La conducción es una tarea compleja que involucra aspectos como la percepción o el tiempo de respuesta y, hacerlo bajos los efectos del sueño o la fatiga, da lugar a que se produzcan, inevitablemente, accidentes. Ante la aparición de la misma, lo fundamental es que el conductor sea capaz de identificarla rápidamente y sepa cómo actuar adecuadamente.

En los últimos años han surgido numerosas tecnologías enfocadas a ayudar al conductor a detectar la aparición de fatiga. Dentro de los sistemas de seguridad, encontramos dos vías fundamentales de actuación: aquellas centradas en el estudio de los parámetros de conducción y, por otro lado, aquellos sistemas que monitorizan el comportamiento del usuario.

El objetivo de este Trabajo de Fin de Grado, “Diseño e implementación de un sistema de reconocimiento facial enfocado a la detección de fatiga en un usuario”, consiste en el desarrollo de un sistema basado en el estudio de los rasgos faciales del conductor para el reconocimiento de síntomas de fatiga. En concreto, se centra en la monitorización y análisis del movimiento de los ojos y la velocidad de parpadeo.

Este sistema constará de una cámara encargada de obtener imágenes de la cara del conductor. La cámara será infrarroja, ya que un requisito del sistema, es su posible uso independientemente de que sea de día o de noche. Estará integrada en un sistema empotrado, el cual se ha decidido que sea una Raspberry Pi 2.

El algoritmo desarrollado cuenta con tres fases principales: la detección de los ojos y la cara; la determinación del estado de los ojos, abiertos o cerrados; y la determinación del nivel de alerta del sujeto.

A la hora de la selección del sistema empotrado, así como del desarrollo del algoritmo, se han buscado siempre aquellos, que cumpliendo los requisitos necesarios, supongan el menor coste posible.

Las tareas realizadas para el desarrollo del sistema se resumen a continuación:

• Estudio de la fatiga y sus posibles indicadores. Se ha revisado la literatura existente sobre la fatiga para determinar que parámetros son los más adecuados para su detección. Se ha optado por aquellos relacionados con el cierre lento de parpados, calculados mediante AVECLOS. Este hace referencia al porcentaje de tiempo que los ojos se encuentran completamente cerrados en una ventana de tiempo de un minuto. También se lleva a cabo la detección de microsueños, cierres de los ojos de más de un segundo que aparecen en estados de fatiga severa.
• Elección de la cámara con la que se desea trabajar. Se ha realizado un estudio de las cámaras infrarrojas existentes en el mercado y se ha optado por aquella que se ajustaba mejor a los requisitos.
• Implementación de un algoritmo de reconocimiento de cara y ojos mediante la utilización del algoritmo de Viola-Jones.
• Implementación de un algoritmo de reconocimiento de fatiga. Este se ha dividido en dos fases. Primero, se ha realizado la determinación del estado del ojo, abierto o cerrado, basándose en la detección del iris mediante reconocimiento de regiones. Posteriormente, mediante el cálculo de AVECLOS se han establecido tres estados de alerta: no fatiga, fatiga ligera y fatiga severa.
• Elección de un sistema empotrado en el que se realice el procesamiento de las imágenes obtenidas. Se ha seleccionado la Raspberry Pi 2. La cámara se ha integrado en el sistema mediante una de las conexiones USB que presenta la placa.
• Evaluación y prueba del sistema completo. Se ha estudiado tanto la actuación de los distintos elementos del algoritmo como su funcionamiento global. Las pruebas se han realizado en nueve sujetos, hombres y mujeres, de distintas edades.

Se ha conseguido el desarrollo de un sistema de reconocimiento facial para la detección de la fatiga, con resultados fiables bajo condiciones controladas. Se ha demostrado que es capaz de diferenciar correctamente estados normales del conductor, así como la presencia de fatiga severa. Aunque está condicionado por evidentes limitaciones, la introducción de futuras mejoras podría convertirlo en un sistema capaz de avisar al conductor eficazmente del comienzo de estados peligrosos de fatiga.

El número de dispositivos inalámbricos aumentó en 563 millones en el año 2015 según Cisco, y se prevé que para el año 2020 se alcance la cuota de 1.5 dispositivos per capita. Esta tendencia provocará que en el futuro no se puedan satisfacer las necesidades de espectro de estos dispositivos, especialmente en las bandas ISM, donde no se requiere una licencia para operar y por tanto existe mayor saturación. Por ese motivo es necesario desarrollar nuevas técnicas, estrategias y protocolos que permitan un mejor uso del espectro.

Para satisfacer estas necesidades surge en 1999 un nuevo paradigma en las comunicaciones radio conocido como Radio Cognitiva (CR). Este nuevo paradigma permite a los sistemas radio ser conscientes de sus propios recursos, del estado del espectro y de las necesidades de comunicación de los usuarios. Esta inteligencia le permite adaptarse al contexto de uso y a las necesidades de comunicación con el propósito de mejorar sus prestaciones a través de lo que se denomina ciclo cognitivo. Este ciclo cognitivo abarca desde la observación del espectro a la toma de decisiones en base a este último.

Por otro lado, se viene desarrollando desde hace años la tecnología de Radio Definida por Software (SDR). La SDR se diferencia de los sistemas radio tradicionales que utilizan transceptores altamente integrados en que la primera tiene su stack de protocolos definido por software, desde la capa física hasta las capas más altas, lo que le otorga una enorme flexibilidad y capacidad de reconfiguración. La unión de la SDR y la CR se entendió desde el primer momento como un desenlace necesario.

Este Trabajo de Fin de Grado (TFG) parte del estudio de los algoritmos de sensado espectral más utilizados: algoritmos de detección de características específicas de señal y algoritmos de sensado agnósticos (blind sensing). Se estudian las tecnologías SDR y CR con el fin de implementar técnicas de sensado espectral basadas en la tecnología SDR sobre la plataforma BladeRF de Nuand, utilizando GNU Radio como herramienta de desarrollo.

Se limitó el escenario de operación a la banda de 2,4 GHz, con la suposición de que el dispositivo sensor no tiene conocimientos a priori sobre las señales, los usuarios o los servicios presentes en dicha banda. Esta limitación obliga a emplear técnicas de sensado agnóstico basadas en la detección de energía, o radiometría. Se desarrollaron dos técnicas de sensado para tratar de caracterizar el espectro: una en el dominio de la frecuencia y otra en el dominio del tiempo.

La técnica de sensado en el dominio de la frecuencia analiza los picos de potencia a través de la banda con el objetivo de encontrar los canales menos ocupados o que demanden menor potencia al transmisor.

La técnica de sensado en el dominio del tiempo se basa en la detección de ráfagas de tráfico para realizar estimaciones sobre el comportamiento estadistico de un canal en el tiempo para un determinado umbral de potencia de observación. Obtiene información acerca de la distribución de los tamaños de ráfaga y  los tiempos en que el canal queda libre. La elección del umbral no es trivial, y de ella depende que los resultados del análisis sean fiables. Para ello se realiza un análisis a priori de la distribución de potencia en el canal, se separan las distribuciones de potencia similar (generalmente asociadas a transmisores distintos) y se establecen los umbrales de comparación que maximizan la probabilidad de detección a la vez que se minimiza la probabilidad de falsa detección.

Por último, para probar y validar las técnicas de sensado implementadas, se desarrolló un inyector de tráfico SDR sobre la misma plataforma BladeRF. Este inyector permite introducir tráfico controlado y de características conocidas con objeto de probar la respuesta de los algoritmos de sensado espectral.