Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales

  • Juan Felipe Cordoba Fuzga Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia)
  • Ruben Dario Vasquez Salazar Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia) https://orcid.org/0000-0002-1690-8393
  • Henry Omar Sarmiento Maldonado Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia)

Resumen

Resumen

Introducción-Al conducir, la persona se encuentra expuesta a diferentes estímulos que pueden llevar a que se ocasione accidentes. Aunque Numerosas propuestas tecnológicas se han presentado para mantener monitoreado al conductor, estas han pasado por alto el estado anímico en el que este se encuentra, el cual podría generar efectos negativos en la capacidad de reacción al conducir.

Objetivo- Buscar diferentes alternativas de inteligencia artificial para el análisis permanente de rostros de conductores, con el fin de encontrar un buen modelo de clasificación de expresión facial (feliz, enojo, sorpresa, neutral).

Metodología- La metodología utilizada consiste en la selección de una base de datos que es preprocesada, para posteriormente entrenar diferentes modelos y realizar comparaciones de precisión entre ellos.

Resultados- Se logra encontrar una precisión mayor al 80% en la detección del estado anímico del usuario. Y se logra migrar el modelo a un sistema de monitoreo portátil.

Conclusiones- En este caso particular los métodos de aprendizaje de maquina tradicionales (machine learning) consumen menos tiempo a la hora de clasificar, sin embargo, estos son superados en precisión por un aprendizaje profundo.

Palabras clave: Expresiones faciales, inteligencia artificial, aprendizaje de máquina, aprendizaje profundo, visión artificial

Referencias

González, Ana, Et Al. “Técnicas Y Algoritmos Básicos De Visión Artificial.” La Rioja: Universidad De La Rioja, 2006.

Chollet, F. “Deep Learning With Python, Vol. 1. Greenwich”, Ct: Manning Publications Co, 2017.

Valenzuela Torres, Jeimy Alejandra. “Las Compañías Más Grandes En Seguros Generales En Colombia: Un Análisis Comparativo En El Período 2015-2017”. 2017.

Arias Rojas, Wilson; Chaves Pabon, Saieth Baudilio. “Analysis Of Fatalities For Crash Accidents In Colombia Between 2011-2015”. Redes De Ingenieria-Rompiendo Las Barreras Del Conocimiento, 2017, Pp. 226-239.

Fernández-Abascal, Enrique G.; Montañés, Mariano Chóliz. “Expresión Facial De La Emoción”. Universidad Nacional De Educación A Distancia, 2001.

Freitas-Magalhães, A. “Facial Action Coding System-Manual Of Scientific Codification Of The Human Face”. Leya, 2018.

Amini, Reza; Lisetti, Christine; Ruiz, Guido. “Hapfacs 3.0: Facs-Based Facial Expression Generator For 3d Speaking Virtual Characters”. Ieee Transactions On Affective Computing, 2015, Vol. 6, No 4, Pp. 348-360. https://doi.org/10.1109/TAFFC.2015.2432794

Morris, Eric A.; Hirsch, Jana A. “Does Rush Hour See A Rush Of Emotions? Driver Mood In Conditions Likely To Exhibit Congestion”. Travel Behaviour And Society, 2016, Vol. 5, Pp. 5-13. https://doi.org/10.1016/j.tbs.2015.07.002

Carneiro, Alex Ts; Cortez, Paulo C.; Costa, Rodrigo Cs. “Reconhecimento De Gestos Da Libras Com Classificadores Neurais A Partir Dos Momentos Invariantes De Hu”. Interaction, 2009, Pp. 190-195.

Lyons, Michael J., Et Al. “The Japanese Female Facial Expression (Jaffe) Database. En Proceedings Of Third International Conference On Automatic Face And Gesture Recognition”. 1998. Pp. 14-16.

Thomaz, Carlos Eduardo. “Fei Face Database. Fei Face Databaseavailable”, 2012.

Li, Shan; Deng, Weihong; Du, Junping. “Reliable Crowdsourcing And Deep Locality-Preserving Learning For Expression Recognition In The Wild”. En Proceedings Of The Ieee Conference On Computer Vision And Pattern Recognition. 2017. Pp. 2852-2861. https://doi.org/10.1109/CVPR.2017.277

Pellejero, Nicolás; Grinblat, Guillermo L.; Uzal, Lucas. “Análisis Semántico En Rostros Utilizando Redes Neuronales Profundas”. En Xviii Simposio Argentino De Inteligencia Artificial (Asai)-Jaiio 46 (Córdoba, 2017). 2017.

Koestinger, Martin, Et Al. “Annotated Facial Landmarks In The Wild: A Large-Scale, Real-World Database For Facial Landmark Localization”. En 2011 Ieee International Conference On Computer Vision Workshops (Iccv Workshops). Ieee, 2011. P. 2144-2151. https://doi.org/10.1109/ICCVW.2011.6130513

Marsland, Stephen.” Machine Learning: An Algorithmic Perspective”. Crc Press, 2015. https://doi.org/10.1201/b17476

Simonyan, Karen; Zisserman, Andrew. “Very Deep Convolutional Networks For Large-Scale Image Recognition”. Arxiv Preprint Arxiv:1409.1556, 2014.

Stanisław Jurecki, Rafał; Lech Stańczyk, Tomasz; Jacek Jaśkiewicz, Marek. “Driver’s Reaction Time In A Simulated, Complex Road Incident. Transport”, 2017, Vol. 32, No 1, P. 44-54. https://doi.org/10.3846/16484142.2014.913535

Cerezo Campozano, Briggitte Cecibel; Ortega Chilán, Elías Isaac. “Diseño De Un Prototipo De Casilleros Inteligentes, Utilizando El Carnet Universitario Y Clave De Seguridad Para El Control De Acceso A Través De Una Red Inalámbrica, Mediante La Administración De Página Web Y Base De Datos Aplicando Tecnología De Bajo Costo (Raspberry Y Arduino), Para Beneficio De Los Estudiantes De La Carrera De Ingeniería En Networking Y Telecomunicaciones De La Universidad De Guayaquil”. 2018. Tesis Doctoral. Universidad De Guayaquil. Facultad De Ciencias Matemáticas Y Físicas. Carrera De Ingeniería En Networking Y Telecomunicaciones

Descargas

La descarga de datos todavía no está disponible.
Publicado
2020-09-16
Cómo citar
Cordoba Fuzga, J. F., Vasquez Salazar, R. D., & Sarmiento Maldonado, H. O. (2020). Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales. INGE CUC, 16(2). https://doi.org/10.17981/ingecuc.16.2.2020.14