Keletihan pemandu telah diiktiraf sejagat sebagai isu kritikal dalam keselamatan pengangkutan yang menyebabkan banyak kemalangan jalan raya. Banyak penyelidikan telah dilakukan untuk pengesanan keletihan pemandu, dan kebanyakannya berdasarkan pemerhatian mata pemandu. Walau bagaimanapun, banyak kajian sebelum ini didapati bergantung kepada pencahayaan daripada diod pancaran cahaya (LED) berhampiran inframerah (IR) di mana pendedahan yang lama kepada pancaran IR mungkin merosakkan mata manusia. Projek ini membentangkan satu cara alternatif untuk mengesan keadaan mata pemandu berdasarkan teknik pemprosesan imej warna dan rangkaian neural tiruan (ANN) yang tidak memerlukan pencahayaan berhampiran IR dalam pemantauan keletihan pemandu. Dalam kajian ini, pengelas lata berdasarkan ciri Haar digunakan untuk pengesanan muka dan rantau mata kemudiannya dibahagi berdasarkan sifat antropometrik muka. Selepas itu, taburan keamatan rantau mata dari kawasan bersegmen dipilih sebagai ciri untuk pembangunan pengelas ANN dan ketepatan klasifikasi keseluruhan tertinggi model ANN yang dibina untuk mengesan keadaan mata adalah 74.61%. Dalam kesimpulan, kajian ini telah menunjukkan rangka kerja dan potensi dalam penggunaan taburan mata sebagai ciri untuk pembezaan mata terbuka dan tertutup. Walau bagaimanapun, masih terdapat ruang penambahbaikan sebelum menggunakan kajian yang dibina dalam dunia sebenar. Prestasi dan keteguhan sistem boleh terus ditingkat dengan menyiasat teknik pra-pemprosesan imej untuk menangani situasi kritikal seperti perubahan segera pencahayaan sekitar.
_______________________________________________________________________________________________________
Driver fatigue has been globally recognized as a critical transportation safety issue that leads to a large number of traffic accidents. Many researches have been done for driver drowsiness detection, mostly based on observation of driver’s eyes. However, it is found that many previous works have relied on near infra-red (IR) light-emitting diode (LED) illumination for eye pupil detection in which long exposure to IR emission is likely to damage human eyes. This project presents an alternative approach for driver’s eye state detection based on color image processing technique and artificial neural network (ANN) that requires no near IR illumination in driver fatigue monitoring. In this study, Haar feature-based cascade classifier is implemented for face detection and eye region is then segmented based on face anthropometric properties. The distribution of eye region intensity from the segmented area is selected as the features for ANN classifier development and the highest overall classification accuracy of the constructed ANN model for eye state detection is 74.61%. In short, the research has shown the framework and potential in using color distribution as features for open and closed eyes differentiation. However, there is still a room of improvement before applying the developed study in real world. System performance and robustness can be further increased by investigating image pre-processing technique to deal with critical situation such as instant change of ambient lighting.
Color-based image processing technique for eye state detection in driver fatigue monitoring / Tan Ting Sheng