Détection de la distraction du conducteur par analyse vidéo intelligente

Ce projet vise à développer un système intelligent de détection automatique de la distraction du conducteur à partir de vidéos. Contrairement aux approches classiques basées sur la classification d’images isolées, notre méthode exploite l’information temporelle en analysant des séquences vidéo afin de mieux capturer l’évolution du comportement du conducteur.

L’approche proposée repose sur l’extraction de caractéristiques de posture à partir des squelettes générés par OpenPose, permettant de représenter les mouvements du conducteur à travers des descripteurs géométriques et temporels (angles et ratios). Ces informations sont ensuite utilisées pour modéliser le comportement normal du conducteur à l’aide de méthodes de détection d’anomalies telles que Isolation Forest, One-Class SVM, LOF et ECOD.

Le système est entraîné uniquement sur des comportements normaux, puis capable de détecter toute déviation comme une anomalie, ce qui permet d’identifier efficacement les comportements de distraction, même non définis à l’avance. Une évaluation comparative avec d’autres méthodes (HOG3D, CNN 3D) montre que l’approche proposée offre un bon compromis entre performance de détection et réduction des fausses alertes.