РАЗРАБОТКА МОДЕЛИ МОНИТОРИНГА СОСТОЯНИЯ ВОДИТЕЛЯ НА ОСНОВЕ КЛАССИЧЕСКИХ МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ
https://doi.org/10.53360/2788-7995-2026-3(23)-20
Аннотация
В статье представлена модель интеллектуальной системы мониторинга состояния водителя в режиме реального времени, основанная на классических методах компьютерного зрения. Целью исследования является разработка эффективного алгоритма автоматического обнаружения признаков усталости, сонливости и снижения внимания водителя на основе анализа лица, состояния глаз и положения головы. Для обнаружения лица и глаз использовались классификаторы Haar Cascade, для определения ключевых точек лица – алгоритмы библиотеки Dlib, а оценка состояния глаз осуществлялась с использованием показателя Eye Aspect Ratio (EAR). Дополнительно анализировались углы наклона и поворота головы, позволяющие выявлять признаки снижения концентрации внимания. Алгоритм реализован с использованием библиотеки OpenCV и языка программирования Python и протестирован на мобильном устройстве под управлением операционной системы Android. Экспериментальные исследования выполнены на наборе видеоданных общей продолжительностью около трех часов, включающем различные условия освещения, повороты головы и наличие очков у участников. Полученные результаты показали, что предложенная система обеспечивает обработку видеопотока со средней скоростью 28 кадров в секунду и позволяет эффективно выявлять признаки усталости водителя в режиме реального времени. Использование классических методов компьютерного зрения обеспечивает невысокие вычислительные затраты, стабильную работу на мобильных устройствах и отсутствие необходимости в специализированном аппаратном обеспечении. Разработанная модель может быть использована в интеллектуальных транспортных системах, системах помощи водителю и комплексах повышения безопасности дорожного движения.
Ключевые слова
Об авторах
Б. С. СмақановКазахстан
Бауыржан Серікқанұлы Смақанов – PhD
Республика Казахстан, г. Усть-Каменогорск, ул. Серикбаева, 19
И. М. Увалиева
Казахстан
Индира Махмутовна Увалиева – PhD, ассоциированный профессор
Республика Казахстан, г. Усть-Каменогорск, ул. Серикбаева, 19
А. К. Шайханова
Казахстан
Айгуль Кайрулаевна Шайханова – PhD, ассоциированный профессор
Республика Казахстан, г. Астана, ул. Сатпаева, 2
Список литературы
1. Soo S. Object Detection Using Haar-Cascade Classifier / S. Soo // Institute of Computer Science, University of Tartu. – 2014. – Vol. 2, № 3. – P. 1-12.
2. Kazemi V. One Millisecond Face Alignment with an Ensemble of Regression Trees / V. Kazemi, J. Sullivan // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2014. – P. 1867-1874.
3. Dalal N. Histograms of Oriented Gradients for Human Detection / N. Dalal, B. Triggs // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). – San Diego, USA, 2005. – Vol. 1. – P. 886-893. https://doi.org/10.1109/CVPR.2005.177.
4. Bradski G. The OpenCV Library / G. Bradski // Dr. Dobb's Journal of Software Tools. – 2000. – Vol. 25, № 11. – P. 120-125.
5. Driver Inattention Monitoring System for Intelligent Vehicles: A Review / Y. Dong et al // IEEE Transactions on Intelligent Transportation Systems. – 2011. – Vol. 12, № 2. – P. 596-614.
6. Sikander G. Driver Fatigue Detection Systems: A Review / G. Sikander, S. Anwar // IEEE Transactions on Intelligent Transportation Systems. – 2019. – Vol. 20, № 6. – P. 2339-2352.
7. Salvucci D.D. Identifying Fixations and Saccades in Eye-Tracking Protocols / D.D. Salvucci, J.H. Goldberg // Proceedings of the 2000 Symposium on Eye Tracking Research & Applications. – 2000. – P. 71-78.
8. Hu S. Driver Fatigue Detection Based on Eye State Analysis and Deep Learning / S. Hu, Y. Li X. Wang // Applied Sciences. – 2022. – Vol. 12, № 15. – P. 7654.
9. Real-Time Driver Drowsiness Detection for Embedded Systems Using Model Compression of Deep Neural Networks / B. Reddy et al // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops. – 2017. – P. 121-128.
10. Kumar A. Driver Drowsiness Monitoring System Using Visual Behaviour and Machine Learning / A. Kumar, R. Patra // 2018 IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE). – IEEE, 2018. – P. 339-344.
11. Advancements in the Intelligent Detection of Driver Fatigue and Distraction: A Comprehensive Review / S. Fu et al // Applied Sciences. – 2024. – Vol. 14, № 7. – Article 3016.
12. Khan M.Q. Gaze and Eye Tracking: Techniques and Applications in ADAS / M.Q. Khan, S. Lee // Sensors. – 2019. – Vol. 19, № 24. – Article 5540.
13. Mobile-Based Kernel-Fuzzy-C-Means-Wavelet for Driver Fatigue Prediction with Cloud Computing / B.G. Lee et al // IEEE Sensors Conference. – 2014. – P. 1236-1239.
14. A Real-Time Driving Drowsiness Detection Algorithm with Individual Differences Consideration / F. You et al // IEEE Access. – 2019. – Vol. 7. – P. 179396-179408.
15. Deep Learning-Based Computer Vision for Surveillance in ITS: Evaluation of State-of-the-Art Methods / J. Xie et al // IEEE Transactions on Vehicular Technology. – 2021. – Vol. 70, № 4. – P. 3027-3042.
16. Predicting the Driver’s Focus of Attention: The DR(eye)VE Project / A. Palazzi et al // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2018. – Vol. 41, № 7. – P. 1720-1733.
17. On Creating Vision-Based Advanced Driver Assistance Systems / M. Nieto et al // IET Intelligent Transport Systems. – 2015. – Vol. 9, № 1. – P. 59-66.
18. Rahman A. Computer Vision-Based Approach to Detect Fatigue Driving and Face Mask for Edge Computing Device / A. Rahman, M.B.H. Hriday, R. Khan // Heliyon. – 2022. – Vol. 8, № 10.
Рецензия
Для цитирования:
Смақанов Б.С., Увалиева И.М., Шайханова А.К. РАЗРАБОТКА МОДЕЛИ МОНИТОРИНГА СОСТОЯНИЯ ВОДИТЕЛЯ НА ОСНОВЕ КЛАССИЧЕСКИХ МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):196-205. https://doi.org/10.53360/2788-7995-2026-3(23)-20
For citation:
Smakanov B.S., Uvaliyeva I.M., Shaikhanova A.K. DEVELOPMENT OF A DRIVER STATE MONITORING MODEL BASED ON CLASSICAL COMPUTER VISION METHODS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):196-205. (In Kazakh) https://doi.org/10.53360/2788-7995-2026-3(23)-20
JATS XML















