Detección de estados de ánimo en ambientes no restringidos

Palabras clave: Emoción de conductor, Expresión facial, Puntos relevantes de rostro, características temporales, SVM, KNN

Resumen

Uno de los factores importantes que influyen en los accidentes automovilísticos es el manejar bajo condiciones no-óptimas, tales como estrés, ira, miedo, depresión entre otros, en las cuales la posibilidad de sufrir un accidente durante manejo se incrementa. Por lo tanto, hasta la fecha han sido propuestos varios esquemas que detectan la emoción del conductor basado en su expresión facial.  La mayoría de ellos usan solo un fotograma (una imagen) y operan en condiciones restringidas que rara vez se presentan en condiciones reales de manejo.  Con el fin de poder resolver este problema, este artículo presenta un algoritmo para el reconocimiento de la emoción del conductor basado en sus expresiones faciales, en el cual a partir de la secuencia de cuadros de video se extraen vectores de características temporales usando los puntos relevantes del rostro.  Los vectores de características extraídos se introducen en diferentes clasificadores, tales como Maquina de Soporte Vectorial (SVM) y K-vecinos más cercanos (KNN) para la comparación de su funcionamiento.

Descargas

La descarga de datos todavía no está disponible.

Citas

Bazarevsky, V., Kartynnik, Y., Vakunov, A., Raveendran, K., Grundmann, M. (2019). BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs. Proceedings of Computer Vision & Pattern Recognition. arXvis:1907.05047v2

Cortes, C., Vapnik, V. (1995). Support vector networks. Machine Learning. 20, 237-297.

Fujii, Y. (2014). Study on driver’s anger emotions and their coping behaviors”, The Journal of Clinical Research Center for Child Development and Educational Practices

Hima, MD., Guan, H., Ramdane-Cherif, Amar. (2017). Novel approaches in human-vehicle interaction interface of a vehicle driving assistance system.

Hongyu, H., Zhou, X., Zhu, Z., Wang, Q., Xiao, H. (2019). A Driving simulator study of young driver’s behavior under angry emotion, SAE Technical Paper 2019-01-0398, 2019, https://doi.org/10.4271/2019-01-0398.

Karthynnik, Y., Ablavatski, A., Grishchenko, I., Grundmann, M. (2019). Real-time facial Surface geometry from monocular video on mobile GPUs. CVPR Workshop on Computer Vision for Augmented and Virtual Reality. https://doi.org/10.48550/arXiv.1907.06724

Malaescu, A., Duju, L-C., Sultana, A., Filip, D., Ciuc M. (2019). Improving in-car emotion classification by NIR database augmentation. Proceedings - 14th IEEE International Conference on Automatic Face and Gesture Recognition, 8756628.

Singh, S., Benedict, S. (2019). Indian semi-acted facial expression (iSAFE) dataset for human emotions recognition. Advances in Signal Processing and Intelligent Recognition Systems, Communications in Computer and Information Science, 1209.

Yoshimoto, H., Sakai, K., Hiramatsu, Y., Ito A. (2021). Building a sensor network to measure driver’s emotions. 9th Int. Symp. on Computing and Networking Workshops. pp.77-80.

Zadobrischi, E., Cosovanu, L-M., Negru, M., Dimian, M. (2020). Detection of emotional states through the facial expressions of drivers embedded in a portable system dedicated to vehicles. 28th Telecommunications forum TELFOR.

Publicado
2022-10-05
Cómo citar
Sánchez-Ruiz, M., Flores-Monroy, J., Escamilla-Hernández, E., Nakano-Miyatake, M., & Perez-Meana, H. (2022). Detección de estados de ánimo en ambientes no restringidos. Pädi Boletín Científico De Ciencias Básicas E Ingenierías Del ICBI, 10(Especial4), 110-115. https://doi.org/10.29057/icbi.v10iEspecial4.9142

Artículos más leídos del mismo autor/a