Biometryczna weryfikacja tożsamości kierowców na podstawie obrazu twarzy

• Autorzy: Chmielińska J. , Jakubowski J.

Identyfikatory

DOI

10.24136/atest.2018.039

Warianty tytułu

EN

Biometrical driver face verification

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono problematykę weryfikacji tożsamości na podstawie obrazu twarzy w kontekście systemu monitorowania kierowców na potrzeby bezpieczeństwa w ruchu drogowym. Zaproponowane zostały dwie metody weryfikacji tożsamości oparte na konwolucyjnej sieci neuronowej, opracowane z wykorzystaniem techniki „transfer learningu”. W artykule przedstawione zostały wyniki porównawcze efektywności działania przedstawionych metod a także ich wady oraz zalety.

EN

The paper discusses the problem of face verification in a driver monitoring system for the purpose of traffic safety. Two different methods of face verification were proposed. Both of them are based on a convolutional neural network and were developed with the use of a transfer learning technique. In the paper, the results produced by both proposed method have been presented and compared. Moreover, their advantages and disadvantages have been discussed.

Słowa kluczowe

PL

bezpieczeństwo ruchu drogowego; system monitoringu; konwolucyjne sieci neuronowe; weryfikacja tożsamości; obraz twarzy; zmęczenie kierowcy; tachograf

EN

road safety; monitoring system; convolutional neural networks; identity verification; face images; driver fatigue; tachogram

• Wydawca: Instytut Naukowo-Wydawniczy "SPATIUM". sp. z o.o.
• Czasopismo: Autobusy : technika, eksploatacja, systemy transportowe
• Rocznik: 2018
• Tom: R. 19, nr 6
• Strony: 68--72, CD
• Opis fizyczny: Bibliogr. 12 poz., il., tab., schem.

Twórcy

autor

Chmielińska J.

• Wojskowa Akademia Techniczna, Wydział Elektroniki

autor

Jakubowski J.

• Wojskowa Akademia Techniczna, Wydział Elektroniki

Bibliografia

• 1. Krueger G. P., Sustained Work, Fatigue, Sleep Loss and Performance: A Review of the Issues, Work and Stress, An International Journal of Work, Health and Organisations, Volume 3, 1989 - Issue 2.
• 2. Thiffault P., Bergeron J., Monotony of road environment and driver fatigue: a simulator study, Accident Analysis and Prevention 35 (2003), ss. 381–391.
• 3. http://motoryzacja.interia.pl/raporty/raport-polskie-drogi/wiadomosci/news-pomyslowy-sposob-na-oszukanie-tachografu,nId,2366900 (dostępny kwiecień 2018).
• 4. https://www.tvn24.pl/wiadomosci-z-kraju,3/tachograf-oszukac-bardzo-latwo-zmuszaja-do-tego-pracodawcy,262569.html (dostępny kwiecień 2018).
• 5. Stocerz M., wypowiedź w artykule pt. Kontrole kierowców zawodowych bez zatrzymywania pojazdów, Specjalistyczny Kwartalnik Informacyjny „Czas na transport”, Nr 1 (12), 2018, ss. 68-89.
• 6. Rozporządzenie Parlamentu Europejskiego i Rady (UE) Nr 165/2014 z dnia 4 lutego 2014 r. w sprawie tachografów stosowanych w transporcie drogowym.
• 7. Steele F. J., Improved digital tachograph system, patent Nr WO 2006008527 A2, 2006.
• 8. Taigman Y., Yang M., Ranzato M. A., Wolf L., DeepFace: Closing the Gap to Human-Level Performance in Face Verification, 2014 IEEE Conference on Computer Vision and Pattern Recognition, materiały konferencyjne, ss. 1701-1708.
• 9. Krizhevsky A., Sutskever I., Hinton G. E., Imagenet classification with deep convolutional neural networks, Neural Information Processing Systems Conference (NIPS), 2012.
• 10. Bengio Y., Courville A., Goodfellow I., Deep Learning. Systemy uczące się, Wyd. PWN, Warszawa 2018.
• 11. Glorot X., Bordes A., Bengio Y., Deep Sparse Rectifer Neural Networks, Proceedings of the 14th International Conference on Artifcial Intelligence and Statistics (AISTATS), ss. 315-323, 2011.
• 12. Chmielińska J., Jakubowski J., Zastosowanie sieci konwolucyjnej do wykrywania wybranych symptomów zmęczenia kierowcy, Przegląd Elektrotechniczny, vol. 93, no. 10, 2017, ss. 6-10.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018)