polito.it
Politecnico di Torino (logo)

Enhancing Automotive Safety through Deep Learning: Development of a Real-Time Gaze Tracking Software for Advanced Driver Assistance Systems (ADAS)

Giovanni Buonfrate

Enhancing Automotive Safety through Deep Learning: Development of a Real-Time Gaze Tracking Software for Advanced Driver Assistance Systems (ADAS).

Rel. Massimo Salvi, Luca Bussi. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2024

[img]
Preview
PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (79MB) | Preview
[img] Archive (ZIP) (Documenti_allegati) - Altro
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (17MB)
Abstract:

La distrazione del conducente durante la guida rimane una delle principali cause di incidenti stradali, con un impatto devastante sulla sicurezza delle strade. Nonostante i progressi significativi compiuti negli ultimi anni nel settore della sicurezza automobilistica, il numero di vittime rimane ancora inaccettabilmente elevato, sottolineando l'urgente necessità di adottare misure aggiuntive per migliorare la sicurezza stradale. In questo contesto, l'utilizzo dei Sistemi di Assistenza Avanzata alla Guida (ADAS) emerge come una risorsa fondamentale per contrastare la distrazione del conducente e migliorare la sicurezza sulle strade. La direttiva europea 2019/2144 rappresenta un importante passo avanti, imponendo l'obbligo di equipaggiare i nuovi veicoli con specifici sistemi ADAS, tra cui il Driver Monitoring System (DMS), progettato per monitorare la distrazione del conducente e prevenire potenziali incidenti. L'obiettivo principale della ricerca è quello di sviluppare un software avanzato per il tracciamento dello sguardo all'interno dell'abitacolo dell'automobile, al fine di migliorare i sistemi di rilevamento della distrazione del conducente. La metodologia proposta si articola in diverse fasi, compresa un'analisi dettagliata delle tecnologie di tracciamento dello sguardo disponibili, la selezione della soluzione più adatta e lo sviluppo di un algoritmo sofisticato per il tracciamento in tempo reale. Per affrontare questa sfida, sono state sviluppate due pipeline distinte. La prima ha adottato un approccio classico di classificazione one-shot, ampiamente documentato nella letteratura. Tuttavia, per migliorare le performance, è stata creata una seconda pipeline basata sull'uso di reti in cascata. Inoltre, è stato condotto uno studio di ablazione che ha coinvolto diverse reti e varie tecniche di pre-processing delle immagini, al fine di individuare la combinazione più efficace per il tracciamento dello sguardo. Per la realizzazione di questo progetto è stato necessario creare un dataset dedicato al tracciamento dello sguardo, in collaborazione con l'azienda Brain Technologies Srl. Le registrazioni sono state eseguite in condizioni statiche all'interno di veicoli fermi, coinvolgendo un gruppo di 20 individui. È stata utilizzata una singola telecamera posizionata sopra il contachilometri, con una risoluzione di 1080x720 pixel e una frequenza di acquisizione di 30 fotogrammi al secondo (fps). I risultati della ricerca indicano che un approccio basato su modelli a cascata per la classificazione dello sguardo, combinato con la pre-elaborazione delle immagini tramite il crop della metà superiore del volto, offre prestazioni superiori rispetto ad altre metodologie alternative. Per migliorare il sistema e rilevare non solo la distrazione visiva, ma anche altri tipi di distrazione, sono previsti passi futuri che includono l'integrazione di dati provenienti da sensori aggiuntivi. Inoltre, sarà fondamentale testare e adattare il software in una varietà di condizioni di guida reali per garantirne l'efficacia in diverse situazioni. Questi ulteriori sviluppi contribuiranno a rendere il sistema di monitoraggio dello sguardo più completo e adatto a garantire una maggiore sicurezza stradale.

Relatori: Massimo Salvi, Luca Bussi
Anno accademico: 2023/24
Tipo di pubblicazione: Elettronica
Numero di pagine: 119
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Biomedica
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-21 - INGEGNERIA BIOMEDICA
Aziende collaboratrici: Brain technologies
URI: http://webthesis.biblio.polito.it/id/eprint/30512
Modifica (riservato agli operatori) Modifica (riservato agli operatori)