Xây dựng hệ thống cảnh báo ngủ gật trên Kit Raspberry Pi 3

Đề tài sử dụng phương pháp phát hiện trạng thái nhắm mắt là: phương pháp xác định tỉ lệ khoảng cách giữa hai mí mắt và tỉ lệ khoảng cách giữa môi trên và môi dưới khi ngáp. Để hiểu rõ hơn mời các bạn cùng tham khảo nội dung chi tiết của bài viết này.
Nội dung trích xuất từ tài liệu:
Xây dựng hệ thống cảnh báo ngủ gật trên Kit Raspberry Pi 3 KỶ YẾU NGHIÊN CỨU KHOA HỌC SINH VIÊN NĂM HỌC 2018-2019 XÂY DỰNG HỆ THỐNG CẢNH BÁO NGỦ GẬT TRÊN KIT RASPBERRY PI 3 Giảng viên hướng dẫn: ThS. Võ Thiện Lĩnh Sinh viên thực hiện: Nguyễn Minh Tiến Lớp: CQ.57.KTĐTTH Lê Trung Phương Lớp: CQ.57.KTĐTTH Tóm tắt: Trong khuôn khổ bài báo này, chúng tôi xây dựng một hệ thống phát hiện tình trạngngủ gật của tài xế dựa trên các kỹ thuật xử lý ảnh. Với một camera dùng để quan sát gương mặt tàixế, hệ thống xử lý hình ảnh bằng Kit Raspberry Pi 3 sẽ phát âm thanh cảnh báo khi tài xế có biểu hiệnngủ gật dựa vào trạng thái mắt nhắm cũng như miệng ngáp. Đề tài sử dụng phương pháp phát hiệntrạng thái nhắm mắt là: phương pháp xác định tỉ lệ khoảng cách giữa hai mí mắt và tỉ lệ khoảng cáchgiữa môi trên và môi dưới khi ngáp. Chúng tôi sử dụng tập dữ liệu đã được huấn luyện để trích xuấtra 68 điểm đặc trưng trên khuôn mặt và công cụ “frontal face detector” có trong thư viện Dlib để xácđịnh các vị trí mắt và miệng cần thiết để tiến hành nhận dạng. Thực nghiệm trên một nhóm người ViệtNam cho thấy độ chính xác của hệ thống là khá cao. Từ khóa: xử lý ảnh; nhận dạng khuôn mặt;phát hiện ngủ gật.1. ĐẶT VẤN ĐỀ Tai nạn giao thông đường bộ có ảnh hưởng rất lớn đến cá nhân, cộng đồng và cả quốcgia. Nó sẽ tiêu tốn một khoảng chi phí lớn để chăm sóc sức khỏe và gây nên tình trạngthường xuyên quá tải trong hệ thống bệnh viện. Năm 2016 Theo báo cáo của WHO, 1,24triệu ca tử vong giao thông đường bộ xảy ra mỗi năm trên thế giới, điều này làm cho tai nạngiao thông trở thành nguyên nhân số một của cái chết trong số những người ở độ tuổi 15-29.Con số này được dự đoán sẽ tăng đến khoảng 1,9 triệu vào năm 2030 và trở thành một trongbảy nguyên nhân hàng đầu gây tử vong của con người[1] Thông báo hôm 8/2 của Ủy ban An toàn giao thông Quốc gia Việt Nam nói trong 7 ngàynghỉ Tết Nguyên đán Kỷ Hợi 2019 cả nước xảy ra 214 vụ tai nạn giao thông, làm chết 135người, bị thương 189 người[2] Có nhiều lý do gây ra tai nạn giao thông, nguyên nhân chủ quan như do ý thức củangười điều khiển, sử dụng điện thoại, sử dụng rượu bia chất kích thích hay do nguyên nhânkhách quan là việc mệt mỏi do làm việc quá sức dẫn đến tình trạng ngủ gật và mất tập trung. Ngày nay, nhiều kỹ thuật phát hiện tình trạng ngủ gật đã được nghiên cứu. Các kỹthuật phát hiện tình trạng ngủ gật có thể được chia thành hai loại cơ bản: kỹ thuật dựa trên sựthay đổi biểu hiện sinh lý như sóng não, nhịp tim,...; kỹ thuật dựa trên sự thay đổi các biểuhiện vật lý của cơ thể như tư thế, độ nghiêng của đầu, trạng thái nhắm/mở mắt, chớp mắt,ngáp,… Hệ thống phát hiện ngủ gật đề cập ở đây bao gồm ba thành phần là Kit Raspberry Pi3, Module Pi camera và một chiếc loa để phát ra âm thanh cảnh báo. Camera gắn trong xebắt giữ khuôn mặt của người lái xe và liên tục theo dõi mắt và miệng của người lái xe.Raspberry Pi 3 phân tích các khung hình liên tục và cảnh báo người lái xe trong thời gian P a g e 40 | 82 KỶ YẾU NGHIÊN CỨU KHOA HỌC SINH VIÊN NĂM HỌC 2018-2019thực nếu phát hiện bất thường, để người lái trở lại tập trung. Do cấu trúc nhỏ gọn của nó, nêncó thể dễ dàng trang bị trong bất kỳ các loại xe ô tô. Ngoài ra hệ thống này là tương đối rẻhơn các biện pháp an toàn khác được trang bị trong xe. Để thực hiện điều đó cần xác định khuôn mặt của tài xế và xác định được các vị tríđặc trưng trên khuôn mặt đó.2. CÁC NỘI DUNG CHÍNH2.1. Các phương pháp xác định khuôn mặt2.1.1. Trình phân loại Haar Cascade Được đề xuất vào năm 2001 bởi Paul Viola và Michael Jones[3] để tìm đồ vật trongnhững bức ảnh hay cả trong video thời gian thực. Họ đã sử dụng một loạt các tính năng đểphát hiện nhanh chóng đối tượng. Haar Cascade còn được gọi là Máy dò Viola-Jones. Phương thức huấn luyện về cơ bản là so khớp tất cả các Haar-like features mẫu sẵn cóvào ảnh gốc đã được xám hoá và chuẩn hoá (chỉnh lại kích thước theo yêu cầu), các Haar-likefeatures phù hợp sẽ được máy tính rút trích và chọn ra mức ngưỡng (threshold) tối ưu nhấttheo 8-bit mức xám. Hình 1. Haar-like features Bộ phân loại thác đổ (Cascade classifiers) – dựa trên đặc trưng Haar (Haar feature)[4] Tất cả các đặc trưng Haar-like sau khi đã được huấn luyện sẽ được quét khắp bức ảnhđầu vào, tức là ở mọi pixels trong ảnh đều sẽ ít nhất một lần bị nhân Haar-like trượt qua,những khu vực so sánh được cho là giống với nhiều đặc trưng Haar-like nhất sẽ được đánhdấu lại và phát hiện đó là gương mặt. Hình 2. So khớp để tạo ra bộ đặc trưng P a g e 41 | 82 KỶ YẾU ...