Resumen

La Organización Mundial de la Salud (OMS) informó de 1,25 millones de muertes anuales por accidentes de tráfico en todo el mundo, y la cifra no ha dejado de aumentar en los últimos años. Casi la quinta parte de estos accidentes están causados por conductores distraídos. Los trabajos existentes sobre detección de conductores distraídos se centran en un pequeño conjunto de distracciones (sobre todo, el uso del teléfono móvil). A menudo se utilizan métodos ad hoc poco fiables. En este trabajo, presentamos el primer conjunto de datos disponible públicamente para la identificación de conductores distraídos con más posturas de distracción que las alternativas existentes. Además, proponemos una solución fiable basada en aprendizaje profundo que alcanza una precisión del 90 de precisión. El sistema consiste en un conjunto ponderado genéticamente de redes neuronales convolucionales; mostramos que un conjunto ponderado de clasificadores utilizando un algoritmo genético produce una mejor confianza de clasificación. También estudiamos el efecto de distintos elementos visuales en la detección de distracciones mediante la localización de caras y manos, y la segmentación de la piel. Por último, presentamos una versión adelgazada de nuestro conjunto que podría alcanzar una precisión de lassificación del 84,64 y funcionar en un entorno de tiempo real.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:organización mundial de la salud, mejor confianza en la clasificación, uso del móvil, redes neuronales convolucionales, diferentes elementos visuales, detección de conductores distraídos, identificación de distracciones al volante, últimos años, más posturas de distracción, aprendizaje profundo fiable
• Keywords:world health organization, better classification confidence, cell phone usage, convolutional neural networks, different visual elements, distracted driver detection, driver distraction identification, last few years, more distraction postures, reliable deep learning