Détection de la somnolence du conducteur par analyse faciale et deep learning

Ce projet propose un système intelligent de détection de la somnolence du conducteur basé sur l’analyse du visage et l’apprentissage profond. L’objectif est de développer une solution non intrusive, capable d’identifier précocement les signes de fatigue afin de prévenir les accidents de la route, un enjeu majeur de sécurité publique.

La méthode repose sur l’exploitation de vidéos du conducteur, décomposées en images (frames). À l’aide de l’outil MediaPipe, les points caractéristiques du visage sont détectés avec précision. À partir de ces points, plusieurs indicateurs pertinents liés à la fatigue sont extraits, notamment le Eye Aspect Ratio (EAR) pour détecter la fermeture des yeux, le Mouth Aspect Ratio (MAR) pour identifier les bâillements, ainsi que d’autres mesures comme la circularité de l’œil, le niveau des sourcils, la taille de la pupille et le PERCLOS (pourcentage de fermeture des yeux), reconnu comme un indicateur fiable de somnolence.

Contrairement aux approches classiques basées sur une analyse image par image, ce projet introduit une dimension temporelle en regroupant ces caractéristiques en séquences de 150 images. Cette approche permet de capturer l’évolution dynamique du comportement du conducteur, essentielle pour détecter les signes subtils de fatigue. Ces séquences sont ensuite analysées à l’aide de plusieurs modèles de deep learning spécialisés dans les données séquentielles, tels que LSTM, BiLSTM, GRU, CNN-LSTM et Transformer.

Les performances du système ont été évaluées sur deux bases de données publiques réalistes (UTA-RLDD et NTHU-DDD). Les résultats montrent que les modèles basés sur les Transformers offrent les meilleures performances, atteignant jusqu’à 96 % de précision. Ce projet démontre ainsi que la combinaison de caractéristiques faciales interprétables et de modèles temporels avancés constitue une solution efficace, robuste et applicable dans des environnements réels.