論文の概要: Improving Driver Drowsiness Detection via Personalized EAR/MAR Thresholds and CNN-Based Classification
- arxiv url: http://arxiv.org/abs/2604.22479v1
- Date: Fri, 24 Apr 2026 12:00:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.44399
- Title: Improving Driver Drowsiness Detection via Personalized EAR/MAR Thresholds and CNN-Based Classification
- Title（参考訳）: パーソナライズされたEAR/MAR閾値とCNNに基づく分類によるドライバの眠気検出の改善
- Authors: Gökdeniz Ersoy, Mehmet Alper Tatar, Eray Tonbul, Serap Kırbız,
- Abstract要約: 視覚に基づく運転監視システムは、しばしば固定された視線アスペクト比 (EAR) とMouth Aspect Ratio (MAR) のしきい値に依存する。
本稿では,眼球運動,頭部位置,あくび行動をリアルタイムに監視する,パーソナライズドロージー検出システムを提案する。
ディープラーニングに基づく畳み込みニューラルネットワーク(CNN)モデルは、困難なシナリオにおける精度を高めるために統合されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driver drowsiness is a major cause of traffic accidents worldwide, posing a serious threat to public safety. Vision-based driver monitoring systems often rely on fixed Eye Aspect Ratio (EAR) and Mouth Aspect Ratio (MAR) thresholds; however, such fixed values frequently fail to generalize across individuals due to variations in facial structure, illumination, and driving conditions. This paper proposes a personalized driver drowsiness detection system that monitors eyelid movements, head position, and yawning behavior in real time and provides warnings when signs of fatigue are detected. The system employs driver-specific EAR and MAR thresholds, calibrated before driving, to improve classical metric-based detection. In addition, deep learning-based Convolutional Neural Network (CNN) models are integrated to enhance accuracy in challenging scenarios. The system is evaluated using publicly available datasets as well as a custom dataset collected under diverse lighting conditions, head poses, and user characteristics. Experimental results show that personalized thresholding improves detection accuracy by 2-3% compared to fixed thresholds, while CNN-based classification achieves 99.1% accuracy for eye state detection and 98.8% for yawning detection, demonstrating the effectiveness of combining classical metrics with deep learning for robust real-time driver monitoring.
- Abstract（参考訳）: ドライバーの眠気は世界中の交通事故の大きな原因であり、公共の安全に深刻な脅威をもたらしている。
視覚に基づく運転監視システムは、しばしば固定された視線アスペクト比 (EAR) とMouth Aspect Ratio (MAR) のしきい値に依存するが、顔の構造、照明、運転条件の変化により、そのような固定された値は個人間で一般化できないことが多い。
本稿では,眼球運動,頭部位置,あくび行動などをリアルタイムに監視し,疲労の兆候が検出された場合に警告を発する個人用運転者の眠気検知システムを提案する。
このシステムはドライバー固有のEARとMARしきい値を使用し、運転前に調整し、古典的なメートル法に基づく検出を改善する。
さらに、ディープラーニングベースの畳み込みニューラルネットワーク(CNN)モデルが統合され、挑戦的なシナリオの精度が向上する。
システムは、利用可能なデータセットと、さまざまな照明条件、ヘッドポーズ、ユーザ特性に基づいて収集されたカスタムデータセットを使用して評価される。
実験結果から、パーソナライズされたしきい値の精度は、固定しきい値と比較して2-3%向上し、CNNベースの分類では、目の状態検出の99.1%の精度、あくび検出の98.8%が達成され、古典的メトリクスとディープラーニングを組み合わせることで、堅牢なリアルタイムドライバ監視の有効性が示された。
関連論文リスト
- Drowsiness-Aware Adaptive Autonomous Braking System based on Deep Reinforcement Learning for Enhanced Road Safety [0.0]
ドライバーの眠気はヨーロッパでの道路事故の10%から20%を占めると推定されている。
本稿では,車両力学とドライバの生理的データを統合した深部強化学習に基づく自律制動システムを提案する。
ドロージー条件と非ドローシー条件の衝突を避けるために99.99%の成功率を達成した。
論文 参考訳（メタデータ） (2026-04-15T13:39:56Z) - Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。
特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。
そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-27T02:27:10Z) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z) - SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model [52.47816604709358]
ビデオ異常検出(VAD)は、ビデオ内の予期せぬ事象を識別することを目的としており、安全クリティカルドメインに広く応用されている。
視覚言語モデル(VLM)は強力なマルチモーダル推論能力を示し、異常検出の新しい機会を提供している。
SlowFastVADは高速異常検出器と低速異常検出器を統合したハイブリッドフレームワークである。
論文 参考訳（メタデータ） (2025-04-14T15:30:03Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。
本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文 参考訳（メタデータ） (2024-10-31T13:13:32Z) - Real-Time Drowsiness Detection Using Eye Aspect Ratio and Facial Landmark Detection [0.0]
本研究は、視線量比(EAR)と顔のランドマーク検出技術を用いて、眠気を検出するために設計されたリアルタイムシステムを提案する。
EARのしきい値を確立することで、システムはいつ目を閉じているかを識別し、潜在的な眠気を示す。
実験の結果,システムは低計算要求を維持しながら,高い精度で眠気を確実に検出できることがわかった。
論文 参考訳（メタデータ） (2024-08-11T17:34:24Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Detecting Driver Drowsiness as an Anomaly Using LSTM Autoencoders [0.0]
LSTMオートエンコーダをベースとしたアーキテクチャは,ResNet-34を特徴抽出器として使用する。
提案モデルでは,曲線下0.8740領域の検出率を実現し,特定のシナリオにおいて大幅な改善が可能である。
論文 参考訳（メタデータ） (2022-09-12T14:25:07Z) - 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) - Driver Safety Development Real Time Driver Drowsiness Detection System
Based on Convolutional Neural Network [1.7188280334580195]
本稿では,道路上での運転者の安全に関する課題に焦点をあて,眠気検知のための新しいシステムを提案する。
眠気の兆候としてドライバの睡眠状態を検出するために、畳み込みニューラルネットワーク(CNN)を用いる。
論文 参考訳（メタデータ） (2020-01-15T05:38:24Z)
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。