MONITORANDO O ESTADO DO MOTORISTA

Resumo

Introdução: Acidentes de trânsito causados por motoristas sonolentos são uma preocupação significativa,
resultando em muitos incidentes anualmente. Monitorar o estado do motorista pode ajudar a prevenir esses
acidentes. Com isso em mente, foi desenvolvido um sistema de monitoramento que utiliza reconhecimento facial
para avaliar o estado de alerta do motorista. Objetivo: Desenvolver um sistema de monitoramento para motoristas
fatigados utilizando reconhecimento facial para a prevenção de acidentes de trânsito. Método: O sistema foi
criado no Visual Studio Code, utilizando Anaconda para simulação de ambientes virtuais. A linguagem de
programação escolhida foi Python, com as bibliotecas OpenCV, MediaPipe e NumPy, que são usadas para
processamento de dados visuais, reconhecimento facial e cálculos matemáticos, respectivamente. O
mapeamento facial foi feito com a biblioteca MediaPipe, que retorna 468 pontos da face, com a opção de
adicionar mais dez pontos para os olhos. Esses pontos 2D são convertidos para 3D utilizando Projeção de
Perspectiva Fraca, criando um espaço tridimensional baseado nas coordenadas 2D. Com base nos pontos faciais
mapeados, o sistema utiliza o cálculo do Eye Aspect Ratio (EAR) para medir a abertura dos olhos. Isso permite
detectar se o motorista está com os olhos fechados, um indicador de sonolência. Para os olhos, foram utilizados os
pontos [385, 380, 387, 373, 362, 263] para o olho esquerdo e [160, 144, 158, 153, 33, 133] para o olho direito. E por fim,
foi implementado o cálculo do Mouth Aspect Ratio (MAR) para medir o nível de abertura da boca, que também
pode ser um sinal de cansaço. Para isso, os pontos faciais utilizados foram: 82, 87, 13, 14, 312, 317, 78 e 308.
Resultados: Embora o sistema tenha sido desenvolvido, ele ainda não foi testado em condições reais. Os próximos
passos envolvem a realização de testes práticos para avaliar a eficácia do sistema na detecção de sinais de
sonolência, como olhos fechados e bocejos. Esses testes ajudarão a ajustar os parâmetros e a melhorar o
desempenho do sistema, especialmente em ambientes de baixa iluminação ou com movimentos bruscos.
Conclusão: Este sistema tem o potencial de contribuir significativamente para a segurança no trânsito, ajudando a
identificar motoristas sonolentos antes que ocorra um acidente. Com testes adicionais e a implementação de
tecnologias complementares, como câmeras infravermelhas, o sistema pode se tornar ainda mais robusto e
confiável.