e-ISSN: 1390-5902
CEDAMAZ, Vol. 13, No. 1, pp. 90–95, Enero–Junio 2023
DOI: 10.54753/cedamaz.v13i1.1814
Sistema avanzado de asistencia al conductor para la detección de distracción
y somnolencia utilizando puntos de referencia faciales
Advanced driver assistance system for distraction and drowsiness detection using
facial landmarks
Luis Darío Sinche Cueva 1,*
1Carrera de Computación,Facultad de Energía, las Industrias y los Recursos Naturales No Renovables, Universidad Nacional de Loja,
Loja, Ecuador
*Autor para correspondencia: luis.d.sinche@unl.edu.ec
Fecha de recepción del manuscrito: 15/03/2023 Fecha de aceptación del manuscrito: 30/04/2023 Fecha de publicación: 30/06/2023
Resumen—En este artículo se presenta el desarrollo de un sistema avanzado de asistencia al conductor para la detección de somnolencia
y distracción en tiempo real como una solución ante los accidentes de tránsito utilizando visión artificial. Inicialmente se aborda la proble-
mática sobre los accidentes de tránsito en Ecuador en 2021, para luego definir la distracción y la somnolencia y sus diferentes clases. En un
siguiente punto, se presentan los trabajos de investigación más sobresalientes relacionados con la detección de somnolencia y distracción
con los tipos de detección utilizados. Luego, se da a conocer las metodologías aplicadas en esta investigación, para la revisión de literatura
se utilizó la metodología para la revisión sistemática de la literatura aplicada a la ingeniería y la educación y para la implementación del
proyecto la metodología SCRUM. Para la detección de somnolencia y distracción se la realiza mediante puntos de referencia faciales; en
cuanto a la somnolencia se utiliza la relación de aspecto del ojo EAR y como un aporte nuevo en la detección de distracción se aplica una
diferencia de distancias horizontales.
Palabras clave—Puntos de referencia faciales, Detección de somnolencia, Detección de distracción, Visión por computadora.
Abstract—The following article presents the development of an advanced driver assistance system for detection of drowsiness and dis-
traction in real time. This is a solution to traffic accidents using artificial vision. A discussion of the problem of traffic accidents in Ecuador
in 2021 is initially offered, followed by a discussion of the different classes of distractions and drowsiness. In a next point, the most outstan-
ding research works related to drowsiness and distraction are presented with the types of detection used. Then, the methodologies applied in
this research are disclosed. For the literature review the Methodology for systematic literature review applied to engineering and education
was employed and for the implementation of the project the SCRUM methodology. For the detection of drowsiness and distraction, it is
carried out by facial reference points; Regarding drowsiness, the aspect ratio of the EAR eye is used and, as an innovative contribution in
the detection of distraction, a difference in horizontal distances is incorporated.
Keywords—Facial landmark, Drowsiness detection, Distraction detection, Computer vision.
INTRODUCCIÓN
La Organización Mundial de la Salud (OMS), estima
que, debido a los accidentes de tránsito, a nivel mun-
dial, 1.35 millones de personas fallecen por año. Esto conlle-
va a que los accidentes de tránsito sean un problema de salud,
que se intenta resolver a nivel mundial, incluyendo metas en
los Objetivos de Desarrollo Sostenible (ODS) (WHO, 2018).
En Ecuador, en el año 2021, debido a los accidentes de trán-
sito, 17.532 personas resultaron heridas, mientras que 2.131
fallecieron.
Es así que una de las soluciones desarrolladas y en creci-
miento, son los Sistemas Avanzados de Asistencia al Con-
ductor (ADAS), con el objetivo de construir vehículos y ca-
rreteras más seguras, para los conductores y peatones. Es-
te tipo de sistemas trabaja con un conjunto de sensores que
reciben información en tiempo real, de la conducción y el
ambiente externo donde se moviliza, y dan como respues-
ta advertencias al conductor o actúan directamente sobre los
sistemas de control del vehículo (Zhao, 2015).
Antecedentes
En Ecuador, en el año 2021, existieron 21.352 siniestros de
tránsito, dejando 17.532 personas lesionadas y 2.131 perso-
nas fallecidas, según datos de la agencia nacional de tránsito
(Agencia Nacional de Tránsito del Ecuador ANT, 2023).
El sistema que se presenta en este estudio, tiene como ob-
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0. 90
SISTEMA AVANZADO DE ASISTENCIA AL CONDUCTOR PARA LA DETECCIÓN DE DISTRACCIÓN SINCHE CUEVA
jetivo disminuir los accidentes de tránsito, por lo cual, se eva-
lúa los accidentes de tránsito ocasionados por somnolencia y
distracción. La somnolencia es una de las causas que provo-
can los siniestros de tránsito, pero, no es la razón principal,
como algunos investigadores lo mencionan, al menos no en
Ecuador. De los 21.352 siniestros de tránsito provocados en
el año 2021 en Ecuador, el conducir desatento a las condi-
ciones de tránsito (celular, pantallas de video, comida, ma-
quillaje o cualquier otro elemento distractor), produjo 5.640
siniestros de tránsito, es decir, el 26% de los siniestros. Esta
es la causa con mayor porcentaje de ocurrencia. El conducir
en estado de somnolencia o malas condiciones físicas (sueño,
cansancio y fatiga), produjo 128 siniestros, en el mimo año.
El conducir bajo la influencia de alcohol, sustancias estupe-
facientes o psicotrópicas y/o medicamentos, produjo 1.656
siniestros; esta última causa se la tomará como parte de la
detección de somnolencia, ya que el consumo de estas sus-
tancias produce somnolencia al conductor, llevando así a un
posible accidente de tránsito (Agencia Nacional de Tránsi-
to del Ecuador ANT, 2023).
Distracción
La Administración Nacional de Seguridad del Tráfico en
las Carreteras de los Estados Unidos, categoriza a la distrac-
ción en los siguientes grupos: distracción manual, distracción
visual, cognitiva, auditiva, olfativa y gustativa (Regan et al.,
2008). A continuación, se describe cada uno de los tipos de
distracciones:
Distracción manual: Esta distracción es la más común
entre los conductores, ya que la persona quita las ma-
nos del volante por un determinado tiempo para realizar
una tarea distinta a la conducción segura. Se asocia con
la postura del conductor cuando: interactúa con los pa-
sajeros, manipula los sistemas de audio o navegación
del tablero del vehículo, movimientos bruscos para aga-
rrar objetos, beber, comer, arreglarse, maquillarse, entre
otras actividades (Abouelnaga et al., 2017).
Distracción visual: este tipo de distracción desvía la
atención visual de conductor. Entre estas distracciones
se encuentra la somnolencia y miradas involuntarias
fuera de la carretera por eventos llamativos al exterior,
como, por ejemplo, el desvío ocular hacía el celular
cuando suena por una llamada o un mensaje de texto
(Fernández et al., 2016).
Distracción Cognitiva: este tipo de distracción ocurre
cuando el conductor piensa en algo diferente mientras
conduce (Maralappanavar et al., 2016). El conductor
puede tener sus ojos abiertos en dirección a la carretera,
pero su mente se encuentra distraída, esto hace que este
tipo de distracción sea la más peligrosa, ya que no hay
indicadores que manifieste el conductor que se pueda
medir para detectar la distracción (Azman et al., 2012).
Distracción auditiva: es debida a la atención que el con-
ductor aposta a el sonido que llama su atención. La más
común, hablar por celular mientras se conduce (Regan
et al., 2008).
Distracción olfativa: cuando un olor desagradable mo-
lesta al conductor, quitando su atención a una conduc-
ción segura (Regan et al., 2008).
Distracción gustativa: esta se puede presentar después
de una distracción manual, cuando el conductor consu-
me alimentos, y mientras realiza esta actividad, de su
alimento puede surgir un sabor amargo o picante. El
conductor centrará su atención en resolver este inconve-
niente de su alimentación, perdiendo la concentración
en una conducción segura (Regan et al., 2008).
Somnolencia
La somnolencia es la tendencia de una persona a quedarse
dormida. La somnolencia se ha convertido en un problema
dentro de la salud laboral, por lo que aumentan los estudios
de esta sobre pilotos de aviación, conductores de vehículos o
médicos. Aunque la somnolencia puede ser debida a diversas
razones, se ha divido en dos clases principales: la somnolen-
cia patológica y la somnolencia normal (Rosales Mayor y
Rey De Castro Mujica, 2010).
Somnolencia normal: tiene como causa más común la
privación del sueño, y es resultado del ritmo circadiano,
específicamente, como dormir por la noche y estar des-
pierto durante el día.
Somnolencia patológica: en este tipo de somnolencia se
encuentra el Síndrome de Apnea-Hipopnea del Sueño
SAHS, disritmia circadiana, medicación, entre otras
Trabajos Relacionados
En la literatura, se encontró investigaciones relacionados
con la detección de distracción, detección de somnolencia,
y detección de somnolencia y distracción. Dentro de las in-
vestigaciones más citadas, en la detección de somnolencia,
se encuentra Reddy et al. (2017), con su trabajo Real-time
Driver Drowsiness Detection for Embedded System Using
Model Compression of Deep Neural Networks. Aquí se pre-
senta un enfoque de aprendizaje profundo basado en visión
por computadora para detectar la somnolencia de un conduc-
tor. El estudio divide a su arquitectura en 2 partes, la primera
es la detección y alienación del rostro y la segunda parte es
el modelo de detección de somnolencia. Para la detección y
alineación del rostro, utiliza las redes convolucionales en cas-
cada de tarea múltiples por su rápida y precisa detección de
rostro. El modelo alcanza una validación del 94,8 por ciento.
De la misma manera, la investigación más citada en cuanto
a la detección de distracción, tenemos a Murphy-Chutorian y
Trivedi (2010), esta investigación calcula la estimación ini-
cial de la posición y orientación de la cabeza del conductor.
Su trabajo comienza con detectores de rostro AdaBoost en
cascada, histogramas LGO y regresores de vectores de so-
porte (SVR). Rastrea la cabeza del conductor en seis grados
de libertad, utilizando una cámara que funciona a 30 fotogra-
mas por segundo (fps). Además de esto presentan un algorit-
mo para el seguimiento visual en 3D.
En la investigación de Nambi et al. (2018), presentan
Demo: HAMS: Driver and Driving Monitoring using a
Smartphone, HAMS (Harnessing Auto-Mobiles for Safety),
la cual, expone un sistema basado en teléfonos inteligentes
91
e-ISSN: 1390-5902
CEDAMAZ, Vol. 13, No. 1, pp. 90–95, Enero–Junio 2023
DOI: 10.54753/cedamaz.v13i1.1814
para el monitoreo del conductor y su conducción, con el obje-
tivo de cumplir la misma funcionalidad de un sistema ADAS,
pero a un bajo costo. Este proyecto comienza con la extrac-
ción de imágenes a través de un teléfono celular inteligente,
el cual, extrae imágenes tanto de la cámara frontal para el
conductor, como de la cámara trasera para la carretera. Con
la cámara frontal se realiza la detección del rostro con los
puntos de referencia faciales y localiza los puntos caracterís-
ticos. En los ojos se mide el cierre de los mismos, utilizando
la métrica de la relación de aspecto del ojo EAR y se cuanti-
fica su extensión de cierre con la métrica de PERCLOS. En
la boca, la somnolencia se determina cuando la persona bos-
teza, y para detectar el bostezo se realiza con la métrica de
la relación de aspecto de la boca MAR. Con la cámara trase-
ra, el sistema detecta y delimita en un cuadro a los vehículos
que se encuentran frente a él, e identifica la clase de vehículo,
con esta información estima la distancia a los otros vehícu-
los, también identifica el carril en el que se ubica el vehículo,
para lograrlo entrena el sistema con una base de datos ex-
tensa y enfoques de aprendizaje. Los autores concluyen que
su sistema funciona en carreteras bien señalizadas, como en
carreteas urbanas sin marcar.
En Ahmed et al. (2015), se detecta la somnolencia de una
persona mediante el comportamiento ocular. La toma de ima-
gen se la realiza mediante una cámara pequeña y con el foto-
grama capturado se convierte de imagen en RGB a imagen en
escala de grises. El siguiente proceso es aplicar la ecualiza-
ción del histograma de la imagen y eliminar el ruido binario.
Ya con la imagen procesada, detecta el rostro con el algo-
ritmo de Haar Cascade y selecciona la región de interés, es
decir, el ancho y alto de la pupila. Con la ubicación de los
ojos procede a determinar si los ojos están cerrados o abier-
tos. Para determinar si el ojo está abierto o cerrado utiliza el
reflejo de la retina para descubrir los ojos en el rostro, es-
te proceso lo repite con cada fotograma obtenido del vídeo.
Si el sistema encuentra cerrados los ojos del conductor por
cinco cuadros consecutivos, asume que el conductor se está
quedando dormido y se emite una señal de advertencia. El
programa se desarrollada en C++ y utiliza bibliotecas de vi-
sión por computadora de OpenCV. El estudio demuestra que
el programa presenta dificultades al detectar los ojos de una
persona con gafas.
En Hossain y George (2018), IOT based Real-time Drowsy
Driving Detection System for the Prevention of Road Acci-
dents, el sistema realiza la detección de somnolencia del con-
ductor mediante la detección del rostro. La detección es pre-
viamente entrenada por un conjunto de datos 300-VW, lue-
go se detecta los puntos de referencia faciales utilizando un
clasificador Haar Casacade. Si el sistema detecta que en el
conductor existe somnolencia, emitirá una alerta tratando de
despertar al conductor. Si el conductor tiene a quedarse dor-
mido más de tres veces, se envía una notificación por correo
electrónico al propietario del vehículo, esto en caso de que el
vehículo sea de una compañía de alquiler de vehículos.
En Junaedi y Akbar (2018), realizan la detección de som-
nolencia mediante visión por computadora. Primero realiza
la detección de la cara y los ojos en cada cuadro con el al-
goritmo de Viola y Jones. Con los ojos detectados, se calcula
PERCLOS con las regiones del iris de ambos ojos. Para la
extracción de la región del iris, utiliza la transformación cir-
cular de Hough para asilarlo y luego detecta los límites del
iris con el método de detección de bordes Sobel, según los
autores, este método es el mejor para esta tarea.
MATERIALES Y MÉTODOS
El desarrollo de esta investigación comienza con la revi-
sión de la literatura sobre las investigaciones relacionadas
con la detección de somnolencia y distracción. Para iniciar
con la revisión de la literatura se implementa la metodolo-
gía propuesta por Torres-Carrión et al. (2018), en su trabajo
denominado “Methodology for systematic literature review
applied to engineering and education”, en donde se presenta
un método para la revisión sistemática de la literatura cientí-
fica.
Para el desarrollo del proyecto, se extrae de la revisión sis-
temática de literatura, las técnicas existentes de detección de
somnolencia y distracción de conductores de vehículos. A
partir del análisis, se experimenta de forma iterativa las técni-
cas más relevantes para evaluar su rendimiento. En este punto
se logra determinar técnicas de detección de somnolencia y
distracción del conductor que se desarrollaran en el mismo
código. Debido a la iteración e incremento en la gestión del
proyecto se implementa la metodología scrum.
Para desarrollar la solución se presenta un sistema confor-
mado por 4 etapas. Estas 4 etapas están constituidas por: la
detección de rostro, la detección de ojos, la detección de dis-
tracción y somnolencia y finalmente por la activación de la
alarma (Figura 1).
Fig. 1: Arquitectura de la solución planteada.
El sistema contempla una cámara instalada en la parte su-
perior del tablero, detrás del volante, la cual captura en vídeo
la imagen del conductor en tiempo real y este será enviado
al sistema para que cada fotograma sea procesado. En cada
fotograma, se detectará el rostro, si lo detecta, determinará si
existe o no somnolencia o distracción en el conductor, de ser
así, se emitirá una alerta al conductor.
Detección de rostro y ojos
Con los datos obtenidos de la revisión de la literatura, se
evaluó dos algoritmos: algoritmo de Viola y Jones y el algo-
ritmo de Puntos de referencia faciales.
El algoritmo de Viola y Jones, aunque en muchas inves-
tigaciones este algoritmo ha dado buenos resultados, tiende
a tener dificultades al detectar el rostro de una persona que
92
SISTEMA AVANZADO DE ASISTENCIA AL CONDUCTOR PARA LA DETECCIÓN DE DISTRACCIÓN SINCHE CUEVA
no se encuentra dentro de los rangos permitidos en la etapa
de entrenamiento, como los giros laterales, giros hacia arriba
o hacia abajo. No ocurre lo mismo con los puntos de refe-
rencia faciales, ya que este algoritmo es fuerte frente a estos
inconvenientes (Cueva y Cordero, 2020).
El algoritmo de puntos de referencia faciales, se basa en la
extracción de 68 puntos característicos del rostro, mediante
un sistema pre entrenado para estimar la ubicación de los
puntos faciales (Figura 2.
Fig. 2: Puntos de referencia faciales (Group, 2023).
Con la detección del rostro y la extracción de los puntos de
referencia faciales logrados, el siguiente paso en esta inves-
tigación, es la detección de puntos de referencia únicamente
de los ojos. Cada ojo está representado por 6 coordenadas
(x, y), comenzando en la esquina izquierda del ojo, y luego
trabajando en sentido horario alrededor del resto de la región
(Soukupova y Cech, 2016), ver Figura 3.
Fig. 3: Puntos de referencia del ojo.
Detección de somnolencia
Con los puntos de referencia de los ojos extraídos, se co-
mienza a determinar la manera de detectar la somnolencia en
una persona. En Soukupova y Cech (2016), su trabajo, Real-
Time Eye Blink Detection using Facial Landmarks, presenta
un algoritmo que detecta en tiempo real, el parpadeo de una
persona. De su investigación, se toma un punto clave, una
cantidad escalar única, la Relación de Aspecto del Ojo EAR
(eye aspect ratio). Esta medida caracteriza el nivel de la aper-
tura del ojo en cada fotograma en tiempo real.
De la relación entre el ancho y el alto de las coordenadas
de los ojos, se deriva la ecuación de la relación de aspecto
del ojo EAR, ver 1 y Figura 3.
EAR =∥p2−p6∥+∥p3−p5∥
2∥p1−p4∥(1)
Aplicando la ecuación 1 al algoritmo para obtener el EAR,
dio como resultado que mientras se mantenía los ojos abier-
tos el EAR tenía un valor de 0,34, mientras que si los ojos se
cerraban el valor de EAR bajaba a un valor de 0,13 (Figura
4). Con estos dos datos podemos determinar un umbral que
permita determinar si la persona esta somnolienta o no.
Fig. 4: Calculando el valor Relación de Aspecto del Ojo, EAR.
Detección de distracción
Esta investigación brinda un aporte muy importante, en lo
que se refiere a la distracción de un conductor, ya que no se
plantea ninguna técnica propuesta en la literatura, sino, se
presenta una técnica simple pero efectiva.
Si obtenemos la distancia horizontal de los puntos P1 y
P4, referentes a la Figura 3, de cada ojo, obtendremos dos
distancias horizontales que serán casi iguales. En la Figura
5, se puede observar que la distancia horizontal de cada ojo,
son muy parecidas. Estas distancias deberían ser iguales, ya
que nuestros ojos son simétricos, pero difieren en un valor
mínimo, posiblemente a la inclinación o posición lateral mí-
nima entre la cámara y el rostro.
Fig. 5: Distancia horizontal entre los puntos de referencia de cada
ojo.
Si la persona gira la cabeza levemente, la distancia hori-
zontal entre estos puntos cambia. En la Figura 6, se puede
ver que la distancia horizontal del ojo derecho toma un valor
de 21, mientras que la distancia horizontal del ojo izquierdo
toma un valor de 31. Luego de varias pruebas se pudo de-
terminar lo siguiente: con los giros laterales de la cabeza, la
distancia horizontal de los ojos varía, y si la diferencia entre
estas dos distancias supera el valor de 4, se determina que la
persona esta distraída. Esto lo representamos en 2:
93
e-ISSN: 1390-5902
CEDAMAZ, Vol. 13, No. 1, pp. 90–95, Enero–Junio 2023
DOI: 10.54753/cedamaz.v13i1.1814
Distraccion =|P1−P4|derecho −|P1−P4|izquierdo
Distraccion ≥4→Conductor distraido (2)
Fig. 6: Distancia horizontal entre los puntos de referencia de cada
ojo con un movimiento lateral del rostro.
Evaluación de algoritmos
En toda la investigación los algoritmos fueron implemen-
tados y evaluados en Python 3.6, para ello fue necesario im-
plementar varias bibliotecas como OpenCV e Imutils. Ade-
más, para la edición del código se utilizó Visual Studio Code.
El sistema fue puesto a prueba desde una laptop Asus i7,
dando respuestas sin retrasos en la detección de somnolencia
y distracción. La webcam utilizada en el tablero del vehículo
fue una Logitech de 21 fps.
RESULTADOS
Para evaluar el algoritmo implementado, se toma 6 vídeos
grabados en diferentes tiempos y ambientes, mientras se con-
duce el vehículo y cada vídeo tiene una duración de 10 minu-
tos, en total se obtiene 60 minutos de conducción. Se registra
los 3 eventos que detecta el sistema: somnolencia, distrac-
ción y ausente, y, se determina dos parámetros para evaluar
el sistema: acierto y falla.
Si el sistema detecta la actividad que muestra el conductor
en ese momento se la reconoce como acierto, y si el sistema
detecta una actividad que no corresponde a lo que muestra el
conductor se la reconoce como falla. Durante los 60 minutos
de conducción se obtuvo el 87 por ciento de aciertos y 13 por
ciento de falla.
Cuando la persona gira la cabeza y el sistema puede detec-
tar parte del rostro, se toma como distracción, mientras que,
si se tiene un giro mayor de la cabeza, de tal forma que no
se pueda detectar el rostro, el sistema lo toma como ausencia
del conductor. En cuanto a la somnolencia del conductor, se
tiene una actividad llamada cabeceo, este cabeceo es mínimo
al inicio de la somnolencia por lo que el sistema detecta los
ojos que están cerrados y puede tomarlo como somnolencia.
Si existe un cabeceo a tal punto que el conductor mantenga la
cabeza hacia abajo por un tiempo igual o mayor al segundo
y medio se tomará como ausencia del conductor para emitir
la alerta.
El tiempo de detección del rostro y ojos para evaluar el
EAR y la fórmula de distracción son inmediatos, es imper-
ceptible al ojo humano. El tiempo para emitir la alarma de
somnolencia estimada en un segundo y medio, mientras que
el tiempo para emitir la alarma de distracción fue mayor, de-
bido a que el conductor debe mirar los retrovisores en cierto
tiempo mientras conduce, por lo que fue estimado un tiempo
de 2 segundos.
En la Figura 7 se observa la detección de somnolencia del
conductor en tiempo real, mientras conduce por las calles. El
valor de EAR para determinar si se encuentra somnoliento,
fue menor a 0.23.
Fig. 7: Detección de somnoliencia en conducción.
En la Figura 8, se observa la detección de distracción del
conductor, al distraerse por el manejo de la pantalla táctil del
automóvil. En este caso se utiliza (2), para determinar que
la diferencia de las distancias horizontales del ojo izquierdo
DistI con el ojo derecho DistD, es mayor a 4, por lo tanto, el
conductor está distraído.
Fig. 8: Deteción de distracción en conducción.
En la Figura 9, se observa que se activa la detección de
distracción del conductor, por el uso del celular. Al igual que
en el caso anterior se utiliza (2), y determinar que la dife-
rencia de las distancias horizontales de los ojos es igual a 4,
determinando así la distracción de la persona.
En la Figura 10, se observa una nueva alerta. En este caso
no es detección de somnolencia ni distracción, sino, que el
sistema alerta al conductor, ya que este, a salido del cuadro
de detección que evalúa los puntos de referencia faciales.
CONCLUSIONES
La investigación en las metodologías de detección de som-
nolencia y distracción, determina que la implementación del
método de visión por computadora es el más óptimo por su
no intromisión, su buena precisión, su bajo costo al poner en
marcha y su respuesta en tiempo real.
94
SISTEMA AVANZADO DE ASISTENCIA AL CONDUCTOR PARA LA DETECCIÓN DE DISTRACCIÓN SINCHE CUEVA
Fig. 9: Deteción de distracción en conducción.
Fig. 10: Deteción de distracción en conducción.
Con la aplicación de las técnicas de detección, basadas en
visión por computadora, es posible concluir que el algorit-
mo de Viola y Jones y el algoritmo de puntos de referencia
faciales detectan el rostro de la persona, pero el algoritmo
de Viola y Jones al tener dificultades de detección del rostro
fuera de los rangos permitidos en las etapas de entrenamien-
to, es descartado, por lo tanto, el algoritmo que demuestra un
buen desempeño en la pruebas para la detección de rostro y
ojos, es el algoritmo de puntos de referencia faciales.
Mediante la investigación se implementa un sistema que
detecta la somnolencia y distracción del conductor utilizan-
do puntos de referencia faciales que incide positivamente en
la reducción de accidentes de tránsito por su rápido tiempo
de respuesta, sin ningún tipo de retraso. El sistema detecta la
somnolencia y distracción del conductor con una alta preci-
sión, y es flexible a la postura y movimientos de la cabeza
del conductor, a los distintos rasgos físicos de la persona, a
el uso de lentes claros y a la conducción en diferentes tipos
de carreteras.
REFERENCIAS
Abouelnaga, Y., Eraqi, H. M., y Moustafa, M. N. (2017).
Real-time distracted driver posture classification. arXiv
preprint arXiv:1706.09498.
Agencia Nacional de Tránsito del Ecuador ANT, . (2023).
Visor de siniestralidad – estadísticas – agencia na-
cional de tránsito del ecuador – ant. Descar-
gado de https :// www .ant .gob .ec / visor -de
-siniestralidad-estadisticas/
Ahmed, J., Li, J.-P., Khan, S. A., y Shaikh, R. A. (2015).
Eye behaviour based drowsiness detection system. En
2015 12th international computer conference on wave-
let active media technology and information processing
(iccwamtip) (pp. 268–272).
Azman, A., Meng, Q., Edirisinghe, E., y Azman, H. (2012).
Eye and mouth movements extraction for driver cogni-
tive distraction detection. En 2012 ieee business, en-
gineering & industrial applications colloquium (beiac)
(pp. 220–225).
Cueva, L. D. S., y Cordero, J. (2020). Advanced driver assis-
tance system for the drowsiness detection using facial
landmarks. En 2020 15th iberian conference on infor-
mation systems and technologies (cisti) (pp. 1–4).
Fernández, A., Usamentiaga, R., Carús, J. L., y Casado, R.
(2016). Driver distraction using visual-based sensors
and algorithms. Sensors,16(11), 1805.
Group, I. B. U. (2023). i·bug - resources - facial point an-
notations. Descargado de https://ibug.doc.ic.ac
.uk/resources/facial-point-annotations/
Hossain, M. Y., y George, F. P. (2018). Iot based real-time
drowsy driving detection system for the prevention of
road accidents. En 2018 international conference on in-
telligent informatics and biomedical sciences (iciibms)
(Vol. 3, pp. 190–195).
Junaedi, S., y Akbar, H. (2018). Driver drowsiness detec-
tion based on face feature and perclos. En Journal of
physics: Conference series (Vol. 1090, p. 012037).
Maralappanavar, S., Behera, R., y Mudenagudi, U. (2016).
Driver’s distraction detection based on gaze estimation.
En 2016 international conference on advances in com-
puting, communications and informatics (icacci) (pp.
2489–2494).
Murphy-Chutorian, E., y Trivedi, M. M. (2010). Head pose
estimation and augmented reality tracking: An integra-
ted system and evaluation for monitoring driver aware-
ness. IEEE Transactions on intelligent transportation
systems,11(2), 300–311.
Nambi, A. U., Bannur, S., Mehta, I., Kalra, H., Virmani, A.,
Padmanabhan, V. N., .. . Raman, B. (2018). Hams:
Driver and driving monitoring using a smartphone. En
Proceedings of the 24th annual international conferen-
ce on mobile computing and networking (pp. 840–842).
Reddy, B., Kim, Y.-H., Yun, S., Seo, C., y Jang, J. (2017).
Real-time driver drowsiness detection for embedded
system using model compression of deep neural net-
works. En Proceedings of the ieee conference on com-
puter vision and pattern recognition workshops (pp.
121–128).
Regan, M. A., Lee, J. D., y Young, K. (2008). Driver dis-
traction: Theory, effects, and mitigation. CRC press.
Rosales Mayor, E., y Rey De Castro Mujica, J. (2010). Som-
nolencia: Qué es, qué la causa y cómo se mide. Acta
médica peruana,27(2), 137–143.
Soukupova, T., y Cech, J. (2016). Eye blink detection
using facial landmarks. En 21st computer vision win-
ter workshop, rimske toplice, slovenia (p. 2).
Torres-Carrión, P. V., González-González, C. S., Aciar, S., y
Rodríguez-Morales, G. (2018). Methodology for syste-
matic literature review applied to engineering and edu-
cation. En 2018 ieee global engineering education con-
ference (educon) (pp. 1364–1373).
WHO, W. H. O. (2018). Global status report on road sa-
fety 2018. Descargado de https://www .who .int/
publications/i/item/9789241565684
Zhao, M. (2015). Advanced driver assistant system, threats,
requirements, security solutions. Intel Labs, 2–3.
95
