سامانه تشخیص خواب‌آلودگی راننده (Driver Drowsiness Detection)

۱. مبانی ریاضی نسبت ابعادی چشم (EAR)

تشخیص خستگی با مدل‌های سنگین شبکه‌های عصبی پیچشی (CNN) برای پردازنده‌های تعبیه‌شده داخل خودرو بیش از حد سنگین است. در این روش، با استفاده از ۶ لندمارک هندسی مشخص در اطراف هر چشم، یک نسبت اسکالر بسیار سبک محاسبه می‌شود:

# محاسبه نسبت ابعادی چشم بر اساس فاصله اقلیدسی لندمارک‌ها
def calculate_ear(eye_landmarks):
    # فواصل عمودی پلک بالا و پایین
    A = np.linalg.norm(eye_landmarks[1] - eye_landmarks[5])
    B = np.linalg.norm(eye_landmarks[2] - eye_landmarks[4])
    # فاصله افقی گوشه‌های داخلی و خارجی چشم
    C = np.linalg.norm(eye_landmarks[0] - eye_landmarks[3])
    
    # فرمول استاندارد نسبت ابعادی چشم
    ear = (A + B) / (2.0 * C)
    return ear

۲. تفکیک پلک‌زدن طبیعی از خواب‌آلودگی با فیلتر هیسترزیس

پلک‌زدن‌های طبیعی غیرارادی انسان بین ۱۰۰ تا ۲۵۰ میلی‌ثانیه به طول می‌انجامند. سامانه با پیاده‌سازی یک بافر فریم متوالی، تنها زمانی آلارم اضطراری را به صدا درمی‌آورد که مقدار EAR بیش از ۱۶ فریم متوالی (حدود ۰.۵ ثانیه) زیر آستانه بحرانی باقی بماند؛ این کار مانع از هشدارهای آزاردهنده کاذب می‌شود.

۳. قابلیت‌های کلیدی سیستم