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

• Cordoba Fuzga, Juan Felipe ^[1] ; Vasquez Salazar, Ruben Dario ^[1] ; Sarmiento Maldonado, Henry Omar ^[1]
  1. [1] Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia)
• Localización: INGE CUC, ISSN 0122-6517, ISSN-e 2382-4700, Vol. 16, Nº. 2, 2020 (Ejemplar dedicado a: (Julio-Diciembre))
• Idioma: español
• Títulos paralelos:
  • Vehicle driver monitoring system based on facial expression analysis.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    Introduction-When driving, any person is exposed to different stimuli that can lead to accidents. Although numerous technological proposals have been presented to keep the driver monitored, these have overlooked the state of mind in which they driver is, which could have negative effects on the ability to react when driving.

    Objective- Find different artificial intelligence alternatives for the permanent analysis of drivers' faces, in order to find a good model for classifying facial expression (happy, angry, surprise, neutral).

    Methodology- The methodology proposed consists in the selection of a database that is pre-processed, in orden to later train different models and make precision comparisons between them.

    Results- It is possible to find a precision greater than 80% in the detection of the user's mood and then the model is migrated to a portable monitoring system.

    Conclusions- In this particular case, traditional machine learning methods consume less processing time when classifying, however, they are exceeded in precision by deep learning.