個人化したEAR/MAR閾値とCNNによる分類で運転手の眠気検知を改善

arXiv cs.CV / 2026/4/27

📰 ニュースDeveloper Stack & InfrastructureTools & Practical UsageModels & Research

共有:

要点

本論文は、固定のEAR/MAR閾値に依存する視覚ベースの眠気検知が、個人差や走行条件の違いにより一般化しにくいという課題を扱っています。
事前に運転者ごとのEAR/MAR閾値をキャリブレーションし、まぶたの動き・頭部姿勢・あくびをリアルタイムに監視して疲労サインを検出する個人化検知手法を提案しています。
難しい状況での精度向上のため、古典的なEAR/MAR指標に加えてCNNベースの分類を統合しています。
公開データセットに加え、照明条件・頭部姿勢・ユーザー特性を多様にした自前データセットで評価した結果、個人化閾値により固定閾値より約2〜3%精度が向上したと報告されています。
CNN部分は高い性能を示し、眼状態の検出で99.1%、あくび検出で98.8%の精度を達成しており、古典的指標と深層学習の併用が堅牢な運転見守りに有効であることを示しています。

概要: 運転者の居眠り（まどろみ）は世界中で交通事故の主要因であり、公衆安全に対する深刻な脅威となっています。視覚ベースの運転者モニタリングシステムは、固定された眼のアスペクト比（Eye Aspect Ratio: EAR）や口のアスペクト比（Mouth Aspect Ratio: MAR）の閾値に依存することがよくあります。しかしながら、このような固定値は、顔の構造、照明条件、走行状況の違いにより、個人間で一般化できないことがしばしばあります。本論文では、まぶたの動き、頭部の位置、あくびの挙動をリアルタイムに監視し、疲労の兆候が検出されたときに警告を発する、個人に最適化された運転者の居眠り検出システムを提案します。システムは、走行前にキャリブレーションされた運転者固有のEARおよびMARの閾値を用いることで、従来の指標ベースの検出を改善します。さらに、精度を高めるために深層学習ベースの畳み込みニューラルネットワーク（CNN）モデルを統合します。システムの評価は、公に利用可能なデータセットに加えて、さまざまな照明条件、頭部姿勢、およびユーザ特性の下で収集した独自データセットを用いて行います。実験結果は、個人化した閾値設定によって固定閾値と比べて検出精度が2〜3%向上することを示しています。また、CNNベースの分類では、目の状態検出で99.1%の精度、あくび検出で98.8%の精度を達成しており、古典的な指標と深層学習を組み合わせることで、頑健なリアルタイムの運転者モニタリングが実現できることを実証しています。