H-DrowsyNet: Sürücü Yorgunluk Tespiti için Göz Açıklık Oranı (EAR) ve Evrişimli Sinir Ağlarını (CNN) Esas Alan Çift Kollu Hibrit Bir Mimari

Abstract

Sürücü yorgunluğu, dünya genelinde trafik kazalarının başlıca nedenlerinden biri olup, çok sayıda yaralanma ve can kaybına yol açmaktadır. Bunu azaltmak için, tespit yöntemleri Geometrik Teknikler (örneğin Göz Oran Endeksi- EAR) veya Derin Öğrenme Yaklaşımları (örneğin Evrişimli Sinir Ağları - CNN’ler) gibi yöntemler kullanır ve her birinin kendine özgü sınırlamaları vardır. EAR, hesaplama açısından verimlilik sunarken değişen aydınlatma, gözlük ve baş pozisyonlarında yetersiz kalabilir; CNN’ler ise yüksek doğruluk sağlar ancak önemli miktarda kaynak gerektirir ve gölgeler ya da engellemeler tarafından yanıltılabilir. Bu çalışma, bu zayıf yönleri gidermek amacıyla, EAR analizini bir CNN sınıflandırıcıyla birleştirip çıktıları bir karar füzyon modülüyle birleştiren, çift dallı hibrit bir mimari olan H-DrowsyNet’i tanıtmaktadır. Sistem, 9.120 yüz görüntüsünden oluşan ve Uyanık ile Uykulu sınıflarına ayrılmış Kaggle Sürücü Uykululuk Veri seti (DDD) kullanılarak değerlendirilmiştir. Sonuçlar, H-DrowsyNet’in tek başına kullanılan EAR ya da CNN modellerini geride bırakarak, daha yüksek doğruluk ve daha düşük yanlış negatif (FN) oranı elde ettiğini; böylece yolda uykulu sürücü kaçırma ihtimalini azaltarak trafik güvenliğini artırdığını göstermektedir. Her iki analizden de uykulu sınıflandırması için karar füzyon modülü, hata oranını düşürmektedir. Bu hibrit yaklaşım, gerçek zamanlı sürücü izleme sistemleri için uygundur. Gelecekteki çalışmalar, H-DrowsyNet’in genellenebilirliğini artırmak amacıyla, farklı gerçek dünya koşullarında testler yapacaktır. H-DrowsyNet’in başarısı, geometrik ve derin öğrenme yöntemlerini birleştirerek trafik güvenliğini ileriye taşımaktadır.