Sistema embarcado para o monitoramento da sonolência e assistência ao condutor

Com o avanço da tecnologia e o elevado número de acidentes envolvendo veículos terrestres causados por adormecimento, sistemas assistenciais vêm sendo desenvolvidos para monitorar características de condutores que indicam sonolência. Paralelamente, a ascensão da tecnologia relacionada aos smartphones e a sua propagação nas diversas camadas socioeconômicas é uma boa oportunidade para a difusão dos sistemas assistenciais, uma vez que grande parte dos módulos de identificação de sonolência são embarcados em veículos modernos. Sendo assim, este trabalho propõe o desenvolvimento de uma aplicação em smartphone para o monitoramento da sonolência e do adormecimento do condutor, com base na análise do estado de seus olhos segundo o indicador PERCLOS. A identificação dos olhos é feita por classificadores do tipo Local Binary Pattern, com a vantagem de serem rápidos e de baixa complexidade computacional, requisito muito importante em aplicações móveis. Estes foram treinados com conjuntos de dados específicos e testados por quatro indivíduos, diversificados em idade, gênero e tonalidade dos olhos, em um ambiente com iluminação natural. A ocorrência de falsos positivos foi nula e as acurácias médias dos classificadores de olhos abertos e fechados foram de 84,16% e 73,23%, respectivamente. A identificação da sonolência foi avaliada em um experimento composto por condutores vigilantes, acordados há duas horas, e sonolentos, acordados há dezoito horas. O PERCLOS de pessoas sonolentas apresentou um valor médio 209,78% superior ao de pessoas vigilantes, e foi claramente notado o sintoma de lentidão da abertura dos olhos durante o piscar de pessoas sonolentas. O sistema de detecção de adormecimento proposto opera em intervalos curtos de tempo e emite alertas nos eventos em que os olhos fechados correspondem a pelo menos 90% do valor total de olhos encontrados. Foram alcançados bons resultados na identificação do adormecimento, uma vez que nas dez simulações praticadas a detecção foi cometida, com um tempo médio de 2,034 segundos. Para o futuro, a aplicação será aprimorada com uma melhor interface com o usuário e integração de outras informações, como a velocidade do veículo, para manter uma interação eficiente com o condutor.