Ricardo Creonte Cmara de Meira Santos Universidade Federal de Ouro Preto Departamento de Computao email: ricardocamara03@gmail.com Ricardo Augusto Rabelo Oliveira Universidade Federal de Ouro Preto Departamento de Computao email: rrabelo@gmail.com ResumoO avano computacional em sistemas embarcados para veculos permitiu o uso dos mesmos para aprimorar as condies de direo e do trnsito. Neste artigo propomos um sistema embarcado para monitoramento de fadiga e sonolncia de condutores. Mostramos o algoritmo utilizado para a deteco de fadiga, assim como a disposio do hardware no ambiente veicular. Por m testamos o algoritmo em 4 plataformas diferentes e mostramos uma comparao de desempenho entre elas. I. INTRODUO Segurana no trnsito uma preocupao constante na sociedade moderna. E mesmo assim as taxas de acidentes continuam elevadas, e nmero de vtimas aumenta a cada ano. Atualmente, fadiga e desateno dos condutores esto entre as principais causas de acidentes de automveis. muito comum ver notcias sobre acidentes graves devido a sonolncia ou distrao dos motoristas ao volante. Visto que grande parte dos indivduos no so capazes de julgar seu prprio estado de sonolncia e distrao. Este artigo tem como objetivo apresentar um sistema que aumenta a segurana no ambiente veicular e efetuar uma comparao de desempenho entre diferentes plataformas. Este sistema descrito neste artigo foi elaborado como uma forma de monitorar a fadiga e a ateno de condutores de veculos. Com o monitoramento da situao do condutor o sistema deve iden- ticar situaes de risco e alertar o condutor destas situaes. Alertando o condutor das situaes de risco proveniente de distrao e sonolncia podemos aumentar consideravelmente a segurana no ambiente veicular. O sistema satisfaz as seguintes necessidades: Assertividade: Deve ser estudada e implementada uma forma de monitorar a ateno e fadiga do condutor com uma alta taxa de assertividade. O sistema deve manter essa taxa de assertividade independente do condutor. Plataforma: Aps obter uma tcnica com alta taxa de assertividade, deve ser feito um estudo de qual plataforma ter um melhor custo/benefcio, para fazer parte do hardware do sistema. Atualmente h vrias plataformas de prototipagem para sistemas embarca- dos no mercado. Deve ser escolhido um conjunto de plataformas e este estudo deve analisar o tempo de resposta do software em cada plataforma. Assim decidindo qual a melhor a ser usada. Este artigo est disposto em seis sees. A atual seo tem como objetivo introduzir o trabalho ao leitor. A segunda seo, trabalhos relacionados, mostram trabalhos que abragem o mesmo assunto e mostra ao leitor qual a diferena entre a proposta deste artigo em relao aos outros trabalhos. A terceira seo, tcnicas de anlise facial, mostram as tcnicas usadas para a deteco de faces do sistema. A quarta, o sistema proposto, faz uma viso geral do sistema. Tambm apresenta as plataformas as quais foram feitos os testes, assim como explica o funcionamento do algoritmo utilizado. A quinta seo, experimentos, apresenta como foram feitos os experimentos e tambm os resultados atingidos. Ao nal temos as concluses do trabalho. II. TRABALHOS RELACIONADOS Em [1] os autores apresentam uma maneira de manter o sigilo da identidade de condutores em vdeo de conduo natural. E tambm apresentam novas descobertas sobre o efeito deste ltro no reconhecimento facial e na estimativa de onde o olhar do motorista est focado. As gravaes de vdeos de motoristas podem possuir interesse caracterizado como invaso de privacidade. A avaliao de dados de condutores em ambientes naturais tem como objetivo aumentar a segurana do condutor e no inunci-lo na maneira de dirigir. As tcnicas normais de de-identicao so: blacking out, blurring em faces ou pessoas. As quais protegem a privacidade mas dicultam a anlise do comportamento do motorista. Sendo assim os autores apresentam uma nova forma de manter o sigilo da identidade, a qual deve preservar a direo do olhar do condutor. Um ltro de de-identicao transforma um vdeo onde o condutor pode ser reconhecido e transforma em um vdeo onde a identidade do condutor ser irreconhecvel. O desao enfrentado na de-idencao que os ltros so aplicados diretamente na regio de interesse, ou seja, a face. Os autores do exemplo dos seguintes ltros: Um que mantm somente os olhos e o resto da imagem ca totalmente preto. Um outro ltro que mantem os olhos e o resto a imagem ca suavizada. E um ltima que apaga somente os olhos, colocando uma tarja preta no local dos olhos. Para proteger a identidade e preservar o olhar eles apre- sentam duas abordagens: Preservao em primeiro plano para estimativa do olhar. Essa abordagem consiste em detectar, rastrear e isolar os olhos e o nariz, e atravs destes componentes da face estimar a posio da cabea do condutor. Distoro do fundo para privacidade. Uma ttica e colocar tudo que est em torno da regio de interesse de preto. Em [2] os autores realizaram um estudo para investigar o impacto da visualizao da incerteza de sistemas de auto- conduo na conana dos motoristas em um cenrio de conduo automatizada. Para um grupo de condutores foi mostrado a incerteza do sistema de direo autnoma em tempo real, e a outro grupo no foi mostrado grupo o qual os autores chamaram grupo de controle. O grupo, ao qual foi mostrado a incerteza do sistema obteve uma calibrao melhor na conana. O trabalho foi desenvolvido para fazer uma comparao entre o comportamento dos condutores que sabem das incerte- zas do sistema de conduo e os condutores que no foram informados dessas incertezas. O artigo tem como objetivo analisar se os condutores avisados das incertezas possuem uma conana mais calibrada no sistema, e se eles cam mais relaxados durante a conduo e tambm se eles cam mais aptos a realizar outras tarefas durante a viagem. No artigo [3] os autores propem um framework com multiplas cmeras para anlise de movimentos da cabea do motorista, com nfase em robustez e operao contnua mesmo depois de movimentos bruscos. O sistema rastreia as caractersticas da face para estimar a posio da cabea atravs de um modelo 3D. Eles apresentam duas solues que exploram as limitaes que temos neste contexto, e tambm fazem um estudo comparativo de conguraes de cmeras neste contexto. Os autores armam que um sistema automtico de anlise do movimento da cabea deve possuir as seguintes caracters- ticas: Automtico: O sistema deve se iniciar e operar sem nenhuma interveno do usurio. Rpido: O sistema deve operar em tempo real. Ampla faixa de oparao: O sistema deve ser robusto, capaz de operar em um campo de movimentos amplos da cabea e tambm rpidos. Invariante a luz: Deve trabalhar em vrias condies luminosas. Invariante a pessoa: O sistema deve funcionar com motoristas diferentes. Tolerncia a ocluso: O sistema deve funcionar quando h ocluso parcial do motorista. O artigo propem um estimador contnuo de movimento da cabea com cmeras distribudas, e o estudos de diferentes conguraes das cmeras. Para estimar a posio da cabea so propostas duas solues, basedas em mtodos geomtricos para rastreamento de caractersticas faciais. E so comparados os algoritmos para as diferentes conguraes de cmeras. Os autores montam um framework com vrias cmeras co- locadas no cockpit do veculo, tratando cada cmera de forma independente. Um procedimento de seleo de perspectiva prov a estimativa da posio da cabea, analisando a dinmica temporal e a qualidade da estimativa de cada perspectiva. Em [4] os autores contribuem mostrando como treinar classicadores em cascata baseado em caractersticas haar, para deteco de olhos abertos e fechados. Mostrando a importncia da base de treinamento e indicando quais so os parmetros timos para a aprendizagem neste caso. A base de treinamento utilizada pelo autores possuem faces em posies frontais, rotacionadas e inclinadas para os dois lados, assim como uma grande variedade de condies de iluminao. O classicador treinado pelos autores possui 7000 imagens negativas de objetos comuns e cenas ao ar livre. A maior taxa de falso positivos alcanada foi de 0.7% na deteco de olhos fechados para faces rotacionadas. E a menor taxa de acerto foi de 96.8%,tambm para as faces rotacionadas, na deteco de olhos abertos e fechados. III. TCNICAS DE ANLISE FACIAL Em [5] os autores demostram uma abordagem de apren- dizagem de mquina para deteco de objetos em imagens, apta a detectar objetos de forma rpida e com um alta taxa de deteco. Este artigo possui trs contribuies principais: A primeira contribuio uma forma de representar as imagens a qual eles chamam de "imagem integral", que permite que os recursos utilizados pelo classi- cado sejam computados de forma rpida. A segunda o algoritmo de aprendizagem o qual baseado em Adaboost[6], escolhendo um nmero pequeno de caractersticas visuais essenciais de um conjunto maior. E a terceira contribuio a proposta de um mtodo para combinar os classicadores em uma forma de cascata, na qual cada parte da cascata representa uma partes dos classicadores, onde a complexidade vai aumentando a cada nvel da cascata. Isso faz com que as partes que necessitam de menos processamento sejam computadas primeiro, e se a regio processada a cada nvel no se mostrar promissora deteco o processo abortado para a regio em questo. Sendo assim as regies no promissoras deteco so classicadas como negativo de forma rpida. Em relao a deteco de faces o algoritmo proposto em [5] mostrou uma taxa de assertividade comparvel aos melhores classicadores. E se mostrou aproximadamente 15 vezes mais rpido que as abordagens anteriores. Em [7] Rainer Lienhart e Jochen Maydt melhoraram a performance do algoritmo proposto por Paul Viola e Michael Jones[5]. Primeiramente eles desenvolveram uma forma de treinamento, incluindo mais caractersticas no quadro de apren- dizagem. Este acrscimo de informaes feito atravs de rotaes de 45 graus no treinamento do classicador gerando assim um conhecimento de domnio adicional. Este acrscimo de informao dos classicadores diminuiu a taxa de falsos positivos em 10%. Algoritmos para estimar a posio da cabea podem ser classicados nas seguintes classes: baseados em caractersticas geomtricas, baseados em caractersticas de textura, e tambm os hbridos que so baseados em textura e formas. Como mtodos testado em laboratrios no provem uma garantia de desempenho robusto em ambientes reaia, ento uma avaliao em ambiente natural necessria. Outro aspecto importante a posio da cmera, que no deve atrapalhar a vista do condutor e deve cobrir um grande nmeros de posies da cabea. Outro problema a ser considerado o fato de que as condies de luminosidade variam muito no ambiente real, por isso no sistema implementado neste artigo zemos uso de uma cmera infra-vermelho. Sendo assim o motorista constantemente iluminado por um farol infra-vermelho e uma cmera infra-vermelho captura as imagens do mesmo, tornando o sistema invarivel diante as variaes luminosas. Nestes trabalhos no foram realizadas anlises de de- sempenho do sistema, assim como os algoritmos no foram executados em sistemas embarcados. Neste artigo foi utilizado um classicador baseado em [5] com as melhorias descritas em [7] para deteco do rosto do condutor, e outro com as mesmas caractersticas para a deteco de olhos abertos. Ento, a diferena entre os classicadores so somente as bases de dados utilizadas para treinamento (faces e olhos abertos), e os parmetros de treinamento. IV. O SISTEMA PROPOSTO A. Viso Geral Toda entrada de dados ser feita atravs de uma cmera infra-vermelho. O sistema de monitoramento de fadiga deve possuir trs caractersticas principais: Automtico: O sistema deve iniciar e operar sem que seja necessria nenhuma interveno do usurio. A inicializao do sistema ocorrer sempre que o carro entrar em funcionamento, nalizando quando o carro for desligado. Rpido: O sistema deve ser hbil a processar os dados em tempo real. Esta caracterstica de extrema importncia para que a identicao das situaes de risco ocorra a tempo de alertar o condutor. Invariante a pessoa: O sistema deve funcionar para condutores diferentes e obter uma alta taxa de identi- cao das situaes de risco para todos eles. O sistema foi dividido em trs componentes bsicos, sendo uma cmera, uma unidade de processamento e um computador de bordo, como apresentado na gura 1. A cmera funciona como dispositivo de entrada das infor- maes sobre o condutor do veculo, captando as imagens e as enviando para a a unidade de processamento process-las. A cmera deve ser posicionada frontalmente ao condutor, para que seja possvel captar a face do mesmo enquanto conduz o veculo. A unidade de processamento processa as imagens e atravs de um protocolo se comunica com o computador de bordo. Assim passando as informaes sobre o estado do condutor. Este processamento tem como objetivo denir para onde est voltada a face do condutor, e se o condutor est de olhos fechados ou abertos. Ou seja, para cada imagem recebida a unidade de processamento ir identicar as condies do condutor naquele momento. Para que tais objetivos sejam alcanados sero utilizadas tcnicas de processamento de ima- gens e reconhecimento de padres pelo software em execuo na unidade de processamento. A unidade de processamento possui como sistema ope- racional um sistema linux prprio para operar em sistemas embarcados, e utiliza a biblioteca OpenCV [8] para realizar o processamento de imagens. Seu microprocessador ser um processador da arquitetura ARM, visando um consumo baixo de energia j que se trata de um ambiente veicular. Atualmente h vrias plataformas voltadas para o desenvolvimento de sistemas desta natureza no mercado. O computador de bordo receber informaes da unidade de processamento e tambm de sensores do carro. Proces- sando os dados recebidos simultaneamente. Estes sensores iro prover informaes referentes a velocidade do veculo, e a unidade de processamento informaes referentes ao estado do condutor. O objetivo do computador de bordo processar todo o conjunto de dados recebidos e identicar situaes de risco alertando o condutor. Cada situao de risco ser classicada com um nvel pequeno, mdio ou grande de risco. Para cada nvel de risco ser emitido um sinal sonoro especco ao condutor. A gura 1 mostra o posicionamento do hardware dentro do carro. Neste posicionamento proposto podemos variar a localizao da unidade de processamento. O posicionamento do computador de bordo e da cmera no podem ser mudados. J que a cmera precisa obter imagem frontais do rosto do condutor. O computador de bordo por sua vez, necessita car prximo ao condutor para que o condutor oua os sinais de alerta claramente e tenha fcil acesso a ele para executar outras atividades de seu interesse. Figura 1. Posicionamento do hardware As caractersticas faciais nem sempre esto visveis devido auto-ocoluso, porm um sistema multi-cmera pode melho- rar a robustez neste aspecto, como foi demostrado em [4]. B. Platormas Realizamos testes do algoritmo proposto neste artigo nas seguintes placas: BeagleBone, CubieBoard 2, WandBoard Solo e WandBoard Quad. A BeagleBone Black possui um processador Sitara TM ARM R Cortex-A8 de 2 ncleos de 1 Ghz, 512 MB de memria RAM DDR3, acelerador grco 3D POWERVR SGX, 4GB de armazenamento ash interna de 8-bit eMMC, acelerao NEON de operaes em ponto utuante e uma unidade de processamento programvel de tempo real (PRU- ICSS). Possui tambm, 1 porta USB e 1 USB OTG, entrada para carto MicroSD, um interface Ethernet e uma sada HDMI com conector microHDMI. A alimentao pode ser atravs da porta USB OTG ou por uma fonte externa de 5V. A CubieBoard 2 possui um processador ARM R Cortex TM - A7 Dual-Core de 1 Ghz, um acelerador grco ARM R Mali400MP2, 1 GB de memria RAM DDR3, 4 GB NAND para armazenamento interno, slot para carto micro-SD, e tambm, conexo SATA. A placa possui 2 hosts USB, 1 USB OTG, 96 pinos para interface incluindo I2C, SPI, RGB/LVDS, CSI/TS, FM-IN, ADC, CVBS, VGA, SPDIF-OUT, R-TP. A alimentao pode ser feita atravs de uma fonte de 5V ou atravs da porta USB OTG. A WandBoard Solo e a WandBoard Quad possuem muitas similaridades, mas sero apresentadas em primeiro lugar as diferenas entre estas duas placas. A principal diferena so os processadores, a WandBoard Solo possui um Freescale i.MX6 Solo o qual um Cortex-A9 Single core, enquanto a WandBoard Quad como no nome diz possui Freescale i.MX6 Quad o qual um Cortex-A9 Quad core. A Wandboard Solo possui uma engine grca composta por Vivante GC 880 e Vivante GC 320, e a WandBoard Quad possui uma engine grca composta por Vivante GC 2000, Vivante GC 355 e Vivante GC 320. A WandBoard Solo possui 512 MB de memria RAM DDR3, enquanto a WandoBoard Quad possui 2 GB. E somente a Wandboard Quad possui conexo SATA, wi integrado e bluetooth. As semelhanas entre as duas placas so: sada de udio, sada HDMI, 2 slots para cartes micro-SD, porta serial, header de expanso, entrada USB e USB OTG, e tambm interface Ethernet. C. O Algoritmo O algoritmo recebe como entrada uma imagem colorida adquirida pela cmera infra vermelho. Esta imagem conver- tida para escala de cinza, depois detectada a face. Caso a face esteja na posio frontal so detectados os olhos. Caso ocorra a deteco dos olhos consideramos olho aberto, caso contrrio consideramos olhos fechados. Ento o software pode ser dividido em dois estgios bsicos: Deteco da face Deteco dos olhos Na deteco de face usado o mtodo descrito na seo anterior. Nesta etapa do processo o software utiliza dois classi- cadores, um treinado para deteco de faces frontais e outro treinado para a deteco de faces laterais. Caso a face frontal seja detectada o software segue para a etapa seguinte, deteco de olhos. Caso a face frontal no for detectada o software ir procurar por faces em posies laterais. Procurando primeiro pela posio lateral a qual foi detectada pela ltima vez. O classicador para deteco da face voltada para esquerda e para a direita o mesmo. Inicialmente este classicador foi treinado para detectar faces voltadas para a direita, ento a imagem espelhada para detectar faces voltadas para esquerda. Se a face lateral tambm no for detectada o software retorna que o condutor est distrado. O algoritmo apresenta trs estratgias para otimizar a deteco de faces. A primeira limitar a rea de busca para a rea mais provvel que a face do condutor se localize. Ou seja, no procurar pelo rosto em toda a imagem. Caso o rosto no se encontre nesta rea de busca o software ir retornar distrao do condutor. Chamamos esta rea de regio de busca inicial. A segunda ttica para otimizar a deteco de face limitar a rea de busca da face atual por uma rea prxima a face detectada anteriormente. Esta limitao ser usada somente se houver deteco de face no frame anterior ao que est sendo processado no momento. Chamamos esta rea de regio de busca rastreada e 188% maior que a ltima face detectada. A terceira ttica escalar a imagem de busca para um tamanho menor, assim fazendo com que a deteco exiga menos processamento. O software escala a imagem a um tamanho equivalente a 25% do seu tamanho real. A gura 2 demonstra o processo de deteco da face facilitando a visualizao da diferena de rea entre a regio de busca inicial e a regio de busca rastreada. Figura 2. Regies de busca da face A deteco de olhos, segunda etapa do processo, recebe uma imagem contendo somente a face frontal do condutor. E busca pelos dois olhos usando um classicador treinado para detectar olhos abertos. A busca pelos olhos no ocorre em toda a imagem proveniente da etapa de deteco de faces. Com o intuito de diminuir as reas de busca dos olhos, denimos as regies de buscas dos olhos geometricamente, separando a rea de busca do olho direito e esquerdo. Sendo assim a rea de busca para cada olho menor em relao rea total da face. O mtodo de deteco dos olhos o mesmo utilizado para deteco de faces, usando um classicador treinado para detectar olhos abertos e fechados. Esta restrio das regies de busca evita que os olhos sejam procurados nas regies da boca, testa e bochechas. A gura 3 ilustra o processo de deteco de olhos, evidenciando as regies de busca dos olhos. Figura 3. Regies de busca dos olhos Aps a etapa de deteco o software tem o resultado se o olho est aberto ou fechado. Se o olho foi detectado conside- ramos que olho est aberto, caso contrrio consideramos que o olho est fechado. A gura 4 facilita a visualizao geral do algoritmo pro- posto. Figura 4. Algoritmo proposto V. EXPERIMENTOS A. Ambiente de Testes Os experimentos foram realizados em laboratrio, utili- zando um cockpit de simulao de ambiente veicular. A cmera e o farol infra-vermelho foram posicionados em posio frontal em relao ao condutor, cerca de 80 centmetros de distncia da face do condutor. A gura 5 mostra o ambiente de testes. Os testes foram feitos de maneira controlada, sendo que a face do condutor esteve em posies pr-denidas durante os testes. Estas posies so frontal, esquerda e direita, e a ltima posio a face voltada para baixo a qual caracteriza distrao. Cada teste foi de 4 minutos de durao, e cada minuto a face do condutor esteve posicionada em uma das Figura 5. Ambiente de Testes posies citadas anteriomente. A ordem de posicionamento da face para cada minuto foi, frontal, esquerda, direita e para baixo. Este procedimento foi repetido para todos os hardwares descritos neste artigo, utilizando o sistema operacional Ubuntu especco para cada plataforma. B. Resultados A tabela 1 mostra a taxa de fps(frames por segundo) do algoritmo sendo executado em cada plataforma em relao a cada uma das posies do rosto do condutor, enquanto a tabela 2 mostra o desvio padro. Posies da Face Plataformas Frontal Esquerda Direita Baixo BeagleBone Black 7.10 8.95 9.11 2.13 CubieBoard 2 13.00 14.74 15.36 5.39 WandBoard Solo 15.00 13.70 13.90 4.65 WandBoard Quad 17.47 20.91 21.27 9.28 Tabela 1 - Taxas de fps Posies da Face Plataformas Frontal Esquerda Direita Baixo BeagleBone Black 0.42 0.88 0.53 0.19 CubieBoard 2 0.70 1.31 0.85 0.15 WandBoard Solo 0.74 0.29 0.22 0.27 WandBoard Quad 0.72 1.54 1.72 0.66 Tabela 2 - Desvio Padro A WandBoard Quad obteve um desempenho melhor que todas as outras plataformas devido ao fato de possuir um processador com 4 ncleos. A WandBoard Solo obteve um melhor desempenho que a BeagleBone Black e a CubieBoard 2, mesmo possuindo um processador single-core. A taxa de fps quando a face se encontra voltada para baixo foi a menor taxa, pois nessa condio o algoritmo realiza a busca da face por 3 vezes, buscando pela face frontal depois pela face voltada para esquerda e por m pela face voltada para a direita. Assim temos a situao que exige mais processamento a cada imagem. A taxa de fps quando a face est voltada para a direita maior do quando a face est voltada para a esquerda. Isso acontece por que quando a face est voltada para esquerda o algoritmo necessita que a imagem seja espelhada antes da busca. J que o classicador usado na busca de faces laterais foi treinado somente usando imagens de faces voltadas para a direita. Ento para detectar a face voltada para esquerda necessrio mais processamento devido a necessidade de espelhar a imagem. A taxa de fps quando a face se encontra voltada na posio frontal menor do que as taxas para as posies laterais, exceto na WandBoard Solo. Esta taxa menor em quase todos os casos por que quando a face est na posio frontal ocorre aps a deteco a busca pelos olhos, e quando a face est em uma posio lateral esta busca por olhos no ocorre. VI. CONCLUSES Foi proposto um sistema de monitoramento de fadiga e ateno de condutores, o qual funcionar como um sistema embutido no ambiente veicular. Foi demonstrando como o soft- ware de deteco de fadiga funcionar, quais so as tcnicas usadas, e como o hardware estar disposto no veculo. O software descrito neste trabalho foi testado em diferentes plataformas de prototipagem. E foi feita uma comparao do desempenho entre estas plataformas. Outro ponto importante a assertividade do software proposto neste trabalho, o qual ser estudado em um trabalho futuro. Testes devero ser realizados para medir a taxa de assertividade do software. Os resultados devem ser comparados com outras tcnicas de deteco, dependendo dos resultados dessa comparao outra tcnica poder ser adotada. Caso uma nova tcnica for adotada sero realizados novamente testes de desempenho de hardware usando a nova tcnica. AGRADECIMENTOS Agradecemos a Universidade Federal de Ouro Preto, ao CNPQ e a FAPEMIG. Agradecemos tambm empresa SEVA Engenharia Eletrnica S/A pelo suporte ao projeto NEXUS, beneciada pela lei da informtica: 8248, 10.176 e 11.077, Brasil. REFERNCIAS [1] S. Martin, A. Tawari e M. M. Trivedi, Toward Privacy-Protecting Safety Systems for Naturalistic Driving Videos. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2014. [2] T. Helldin, G. Falkman, M. Riveiro e S. Davidsson, Presenting system uncertainty in automotive UIs for supporting trust calibration in au- tonomous driving. 5th International Conference on Automotive User Interfaces and Interactive Vehicular Applications (AutomotiveUI 13), Outubro 2830, Eindhoven, Holanda, pp. 210-217,2013. [3] S. Martin, A. Tawari e M. M. Trivedi, Continuous Head Movement Estimator for Driver Assistance: Issues, Algorithms, and On-Road Eva- luations. TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 15, NO. 2, APRIL, pp. 818-830, 2014. [4] M. Rezaei e R. Klette, 3D Cascade of Classiers for Open and Closed Eye Detection in Driver Distraction Monitoring. A. Berciano et al. (Eds.): CAIP 2011, LNCS 6855, pp. 171179, 2011. [5] Paul Viola e Michael J. Jones, Rapid Object Detection using a Boosted Cascade of Simple Feature. IEEE CVPR, 2001. [6] Yoav Freund e Robert E. Schapire, A decision-theoretic generalization of on-line learning and an application to boosting.. In Computational Learning Theory: Eurocolt95, Springer-Verlag, pp 2337, 1995. [7] Rainer Lienhart and Jochen Maydt, . An Extended Set of Haar-like Features for Rapid Object Detection. IEEE ICIP 2002, Vol. 1, pp. 900-903, Sep. 2002. [8] http://opencv.org/