Anlise de Desempenho de um Sistema Embarcado

de Deteco de Fadiga de Condutores

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/