論文の概要: Real-Time Drivers' Drowsiness Detection and Analysis through Deep Learning
- arxiv url: http://arxiv.org/abs/2511.12438v1
- Date: Sun, 16 Nov 2025 03:39:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.094069
- Title: Real-Time Drivers' Drowsiness Detection and Analysis through Deep Learning
- Title（参考訳）: ディープラーニングによるリアルタイムドライバの眠気検出と解析
- Authors: ANK Zaman, Prosenjit Chatterjee, Rajat Sharma,
- Abstract要約: 運転中の眠気は、あらゆる個人にとって命の危険であり、他のドライバーの安全に影響を及ぼす可能性がある。
本研究では,ディープ畳み込みニューラルネットワーク(DCNN)とOpenCVを用いたリアルタイムドライバの眠気検知システムを開発した。
- 参考スコア（独自算出の注目度）: 0.1274452325287335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A long road trip is fun for drivers. However, a long drive for days can be tedious for a driver to accommodate stringent deadlines to reach distant destinations. Such a scenario forces drivers to drive extra miles, utilizing extra hours daily without sufficient rest and breaks. Once a driver undergoes such a scenario, it occasionally triggers drowsiness during driving. Drowsiness in driving can be life-threatening to any individual and can affect other drivers' safety; therefore, a real-time detection system is needed. To identify fatigued facial characteristics in drivers and trigger the alarm immediately, this research develops a real-time driver drowsiness detection system utilizing deep convolutional neural networks (DCNNs) and OpenCV.Our proposed and implemented model takes real- time facial images of a driver using a live camera and utilizes a Python-based library named OpenCV to examine the facial images for facial landmarks like sufficient eye openings and yawn-like mouth movements. The DCNNs framework then gathers the data and utilizes a per-trained model to detect the drowsiness of a driver using facial landmarks. If the driver is identified as drowsy, the system issues a continuous alert in real time, embedded in the Smart Car technology.By potentially saving innocent lives on the roadways, the proposed technique offers a non-invasive, inexpensive, and cost-effective way to identify drowsiness. Our proposed and implemented DCNNs embedded drowsiness detection model successfully react with NTHU-DDD dataset and Yawn-Eye-Dataset with drowsiness detection classification accuracy of 99.6% and 97% respectively.
- Abstract（参考訳）: 長い道のりはドライバーにとって楽しいです。
しかし、何日も長いドライブは、ドライバーが遠方の目的地に着くために厳格な期限に間に合わせるのが面倒である。
このようなシナリオでは、ドライバーは、十分な休憩時間と休憩時間なしで、毎日余分な時間を利用して、余分なマイルを走行せざるを得ない。
一度ドライバーがそのようなシナリオを実行すると、時には運転中に眠気が引き起こされる。
運転中の眠気は、誰にでも危険であり、他の運転者の安全に影響を及ぼす可能性があるため、リアルタイム検知システムが必要である。
本研究は,ドライバの疲労した顔の特徴を特定し,即座に警報を鳴らすために,ディープ畳み込みニューラルネットワーク(DCNN)とOpenCVを用いたリアルタイムドライバの眠気検知システムを開発した。
DCNNsフレームワークはデータを収集し、トレーニング対象のモデルを使用して、顔のランドマークを使用して運転者の眠気を検出する。
ドライバーがDrowsyと認識されている場合、システムは、スマートカー技術に組み込まれた継続的アラートをリアルタイムで発行する。道路上の無実の命を救う可能性があるため、提案された技術は、非侵襲的で安価で費用対効果の高い、悲しみを識別する方法を提供する。
NTHU-DDDデータセットとYawn-Eye-Datasetをそれぞれ99.6%,97%の精度で組み合わせた。
関連論文リスト
- Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。
本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。
我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文 参考訳（メタデータ） (2025-05-09T20:28:17Z) - VigilEye -- Artificial Intelligence-based Real-time Driver Drowsiness Detection [0.5549794481031468]
本研究では,深層学習技術とOpenCVフレームワークを組み合わせた新しいドライバの眠気検知システムを提案する。
このシステムは、運転者の顔から抽出された顔のランドマークを、眠気パターンを認識するために訓練された畳み込みニューラルネットワークに入力する。
提案システムは,運転者の疲労による事故を防止するため,タイムリーな警報を提供することで,道路安全を高めることができる。
論文 参考訳（メタデータ） (2024-06-21T20:53:49Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [50.936478241688114]
非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。
本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。
提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - SleepyWheels: An Ensemble Model for Drowsiness Detection leading to
Accident Prevention [0.0]
SleepyWheelsは、顔のランドマークを識別すると同時に、軽量なニューラルネットワークを使用する革命的な方法だ。
このモデルは、ドライバーの眠気に関する特別なデータセットに基づいて訓練され、精度は97%に達する。
論文 参考訳（メタデータ） (2022-11-01T19:36:47Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - In-the-wild Drowsiness Detection from Facial Expressions [6.569756709977793]
眠気状態の運転は道路事故の大きな原因であり、生命と財産に大きな損害を与える。
運転中に顔を記録するカメラキットを用いて、夜間シフト作業者の車両を配置するデータ収集プロトコルを提案する。
我々は、ドライバーの顔の入力ビデオのポーズ、表情、感情に基づく表現から、さまざまな畳み込みと時間的ニューラルネットワークアーキテクチャを用いて、眠気状態を予測する実験を行った。
論文 参考訳（メタデータ） (2020-10-21T17:28:56Z) - Driver Drowsiness Classification Based on Eye Blink and Head Movement
Features Using the k-NN Algorithm [8.356765961526955]
この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。
この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。
最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
論文 参考訳（メタデータ） (2020-09-28T12:37:38Z) - Towards Evaluating Driver Fatigue with Robust Deep Learning Models [0.0]
ドローシー運転の結果、米国では毎年約7万2000件の事故と4万4000件のケガが発生している。
撮影カメラフレームの眼球閉鎖性を検出するための枠組みを,眠気検出のためのゲートウェイとして提案する。
論文 参考訳（メタデータ） (2020-07-16T16:44:49Z) - Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。
特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。
これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
論文 参考訳（メタデータ） (2020-04-01T16:11:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。