| Titre : | Détection de somnolence des conducteurs utilisant l'apprentissage profond |
| Auteurs : | MAHMOUD CHAKIB BABAHENINI, Auteur ; Mohamed Chaouki Babahenini, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2023 |
| Format : | 1vol.(55p.) / ill., couv. ill. en coul / 30cm |
| Langues: | Français |
| Mots-clés: | Somnolence, Apprentissage profond, YOLO, LSTM, Dataset |
| Résumé : |
La somnolence chez les conducteurs est un état de fatigue excessive qui peut compromettrela sécurité sur la route. Elle est souvent causée par le manque de sommeil,les troubles du sommeil ou la prise de certains medicaments. La somnolence au volantpeut entraîner une diminution de l’attention, des temps de réaction plus longs et uneaugmentation du risque d’accidents graves.Cependant, la détection de la somnolencechez les conducteurs peut s’avérer difficile, l’utilisation de traitement d’imagerie et Lesméthodes d’apprentissage profond ont montré des résultats prometteurs dans le domainede la détection de la somnolence.Dans ce travail, nous avons construit un modèle YOLO-LSTM pour détecter automatiquementla somnolence à partir d’une caméra. L’ensemble de données (dataset) utilisédans notre étude contient des images des conducteurs. Les résultats obtenus démontrentl’efficacité de notre modèle pour détection de la somnolence chez les conducteurs. |
| Sommaire : |
Introduction générale 1 1 Techniques de détection de la somnolence chez les conducteurs 4 1 Introduction . . .. . . . . . . . 5 2 Problème de la somnolence lors de la conduite . . . . . . 5 2.1 Relation entre la somnolence et la conduite . . . . . . . . . . . . 5 2.2 Les facteurs influençant la somnolence . . . . . 6 3 La reconnaissance faciale . . . . . . . . 6 3.1 Introduction aux expressions faciales . .. . . . . 6 3.2 Définition de visage . . . . . . 7 3.3 Les étapes de reconnaissance faciales . . .. . . . . . 8 3.3.1 Détection de visage . . . . . . . . . . 8 3.3.2 Extraction des caractéristiques du visage . . . . . . . . . 9 4 Techniques de détection de la somnolence des conducteurs . . . . . . . . 9 4.1 Techniques basées sur le traitement d’images . . . . . . . . . . . . 10 4.1.1 Techniques de correspondance des modèles . . . . . . . . 10 4.1.2 Techniques basée sur le clignement des yeux . . . . . . . 10 4.1.3 Technique basée sur le bâillement . . . . . . 11 4.2 Technique basée sur le signal EEG . . . . . . 13 4.3 Techniques basées sur les réseaux de neurones artificiels . . . . . . 13 5 Conclusion . .. . . . . 13 2 Apprentissage profond : outils théoriques pour traité la somnolence 15 1 Introduction . . .. . . . . . . 16 2 Exploration de l’apprentissage automatique . . .. . . . . . . . 16 2.1 Les phases de l’apprentissage automatique . . . . . . . . . . . . 16 2.2 Types d’apprentissage automatique . . . . . . . . . . . . . . . . . 17 2.2.1 Apprentissage supervisé (Supervised learning) . . . . . . 18 2.2.2 Apprentissage non supervisé (Unsupervised learning) . . 19 2.2.3 Apprentissage par renforcement (Reinforcement learning) 20 3 Classification des méthodes d’apprentissage profond . . . . . . . . . . . . 21 3.1 Réseaux de neurones artificiels . . . . . . . . . . . 21 3.2 Les fonctions d’activation . . . . . . . 3.2.2 Sigmoid . . . . . . . . . 23 3.2.3 Softmax . . . . . . . . . . . 23 3.3 Réseaux de neurones récurrents . . . . .. . . . . . . 24 3.4.1 L’architecture réseaux de neurones convolutionnels . . . 25 3.4.2 Architectures CNN populaires . . . . . . . . . . . . . . . 27 3.5 Réseaux de mémoire à long terme et à court terme (LSTM) . . . 29 3.5.1 LSTM et RNN . . . . . . . . . . 31 4 Travaux connexes à la détection de la somnolence . . . . . 32 5 Conclusion . . . . . . . . . . .. . . . 35 3 Conception de l’architecture pour la détection de la somnolence 36 1 Introduction . . . . . . 37 2 Objectif . . . . . . . . . . . . . . . . . . . . . 37 3 L’architecture générale . . . . . . . . . . . . 37 4 L’architecture détaillée . . . . . . . . . . . . 38 4.1 Préparation des données . . . . . . . . . 39 4.1.1 Dataset pour YOLO . . . . . . . . 39 4.2 Chargement des données . . . . . . . . . . . . . . . . . . . . . . . 41 4.3 La division de l’ensemble de données . . . . . . . . . . . 41 4.4 L’architecture YOLOv4 . . . . . . . . . . . . . . . .. . 42 4.4.1 Composants d’un détecteur d’objets YOLO : . . . . . . 42 4.4.2 Sélection de l’architecture YOLOv4 . .. . . . 43 4.5 Détection . . . . . . . . . . 45 4.6 Évaluation du modèle YOLO . . .. . 45 4.7 Dataset pour LSTM : . . . . . . . . . 4.8 Détection de la somnolence . . . . . 46 5 Conclusion . . . . . . . . ... 46 4 Implémentation de l’architecture et résultats 47 1 Introduction . . . . . . . . . . . . . . . . . 48 2 Environnement de développement du matériel . . . . . . . . . . . . 48 3 Environnement de déloppement logiciel . . . . .. . . 48 3.1 Python . . . . . . . ... 49 3.2 Google Colab . . . . 49 3.3 OpenCV . . . . .. . .. . . . . . 49 3.4 NumPy . . . . . . 49 3.5 Matplotlib . . . . . 49 4 Préparation et prétraitement de dataset . . . . . 50 4.1 Extraction des images par une vidéo . . . . . . . . . 50 4.2 La création de labels . . . . . . . . . . . . . . . 51 4.3 La division de Dataset . . . . . . . 5.1 Télécharger pré-entraînée weights . . . . . . . . . . . 53 5.2 Préparation des données . . . . . . . . .. . . . . . 53 5.3 Entraînement le modèle YOLOV4 . . . .. . . . . 55 6 Réalisation notre modèle LSTM . . . . .. . . 55 |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/849 | Mémoire master | bibliothèque sciences exactes | Consultable |
