Identification of tired, sleepy, or passed out vehicle drivers. (Blackout Protocol)

Abstract

Blackout Protocol-prosjektet handler om å utvikle et maskin læringssystem eller et konsept som vil bringe oppmerksomhet til et problem og faren for utmattelse hos profesjonelle og hverdagslige sjåfører. Målet er å prøve å lage et system som kan forutsi øynene ved å inspisere et bilde av ansiktet til en person.

Resultatene av den nåværende modellen viser et nøyaktighetsnivå på over 98%, med en veldig lav feilrate. For å oppnå resultater har jeg brukt et datasett med 85 tusen bilder, et Tensorflow-bibliotek og en funksjonsutvinningsmetode. For å trekke ut øyebildet fra webkameraet, har jeg brukt OpenCV og Haar Cascade algoritme for gjenkjenning av objekter. Modellen er trent på gråtonebilder og kan forbedres for å fungere med infrarøde kameraer.

Jeg diskuterer også de forskjellige metodene for funksjonsutvinning, forskjellige modeller jeg har prøvd, jeg vil diskutere strukturen til modellen min og vil forklare hvert lag, dets mål og hvordan det fungerer, jeg vil også nevne viktigheten av et godt datasett når jeg jobber med dype nevrale nettverk.

The Blackout Protocol project is about developing a machine learning system or a concept that would bring attention to a problem and the danger of fatigue on professional and everyday drivers. The goal is to try to create a system that can predict the state of the eyes by inspecting an image of a person's face.

The results of the current model are showing an accuracy level of over 98%, with a very low error rate. To achieve results, I have used a dataset of 85 thousand images, a Tensorflow library, and a feature extraction method. To extract the image of the eyes from the web camera feed I have used OpenCV and Haar Cascade algorithm of object detection. The model is trained on the grayscale images and can be improved to work with infrared cameras.

I also discuss the different methods of feature extraction, different models I have tried, I will discuss the structure of my model and will explain every layer, its objective, and how it works, I will also mention the importance of a good dataset when working with deep neural networks.