| dc.contributor.advisor | Martinotto, André Luis | |
| dc.contributor.author | Formigheri, Samuel | |
| dc.contributor.other | Costa, Guilherme Holsbach | |
| dc.contributor.other | Dorneles, Ricardo Vargas | |
| dc.date.accessioned | 2023-05-31T12:08:47Z | |
| dc.date.available | 2023-05-31T12:08:47Z | |
| dc.date.issued | 2022-12-14 | |
| dc.date.submitted | 2022-11-29 | |
| dc.identifier.uri | https://youtu.be/U0TpZNzqfqc | pt_BR |
| dc.identifier.uri | https://repositorio.ucs.br/11338/12048 | |
| dc.description | A sonolência e a fadiga dos motoristas estão entre as maiores causas de acidentes rodoviários graves. Neste sentido, as empresas do setor automobilístico investem fortemente em pesquisas e no desenvolvimento de soluções para a detecção da sonolência em motoristas. Porém, frequentemente, essas soluções utilizam-se de sensores caros ficando restritas aos carros topo de linha. Assim, neste trabalho foi desenvolvido um sistema de baixo custo para a detecção de sonolência em motoristas. Esse é um sistema não intrusivo baseado na utilização de um smartphone para a captura de imagens do motorista. Após captura, é realizado um pré-processamento da imagem onde é utilizado o método de interpolação pelo vizinho mais próximo para uma redução das dimensões da mesma. A detecção da face é realizada através da utilização do Classificador Haar. O reconhecimento dos olhos e a classificação (abertos ou fechados) é realizada através de uma rede neural convolucional do tipo BlazeFace. Por fim, a definição do estado de sonolência é rea lizada através da métrica de percentual de fechamento dos olhos esquerdo e direito (PERCLOS - Percentage of Closure). O sistema desenvolvido mostrou-se viável, apresentando resultados
satisfatórios, com um baixo tempo de exeução. Esse apresentou uma precisão média de 98, 61% em ambientes com iluminação normal e sem obstáculos ocultando mais de uma característica da face. O tempo total de processamento de um frame foi de aproximadamente 343, 5 ms em um Galaxy M20 e de 429 ms em iPhone 8, sendo assim, o sistema é capaz de analisar de 2 a 3
frames por segundo em um dispositivo intermediário. [resumo fornecido pelo autor] | pt_BR |
| dc.language.iso | pt | pt_BR |
| dc.subject | Smartphones | pt_BR |
| dc.subject | Aplicativos móveis | pt_BR |
| dc.subject | Interface de programas aplicativos (Software) | pt_BR |
| dc.subject | Face - Imagem - Detecção | pt_BR |
| dc.title | Detecção de sonolência em motoristas utilizando processamento de imagens | pt_BR |
| dc.type | Monografia | pt_BR |
| mtd2-br.advisor.instituation | Universidade de Caxias do Sul | pt_BR |
| mtd2-br.program.name | Bacharelado em Engenharia de Computação | pt_BR |
| mtd2-br.campus | Campus Universitário de Caxias do Sul | pt_BR |
| local.data.embargo | 2022-12-13 | |
