You're Driving and Texting: Detecting Drivers Using
Personal SmartPhones by Leveraging Inertial Sensors e
referências
Rafael Germano Rossi¹
¹ MAC5743 - Computação Móvel
Mestrado em Ciência da Computação
Instituto de Matemática e Estatística
USP - Universidade de São Paulo
Email: [email protected]
Resumo. Acidentes de carro estão entre as dez maiores causas de morte no
mundo todo. Nos Estados Unidos, aproximadamente 23% dos acidentes são
causados pelo uso de celular por motoristas. No Brasil ocorrem centenas de
milhares de acidentes de carro anualmente. Esses dados evidenciam a
urgente necessidade de se reduzir essas fatalidades. Neste trabalho, serão
descritos dois sistemas mobile, TEXIVE e CarSafe. O primeiro propõe a
detecção do motorista e do uso de celular para digitação na direção e o
segundo apresenta um aplicativo para indicar ações inseguras na direção.
Serão levantadas vantagens e desvantagens de cada um dos sistemas e
apresentados os resultados dos testes feitos pelos autores de ambos.
1. Introdução
As mortes por acidentes de carro estão entre as dez maiores causas de fatalidades
no mundo todo, segundo a World Health Organization [1]. Nos Estados Unidos,
aproximadamente 23% dos acidentes de carro são causados pelo uso de celular na direção
[2]. No Brasil, não há dados oficiais diferenciando as diversas causas de acidentes no
trânsito. Porém, o número total de acidentes é da ordem de centenas de milhares
anualmente, sendo que a projeção para 2013 segundo a DPVAT era de 650.000 [3].
É evidente a necessidade de se reduzir tais números e com o avanço da tecnologia
e o aumento do uso de aparelhos celulares [4], sistemas de prevenção de uso em condições
adversas e de detecção de imprudência na direção embutidos nesses aparelhos podem ser
uma solução.
Atualmente, existem carros de topo de linha que possuem sistemas de assistência
na direção, como o Mercedes-Benz Attention Assist [5], Ford Driver Alert [6] e BMW
Active Protection [7]. Porém, veículos equipados com esses sistemas não são acessíveis
a todos, devido ao seu alto custo. Essa é mais uma motivação para o desenvolvimento de
sistemas e aplicativos para smartphones, que são acessíveis.
Nesta monografia, serão descritos um sistema de detecção de motorista e de
digitação durante a direção, TEXIVE [8] – cujo artigo é o principal no qual este trabalho
se baseia – e um aplicativo para smartphones Android que detecta e alerta o motorista em
situações perigosas na direção, CarSafe [9]. Ambos serão detalhados e os resultados dos
testes feitos pelos autores serão apresentados. Em seguida, será feito um levantamento de
vantagens e desvantagens de cada um deles.
2. Trabalhos relacionados
No âmbito da computação móvel, existem outros sistemas que buscam detectar
aparelhos portados por motoristas. Três destes sistemas serão citados nesta seção.
2.1 Detecção utilizando os alto-falantes do carro
O primeiro sistema [10] utiliza os alto-falantes do veículo para detectar a posição
do celular no carro. Supondo possível a conexão do dispositivo com o sistema de áudio
via Bluetooth, o sistema emite pequenos sinais sonoros através dos alto-falantes do
veículo. Calculando a defasagem de tempo na leitura destes sinais captados pelo
microfone do aparelho celular, previamente filtrados com filtros passa-banda para
remover ruídos de baixa frequência, é possível calcular a posição do dispositivo no carro
e, assim, detectar se o celular se encontra no banco do motorista.
Segundo os autores, o sistema apresentou uma acurácia acima de 90%. Porém, é
importante ressaltar que o trabalho assume a possibilidade de conexão via Bluetooth do
dispositivo móvel com o sistema de som do carro para efetuar as leituras, o que nem
sempre acontece nos carros atuais, apesar de que cada vez mais os sistemas de áudio
oferecem essa possibilidade. Além disso, o sistema assume uma disposição simétrica dos
autofalantes do carro.
2.2 DDS – Driver Detection System
Este segundo sistema [11] propõe detectar o motorista de um veículo utilizando
os sensores inerciais do dispositivo móvel, além do microfone. O grande trunfo deste
sistema é que, segundo os autores, é possível obter bons resultados com o dispositivo em
diferentes localizações: bolso da calça, bolso frontal, como em uma camisa ou jaqueta, e
também em uma bolsa de mão.
Para os casos em que o dispositivo se encontra no bolso da calça ou no bolso
frontal, os sensores inerciais são utilizados para captar o movimento de giro ao entrar no
veículo e o movimento de giro ao colocar o cinto de segurança, respectivamente. Com
isso, busca-se detectar por qual lado do veículo o usuário entrou. Para o primeiro caso, os
sensores também são utilizados para detectar um possível movimento das pernas ao se
pisar no pedal de aceleração, o que levaria ao resultado de que o usuário é um motorista.
Em um segundo momento, utiliza-se o microfone de todos os aparelhos celulares
presentes no veículo para captar o sinal sonoro emitido pelo carro ao dar seta. Este sinal
é enviado, junto com a informação de geolocalização dos dispositivos, para um servidor
em nuvem onde será processado. Caso o sinal recebido pelo servidor seja o único naquela
localização, conclui-se que o dispositivo é o do motorista, pois é a única pessoa presente
no veículo. Caso contrário, analisando a diferença de amplitude entre os sinais, é possível
inferir que o celular com maior sinal está mais próximo da fonte sonora e, portanto, está
no banco frontal. Como no primeiro passo já foi detectado em qual lado do veículo o
usuário entrou, pode-se concluir se o dispositivo pertence ao motorista ou não.
Este mesmo algoritmo de detecção de áudio é utilizado para o caso em que o
dispositivo se encontra em uma bolsa de mão, assumindo que a bolsa mais próxima ao
sinal sonoro é a do motorista e que todos os dispositivos estão na mesma condição: todos
dentro das bolsas ou todos fora delas.
Segundo os autores, o sistema obteve acurácia de aproximadamente 85%. Porém,
os testes foram feitos em carros mais comuns, um no estilo sedan e outro hatch. Em carros
mais altos, como uma minivan ou um utilitário, a detecção de entrada no veículo poderia
falhar. Além disso, o trabalho leva em consideração muitas suposições que nem sempre
são verdadeiras, como o uso de cinto de segurança, o uso da sinalização de seta ao virar,
a disposição do dispositivo nas bolsas de mão, entre outras. Outra fraqueza do sistema é
o fato de precisar de conexão para enviar os dados de áudio para a nuvem para que sejam
analisados, o que nem sempre acontece em estradas mais remotas, além do gasto de
energia ser grande para essa operação.
2.3 Detecção utilizando dinâmica de movimento do veículo
O terceiro sistema [12] faz uso dos sensores inerciais do veículo para detectar a
posição do dispositivo e determinar se o usuário é o motorista. A detecção baseia-se na
medição da diferença entre a força centrípeta sentida pelo dispositivo e a mesma força
sentida em um referencial. De acordo com os autores, este referencial pode ser fixado de
três maneiras: um adaptador para o isqueiro do carro, contendo um acelerômetro;
utilizando a porta OBD-II [13], que no Brasil é parte obrigatória dos veículos desde 2010,
para a leitura da velocidade do veículo, com a qual seria possível calcular a força
centrípeta; utilizando outros smartphones localizados no mesmo veículo.
Como o raio da curva no banco do motorista é diferente do raio no centro do
veículo, as forças centrípetas sentidas são diferentes e pode-se utilizar estas medidas para
detectar em qual dos bancos o celular está posicionado. Para complementar o sistema, são
utilizadas medições dos sensores inerciais ao passar por uma lombada, valeta ou outra
irregularidade na pista para detectar se o dispositivo se encontra no banco frontal ou
traseiro e, assim, assegurar os resultados.
Segundo os autores, o sistema apresenta acurácia acima de 90%, nos testes
realizados com os smartphone iPhone 4 e HTC 3D nos carros Honda Accord e Acura
sedan. Apesar de não depender unicamente de um smartphone, pois é necessário um outro
referencial, o sistema apresenta bom desempenho com um baixo custo.
Todos os três sistemas descritos não dependem unicamente de um smartphone e
alguns apresentam fraquezas relevantes, como o DDS, que depende de conexão com a
internet e o primeiro sistema, que depende de conexão Bluetooth com o sistema de áudio
do veículo. Optou-se, portanto, por descrever neste trabalho dois outros sistemas:
TEXIVE e CarSafe.
3. TEXIVE
O sistema descrito neste capítulo procura distinguir dispositivos de passageiros e
motoristas. Apesar dos sistemas anteriores proporem o mesmo resultado, este sistema o
faz unicamente com um smartphone, sem modificação no veículo e sem necessitar de
interação do usuário.
Os sensores inerciais do dispositivo são utilizados para capturar os dados de
movimentação, que são convertidos para o domínio de frequência com wavelet e
transformada discreta de cosseno.
Primeiramente, será apresentada uma visão geral do sistema. Em seguida, cada
parte do sistema será detalhada e, por fim, serão apresentados os testes e resultados feitos
pelos autores.
3.1 Visão geral
TEXIVE é composto por três fases: detecção da caminhada até o veículo,
reconhecimento da posição dentro do veículo e análise dos dados para decidir se é um
motorista ou passageiro. A Figura 1 ilustra este fluxo.
Figura 1 – Visão geral do sistema.
O primeiro desafio do sistema é detectar o tipo de atividade do usuário. Levando
em consideração que a maioria das pessoas portam o dispositivo consigo na maior parte
do tempo, o sistema busca reconhecer diferentes atividades, como andar, sentar, subir e
descer escadas, entre outras. Para isso, é construído um modelo oculto de Markov [14]
para analisar a distribuição temporal e espacial das atividades e otimizar o consumo de
energia.
3.2 Detalhamento das detecções
Nesta seção serão detalhadas as partes que compõe o sistema de detecção da
posição do dispositivo no veículo, afim de diferenciar passageiro e motorista.
3.2.1
Detecção da entrada no veículo
A entrada do usuário no veículo é detectada por cinco atividades: caminhada até
o veículo, abertura da porta, o leve giro do corpo antes de entrar, o movimento de entrada
em si e o movimento para sentar no banco.
Para reconhecer tais atividades, são extraídos dados do acelerômetro do aparelho
e então é feita uma mineração em cima destes dados para detectar padrões que as
identificam. Os dados da aceleração linear são convertidos para coordenadas fixas em
relação à Terra (Earth Frame Coordinates), para minimizar os erros devidos às diferentes
posições do aparelho. A Figura 2 ilustra os dados extraídos do acelerômetro quando o
dispositivo se encontra no bolso da calça do usuário.
Figura 2 – Dados do acelerômetro para detecção de entrada no veículo.
Porém, a atividade de entrada no veículo pode ser confundida com outras
atividades similares, como sentar em uma cadeira em uma sala. Para mitigar este
problema, os autores propõem – mas não implementam – uma solução baseada no
magnetômetro do dispositivo. A solução se baseia no fato de que os campos magnéticos
variam mais ao se aproximar de um veículo, devido a seu material.
3.2.2
Detecção do lado de entrada no veículo
A detecção do lado pelo qual o usuário entra no veículo é feita observando a
rotação do corpo antes do movimento de entrada. Os dados do acelerômetro não são
suficientes para esta detecção, pois o sinal captado pelo dispositivo no bolso direito da
calça ao entrar pela porta esquerda do veículo é similar ao sinal captado ao entrar pelo
lado direito com o aparelho no bolso esquerdo. Por isso, é utilizado o giroscópio para
detectar a rotação.
Ao entrar pelo lado esquerdo do veículo, o usuário faz uma leve rotação para a
esquerda, enquanto que ao entrar pelo lado direito, a rotação é para a direita. Os dados do
giroscópio transformados para coordenadas em relação ao corpo do usuário (Body Frame
Coordinates, BFC), tornam possível detectar estas rotações, como visto na Figura 3.
Figura 3 – Dados do giroscópio para detecção do lado de entrada no veículo.
É interessante notar que a posição do veículo não importa para esta avaliação, pois
as medições detectam um giro em relação a posição atual do corpo.
3.2.3
Detecção de entrada no banco frontal ou traseiro
Detectada a entrada no veículo e o lado pelo qual o usuário entrou, é necessário
detectar se a entrada foi feita pelo banco traseiro ou frontal do carro. Para isso, é utilizado
mais uma vez o acelerômetro do smartphone.
A detecção baseia-se no sinal captado ao passar com o veículo em uma lombada,
valeta ou outra irregularidade na pista. Nestes momentos, são sentidas duas variações na
aceleração: ao passar com o eixo na lombada e ao retornar com o eixo da lombada ao
chão, em seguida. Estas variações são sentidas duas vezes, primeiro com o eixo frontal e
depois com o traseiro. Com o dispositivo no banco frontal, as variações são sentidas com
intensidades similares, enquanto que com o dispositivo no banco traseiro, a variação
sentida ao passar com o eixo traseiro é maior que ao se passar com o eixo frontal, pela
maior proximidade da parte traseira do veículo, como pode ser visto na Figura 4.
Analisando estes dados minuciosamente, pode-se, portanto, determinar se o
usuário se encontra na parte frontal ou traseira do veículo.
Figura 4 – Dados do acelerômetro ao se passar por uma lombada (a) e uma
valeta (b).
3.3 Análise de digitação de texto
Nas seções anteriores foram descritas as técnicas utilizadas para detectar a posição
do dispositivo no veículo, para reconhecer o dispositivo de um motorista. Além deste
reconhecimento, os autores realizaram uma análise do padrão de digitação de texto,
comparando um usuário digitando enquanto dirige com um usuário digitando em
condições normais. Com esta análise, o sistema TEXIVE envia avisos ao detectar a
digitação em situações de risco, como é o caso da digitação durante a direção.
Esta análise é feita observando o tempo entre dois caracteres digitados e o número
de caracteres digitados entre dois erros de digitação. A primeira conclusão feita é que o
usuário digitando enquanto dirige varia mais o tempo entre dois caracteres digitados,
levando mais tempo que na situação normal. Isso ocorre pelo fato do usuário alternar
entre a digitação e a atenção na pista. Este mesmo motivo implica em mais erros de
digitação. Os resultados podem ser vistos na Figura 5.
Figura 5 – Análise da digitação, mostrando a probabilidade de tempo entre dois
caracteres digitados (a) e a frequência de erros de digitação (b).
3.4 Testes e resultados
Os autores não especificam quais smartphones foram utilizados e nem mesmo
quais modelos de veículos.
Para a detecção da entrada no veículo, foram coletadas 200 amostras de
voluntários portando um smartphone no bolso da calça e entrando por ambos os lados do
carro. A distinção de 40 casos de entrada no veículo dentre 296 outras atividades, como
andar, ficar parado, subir e descer escadas, entre outras, como descrito na seção 3.1,
obteve acurácia e precisão de 84,46% e 45,26%, respectivamente. Os autores ressaltam o
fato de que a atividade de sentar no veículo é confundida com a atividade de sentar em
outros locais, e propõe a solução descrita na seção 3.2.1.
Os autores variaram a janela de tempo usada para a detecção desta atividade de
1,5 a 5 segundos, a fim de determinar a performance ótima do sistema, que foi obtida com
a janela entre 4 e 4,5 segundos, como pode ser visto na Figura 6.
Figura 6 – Detecção da entrada no veículo, variando a janela de tempo utilizada.
Em seguida, foi analisada a detecção do lado de entrada no veículo, na janela de
tempo ótima. Para ambos os lados, a acurácia e precisão atingem 85% e 95%,
respectivamente.
Para os testes de detecção de banco frontal ou traseiro, passou-se, em um
estacionamento, com o veículo em uma lombada vinte vezes, dez com o dispositivo no
banco frontal e dez no banco traseiro e o mesmo foi feito passando com o veículo em uma
faixa de desaceleração. Em uma pista local, o dispositivo do motorista detecta 334
amostras de leituras e 23 de lombadas e valetas, enquanto o passageiro no banco traseiro
detecta 286 amostras e 58 de lombadas e valetas. Apesar das diferenças, os testes
apresentaram acurácia de 100%, tanto no estacionamento como na estrada.
Para a detecção da digitação durante a direção, foram analisadas 20 amostras,
sendo 8 de digitação em condições normais e 12 durante a direção no estacionamento. A
acurácia do sistema nestes casos é de 90%.
No geral, o sistema apresenta acurácia e precisão de 87,18% e 96,67%,
respectivamente. O atraso para o reconhecimento em um smartphone Android é de 0,2184
segundos.
3.5 Críticas e comentários
A descrição do sistema no artigo é muito superficial. Não há detalhes de como
foram feitas as transformações de coordenadas, nem as transformações dos sinais para o
domínio da frequência.
Também não consta como foi feita a detecção do tempo de digitação e dos erros
ao se escrever um texto. Os testes não foram bem descritos, nem mesmo os materiais
usados (smartphones e carros). Poderia ter sido detalhado o impacto do atraso no
reconhecimento da posição e como ele foi calculado, já que é um fator muito relevante
para o sistema.
O artigo cita que o sistema emite aviso ao detectar o uso do aparelho para escrever
texto enquanto se dirige, mas não é claro qual é o aviso e como ele é mostrado.
4. CarSafe
Neste capítulo será descrito o CarSafe, um aplicativo para smartphones Android
que alerta o motorista de situações perigosas na direção. Para o funcionamento, o app faz
uso das câmeras frontais e traseiras do aparelho, bem como os sensores inerciais. Além
disso, busca utilizar a capacidade de processamento distribuído nos dispositivos
multicore. Os autores afirmam que a precisão do aplicativo é de 83%.
O aplicativo funciona com o dispositivo acoplado em um suporte no vidro frontal
do carro (Figura 7) e emite avisos sonoros e imagens na tela do dispositivo para alertar as
situações de perigo (Figura 8).
Primeiramente, será feita uma descrição geral do sistema, seguida por uma breve
descrição de suas partes e a apresentação de resultados. Não serão apresentados detalhes
técnicos da implementação, já que o artigo principal deste trabalho é o TEXIVE.
Figura 7 – Dispositivo Samsung
Galaxy S3 montado e rodando o
aplicativo CarSafe.
Figura 8 – User Interface do CarSafe App.
4.1 Visão geral do sistema
O aplicativo faz uso das duas câmeras dos smartphones para a detecção de
situações perigosas na direção. A câmera frontal monitora a face do motorista e a câmera
traseira monitora a pista.
A primeira limitação dos dispositivos é o fato de não ser possível processar
streams de vídeo de ambas as câmeras simultaneamente. Para mitigar este problema, o
aplicativo faz uso dos sensores inerciais para dar dicas a um algoritmo para a mudança
entre as câmeras. O aplicativo foi desenvolvido levando em consideração o atraso gerado
ao alternar a câmera ativa. Portanto, no futuro, quando a possibilidade de processamento
simultâneo das câmeras for uma realidade, o sistema funcionará sem modificações e
apresentará melhores resultados, pois este atraso será reduzido a zero.
A Figura 9 ilustra as ferramentas do smartphone que são utilizadas.
Figura 9 – Ilustração do uso das câmeras frontal e traseira e dos sensores
inerciais do aparelho.
Figura 10 – Arquitetura do sistema
A Figura 10 apresenta a arquitetura do sistema. Visto de baixo para cima, o
fluxo inicia com a captura das informações de ambas as câmeras e dos sensores
inerciais. Os sensores inerciais são utilizados para detectar movimentos do veículo
como curvas e aumento de velocidade. Estas informações são analisadas no pipeline de
classificação do carro e utilizadas para alimentar o algoritmo de alternância das
câmeras, junto com as imagens destas. As imagens da câmera traseira alimentam o
pipeline de classificação da pista, que realimenta o algoritmo de mudança de câmera.
Por exemplo, se o carro está fazendo uma curva, detectada pela câmera traseira ou pelos
sensores inerciais, a câmera frontal deve ser ativada para verificar se o motorista está
atento, através do pipeline de classificação do motorista, alimentado pelas imagens da
câmera frontal. Todas estas informações são analisadas para detectar eventos inseguros
na direção e, então, alertar o motorista.
Os eventos inseguros na direção que o aplicativo busca detectar são os seguintes:





Sonolência: as imagens da câmera frontal monitoram a frequência e
duração das piscadas do motorista, para determinar o estado de sonolência.
Uma das dificuldades apresentadas neste caso são as diferentes
características físicas das pessoas e expressões faciais, uso de óculos e
condições de iluminação.
Desatenção: as imagens da câmera frontal monitoram a direção da face do
motorista, para determinar se ele está olhando para a pista enquanto o carro
está se movendo para frente.
Proximidade do veículo da frente: a câmera traseira monitora a pista e a
distância do veículo ao carro da frente pode ser calculada.
Muitas mudanças de faixa: o ato popularmente conhecido como “costurar”
é detectado pela câmera traseira, que monitora as faixas da pista, e sensores
inerciais, que monitoram mudanças na direção e aceleração.
Mudança de faixa desatenta: a câmera frontal do aparelho detecta se o
motorista checou os espelhos antes de mudar de faixa, pela posição da
face.
4.2 Pipelines de classificação
A detecção de eventos inseguros é feita baseada na classificação de três atores do
sistema: o motorista, a pista e o veículo. Com base nas informações obtidas por estas
classificações, o aplicativo infere um comportamento inseguro e alerta o motorista. O
aplicativo foi construído de modo a fazer uso da capacidade de multiprocessamento
presente nos smartphones multicore, sendo que cada pipeline de classificação é
processada, se possível, em um processador diferente.
4.2.1
Pipeline de classificação do motorista
A câmera frontal do dispositivo monitora a face e os olhos do motorista para
classificar o estado de atenção. A Figura 11 ilustra o fluxo de dados.
A face é classificada em uma de quatro categorias: a face não está presente na
imagem, a face está virada para frente, a face está virada para a esquerda com um ângulo
maior ou igual a 15 graus ou a face está virada para a direita com um ângulo maior ou
igual a 15 graus.
Para a classificação do olho do motorista, primeiramente é detectado o centro do
olho e então a imagem é comparada com outras de um banco de dados com 160 imagens
com olhos abertos e 160 imagens com olhos fechados.
Figura 11 – Fluxo de classificação da face e olhos do motorista
4.2.2
Pipeline de classificação da pista
A câmera traseira do smartphone monitora a pista para detectar mudanças de faixa
e veículos próximo à frente.
A proximidade de um veículo à frente é feita em duas etapas. Primeiramente,
detecta-se o veículo, utilizando a imagem obtida. Previamente, o classificador foi treinado
com imagens similares para auxiliar a detecção. Em seguida, é calculada a distância do
veículo utilizando uma projeção de câmera pinhole (Figuras 12a e 12c).
Para a classificação da trajetória na faixa da pista, é utilizada a imagem da câmera
traseira, com sua perspectiva alterada para otimizar a análise (Figura 12b), para detectar
as faixas. Então, baseado na posição da faixa em relação ao smartphone e nos dados
estatísticos de mudança de faixa, é determinado o estado da trajetória.
Figura 12 – Medição da distância em relação ao veículo à frente (a e c). Imagem da
faixa na pista, com a perspectiva alterada (b).
4.2.3
Pipeline de classificação do carro
A classificação do carro possui três componentes: cálculo da velocidade, detecção
de curva e classificação da trajetória e o fluxo pode ser visto na Figura 13.
A velocidade é calculada a partir dos dados do GPS. A cada cinco segundos a
distância percorrida é medida e a velocidade é calculada. Os dados do GPS são usados
também para a detecção da curva. A posição é convertida para coordenadas cartesianas
onde dois pontos consecutivos formam um vetor. Se é detectado uma diferença de
aproximadamente 50 graus nos ângulos dos vetores dentro de uma janela de dez
segundos, infere-se que houve uma curva.
A terceira componente detecta a mudança de faixa, como é feito no pipeline de
classificação da pista, porém, neste caso são utilizados os sensores inerciais do
dispositivo. A informação obtida é utilizada para alimentar o algoritmo de mudança das
câmeras.
Figura 13 – Fluxo de dados no pipeline de classificação do carro
4.3 Testes e resultados
Os testes feitos pelos autores foram realizados em dois cenários. O primeiro, um
ambiente controlado, com um piloto e um copiloto para simular as situações perigosas.
Seis pilotos do sexo masculino realizaram estes testes. O segundo, o uso no dia-a-dia,
feito com seis pilotos, sendo uma mulher e cinco homens. Os doze pilotos tinham entre
23 e 53 anos de idade e alguns dos veículos utilizados foram os seguintes: Dodge Stratus,
Volkswagen Tiguan, Honda Civic, Subaru Forester, Subaru Outback, Nissan
Camry, Volvo 850 e Mazda Familia. No total, os testes resultaram em 300 minutos de
direção, durante os quais ocorreram 164 eventos perigosos. Destes 164 eventos, 121
foram produzidos no ambiente controlado e 43 eventos ocorreram naturalmente no teste
do dia-a-dia, sendo que a maior parte ocorreu por aproximação demasiada do veículo à
frente, com 22 casos.
No geral, o aplicativo apresentou precisão de 83%. A menor precisão nos
resultados foi proveniente da detecção de sonolência, com 60%.
Na detecção da face, os maiores problemas encontrados foram com a perda da
informação devido à mudança das câmeras e também pela face virar pouco, de forma a
dificultar a detecção. Estes erros se propagam na detecção de desatenção do motorista.
Neste evento, outro erro comum é por falha na detecção de curva devido ao fato das faixas
na pista ficarem pouco tempo perto do veículo ao mudar de faixa.
Na detecção do estado do olho, os resultados foram bons e as maiores dificuldades
são relacionadas às condições de luz e à reflexão nos óculos do motorista.
Na classificação do carro, a precisão obtida foi boa, sendo que os maiores
problemas se deram em estradas muito curvilíneas, onde o sinal do GPS resultou em
amostras ruidosas.
5. Conclusão
Foram apresentados vários sistemas para auxiliar motoristas e alertá-los de
situações de risco. TEXIVE se destaca por utilizar somente o smartphone, sem
modificações no veículo e sem interação do usuário. Suas desvantagens são o fato de
apenas detectar a digitação durante a direção quando o usuário já está digitando o texto e
necessitar que o aparelho seja portado no bolso da calça. Porém, apesar de não discutido
no artigo, o uso de bateria deve ser menor em relação ao CarSafe, que utiliza ambas as
câmeras, além de sensores inerciais. Um possível uso para o TEXIVE seria por parte das
seguradoras, para determinar um perfil de risco relacionados a clientes que utilizam
smartphone enquanto dirigem. Por outro lado, o CarSafe é um aplicativo voltado ao
motorista. Mesmo utilizando mais bateria, seria possível conectá-lo ao isqueiro do
veículo, mitigando o problema. Como desvantagens podemos citar o resultado
questionável em más condições de luz e a necessidade de montar o aparelho no vidro do
veículo. Além disso, é necessário que o aparelho possua câmera frontal e traseira para o
funcionamento completo.
Enquanto os veículos que saem da fábrica com esse tipo de sistema atualmente
não são acessíveis para a maior parte das pessoas devido ao seu alto custo, os sistemas
para smartphones, como os descritos na monografia, vêm apresentando resultados
satisfatórios e se colocam como uma ótima solução de baixo-custo para tentar reduzir o
elevado número de acidentes de carro no mundo todo.
Referências
[1] World Health Organization.
http://www.who.int/mediacentre/factsheets/fs310/en/
[2] National Highway Traffic Safety Administration (NHTSA).
http://www.nhtsa.gov/
[3] DPVAT.
http://www.viverseguronotransito.com.br/
[4] Gartner.
http://www.gartner.com/newsroom/id/2692318
[5] Mercedes-Benz Attention Assist.
http://www.mbusa.com/mercedes/benz/safety#module-3
[6] Ford Driver Alert.
http://corporate.ford.com/microsites/sustainability-report-2012-13/vehicle-technologiesavoidance
[7] BMW Active Protection.
http://www.bmw.com/com/en/newvehicles/5series/sedan/2013/showroom/driver_assista
nce/active_protection.html
[8] Cheng Bo, Xuesi Jian, Xiang-Yang Li, Xufei Mao, Yu Wang, Fan Li. You're Driving
and Texting: Detecting Drivers Using Personal Smart Phones by Leveraging Inertial
Sensors. MobiCom, 2013.
[9] C.-W. You, N. D. Lane, F. Chen, R. Wang, Z. Chen, T. J. Bao, M. Montes-de Oca, Y.
Cheng, M. Lin, L. Torresani, et al. Carsafe App: Alerting drowsy and distracted drivers
using dual cameras on smartphones. ACM Mobisys, 2013.
[10] J. Yang, S. Sidhom, G. Chandrasekaran, T. Vu, H. Liu, N. Cecan, Y. Chen, M.
Gruteser, and R. Martin. Detecting driver phone use leveraging car speakers. In ACM
MobiCom, pages 97–108, 2011.
[11] H. Chu, V. Raman, J. Shen, R. Choudhury, A. Kansal, and V. Bahl. In-vehicle driver
detection using mobile phone sensors. In ACM MobiSys, 2011.
[12] Y. Wang, J. Yang, H. Liu, Y. Chen, M. Gruteser, and R. P. Martin. Sensing vehicle
dynamics for determining driver phone use. In ACM MobiSys, 2013.
[13] OBD-II.
http://www.obdii.com/
[14] L. Rabiner and B. Juang. An introduction to hidden markov models. IEEE ASSP
Magazine, 3(1):4–16, 1986.