond dondee se busc buscara ara el ros rostro tro es de tamañ tamañoo ( w x h )  y la imagen de plantilla ( rostro )  la im imag agen en de resul resulta tado do tend tendrá rá un tama tamaño ño ( W −w + 1 , H − h + 1)  (Flores Calero, 2009)

2.12 2.12.. Visi Visión ón Ar Arti tifi fici cial al La visión artificial es una rama de la inteligencia artificial, la cual está enfocada en el  procesamiento  procesamie nto de imágenes, en la cual la señale de entrada capta la imagen con escala RGB (Rojo, Verde y Azul), es una disciplina científica que incluye métodos  para adquirir, procesar y analizar imágenes del mundo real con el fin de producir  información la cual será analizada con la tarjeta Rasberry Pi. (Flores Calero, 2009). La inteligencia artificial es una nueva forma de resolver problemas dentro de los cuale cu aless se inc incluy luyen en los sis sistem temas as ex exper pertos tos,, sie siendo ndo capace capacess de es escri cribir bir su pro propio pio  programa, un sistema experto definido como una estructura de programación capaz de almacenar y utilizar un conocimiento sobre un área determinada que se traduce en

10

 

su capacidad de aprendizaje. Según (Flores Calero, 2009), la inteligencia artificial es una rama de las ciencias computacionales, encargada del razonamiento.

2.13. 2.1 3. Pr Proce ocesam samien iento to digi digital tal de imá imáge genes nes el procesamiento de imágenes digitales es el conjunto de técnicas que se aplican con el objetivo de mejorar la calidad o facilitar la búsqueda de información, se aplican diferentes técnicas de filtrado dentro del procesamiento de imágenes cuyo objetivo es mejor me jorar ar la ima image genn pa para ra una ap aplic licaci ación ón esp espec ecífi ífica, ca, (Bertra (Bertrann Albert Albertí,í, 2006.) 2006.) los  principales objetivos objetivos que se ppersiguen ersiguen con la aaplicación plicación de filtros son. son. 

Suavizar la imagen, reducir la cantidad de variaciones de intensidad de



 pixeles entre pixeles pixeles vecinos. Elimin Eli minar ar rui ruido, do, elimin eliminaa los pix pixele eless cuy cuyos os niv nivele eless de inten intensid sidad ad es muy diferente al de sus vecinos y cuyo origen puede estar tanto en el proceso de adquisición de la imagen.



Realzar bordes, destacar los bordes que se localizan en una imagen.



Detectar bordes, detectar los pixeles donde se produce un cambio brusco.

2.14. 2.1 4. Sis Sistem temas as de vis visión ión por com comput putado adorr La visión por computador es el conjunto de herramientas y métodos que permiten obtener, procesar y analizar imágenes del mundo real con la finalidad de que puedan ser tratadas por un ordenador lo cual permite automatizar una amplia gama de tareas al aportar a las maquinas, la información que necesita para la toma de decisiones correctas en cada una de las tareas en las que ha sido asignada. La técnica de visión  por computador es la base que mueve este monitoreo teniendo una eficiencia en el trabajo encomendado, el cual genera alertas necesarias y tempranas previniendo accidentes de tránsito debido a la fatiga o somnolencia, los métodos de visión por  computador se centran principalmente, en el análisis de las expresiones faciales y movimien movi miento to de la cabe cabeza za a la hora de conduc conducir, ir, estos métodos toman el rostr rostroo y lo

11

 

modelan, para posteriormente por medio de técnicas matemáticas como regresión lineal o de aprendizaje automático de maquina como las redes neuronales. (Bertran Albertí, 2006).

2.15 2.15.. Ra Rasp spbe berr rryy Pi 3 Mode Modell B Es un ordenador pequeño simple, se ha desarrollado para fomentar y ayudar en la enseñanzaa de la programación informática, siendo un excelente punto de partida para enseñanz  proyectos IoT (Internet de las cosas), el bajo coste, funcionalidad y desarrollo da como co mo res result ultado ado una placa acc accesi esible ble para para tod todos os y con numero numerosas sas opc opcion iones es de conectividadd (“Teach, Learn, and Make with Raspberry Pi,” ). conectivida

2.16. Cámara Web La cámara web cuenta con el sistema de conexión plug and play, sin requerir un controlador de dispositivo, con una resolución de 640 x 480 pixeles/30fps, el cual sopor soporta ta Win Window dowss 7/8/10 7/8/10/vi /vista sta/xp /xp SP2 SP2.. Par Paraa que la cá cámar maraa funcio funcione ne de maner maneraa correcta el sistema requiere por lo mínimo un procesador Intel 1.6GHz o AMD, un espac es pacio io de memori memoriaa RAM de 512 512MB MB y de 200MB. 200MB. La resolu resolució ciónn digita digital.l. Hace Hace referencia la numero de bits que se usa para codificar los niveles de intensidad luminosa.(Cancelas, luminosa.(Canc elas, González, Álvarez, & Enguita, 2016).

2.17. Open CV Open CV significa Open Source Computer Vision Library, la cual hace referencia a una librería de tratamiento de imágenes, destinada principalmente a aplicaciones de visión por computador en tiempo real, una de las principales ventajas es que funciona en múltiples plataformas. es una biblioteca libre de visión artificial, originalmente desarrollada por Intel, su utilidad va desde sistemas de seguridad con detección de movi mo vimi mien ento to,, ha hast staa apli aplica cati tivo voss de cont contro roll de pr proc oces esoo do dond ndee se re requ quie iere re re reco cono noci cimi mien ento to de ob obje jeto tos. s. Op Open en CV vi vien enee co conn al algu guno noss de dete tect ctor ores es Ha Haar  ar  12

 

 predeterminados  predeterminad os para su uso se puede detectar las caras frontales, perfil, los ojos o la nariz, cargando diferentes archivos XML, del clasificador cascada (OpenCV, 2016a).

2.18. 2.1 8. Insta Instalac lación ión de Ope Open n CV en Ras Raspbi pbian an Raspbian al estar basado sobre debían instala una opción completa en la nube (OpenCV, 2016a) los pasos para instalar son los siguientes.



Actualiza las cabeceras del sistema operativo.



Instala las dependencias necesarias para usar Open CV.



Descarga y descomprime Open CV.



Crea una carpeta built dentro de la descompresión y ejecuta cmake y make.

2.19 2.19.. Li Libr brer ería íass de Open Open CV Open Source Computer Vision Library es de uso gratuito para fines académicos, es compatible con sistemas operativos como Android, Windows, Linux, IOS, Mac OS. Con la opción de elegir diferentes lenguajes de programación de los cuales destaca OpenCV, ya que este enfatiza en el mundo de la visión artificial para tener eficiencia en procesamiento digital de imágenes. (OpenCV, 2016a).

2.20. 2.2 0. Det Detec ecció ción n y rec recono onocim cimien iento to fac facial ial OpenCV utiliza el algoritmo de Viola & Jones para detectar y reconocer rostros, este algoritmo está pensado para detectar objetos concretos. Para la detección de objetos necesita un clasificador los cuales se pueden definir como una plantilla, para detectar  un determinado objeto, a esta plantilla se la entrena proporcionándole cientos de imág im ágen enes es de ejem ejempl ploo de dell obje objeto to que que se re requ quie iere re de dete tect ctar ar,, la pl plan anti till llaa busc buscaa caracterí cara cterística sticass visu visuales ales las cua cuales les son tipo Haar (Flores (Flores Calero, 2009). las cuales siguen la secuencia que se detalla en la Figura 3. 3.

13

 

Figura 3. Características visuales en una imagen. Fuente. (Flores Calero, 2009)

Al mome moment ntoo de entr entren enar ar con con la plan planti till llaa se bu busc scaa co comb mbin inac acio ione ness de la lass características expuestas en la Figura 3. 3. Y se selecciona las más significativas para que formen parte del clasificador. Cuando se requiere detectar objetos el algoritmo aplica una serie de plantillas, sobre una región de interés en la que considera que  podría hallarse el objeto en cuestión, si alguna de estas plantillas acaba dando  positivo, el algoritmo considera que hay una coincidencia y se ha encontrado el objeto deseado en este caso un rostro. (Flores Calero, 2009).

2.21 2.21.. De Dete tecc cció ión nd dee ojo ojoss Una vez lograda la identificación de la región de rostro en la imagen es viable realizar una segmentación previas de la región del mismo, los cuales están basados en en los estudios de antropometría facial, los cuales en función al estudio de una  base de datos datos significativos respec respecto to a rostros de diferentes razas razas y géneros las cuales cuales se expresan expresan en la (Flores Calero, 2009).

2.22.. Eval 2.22 Evaluaci uación ón de apertu apertura ra y p posic osición ión de dell ojo een n imá imágene geness filtr filtradas adas Sobre una imagen filtrada se aplican conceptos de integral proyectiva vertical que corresponde a la suma del nivel de gris, de todos los pixeles de una columna aplicado de todas las columnas y el de integral proyectiva horizontal que es la suma de nivel de gris de todos los pixeles de una fila aplicado a todas las filas dada una imagen I de 14

 

dimensiones  AxB las integrales proyectivas se encuentran definidas por las siguientes ecuaciones. Ecuación 1. Integral proyectiva vertical. 1

w −1

 PB ( y )=  . ∑  I ( x , y ) ; ∀ y = 0 B −1 B  x =0

Ecuación 2. Integral proyectiva horizontal 1

B −1

 Pv =  . ∑  I   (( x  x , y ) ; ∀ x =0 A −1 B  y =0

Aplic Ap licand andoo est estas as ec ecuac uacion iones es sobre sobre la ima imagen gen se obt obtien ienen en señale señaless contin continua uass que corresponden a la distribución de los niveles de gris en ambos ejes, las proyecciones integrales y verticales del ojo se asemejan a una campana de Gauss. Las cuales se convolucionan con un patrón de amplitud y desviación típica acordes a lo que se desee encontrar, de modo que el valor máximo de la convolucion determine la  posición del iris en la imagen. Con este proceso se ha revelado mucho mas preciso que la búsqueda de máximos y mínimos sobre las funciones proyectivas ya que con los filtros digitales no siempre se eliminan todos los objetos no deseados de la imagen, habiendo ocasiones en donde las cejas se introducen en la región clasificada como ojo produciendo medidas inexactas de su apertura (Moreno, 2011) .

2. 2.23 23.. Se Segu guim imie ient ntoo d dee los los oj ojos os Ya determinada la posición del iris en una imagen habrá que repetir todo el proceso  para la imagen siguiente, lo que sería computacionalmente costoso, se ha empleado un filtro de kalman como predictor para acotar la zona de búsqueda en la imagen sigu siguie ient nte. e. Pa Para ra tene tenerr un sist sistem emaa robu robust stoo en el se segu guim imie ient ntoo de imág imágen enes es se implementa tres estados, medida, predicción y sin medida, en el estado medida se tiene se tiene la posición en el instante  K  se predice la posición para el instante  K + 1 mediante el filtro de Kalman pasando al estado predicción.(López Romero, 2016) Desde Des de este estad estadoo se recibe recibe una nueva medi medida da se pasa al estado de medid medidaa y se repite el proceso, pero si no recibe medidas cinco frames consecutivos, los ojos se 15

 

dan por perdidos y pasa al estado sin medida inicializando todo el proceso como se explica en la Figura 44..

Figura 4. Estados aplicados al seguimiento de los

ojos

Fuente. (López Romero, 2016)

2. 2.24 24.. Cl Clas asif ific icad ador or H Haa aarr - Cas Casca cade de Como se ha descrito en los apartados anteriores se necesita una plantilla lo que significa que se tendrá que entrenar nuestro propio clasificador de rostros el cual es  proporcionado por Open CV, este nos suministra varios clasificadores clasificadores en formato .xml los cuales están orientados a reconocer rostros, manos, siluetas humanas, etc. Para descargar se accede a. https://github.com/opencv/data/haarcascades, en la cual se encuentra una lista con todos los ficheros .xml que ofrece Open CV. La plantilla Haar está basado en arboles de decisión, con entrenamiento supervisado, el cual se realiza determinando una serie de características faciales basada en sumas y restas de niveles de intensidad de la imagen como luz y contraste. Esta plantilla está diseñada para que pueda ser redimensionada ya sea de forma automática o manual mediante programación para que sea capaz de encontrar los objetos de interés lo cual es mucho más eficiente que redimensionar la propia imagen. Las características de Haar – Cascade son en esencia un conjunto de rectángulos blancos y negros que realizan operaciones de comparación con el umbral original de la imagen para determinar si es el objeto que se desea encontrar (OpenCV, 2016b).

16

 

2.25. 2.2 5. Rec Recono onocim cimien iento to fac facial ial con Ope Open n CV Open CV a más de facilitar las librerías de visión por computador, nos proporciona he herra rramie mienta ntass muy efecti efectivas vas par paraa de detec tectar tar ros rostro tros, s, sin embar embargo go no dispo dispone ne de funciones para identificar fácilmente a personas, por lo tanto se utiliza la librería

Face_Recognition  la cual cual es está tá dise diseña ñada da es espe pecí cífi fica came ment ntee pa para ra re real aliz izar ar el reconocimiento reconocimie nto facial en humanos (OpenCV, 2016a). Los sistemas de reconocimiento de rostros son un problema que aún es tema de investigación, ya que intervienen algunos factores que afectan la efectividad del reco recono noci cimi mien ento to faci facial al tale taless como como:: ge gest stos os,, el elem emen ento toss qu quee cu cubr bran an el ro rost stro ro,, iluminación, distancia de la cámara, entre otros. El avance más significativo en este campo, es la aplicación de algoritmos matemáticos, los cuales requieren menos de cien valores para cifrar correctamente una imagen facial, y el estudio de patrones del iris como método de captación (OpenCV, 2016a).

2.26.. Los siste 2.26 sistemas mas de reconoc reconocimien imiento to facial facial autom automático áticoss Un sistema de reconocimiento facial automático, realiza la siguiente función: dada una o varias imágenes de un rostro desconocido, analiza los rostros registrados en su  base de datos, aquella que coincida con un mayor grado de similitud o parecido la valida devolviendo la identidad de esta. El sistema alertara fallos cuando al presentar  una entrada correspondiente a un individuo que se desea reconocer y no conste en la  base da como resultado una identidad falsa activando alertas al sistema (Moreno, 2011).

17

 

Capítulo III Desarrollo del sistema de detección de cansancio o fatiga al momento de conducir Este capítulo tiene como finalidad describir el diseño y desarrollo del sistema. En la primera parte, se presenta el diseño, desarrollo y arquitectura del sistema  propuesto en este trabajo. En la segunda sección se analiza la funcionalidad de cada componente, que forman parte del equipo. Y en la parte complementaria se describe la implementación del sistema utilizado, los métodos de visión artificial (método de detección de somnolencia) somnolencia) para detectar ffatiga atiga en un conductor.

3.1. 3.1.

Desc Descri ripc pció ión n ge gene nera rall de dell sist sistem ema. a.

El sistema de control del estado de somnolencia tiene como finalidad alertar al conductor cuando se esté quedando dormido, el mismo está compuesto por la etapa de monitoreo para la detección de síntomas de somnolencia en el conductor para ello se utiliza la cámara WEB la tarjeta electrónica Raspberry Pi, y un buser para que alerte de síntomas de cansancio o somnolencia.

3.2.. 3.2

Dis Diseño eño de un sis sistem temaa d dee rreco econoc nocimie imiento nto de pat patro rone nes. s.

Un sistema de reconocimiento de patrones, independientemente del paradigma que impl im plem emen enta ta,, es está tá conf confor orma mado do por por di dist stin into toss mó módu dulo loss qu quee op oper eran an de ma mane nera ra sistemática como se observa en la Figura 5. 5.

18

 

Figura 5. Esquema general de un Fuente. El Autor.

reconocimiento de patrones.

3.2.1. 3.2 .1. Adq Adquis uisici ición ón de datos datos El proceso inicia con la adquisición de datos registrando las variables físicas, y las representa de forma conveniente para su procesamiento y análisis en ordenadores. La calidad de los datos que se ingrese al ordenador dependerán netamente de las características del equipo ya que influye resolución y el diseño, factores ambientales o las variaciones de la interacción del usuario. La adquisición de datos consiste en la toma de muestras del mundo real los cuales generan datos que puedan ser manipulados por un ordenador u otros dispositivos electr ele ctróni ónicos cos (siste (sistema mass dig digita itales les), ), est estaa toma toma de mu muest estras ras co consi nsiste ste en tom tomar ar un conjunto de señales físicas y convertirlas en tensiones eléctricas y digitalizarlas de manera que puedan ser procesadas por un ordenador. Se requiere de una etapa de acondicionamiento que adecua la señal a niveles compatibles con el elemento que hace la transformación de la señal digital.

3. 3.2. 2.2. 2. Pr Proc oces esam amie ient ntoo Esta tarea se realiza con la finalidad de mejorar la calidad de los datos adquiridos, realiza tareas tales como la normalización y eliminación de datos irrelevantes en las muestras. Una vez que las señales eléctricas se transforman en digitales se envían a través del bus de datos a la memoria del PC. Una vez los datos están en memoria

19

 

 pueden procesarse con una aplicación adecuada, archivarlas en la memoria, este  procesamiento  procesamie nto de datos trata de un subconjunto del procesamiento de la información involucrando funciones tales como:





Validación. Recapitulación.



Agregación.



Análisis.



Información.

3.2.3. 3.2 .3. Aná Anális lisis is de car caract acter eríst ística icass El objeto de este módulo es generar información compacta pero significativa de los datos, un análisis es el acto de separar las partes de un elemento para estudiar su naturaleza función o significado, un análisis comprende diversos tipos de acciones con distintas características en diferentes ámbitos. El análisis es el elemento integrador del proceso de investigación en tanto que condiciona la toma de decisiones metodológicas, las interferencias analíticas que vayan redefiniendo las preguntas de investigación y por tanto nuestros objetivos de estudio.

3. 3.2. 2.4. 4. Cl Clas asif ific icac ació ión n Los procesos de clasificación de los vectores de características son analizados bajo un enfoque para definir las clases y posteriormente asignar un objeto a una de ellas, el proceso de clasificación de datos es un proceso sencillo ya que requiere atención a los detalles y un control adecuado.

3.2.5. 3.2 .5. Ver Verifi ificac cación ión y d deci ecisió sión n La verificación de datos es un proceso que asegura la entrega de datos limpios y claros a los programas, comprueba la integridad y validez de los datos que se están

20

 

introduciendo en el software. También es conocida como validación de entrada de datos y es parte importante del procesamiento de estos, esto se logra mediante controladores de verificación de datos y reglas que rutinariamente compruebe la validez de los datos.

3.3.. 3.3

Dia Diagra grama ma de blo bloque quess de funcio funcionam namien iento to del sis sistem temaa

El sistema está basado en dos partes fundamentales la primera parte analiza la visión artificial, la cual se inicia con la captura de video en tiempo real con la cámara WEB, continua con un tratamiento de imágenes para la detección de patrones del rostro, ya detectado sigue el mismo y cuando se pierde la detección inicia nuevamente, la  búsqueda del rostro. Ya captado el movimiento y seguimiento del rostro se puede detectar los ojos para posteriormente clasificarlos y determinar la orientación y el giro del rostro. La segunda etapa consiste en las alertas emitidas por los sensores los cuales tienen como objetivo mantener alerta al conductor. En la Figura 6 se 6 se aprecia el diagrama de bloques.

Figura 6. Diagrama de bloques del Fuente. El Autor.

funcionamiento del sistema.

21

 

3.4. 3.4.

Sist Sistem emas as de de ad adqu quis isic ició ión n de imá imáge gene ness

El sistema de adquisición de imágenes está compuesto por una cámara de alta resolu res olució ciónn y alta alta fre frecue cuenci nciaa de adq adquis uisici ición, ón, contro controll automá automátic ticoo de gananc ganancia ia e ilumin ilu minac ación ión inf infrar rarroj rojaa que pro propor porcio ciona na las imáge imágenes nes de en entra trada da al sistem sistema. a. La captura puede realizarse en condiciones de iluminación muy diversas en ambientes diurnos o nocturnos, en ambientes diurnos es necesario un control automático de ganancias para mitigar los cambios de iluminación que se producen debidos a sombr sombras as o de deslu slumbr mbram amien ientos tos,, ante ante es estos tos efe efecto ctoss muy acentu acentuad ados os en una zona zona conc concre reta ta de la im imag agen en el cont contro roll de ga gana nanc ncia ia no so solv lven enta tara ra el pr prob oble lema ma  proporcionandoo imágenes.  proporcionand Loss alg Lo algori oritmo tmoss desarr desarroll ollad ados os tomará tomaránn la ima image genn de en entra trada da pa para ra propor proporcio ciona nar  r  medidas correctas de los parámetros de somnolencia, en condiciones nocturnas no se enco encont ntra rará ránn prob proble lema mass de debi bido do a los los camb cambio ioss de il ilum umin inac ació ión, n, pe pero ro si se será rá impres imp rescin cindib dible le ilu ilumin minar ar la es escen cena, a, par paraa la cu cual al se ha optado optado una ilumin iluminaci ación ón infrarroja, sincronizada con la captura de imágenes.

3.5. .5.

Proc oceesa sado do de Imág mágene enes

Las imágenes obtenidas se procesan modificando sus características las cuales son:



 Nivel de gris.



Contraste.



Eliminación de ruido.



Realce

Las cuales ayudan a conseguir una mejora de la imagen de entrada para lo cual se han han apli aplica cado do oper operac acio ione ness mo morfo rfoló lógi gica cass y un unaa ec ecua uali liza zaci ción ón un unifo iform rmee de dell histograma para compensar efectos de sombras, reflejos entre otros factores. Con la oper operac ació iónn mo morf rfol ológ ógic icaa se elim elimin inan an pe pequ queñ eños os ru ruid idos os in inde dese sead ados os en el tratamiento de imágenes. 22

 

3. 3.6. 6.

In Indi dica cado dore ress d dee ffat atig igaa en en llaa ccon ondu ducc cció ión n

La somnolencia afecta la forma de conducir disminuyendo la frecuencia de los  pequeños movimientos correctos del volante, aumentando aumentando la frecuencia de los movimientos bruscos del mismo, incrementando la desviación del vehículo respecto a los límites del carril extendiendo la desviación típica, de la posición lateral del coche, los movimientos del volante y la posición del automóvil en el carril son los indicadores más empleados en la detección de somnolencia.

3. 3.7. 7.

Di Dise seño ño e im impl plem emen enta taci ción ón del del ssof oftwa tware re

El desarrollo de la visión artificial es dependiente de una red neuronal para el training de los patrones de pruebas de ojos cerrados y abierto en su base de datos  para la selección de Haar – cascada, se utiliza el entorno de desarrollo integrado (IDE) eclipse, para el lenguaje de programación C++ al que se le asocio librerías de OpenCV, el cual es liberado bajo una licencia BSD y por lo tanto es de gratuito tanto  para uso académico y comercial. Fue diseñado para la eficiencia computacional computacional y con enfoque en aplicaciones en tiempo real.

3. 3.8. 8.

Se Sele lecc cció ión n de té técn cnic icas as d dee re reco cono noci cimi mien ento to fa faci cial al

Está basado en algoritmos LBPH porque fue el de mejor rendimiento ya que la mayoría de las pruebas fueron correctas y no es necesario tener una gran base de datos como lo requieren otros algoritmos, es robusto a cambios de iluminación en el video a analizar es decir considera luminosidad alta y baja demostrando que es un factor que influye en el reconocimiento facial. Este algoritmo es ideal para detectar  diferentes emociones en un rostro ya que el entrenamiento se actualiza en cada reconocimiento realizado y posee una buena eficiencia por lo que es usada en sistemas embebidos. Se ha seleccionado el algoritmo LBPH para ser utilizado en el sistema debido a su  bajo tiempo de resolución del reconocimiento facial dando un tiempo de respuesta al

23

 

usuario muy corto ya que trabaja con imágenes en escala de grises permitiendo una autenticaciónn rápida en el sistema. autenticació

3.9.

Fase d dee en entrenamiento

Al tener ya una base de datos de rostros es necesario entrar al sistema para que este sea eficiente y el error sea mínimo, y se lo realiza cada vez que exista un nuevo usuario, la fase de entrenamiento se la almacena en un archivo aparte con extensión yml, en el mismo directorio en el cual se encuentra toda la programación del sistema, en la Figura 77 se  se puede apreciar la fase de entrenamiento de un sistema activo de detección de somnolencia.

Figura 7. Sistema activo de detección de Fuente. El Autor.

somnolencia.

A medida que los sistemas computacionales computacionales fueron avanzando y popularizando en el nu nuevo evo mil mileni enioo el uso de téc técnic nicas as de apr aprend endiza izaje je au autom tomati atice ce en proce procedim dimien ientos tos embeb em bebido idoss se fue pop popula ulariz rizand andoo de forma forma ráp rápida ida y las inv invest estiga igacio ciones nes fue fueron ron tomando cada vez más peso en el área, el uso de técnicas como las redes neuronales, lógica difusa, redes neuro difusas, aprendizaje profundo y las máquinas de soporte vectorial fueron incursionando en el análisis de señales este ha revolucionado su campo. La primera técnica y actualmente la más usada para el análisis del estado del sueño fueron las redes neuronales, usando un tratamiento digital de señales por medio de la transformada de Wavelet, y calificada por medio de una red neuronal cuya salida  binaria daba información sobre el estado de somnolenc somnolencia ia o vigilancia de la persona,  pero fue hasta el 2002 donde se crearon las primeras clasificaciones utilizando redes neuronales, para la clasificación de registros de estados de sueño. 24

 

3.10. 3.1 0. Arq Arquit uitect ectura ura de dell si siste stema ma prop propues uesto to El sistema está basado en el análisis de imágenes en tiempo, real el cual ingresa datos mediante la cámara Pi NoIR, a la tarjeta electrónica Raspberry Pi en la cual está desarrollado el software de reconocimiento facial y detección de cansancio cuando el sistema detecta uno de estos eventos y activa las alarmas previniendo accidentes, a continuaciónn se aprecia la arquitectura del sistema en la Figura 8. continuació 8.

Figura 8. Arquitectura del prototipo para la detección de signos de fatiga. Fuente. El Autor 

En esta fase se visualiza como funcionara el sistema mediante la construcción de diagramas los cuales detallan la secuencia o actividades a realizar, luego se procede a seleccionar los componentes electrónicos que cumplieran con ciertos requerimientos con los que se pudiera trabajar basándose en las especificaciones técnicas de los dispositivos además del costo y forma de obtenerlos para así elaborar el proyecto  basándonoss en la teoría del capítulo anterior.  basándono

3.11. 3.1 1. Sis Sistem temaa ope opera rativ tivoo y soft softwar waree de progr programa amació ción n Se presenta varias opciones de sistemas operativos que son compatibles con la tarjeta Raspberry Pi, y se optó por instalar Raspbian el cual es un software gratuito basado en Linux, en la distribución debían, el cual optimiza recursos de memoria, este contiene un conjunto de programas básicos como es el caso de. Office, navegador  25

 

web,, ca web calcu lculad ladora ora,, visor visor de imá imáge genes nes,, Pdf Pdf,, ed edito itorr de tex texto, to, además además co const nstaa de herramientas de desarrollo con las cuales se procede a realizar pruebas para el desarrollo de la visión artificial.

3.12. 3.1 2. Té Técni cnicas cas par paraa el sseg eguim uimien iento to de ros rostro tross Existen varias técnicas para el seguimiento de rostros las cuales se detallan en la Figura 9. 9.

Figura 9. Técnicas para el seguimiento de Fuente. El Autor.

rostros.

3.13.. Dete 3.13 Detector ctores es Ha Haar ar p para ara la de detecc tección ión de de la cara y ojo ojoss

Se trabajó con EmguCV en lenguaje Visual Basic que permitió ensamblar el modulo con sus clases, funciones y argumentos que son análogos a los usados en OpenCV  para C++. Como primer paso se adquiere el video de buena calidad del entorno en el que se encuentra el usuario para lo cual se utiliza un objeto de clase Image para almacenar  las imágenes captadas por la cámara, para la capura de la trama de video se ocupa el método QueryFrame, sobre una clase de tipo captura.

26

 

Como para la detección se usa el método DetectMultiScale es necesario tener todos los argumentos necesarios, para ello se procesa la imagen original convirtiéndola a escala de grises, esta imagen procesada se almacena en otra clase tipo “Image” sobre la cual se efectúa la detección facial. Para pasar la imagen a escala de grises y el método SmoothGaussian para suavizar y ecualizar la imagen. Se comienza con la dete detecc cció iónn de rost rostro ro trab trabaj ajan ando do con con el ob obje jeto to ca carg rgad adoo an ante terio riorm rmen ente te co conn el CascadeClassifier “frontalface.xml”, conteniendo los parámetros de medición de la red neuronal entrenada para el reconocimiento de los rostros, aplicando el método DetectMultiscale.

3.14.. Desa 3.14 Desarrol rrollo lo del del algoritm algoritmoo de detecció detección n de la ssomnol omnolenci enciaa Al tomar en cuenta los factores que determinan que un conductor entra en estado de somnolencia se procede a crear un algoritmo que sea capaz de detectar este estado, uno de los principales síntomas es el bostezo el mismo que fue tomado como detonante de la alarma principal, para detectar este estado en el usuario se consideró la apertura de la boca durante un bostezo y el tiempo que permanecía está abierta, la Figura 10, 10, presenta el algoritmo de detección de la somnolencia.

27

 

Figura 10. Algoritmo de detección de Fuente. El Autor.

la somnolencia.

Para calcular la apertura apertura de la boca, el límite de los ojos y la incidencia incidencia de cabeceo se utiliza el algoritmo que proporciona la unidad de acción correspondiente al movimiento de la mandíbula inferior, este algoritmo se entrena mediante imágenes  periódicas en la cuales se establece acciones tales como abrir y cerrar la boca, el  pestañeo y la coincidencia de cabeceo, si uno de estos rangos establecidos en la  programación inciden más de una vez la alarma se dispara inmediatamente  previniendo al al conductor.

28

 

3. 3.15 15.. Mé Méto todo do d dee dete detecc cció ión n de ááre reas as El método de detección de áreas engloba varios parámetros tales como la distancia que existe entre el conductor y la cámara Web, la detección de los contornos de los ojos nos permitirá determinar si el conductor presenta síntomas de fatiga. Esta se analiza mediante una línea entre ellos para obtener el área de los ojos y de la misma manera obtener el contorno del área del rostro, mediante este análisis se consigue una relación expresada en porcentaje entre el área de los ojos con respecto al rostro, para determinar de esta manera el nivel de apertura del ojo humano y en consecuencia detectar síntoma de cansancio. Es importante mencionar que el comando para calcular el área o superficie da como resu result ltad adoo una una unid unidad ad de me medi dida da que que es está tánn en pi pixe xele less el elev evad adas as al cu cuad adra rado do,, definiendo como pixel a la unidad básica de una imagen que contiene color y forma. La fórmula para calcular la relación en porcentaje existente entre el área de los ojos con respecto al área o superficie del rostro es la que se deduce en referencia a la Figura 11. 11.

Figura 11. Contorno de los ojos Fuente. El Autor.

Dando como resultado la siguiente. Ecuación 3. Área de los ojos.  Areaojos = Areaojo izquierdo + Areaojo derecho

Para obtener el porcentaje del área de los ojos con respecto al área del rostro se usa la siguiente

29

 

Ecuación 4. Porcentaje del área de los ojos. ojos ( % )=

  Area Area ojos  Area Rostro

Cabe recalcar que los valores para cada uno de los estados (despierto. medio dormida, dormido) varían debido al área del rostro de cada ser humano, el método de áreas es un método que, si puede detectar signos de somnolencia en un conductor, sin embargo, hay que considerar varios factores que pueden causar diferentes resultados de mediciones en cada persona siendo uno de los principales la estructura facial diferente para validar los datos. En primera instancia se define la distancia que tendrá el conductor con respecto a la cámara del dispositivo esta distancia es de aproximadamente, de 50 centímetros y se toman muestras del autor como se detalla a continuación en la Figura 12. 12.

Figura 12. Grafica de valores de Fuente. El Autor.

porcentaje en tres estados.

Una persona normalmente en un minuto pestañea de 17 a 20 veces, esta frecuencia se reduce cuando está leyendo siendo la frecuencia de 12 a 16 veces en un minuto y si está está dela delant ntee de un orde ordena nado dorr es esta ta dism dismin inuy uyee dr drás ásti tica came ment ntee a 3 o 4 ve vece ces. s. Y fi fina nalm lmen ente te pa para ra de dete term rmin inar ar si un unaa pe pers rson onaa est stáá do dorm rmid idaa o ti tien enee lo loss oj ojos os

30

 

absolutamente cerrados los valores oscilan entre 0.35 a 0.74 definiendo de esta manera que este método de áreas puede identificar signos de somnolencia.

3.16. 3.1 6. Alg Algori oritmo tmo K-Near K-Nearest est Neighb Neighbors ors Después de la segmentación de áreas para definir los ojos durante le procesado, toca decidir si cada segmento son o no los establecidos en el programa, es decir toca definir si los ojos están abiertos o cerrados, para ello se emplea este algoritmo ( K ¿ ¿ NN ) ¿, la función de este es almacenar en la memoria cache todas las muestras de entrenamiento y predice la respuesta, para una nueva muestra mediante el análisis de un número determinad determinadoo ¿) de los vecinos más cercanos a la muestra utilizada, mediante el cálculo de la suma ponderada y en sucesiones. Este método hace referencia a sucesiones de aprendizaje supervisado, ya que para la predicción busca el vector de características con respuesta conocida que sea más cercano al valor  dado.

3.17.. Imple 3.17 Implementa mentación ción del sistema sistema d dee detec detección ción de cans cansanci ancioo El alcance de este proyecto va dirigido a la implementación en un vehículo, con el cuall se demu cua demuestra estra la funci funcional onalidad idad del mismo mismo,, demo demostran strando do que es factible factible usarlo, usarlo,  para investigaciones investigaciones relacion relacionadas adas en el cam campo po de estudio. Para la implementación en el vehículo se realizan ciertas consideracion consideraciones es tales como:



Alimentación de voltaje DC independiente del sistema.



Distancia entre el usuario y la cámara del equipo.



Incidencia lumínica.



Angulo de inclinación de la cabeza.



Estado del operador.

El momento que se inició la marcha del vehículo y se encendió el dispositivo se pudo notar que el equipo se colgaba, o no realizaba el reconocimiento facial, puesto que la 31

 

incidencia lumínica era elevada, lo que dificulta la adquisición de datos por parte del sistema de video, lo que conlleva a realizar una calibración en el filtro ( K  NN ). En la se observa la implementación del equipo en el vehículo.

Al ajustar el filtro se establece un nuevo flujo de datos para lo cual se modifica el análisis de pixeles, código de reconocimiento facial segmentación y detección de los ojos, ya que algunas de las características más notorias del estado de somnolencia a nivel fisiológico se pueden ver principalmente en el rostro, sus ojos.

3.18 3.18.. Indi Indica cado dorr de aler alerta ta Uno de los requerimientos básicos de este sistema consiste en la generación de una alerta sonora esto se lleva a cabo con la utilización de un buser o zumbador el cual emite alertas previniendo accidentes. La función principal de este es emitir sonidos que indiquen cuando se ha detectado síntomas de fatiga en el conductor, entre los síntomas más comunes están enfocadas a dispositivos de alarma confirmación de entrada de usuario etc.

3.19. 3.1 9. Aná Anális lisis is de costo costo de dell p pro royec yecto to El análisis de costos se enfoca en la factibilidad y ejecución del proyecto el cual analiza cada componente electrónico electrónico el cual ha sido financiado por el autor. 1. Evaluación de costos. Tabla 1. Evaluación

Descripción Raspberry Pi 3b Cámara pi NoIR  Buser Placa impresa

unidades 1 1 1 1

70 25 10 40

Precio unitario

Precio total 70 25 10 40

Caja de

1

60

60

Subtotal

205.00

12%

24.60

TOTAL

229.60

protección IVA

Fuente. El Autor.

32

 

CAPÍTULO IV CONCLUSIONES Y RECOMENDACI RECOMENDACIONES ONES 1.

4.1.

Conclusiones

Una vez desarrollado el sistema de detección de somnolencia se procede a realizar  las pruebas en las culés se observó que al incrementarse el tiempo de conducción el usuario tiende a cansarse lo que hace que varié el estado de vigilia produciendo somnolencia, somnolenc ia, otro de los síntomas es tocarse constantemente la cara y la quijada. La carga de trabajo sumada a la depresión, el estrés, causan parpadeo constante,  pesadez en la cabeza y reducen gradualmente la concentració concentraciónn de las actividades haciendo que el conductor pierda su capacidad de respuesta al conducir, provocando accidentes. Al utilizar la tecnología, y sistemas electrónicos embebidos en vehículos se crea una herramienta esencial para prevenir accidentes, pues con ellas se puede llevar a cabo un monitoreo constante y en tiempo real r eal sobre el estado del conductor y sus acciones, de manera más especifica el sistema detecta fatiga, o somnolencia. somnolencia. La inteligencia artificial ha revolucionado el análisis de objetos en tiempo real sin equipos invasivos, permitiendo el análisis de imágenes en tiempo real, siendo la solución primaria y fuerte en este proyecto, el cual detecta cambios en el estado de vigilia a uno de somnolencia somnolencia,, aunque no es una solución definitiva.

4.2.

Recomendaciones

Tras Tras la lass prue prueba bass de func funcio iona nali lida dadd se ha lleg llegad adoo a de dete term rmin inar ar qu quee un unaa de la lass  principales recomendaciones es utilizar la tecnología la cual involucre mas sensores

33

 

y actuadores ya que solo el análisis de apertura del nivel del ojo no es suficiente para determinar el estado de somnolencia somnolencia.. Con la revolución de la tecnología se tiene computadores avanzados, los cuales  pueden integrar de forma automática una base de datos del rostro del conductor en diferentes ángulos y escalas, al momento de colocarse frente al volante para crear  muestras de aprendizaje de solo un individuo, mejorando la confiabilidad y eficiencia del sistema, es por esta razón que se recomienda a la comunidad estudiantil que desee involucrarse en la visión artificial para el proceso de señales en tiempo real util utilic icee Op Open en CV ya qu quee es este te so soft ftwa ware re co cont ntie iene ne la mayo mayorí ríaa de su suss li libr brer ería íass desarrolladas y es compatible con diferentes sistemas operativos. Escoger sensores robustos robustos para la adquisición de datos principalmente en lo que hace referencia a la adquisición de datos y la activación de alarmas ya que de estos factores depende el desarrollo y funcionamiento de todo el proyecto.

34

 

Bibliografía Alexander, M., Clavón, P., Samuel, C., Albarracín, L., Andrés, J., Reyes, C., & Cerón, H. W. (2017). Sistema de alerta al conductor y disminución de la velocidad automática del vehículo para evitar accidentes por agotamiento Driver  alert system and decrease of automatic speed of the vehicle to avoid accidents  by exhaustion, exhaustion, 11, 11, 98–106. Bertran Albertí, E. (n.d.-a). Procesado (n.d.-a). Procesado digital de seales : fundamentos fundamentos para comunicaciones y control . Edicions UPC. Bertran Albertí, E. (n.d.-b). Procesado (n.d.-b). Procesado digital de seales : fundamentos fundamentos para comunicaciones y control . Edicions UPC. Cancelas, J. A., González, R. C., Álvarez, I., & Enguita, J. M. (2016). Conceptos y  Métodos en Visión por Computador  Computador . Conceptos y Métodos en Visión Por Computador  (Vol.  (Vol. 1). Detector de fatiga al volante Bosch [Laboratorio Tecmovia] | Tecmovia. (n.d.). Retrieved March 21, 2021, from https://www.diariomotor.com/tecmovia/2012/04 https://www.diariomotor.c om/tecmovia/2012/04/16/detector-de-fatiga-al/16/detector-de-fatiga-alvolante-bosch-laboratorio-tecmovia/ Flores Calero, M. J. (2009). Sistema avanzado de asistencia a la conducción mediante visión por computador para la detección de la somnolencia, 219. Retrieved from http://dialnet.unirioja.e http://dialnet.unirioja.es/servlet/tesis? s/servlet/tesis? codigo=20268&info=resumen&idioma=SPA Guevara Carrillo, F. A., & Valencia Bernal, O. S. (2013). Análisis del conductor: estimación de la distracción y somnolencia mediante visión por computador e inteligencia artificial usando tecnología TOF, 178. Retrieved from http://repositorio.espe.edu.ec/handle http://repositorio.espe .edu.ec/handle/21000/6522 /21000/6522

35

 

Israel, U. T. (2016). TRABAJO DE TITULACIÓN EN OPCIÓN AL GRADO DE : López Romero, W. L. (2016). SISTEMA DE CONTROL DEL ESTADO DE SOMNOLENCIA EN CONDUCTORES DE VEHÍCULOS Trabajo. Universidad Técnica De Ambato, Ambato, 122. Retrieved from https://webcache.googleuserc https://webcache .googleusercontent.com/search? ontent.com/search?q=cache:RZ q=cache:RZbqwbqwPFatoJ:https://dialnet.unirioja.es/desca PFatoJ:https://dialne t.unirioja.es/descarga/articulo/5432283. rga/articulo/5432283.pdf+&cd=2&hl= pdf+&cd=2&hl=es es &ct=clnk&gl=co Moreno, R. J. (2011). SISTEMA DE DETECCI ON CONDUCTORES MEDIANTE ´ POR TECNICAS DE VISI ON. OpenCV. (2016a). OpenCV. Retrieved June 1, 2020, from https://opencv.org/ OpenCV. (2016b). OpenCV. Retrieved from https://opencv.o https://opencv.org/ rg/ Orosco, J. R., & Pomasunco, R. (2018). Universidad Nacional De Huancavelica Huancavelica Presentado Por. Repositorio Por. Repositorio Institucional - UNH , 89. Retrieved from http://repositorio.unh.edu.pe/handle/UNH/2 http://repositorio.unh.e du.pe/handle/UNH/2998%0Ahttp://repositorio 998%0Ahttp://repositorio.unh.edu.p .unh.edu.p e/handle/UNH/1540 Teach, Learn, and Make with Raspberry Pi. (n.d.). Retrieved March 23, 2021, from https://www.raspberrypi.org/

36

 

37