Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales
Introducción-Al conducir, la persona se encuentra expuesta a diferentes estímulos que pueden llevar a que se ocasione accidentes. Aunque Numerosas propuestas tecnológicas se han presentado para mantener monitoreado al conductor, estas han pasado por alto el estado anímico en el que este se encuentra...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad de la Costa
2020-09-01
|
| Series: | Inge-Cuc |
| Subjects: | |
| Online Access: | https://revistascientificas.cuc.edu.co/ingecuc/article/view/3212 |
| _version_ | 1818838807676452864 |
|---|---|
| author | Juan Felipe Cordoba Fuzga Ruben Dario Vasquez Salazar Henry Omar Sarmiento Maldonado |
| author_facet | Juan Felipe Cordoba Fuzga Ruben Dario Vasquez Salazar Henry Omar Sarmiento Maldonado |
| author_sort | Juan Felipe Cordoba Fuzga |
| collection | DOAJ |
| description | Introducción-Al conducir, la persona se encuentra expuesta a diferentes estímulos que pueden llevar a que se ocasione accidentes. Aunque Numerosas propuestas tecnológicas se han presentado para mantener monitoreado al conductor, estas han pasado por alto el estado anímico en el que este se encuentra, el cual podría generar efectos negativos en la capacidad de reacción al conducir.
Objetivo- Buscar diferentes alternativas de inteligencia artificial para el análisis permanente de rostros de conductores, con el fin de encontrar un buen modelo de clasificación de expresión facial (feliz, enojo, sorpresa, neutral).
Metodología- La metodología utilizada consiste en la selección de una base de datos que es preprocesada, para posteriormente entrenar diferentes modelos y realizar comparaciones de precisión entre ellos.
Resultados- Se logra encontrar una precisión mayor al 80% en la detección del estado anímico del usuario. Y se logra migrar el modelo a un sistema de monitoreo portátil.
Conclusiones- En este caso particular los métodos de aprendizaje de maquina tradicionales (machine learning) consumen menos tiempo a la hora de clasificar, sin embargo, estos son superados en precisión por un aprendizaje profundo. |
| first_indexed | 2024-12-19T03:44:16Z |
| format | Article |
| id | doaj.art-bf4d20280d9b4976a8b8481fe36d83fa |
| institution | Directory Open Access Journal |
| issn | 0122-6517 2382-4700 |
| language | English |
| last_indexed | 2024-12-19T03:44:16Z |
| publishDate | 2020-09-01 |
| publisher | Universidad de la Costa |
| record_format | Article |
| series | Inge-Cuc |
| spelling | doaj.art-bf4d20280d9b4976a8b8481fe36d83fa2022-12-21T20:37:10ZengUniversidad de la CostaInge-Cuc0122-65172382-47002020-09-0116119220110.17981/ingecuc.16.2.2020.14Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones facialesJuan Felipe Cordoba Fuzga0Ruben Dario Vasquez Salazar1https://orcid.org/0000-0002-1690-8393Henry Omar Sarmiento Maldonado2Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia)Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia)Universidad, Politécnico Colombiano Jaime Isaza Cadavid. Medellín, (Colombia)Introducción-Al conducir, la persona se encuentra expuesta a diferentes estímulos que pueden llevar a que se ocasione accidentes. Aunque Numerosas propuestas tecnológicas se han presentado para mantener monitoreado al conductor, estas han pasado por alto el estado anímico en el que este se encuentra, el cual podría generar efectos negativos en la capacidad de reacción al conducir. Objetivo- Buscar diferentes alternativas de inteligencia artificial para el análisis permanente de rostros de conductores, con el fin de encontrar un buen modelo de clasificación de expresión facial (feliz, enojo, sorpresa, neutral). Metodología- La metodología utilizada consiste en la selección de una base de datos que es preprocesada, para posteriormente entrenar diferentes modelos y realizar comparaciones de precisión entre ellos. Resultados- Se logra encontrar una precisión mayor al 80% en la detección del estado anímico del usuario. Y se logra migrar el modelo a un sistema de monitoreo portátil. Conclusiones- En este caso particular los métodos de aprendizaje de maquina tradicionales (machine learning) consumen menos tiempo a la hora de clasificar, sin embargo, estos son superados en precisión por un aprendizaje profundo.https://revistascientificas.cuc.edu.co/ingecuc/article/view/3212expresiones facialesinteligencia artificialaprendizaje de máquinaaprendizaje profundovisión artificial |
| spellingShingle | Juan Felipe Cordoba Fuzga Ruben Dario Vasquez Salazar Henry Omar Sarmiento Maldonado Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales Inge-Cuc expresiones faciales inteligencia artificial aprendizaje de máquina aprendizaje profundo visión artificial |
| title | Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales |
| title_full | Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales |
| title_fullStr | Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales |
| title_full_unstemmed | Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales |
| title_short | Sistema de monitoreo de conductores de vehículos a partir de análisis de expresiones faciales |
| title_sort | sistema de monitoreo de conductores de vehiculos a partir de analisis de expresiones faciales |
| topic | expresiones faciales inteligencia artificial aprendizaje de máquina aprendizaje profundo visión artificial |
| url | https://revistascientificas.cuc.edu.co/ingecuc/article/view/3212 |
| work_keys_str_mv | AT juanfelipecordobafuzga sistemademonitoreodeconductoresdevehiculosapartirdeanalisisdeexpresionesfaciales AT rubendariovasquezsalazar sistemademonitoreodeconductoresdevehiculosapartirdeanalisisdeexpresionesfaciales AT henryomarsarmientomaldonado sistemademonitoreodeconductoresdevehiculosapartirdeanalisisdeexpresionesfaciales |