Esta tesis se propone un sistema el cual mediante una cámara web monitoree el rostro del usuario, para lo cual se ha propuesto un análisis de imágenes en tiempo real, mismo que analiza rasgos característicos del usuario, el sistema no es invasivo adaptativo a cambios de iluminación y entorno y aplicable a cualquier persona. esta basado en el análisis de fatiga del conductor el cual se desarrolla estableciendo parámetros que engloba la visión artificial orientada al seguimiento y análisis de los ojos, para alcanzar este objetivo incursionamos en el método Haar – Cascade para el reconocimiento del rostro y procesamiento de imágenes. Para demostrar las prestaciones del sistema este es implementado y sometido a pruebas el cual, es desarrollado sobre la tarjeta electrónica Raspberry Pi, y una video cámara Web mismo que funciona mediante el procesamiento de imágenes en tiempo real

1. INGENIERÍA ELECTRÓNICA
sistema de detección de sueño, en el vehículo.
Autor: Héctor Adrian Carangui Siguencia.
Azogues-Ecuador
2021
.

2. I
ÍNDICE GENERAL
ÍNDICE GENERAL ..........................................................................................................I
ÍNDICEDE TABLAS......................................................................................................III
ÍNDICEDE FIGURAS ................................................................................................... IV
Capítulo I .................................................................................................................... 1
1.1. Antecedentes ................................................................................................. 1
1.2. Justificación................................................................................................... 1
1.3. Definición del problema................................................................................ 2
1.4. Objetivos ....................................................................................................... 2
1.4.1. Objetivo general..................................................................................... 2
1.4.2. Objetivos específicos ............................................................................. 2
1.5. Metodología .................................................................................................. 3
Capítulo II................................................................................................................... 4
Fundamentación teórica............................................................................................ 4
2.1. Fatiga............................................................................................................. 4
2.2. Somnolencia.................................................................................................. 5
2.2.1. Factores que causan somnolencia .......................................................... 6
2.3. Tecnologías actuales para la detección de la somnolencia ........................... 6
2.3.1. OptAlert ................................................................................................. 7
2.3.2. Detector de fatiga de Bosch................................................................... 7
2.4. Afección la somnolencia en la conducción................................................... 7
2.5. El ojo humano ............................................................................................... 8
2.6. Parpadeo o pestañeo...................................................................................... 8
2.7. Frecuencia de parpadeo................................................................................. 8
2.8. Tiempo de duración del parpadeo ................................................................. 9
2.9. Nivel de apertura del ojo ............................................................................... 9
2.10. Procesos para la detección de rostro y ojos ............................................... 9
2.11. Seguimiento del rostro............................................................................. 10
2.12. Visión Artificial....................................................................................... 10

3. II
2.13. Procesamiento digital de imágenes.......................................................... 11
2.14. Sistemas de visión por computador ......................................................... 11
2.15. Raspberry Pi 3 Model B .......................................................................... 12
2.16. Cámara Web ............................................................................................ 12
2.17. Open CV .................................................................................................. 12
2.18. Instalación de Open CV en Raspbian ...................................................... 12
2.19. Librerías de Open CV.............................................................................. 13
2.20. Detección y reconocimiento facial .......................................................... 13
2.21. Detección de ojos..................................................................................... 14
2.22. Evaluación de apertura y posición del ojo en imágenes filtradas ............ 14
2.23. Seguimiento de los ojos ........................................................................... 15
2.24. Clasificador Haar - Cascade .................................................................... 16
2.25. Reconocimiento facial con Open CV ...................................................... 17
2.26. Los sistemas de reconocimiento facial automáticos ................................ 17
Capítulo III ............................................................................................................... 18
Desarrollo del sistema de detección de cansancio o fatiga al momento de conducir
.................................................................................................................................... 18
3.1. Descripción general del sistema. ................................................................. 18
3.2. Diseño de un sistema de reconocimiento de patrones................................. 18
3.3. Diagrama de bloques de funcionamiento del sistema ................................. 21
3.4. Sistemas de adquisición de imágenes.......................................................... 22
3.5. Procesado de Imágenes ............................................................................... 22
3.6. Indicadores de fatiga en la conducción ....................................................... 23
3.7. Diseño e implementación del software ....................................................... 23
3.8. Selección de técnicas de reconocimiento facial.......................................... 23
3.9. Fase de entrenamiento................................................................................. 24
3.10. Arquitectura del sistema propuesto ......................................................... 25

4. III
3.11. Sistema operativo y software de programación....................................... 25
3.12. Técnicas para el seguimiento de rostros .................................................. 26
3.13. Detectores Haar para la detección de la cara y ojos ................................ 26
3.14. Desarrollo del algoritmo de detección de la somnolencia ....................... 27
3.15. Método de detección de áreas.................................................................. 29
3.16. Algoritmo K-Nearest Neighbors.............................................................. 31
3.17. Implementación del sistema de detección de cansancio .......................... 31
3.18. Indicador de alerta ................................................................................... 32
3.19. Análisis de costo del proyecto ................................................................. 32
CAPÍTULO IV ......................................................................................................... 33
CONCLUSIONES Y RECOMENDACIONES..................................................... 33
4.1. Conclusiones ............................................................................................... 33
4.2. Recomendaciones........................................................................................ 33
ÍNDICE DE TABLAS
Tabla 1. Evaluación de costos..............................................................................32

5. IV
ÍNDICE DE FIGURAS
Figura 1. Diagrama de funcionamiento del sistema de control. .................................6
Figura 2. Nivel de apertura del ojo humano. ..............................................................9

6. V
Figura 3. Características visuales en una imagen. ....................................................14
Figura 4. Estados aplicados al seguimiento de los ojos............................................16
Figura 5. Esquema general de un reconocimiento de patrones.................................19
Figura 6. Diagrama de bloques del funcionamiento del sistema. .............................21
Figura 7. Sistema activo de detección de somnolencia. ...........................................24
Figura 8. Arquitectura del prototipo para la detección de signos de fatiga. .............25
Figura 9. Técnicas para el seguimiento de rostros. ...................................................26
Figura 10. Algoritmo de detección de la somnolencia. ............................................28
Figura 11. Contorno de los ojos................................................................................29
Figura 12. Grafica de valores de porcentaje en tres estados. ....................................30

7. VI
RESUMEN
Esta tesis se propone un sistema el cual mediante una cámara web monitoree el rostro
del usuario, para lo cual se ha propuesto un análisis de imágenes en tiempo real, mismo
que analiza rasgos característicos del usuario, el sistema no es invasivo adaptativo a
cambios de iluminación y entorno y aplicable a cualquier persona. esta basado en el
análisis de fatiga del conductor el cual se desarrolla estableciendo parámetros que
engloba la visión artificial orientada al seguimiento y análisis de los ojos, para alcanzar
este objetivo incursionamos en el método Haar – Cascade para el reconocimiento del
rostro y procesamiento de imágenes.
Para demostrar las prestaciones del sistema este es implementado y sometido a pruebas
el cual, es desarrollado sobre la tarjeta electrónica Raspberry Pi, y una video cámara
Web mismo que funciona mediante el procesamiento de imágenes en tiempo real.
Palabras clave: Inteligencia artificial, visión artificial, método Haar – Cascade,
Raspberry Pi 3b, cámara Web.

8. 1
Capítulo I
1.1.Antecedentes
El índice de accidentes por pérdida de pista, muestra que estos se originan al conducir
en estado de somnolencia, o debido a malas condiciones físicas. La mayoría de
vehículos en el Ecuador son de gama baja, los cuales no vienen con la tecnología
suficiente, como para alertar estos estados, previniendo accidentes. El avance
tecnológico busca alcanzar innovaciones que permita al conductor ofrecerle una alta
efectividad en seguridad (López Romero, 2016).
El procesamiento de imágenes en la inteligencia artificial es conocido como la visión
artificial, estos avances permiten realizar un procesamiento mediante algoritmos
computacionales, los cuales conjuntamente con el lenguaje de desarrollo Open CV
buscan solventar esta necesidad(Flores Calero, 2009).
En la última década ha surgido un gran avance tecnológico ofreciendo ordenadores de
alto nivel los cuales pueden simplificar la vida con el desarrollo de la inteligencia
artificial (López Romero, 2016).
La inteligencia artificial avanza cambiando el estilo de vida de todos los seres
humanos, no tanto respecto a lo que podemos hacer con ella sino en lo que se aplica,
esta hace referencia a una secuencia de algoritmos establecidos de acuerdo a las
necesidades requeridas(Israel, 2016).
1.2.Justificación
El avance tecnológico ha revolucionado nuestras vidas, teniendo al alcance
ordenadores y software de alto nivel, los cuales permiten la vinculación con equipos,
datos en la nube, los cuales mejoran la calidad de vida de las personas. Este avance
busca alcanzar innovaciones que permitan a los conductores obtener seguridad al
momento de conducir durante grandes periodos de tiempo, por lo general los vehículos
en Ecuador son de gama baja mismos que no constan con sistemas que proporcionen

9. 2
alertas frente a síntomas de cansancio, razón por la cual se plantea este proyecto mismo
que plantea el desarrollo de un algoritmo capaz de determinar los signos de fatiga o
cansancio en la conducción, utilizando los métodos de visión artificial (Israel, 2016).
1.3.Definición del problema
En el Ecuador se han presentado múltiples accidentes, ocasionados por choques
laterales, estrellamiento o perdida de pista, los cuales se producen por síntomas de
fatiga o cansancio al momento de conducir. Siendo este una de las mayores afecciones
presentes en este año. La fatiga o somnolencia al momento de conducir es determinada
como un factor de riesgo la cual origina accidentes de tránsito, esta se produce debido
a la privación de sueño con excesivas horas de conducción, generando un conflicto
entre las necesidades fisiológicas y las actividades profesionales del conductor, por lo
tanto, es fundamental el entendimiento de los limites humanos entre la fatiga, la
somnolencia y la privación de sueño. Estos síntomas en los conductores es un factor
muy importante a tomar en cuenta por ocasionar excesivos accidentes de tránsito, es
por esta razón que durante la última década el problema de somnolencia en
conductores ha recibido un incremento importante de atención por parte de la
comunidad científica(Alexander et al., 2017).
1.4.Objetivos
1.4.1. Objetivo general
Diseñar un sistema que monitoree la fatiga o somnolencia al momento de operar
vehículos a grandes distancias
1.4.2. Objetivos específicos
 Realizar una descripción del análisis de la fatiga al momento de conducir.
 Diseñar un algoritmo que permita identificar el rostro del conductor para
determinar síntomas de fatiga.

10. 3
 Implementar el prototipo en un vehículo para comprobar el funcionamiento del
sistema.
 Verificar que el sistema cumpla con los requerimientos de identificación de
cansancio para determinar la eficiencia del proyecto.
1.5.Metodología
como estudiante de ingeniería en este proyecto se ha propuesto realizar un sistema de
detección del cansancio, el cual está basado en Inteligencia Artificial, y el
procesamiento de imágenes el cual es indispensable para la detección de rasgos
faciales.
La visión artificial y el procesamiento de imágenes es una parte indispensable para la
detección de rasgos faciales, por este motivo se ha propuesto utilizar la investigación
experimental ya que provee medios alternos y extienden los límites del conocimiento
teórico las cuales son llevadas a cabo a través de un análisis de aquí la importancia de
esta investigación. En la parte final se utilizará la metodología inductiva – deductiva
ya que establece los procedimientos necesarios para alcanzar los objetivos planteados.
Open cv ofrece un conjunto de librerías esenciales para el desarrollo del proyecto y
entrenamiento de modelos supervisados en el diseño y desarrollo, la fase de
aprendizaje va relacionada con los datos obtenidos por la cámara web la cual esta
posicionada estratégicamente para capturar las imágenes frontales de los conductores
cuando estén conduciendo a las cuales se les aplica un clasificador en cascada para
detectar el rostro del conductor, luego se obtiene la región de interés es decir los ojos
del rostro detectado.

11. 4
Capítulo II
Fundamentación teórica
Esta sección da a conocer el análisis de los temas que intervienen en el desarrollo del
proyecto, su marco conceptual, que abarca únicamente teoría y definiciones.
2.1.Fatiga
Se define como la falta de energía y la presencia de sueño, es un síntoma que puede
ser complicado de descubrir, para las personas en general se suele definir como letargo,
agotamiento o cansancio (Moreno, 2011), algunos de estos síntomas se describen a
continuación los cuales son.
 Parpadeos constantes y prolongados.
 Tiempo lento de reacción.
 Ardor de ojos.
 Menor concentración.
 Adormecimiento de los ojos.
 Alteración de los sentidos.
 Movimientos inquietos y constantes.
Aunque, existen varios factores que contribuyen a que una persona se quede dormida
mientras conduce un vehículo dentro de las cuales destacan las siguientes.
 Consumo de medicamentes que producen sueño.
 Conducir por periodos prolongados de tiempo.
 Consumo de estupefacientes.
 Cansancio por esfuerzo físico o mental.

12. 5
2.2.Somnolencia
Está definida como la sensación de pesadez y torpeza de los sentidos motivada por el
sueño a la cual se le domina como vigilia y el sueño profundo, el comienzo de esta
etapa no es un evento único sino se origina por varias funciones neurológicas las cuales
producen cambios sensoriales, en la memoria, conciencia, perdida del pensamiento
lógico, latencia en la respuesta a estímulos y alteraciones en los potenciales cerebrales
(Guevara Carrillo & Valencia Bernal, 2013). Los riesgos que presentan la somnolencia
en una persona son los siguientes.
 Dormirse en cualquier momento.
 Perdida de pista mientras conduce.
Algunas de las características más notorias del estado de somnolencia a nivel
fisiológico se puede ver principalmente en el rostro de las personas, sus ojos,
movimientos faciales, de boca y cabeceo, estos parámetros son claves a la hora de
determinar su se está en estado de somnolencia o vigilia, otros factores que determinan
o dan información clave son las señales cerebrales, cardiacas y oculografia, a pesar de
que estas no se visualizan sin la ayuda de instrumentación especial dan información
precisa (Guevara Carrillo & Valencia Bernal, 2013).No hay un método o métrica
establecida para determinar el estado de somnolencia las funciones fisiológicas
asociadas con el sueño y sus fases es el único método conocido que da información
precisa del estado real de alerta de una persona, en la Figura 1. se describe el
funcionamiento de control de estados.

13. 6
Figura 1. Diagrama de funcionamiento del sistema de control.
Fuente.(Guevara Carrillo & Valencia Bernal, 2013)
2.2.1. Factores que causan somnolencia
Algunas de las características más notorias del estado de somnolencia a nivel
fisiológico se puede ver principalmente en el rostro de las personas sus ojos
movimientos faciales de boca y cabeceo, estos parámetros son claves para determinar
si se está en somnolencia o vigilia (López Romero, 2016).
2.3.Tecnologías actuales para la detección de la somnolencia
Las tecnologías relacionadas con la prevención y detección de somnolencia en
conductores, constituyen elementos de seguridad activos en los vehículos modernos,
el análisis de la somnolencia comprenden modelos comerciales y sistemas patentados
siendo los más importantes, OptAlert, detector de fatiga de Bosch (“Detector de fatiga
al volante Bosch [Laboratorio Tecmovia] | Tecmovia,” 2014).

14. 7
2.3.1. OptAlert
Está basada en la detección de patrones en tiempo real, validando de forma
independiente el surgimiento de la somnolencia, del conductor en un viaje, midiendo
con precisión y en tiempo real, la atención y somnolencia de un conductor, mediante
el uso de pulsos invisibles de luz los cuales detectan el movimiento de los ojos y los
parpados. (“Detector de fatiga al volante Bosch [Laboratorio Tecmovia] | Tecmovia,”
2014).
2.3.2. Detector de fatiga de Bosch
El sensor funciona a partir de un servo el cual provee dirección eléctrica o ángulo de
giro del volante que es parte del sistema ESP, el detector de fatiga de Bosch interpreta
los movimientos del volante y recomienda al conductor que se tome un pequeño
descanso si detecta anomalías en su conducción, ya que el análisis es periódico desde
el momento que inicia su conducción. Estos datos que analiza se basan en fases, en las
que el conductor apenas mueve el volante, y que posteriormente combina movimientos
bruscos y rápidos, para mantener el vehículo en el carril. Las decisiones que toma este
sistema esta basada en la frecuencia de estas correcciones de conducción, y otros
parámetros como son la duración de proyecto, el uso de los intermitentes y la hora del
día (“Detector de fatiga al volante Bosch [Laboratorio Tecmovia] | Tecmovia,” 2014).
2.4.Afección la somnolencia en la conducción
Está a diferencia del alcoholismo y el exceso de velocidad no permite mayor control
sobre el vehículo debido a que si el conductor se duerme no reacciona a tiempo ante
algún imprevisto, es por esta razón que se piensa que la somnolencia es un factor de
riesgo tan grave como las antes mencionadas (Flores Calero, 2009). Las alteraciones
producidas por la somnolencia y que afectan a la conducción son.
 Incremento del tiempo de reacción.
 Menor concentración y más distracciones.
 Toma de decisiones más lentas y más errores.

15. 8
 Alteraciones y descoordinación motora.
 Aparición de micro sueños.
 Alteración de las funciones sensoriales.
 Alteraciones en la percepción.
 Cambios en el comportamiento.
2.5.El ojo humano
El ojo humano es uno de los sentidos más importantes ya que por medio de estos se
ingresa información al cerebro, del entorno que rodea a una persona, es importante que
el conductor presente condiciones favorables con respecto a su estado visual, para
reaccionar de manera adecuada frente a cualquier evento (Orosco & Pomasunco,
2018).
2.6.Parpadeo o pestañeo
El parpadeo es una acción de reflejo, que se realiza de manera voluntaria o involuntaria
el cual tiene dos funciones principales.
 Lubricar los ojos para evitar la resequedad.
 Proteger al ojo contra agentes externos como polvos y partículas extrañas.
El pestañeo voluntario es la acción resultante de cerrar y abrir los parpados de manera
consciente, mientras que el parpadeo involuntario o espontaneo tiene como objetivo
cumplir las funciones antes mencionadas (Orosco & Pomasunco, 2018).
2.7.Frecuencia de parpadeo
La frecuencia de parpadeo corresponde al número de veces que se parpadea en un
periodo de tiempo, esta se relaciona directamente con el estado mental de la persona y
con la actividad que se encuentra realizando, una persona parpadea aproximadamente

16. 9
entre 15 y 20 veces por minuto bajo condiciones normales (Orosco & Pomasunco,
2018).
2.8.Tiempo de duración del parpadeo
En el artículo realizado determino los siguientes parámetros con respecto al tiempo de
duración de parpadeo.
 Condiciones de estado despierto, menos de 200 ms.
 Condiciones de signos de cansancio o somnolencia, mayor a 500 ms.
Estos parámetros se implementarán en el capítulo 3 con el fin de analizar cuando una
persona presente signos de fatiga al momento de conducir un vehículo en el horario
nocturno.
2.9.Nivel de apertura del ojo
Para la detección somnolencia en un conductor, un factor determinante e importante
es el nivel de apertura de sus ojos, ya que en estos se refleja el cansancio de una
persona, razón por la cual este estudio, se enfocará directamente a tomar datos y
analizar el comportamiento de la apertura y cierre de los parpados para identificar si
una persona esta con somnolencia la cual se aprecia en la Figura 2 (Orosco &
Pomasunco, 2018).
Figura 2. Nivel de apertura del ojo humano.
Fuente.(Orosco & Pomasunco, 2018)
2.10. Procesos para la detección de rostro y ojos
Para el proceso de detección se utiliza el clasificador cascada Haar – based para la
detección de objetos, el resultado es un detector o clasificador bastante rápido, el cual

17. 10
está orientado a trabajar en tiempo real en el campo de reconocimiento de rostros. Los
detectores Haar – based pueden ser entrenados de forma automática para encontrar
caras de un gran conjunto de imágenes, el enfoque se centra principalmente en el
análisis del ojo a la boca pero si el desarrollo está pensado con el uso de cámaras de
visión nocturna la característica por defecto es el ojo (Flores Calero, 2009).
2.11. Seguimiento del rostro
Se utiliza la librería Template Matching la cual se utiliza para buscar y encontrar la
ubicación de una imagen de plantilla, en una imagen más grande, OpenCV viene con
cv2.matchTemplate() para este propósito la función retorna una imagen en escala de
grises, donde cada pixel indica el diámetro de pixeles con la plantilla. La imagen de
entrada donde se buscara el rostro es de tamaño (𝑤 𝑥 ℎ) y la imagen de plantilla
(𝑟𝑜𝑠𝑡𝑟𝑜) la imagen de resultado tendrá un tamaño (𝑊 − 𝑤 + 1, 𝐻 − ℎ + 1) (Flores
Calero, 2009)
2.12. Visión Artificial
La visión artificial es una rama de la inteligencia artificial, la cual está enfocada en el
procesamiento de imágenes, en la cual la señale de entrada capta la imagen con escala
RGB (Rojo, Verde y Azul), es una disciplina científica que incluye métodos para
adquirir, procesar y analizar imágenes del mundo real con el fin de producir
información la cual será analizada con la tarjeta Rasberry Pi. (Flores Calero, 2009).
La inteligencia artificial es una nueva forma de resolver problemas dentro de los cuales
se incluyen los sistemas expertos, siendo capaces de escribir su propio programa, un
sistema experto definido como una estructura de programación capaz de almacenar y
utilizar un conocimiento sobre un área determinada que se traduce en su capacidad de
aprendizaje. Según (Flores Calero, 2009), la inteligencia artificial es una rama de las
ciencias computacionales, encargada del razonamiento.

18. 11
2.13. Procesamiento digital de imágenes
el procesamiento de imágenes digitales es el conjunto de técnicas que se aplican con
el objetivo de mejorar la calidad o facilitar la búsqueda de información, se aplican
diferentes técnicas de filtrado dentro del procesamiento de imágenes cuyo objetivo es
mejorar la imagen para una aplicación específica, (Bertran Albertí, 2006.) los
principales objetivos que se persiguen con la aplicación de filtros son.
 Suavizar la imagen, reducir la cantidad de variaciones de intensidad de pixeles
entre pixeles vecinos.
 Eliminar ruido, elimina los pixeles cuyos niveles de intensidad es muy
diferente al de sus vecinos y cuyo origen puede estar tanto en el proceso de
adquisición de la imagen.
 Realzar bordes, destacar los bordes que se localizan en una imagen.
 Detectar bordes, detectar los pixeles donde se produce un cambio brusco.
2.14. Sistemas de visión por computador
La visión por computador es el conjunto de herramientas y métodos que permiten
obtener, procesar y analizar imágenes del mundo real con la finalidad de que puedan
ser tratadas por un ordenador lo cual permite automatizar una amplia gama de tareas
al aportar a las maquinas, la información que necesita para la toma de decisiones
correctas en cada una de las tareas en las que ha sido asignada. La técnica de visión
por computador es la base que mueve este monitoreo teniendo una eficiencia en el
trabajo encomendado, el cual genera alertas necesarias y tempranas previniendo
accidentes de tránsito debido a la fatiga o somnolencia, los métodos de visión por
computador se centran principalmente, en el análisis de las expresiones faciales y
movimiento de la cabeza a la hora de conducir, estos métodos toman el rostro y lo
modelan, para posteriormente por medio de técnicas matemáticas como regresión
lineal o de aprendizaje automático de maquina como las redes neuronales. (Bertran
Albertí, 2006).

19. 12
2.15. Raspberry Pi 3 Model B
Es un ordenador pequeño simple, se ha desarrollado para fomentar y ayudar en la
enseñanza de la programación informática, siendo un excelente punto de partida para
proyectos IoT (Internet de las cosas), el bajo coste, funcionalidad y desarrollo da como
resultado una placa accesible para todos y con numerosas opciones de conectividad
(“Teach, Learn, and Make with Raspberry Pi,” ).
2.16. Cámara Web
La cámara web cuenta con el sistema de conexión plug and play, sin requerir un
controlador de dispositivo, con una resolución de 640 x 480 pixeles/30fps, el cual
soporta Windows 7/8/10/vista/xp SP2. Para que la cámara funcione de manera correcta
el sistema requiere por lo mínimo un procesador Intel 1.6GHz o AMD, un espacio de
memoria RAM de 512MB y de 200MB. La resolución digital. Hace referencia la
numero de bits que se usa para codificar los niveles de intensidad luminosa.(Cancelas,
González, Álvarez, & Enguita, 2016).
2.17. Open CV
Open CV significa Open Source Computer Vision Library, la cual hace referencia a
una librería de tratamiento de imágenes, destinada principalmente a aplicaciones de
visión por computador en tiempo real, una de las principales ventajas es que funciona
en múltiples plataformas. es una biblioteca libre de visión artificial, originalmente
desarrollada por Intel, su utilidad va desde sistemas de seguridad con detección de
movimiento, hasta aplicativos de control de proceso donde se requiere reconocimiento
de objetos. Open CV viene con algunos detectores Haar predeterminados para su uso
se puede detectar las caras frontales, perfil, los ojos o la nariz, cargando diferentes
archivos XML, del clasificador cascada (OpenCV, 2016a).
2.18. Instalación de Open CV en Raspbian

20. 13
Raspbian al estar basado sobre debían instala una opción completa en la nube
(OpenCV, 2016a) los pasos para instalar son los siguientes.
 Actualiza las cabeceras del sistema operativo.
 Instala las dependencias necesarias para usar Open CV.
 Descarga y descomprime Open CV.
 Crea una carpeta built dentro de la descompresión y ejecuta cmake y make.
2.19. Librerías de Open CV
Open Source Computer Vision Library es de uso gratuito para fines académicos, es
compatible con sistemas operativos como Android, Windows, Linux, IOS, Mac OS.
Con la opción de elegir diferentes lenguajes de programación de los cuales destaca
OpenCV, ya que este enfatiza en el mundo de la visión artificial para tener eficiencia
en procesamiento digital de imágenes. (OpenCV, 2016a).
2.20. Detección y reconocimiento facial
OpenCV utiliza el algoritmo de Viola & Jones para detectar y reconocer rostros, este
algoritmo está pensado para detectar objetos concretos. Para la detección de objetos
necesita un clasificador los cuales se pueden definir como una plantilla, para detectar
un determinado objeto, a esta plantilla se la entrena proporcionándole cientos de
imágenes de ejemplo del objeto que se requiere detectar, la plantilla busca
características visuales las cuales son tipo Haar (Flores Calero, 2009). las cuales siguen
la secuencia que se detalla en la Figura 3.

21. 14
Figura 3. Características visuales en una imagen.
Fuente. (Flores Calero, 2009)
Al momento de entrenar con la plantilla se busca combinaciones de las características
expuestas en la Figura 3. Y se selecciona las más significativas para que formen parte
del clasificador. Cuando se requiere detectar objetos el algoritmo aplica una serie de
plantillas, sobre una región de interés en la que considera que podría hallarse el objeto
en cuestión, si alguna de estas plantillas acaba dando positivo, el algoritmo considera
que hay una coincidencia y se ha encontrado el objeto deseado en este caso un rostro.
(Flores Calero, 2009).
2.21. Detección de ojos
Una vez lograda la identificación de la región de rostro en la imagen es viable realizar
una segmentación previas de la región del mismo, los cuales están basados en en los
estudios de antropometría facial, los cuales en función al estudio de una base de datos
significativos respecto a rostros de diferentes razas y géneros las cuales se expresan en
la (Flores Calero, 2009).
2.22. Evaluación de apertura y posición del ojo en imágenes filtradas
Sobre una imagen filtrada se aplican conceptos de integral proyectiva vertical que
corresponde a la suma del nivel de gris, de todos los pixeles de una columna aplicado
de todas las columnas y el de integral proyectiva horizontal que es la suma de nivel de
gris de todos los pixeles de una fila aplicado a todas las filas dada una imagen I de

22. 15
dimensiones 𝐴𝑥𝐵 las integrales proyectivas se encuentran definidas por las siguientes
ecuaciones.
Ecuación 1. Integral proyectiva vertical.
𝑃𝐵(𝑦) =
1
𝐵
. ∑ 𝐼(𝑥, 𝑦);
𝑤−1
𝑥=0
∀𝑦= 0 𝐵 − 1
Ecuación 2. Integral proyectiva horizontal
𝑃𝑣 =
1
𝐵
. ∑ 𝐼(𝑥,𝑦);
𝐵−1
𝑦=0
∀𝑥= 0 𝐴 − 1
Aplicando estas ecuaciones sobre la imagen se obtienen señales continuas que
corresponden a la distribución de los niveles de gris en ambos ejes, las proyecciones
integrales y verticales del ojo se asemejan a una campana de Gauss. Las cuales se
convolucionan con un patrón de amplitud y desviación típica acordes a lo que se desee
encontrar, de modo que el valor máximo de la convolucion determine la posición del
iris en la imagen. Con este proceso se ha revelado mucho mas preciso que la búsqueda
de máximos y mínimos sobre las funciones proyectivas ya que con los filtros digitales
no siempre se eliminan todos los objetos no deseados de la imagen, habiendo ocasiones
en donde las cejas se introducen en la región clasificada como ojo produciendo
medidas inexactas de su apertura (Moreno, 2011) .
2.23. Seguimiento de los ojos
Ya determinada la posición del iris en una imagen habrá que repetir todo el proceso
para la imagen siguiente, lo que sería computacionalmente costoso, se ha empleado un
filtro de kalman como predictor para acotar la zona de búsqueda en la imagen
siguiente. Para tener un sistema robusto en el seguimiento de imágenes se implementa
tres estados, medida, predicción y sin medida, en el estado medida se tiene se tiene la
posición en el instante 𝐾 se predice la posición para el instante 𝐾 + 1 mediante el filtro
de Kalman pasando al estado predicción.(López Romero, 2016) Desde este estado se
recibe una nueva medida se pasa al estado de medida y se repite el proceso, pero si no

23. 16
recibe medidas cinco frames consecutivos, los ojos se dan por perdidos y pasa al estado
sin medida inicializando todo el proceso como se explica en la Figura 4.
Figura 4. Estados aplicados al seguimiento de los ojos
Fuente. (López Romero, 2016)
2.24. Clasificador Haar - Cascade
Como se ha descrito en los apartados anteriores se necesita una plantilla lo que
significa que se tendrá que entrenar nuestro propio clasificador de rostros el cual es
proporcionado por Open CV, este nos suministra varios clasificadores en formato .xml
los cuales están orientados a reconocer rostros, manos, siluetas humanas, etc. Para
descargar se accede a. https://github.com/opencv/data/haarcascades, en la cual se
encuentra una lista con todos los ficheros .xml que ofrece Open CV.
La plantilla Haar está basado en arboles de decisión, con entrenamiento supervisado,
el cual se realiza determinando una serie de características faciales basada en sumas y
restas de niveles de intensidad de la imagen como luz y contraste. Esta plantilla está
diseñada para que pueda ser redimensionada ya sea de forma automática o manual
mediante programación para que sea capaz de encontrar los objetos de interés lo cual
es mucho más eficiente que redimensionar la propia imagen. Las características de
Haar – Cascade son en esencia un conjunto de rectángulos blancos y negros que
realizan operaciones de comparación con el umbral original de la imagen para
determinar si es el objeto que se desea encontrar (OpenCV, 2016b).

24. 17
2.25. Reconocimiento facial con Open CV
Open CV a más de facilitar las librerías de visión por computador, nos proporciona
herramientas muy efectivas para detectar rostros, sin embargo no dispone de funciones
para identificar fácilmente a personas, por lo tanto se utiliza la librería
Face_Recognition la cual está diseñada específicamente para realizar el
reconocimiento facial en humanos (OpenCV, 2016a).
Los sistemas de reconocimiento de rostros son un problema que aún es tema de
investigación, ya que intervienen algunos factores que afectan la efectividad del
reconocimiento facial tales como: gestos, elementos que cubran el rostro, iluminación,
distancia de la cámara, entre otros. El avance más significativo en este campo, es la
aplicación de algoritmos matemáticos, los cuales requieren menos de cien valores para
cifrar correctamente una imagen facial, y el estudio de patrones del iris como método
de captación (OpenCV, 2016a).
2.26. Los sistemas de reconocimiento facial automáticos
Un sistema de reconocimiento facial automático, realiza la siguiente función: dada una
o varias imágenes de un rostro desconocido, analiza los rostros registrados en su base
de datos, aquella que coincida con un mayor grado de similitud o parecido la valida
devolviendo la identidad de esta. El sistema alertara fallos cuando al presentar una
entrada correspondiente a un individuo que se desea reconocer y no conste en la base
da como resultado una identidad falsa activando alertas al sistema (Moreno, 2011).

25. 18
Capítulo III
Desarrollo delsistema de detecciónde cansancio o fatiga al momento
de conducir
Este capítulo tiene como finalidad describir el diseño y desarrollo del sistema.
En la primera parte, se presenta el diseño, desarrollo y arquitectura del sistema
propuesto en este trabajo. En la segunda sección se analiza la funcionalidad de cada
componente, que forman parte del equipo. Y en la parte complementaria se describe
la implementación del sistema utilizado, los métodos de visión artificial (método de
detección de somnolencia) para detectar fatiga en un conductor.
3.1.Descripción general del sistema.
El sistema de control del estado de somnolencia tiene como finalidad alertar al
conductor cuando se esté quedando dormido, el mismo está compuesto por la etapa de
monitoreo para la detección de síntomas de somnolencia en el conductor para ello se
utiliza la cámara WEB la tarjeta electrónica Raspberry Pi, y un buser para que alerte
de síntomas de cansancio o somnolencia.
3.2.Diseño de un sistema de reconocimiento de patrones.
Un sistema de reconocimiento de patrones, independientemente del paradigma que
implementa, está conformado por distintos módulos que operan de manera sistemática
como se observa en la Figura 5.

26. 19
Figura 5. Esquema general de un reconocimiento de patrones.
Fuente. El Autor.
3.2.1. Adquisición de datos
El proceso inicia con la adquisición de datos registrando las variables físicas, y las
representa de forma conveniente para su procesamiento y análisis en ordenadores. La
calidad de los datos que se ingrese al ordenador dependerán netamente de las
características del equipo ya que influye resolución y el diseño, factores ambientales o
las variaciones de la interacción del usuario.
La adquisición de datos consiste en la toma de muestras del mundo real los cuales
generan datos que puedan ser manipulados por un ordenador u otros dispositivos
electrónicos (sistemas digitales), esta toma de muestras consiste en tomar un conjunto
de señales físicas y convertirlas en tensiones eléctricas y digitalizarlas de manera que
puedan ser procesadas por un ordenador. Se requiere de una etapa de
acondicionamiento que adecua la señal a niveles compatibles con el elemento que hace
la transformación de la señal digital.
3.2.2. Procesamiento
Esta tarea se realiza con la finalidad de mejorar la calidad de los datos adquiridos,
realiza tareas tales como la normalización y eliminación de datos irrelevantes en las
muestras. Una vez que las señales eléctricas se transforman en digitales se envían a
través del bus de datos a la memoria del PC. Una vez los datos están en memoria

27. 20
pueden procesarse con una aplicación adecuada, archivarlas en la memoria, este
procesamiento de datos trata de un subconjunto del procesamiento de la información
involucrando funciones tales como:
 Validación.
 Recapitulación.
 Agregación.
 Análisis.
 Información.
3.2.3. Análisis de características
El objeto de este módulo es generar información compacta pero significativa de los
datos, un análisis es el acto de separar las partes de un elemento para estudiar su
naturaleza función o significado, un análisis comprende diversos tipos de acciones con
distintas características en diferentes ámbitos.
El análisis es el elemento integrador del proceso de investigación en tanto que
condiciona la toma de decisiones metodológicas, las interferencias analíticas que
vayan redefiniendo las preguntas de investigación y por tanto nuestros objetivos de
estudio.
3.2.4. Clasificación
Los procesos de clasificación de los vectores de características son analizados bajo un
enfoque para definir las clases y posteriormente asignar un objeto a una de ellas, el
proceso de clasificación de datos es un proceso sencillo ya que requiere atención a los
detalles y un control adecuado.
3.2.5. Verificación y decisión
La verificación de datos es un proceso que asegura la entrega de datos limpios y claros
a los programas, comprueba la integridad y validez de los datos que se están

28. 21
introduciendo en el software. También es conocida como validación de entrada de
datos y es parte importante del procesamiento de estos, esto se logra mediante
controladores de verificación de datos y reglas que rutinariamente compruebe la
validez de los datos.
3.3.Diagrama de bloques de funcionamiento del sistema
El sistema está basado en dos partes fundamentales la primera parte analiza la visión
artificial, la cual se inicia con la captura de video en tiempo real con la cámara WEB,
continua con un tratamiento de imágenes para la detección de patrones del rostro, ya
detectado sigue el mismo y cuando se pierde la detección inicia nuevamente, la
búsqueda del rostro. Ya captado el movimiento y seguimiento del rostro se puede
detectar los ojos para posteriormente clasificarlos y determinar la orientación y el giro
del rostro. La segunda etapa consiste en las alertas emitidas por los sensores los cuales
tienen como objetivo mantener alerta al conductor. En la Figura 6 se aprecia el
diagrama de bloques.
Figura 6. Diagrama de bloques del funcionamiento del sistema.
Fuente. El Autor.

29. 22
3.4.Sistemas de adquisición de imágenes
El sistema de adquisición de imágenes está compuesto por una cámara de alta
resolución y alta frecuencia de adquisición, control automático de ganancia e
iluminación infrarroja que proporciona las imágenes de entrada al sistema. La captura
puede realizarse en condiciones de iluminación muy diversas en ambientes diurnos o
nocturnos, en ambientes diurnos es necesario un control automático de ganancias para
mitigar los cambios de iluminación que se producen debidos a sombras o
deslumbramientos, ante estos efectos muy acentuados en una zona concreta de la
imagen el control de ganancia no solventara el problema proporcionando imágenes.
Los algoritmos desarrollados tomarán la imagen de entrada para proporcionar medidas
correctas de los parámetros de somnolencia, en condiciones nocturnas no se
encontrarán problemas debido a los cambios de iluminación, pero si será
imprescindible iluminar la escena, para la cual se ha optado una iluminación infrarroja,
sincronizada con la captura de imágenes.
3.5.Procesado de Imágenes
Las imágenes obtenidas se procesan modificando sus características las cuales son:
 Nivel de gris.
 Contraste.
 Eliminación de ruido.
 Realce
Las cuales ayudan a conseguir una mejora de la imagen de entrada para lo cual se
han aplicado operaciones morfológicas y una ecualización uniforme del
histograma para compensar efectos de sombras, reflejos entre otros factores. Con
la operación morfológica se eliminan pequeños ruidos indeseados en el tratamiento
de imágenes.

30. 23
3.6.Indicadores de fatiga en la conducción
La somnolencia afecta la forma de conducir disminuyendo la frecuencia de los
pequeños movimientos correctos del volante, aumentando la frecuencia de los
movimientos bruscos del mismo, incrementando la desviación del vehículo respecto a
los límites del carril extendiendo la desviación típica, de la posición lateral del coche,
los movimientos del volante y la posición del automóvil en el carril son los indicadores
más empleados en la detección de somnolencia.
3.7.Diseño e implementación del software
El desarrollo de la visión artificial es dependiente de una red neuronal para el training
de los patrones de pruebas de ojos cerrados y abierto en su base de datos para la
selección de Haar – cascada, se utiliza el entorno de desarrollo integrado (IDE) eclipse,
para el lenguaje de programación C++ al que se le asocio librerías de OpenCV, el cual
es liberado bajo una licencia BSD y por lo tanto es de gratuito tanto para uso académico
y comercial. Fue diseñado para la eficiencia computacional y con enfoque en
aplicaciones en tiempo real.
3.8.Selección de técnicas de reconocimiento facial
Está basado en algoritmos LBPH porque fue el de mejor rendimiento ya que la mayoría
de las pruebas fueron correctas y no es necesario tener una gran base de datos como lo
requieren otros algoritmos, es robusto a cambios de iluminación en el video a analizar
es decir considera luminosidad alta y baja demostrando que es un factor que influye
en el reconocimiento facial. Este algoritmo es ideal para detectar diferentes emociones
en un rostro ya que el entrenamiento se actualiza en cada reconocimiento realizado y
posee una buena eficiencia por lo que es usada en sistemas embebidos.
Se ha seleccionado el algoritmo LBPH para ser utilizado en el sistema debido a su bajo
tiempo de resolución del reconocimiento facial dando un tiempo de respuesta al

31. 24
usuario muy corto ya que trabaja con imágenes en escala de grises permitiendo una
autenticación rápida en el sistema.
3.9.Fase de entrenamiento
Al tener ya una base de datos de rostros es necesario entrar al sistema para que este
sea eficiente y el error sea mínimo, y se lo realiza cada vez que exista un nuevo usuario,
la fase de entrenamiento se la almacena en un archivo aparte con extensión yml, en el
mismo directorio en el cual se encuentra toda la programación del sistema, en la Figura
7 se puede apreciar la fase de entrenamiento de un sistema activo de detección de
somnolencia.
Figura 7. Sistema activo de detección de somnolencia.
Fuente. El Autor.
A medida que los sistemas computacionales fueron avanzando y popularizando en el
nuevo milenio el uso de técnicas de aprendizaje automatice en procedimientos
embebidos se fue popularizando de forma rápida y las investigaciones fueron tomando
cada vez más peso en el área, el uso de técnicas como las redes neuronales, lógica
difusa, redes neuro difusas, aprendizaje profundo y las máquinas de soporte vectorial
fueron incursionando en el análisis de señales este ha revolucionado su campo.
La primera técnica y actualmente la más usada para el análisis del estado del sueño
fueron las redes neuronales, usando un tratamiento digital de señales por medio de la
transformada de Wavelet, y calificada por medio de una red neuronal cuya salida
binaria daba información sobre el estado de somnolencia o vigilancia de la persona,
pero fue hasta el 2002 donde se crearon las primeras clasificaciones utilizando redes
neuronales, para la clasificación de registros de estados de sueño.

32. 25
3.10. Arquitectura del sistema propuesto
El sistema está basado en el análisis de imágenes en tiempo, real el cual ingresa datos
mediante la cámara Pi NoIR, a la tarjeta electrónica Raspberry Pi en la cual está
desarrollado el software de reconocimiento facial y detección de cansancio cuando el
sistema detecta uno de estos eventos y activa las alarmas previniendo accidentes, a
continuación se aprecia la arquitectura del sistema en la Figura 8.
Figura 8. Arquitectura del prototipo para la detección de signos de fatiga.
Fuente. El Autor
En esta fase se visualiza como funcionara el sistema mediante la construcción de
diagramas los cuales detallan la secuencia o actividades a realizar, luego se procede a
seleccionar los componentes electrónicos que cumplieran con ciertos requerimientos
con los que se pudiera trabajar basándose en las especificaciones técnicas de los
dispositivos además del costo y forma de obtenerlos para así elaborar el proyecto
basándonos en la teoría del capítulo anterior.
3.11. Sistema operativo y software de programación
Se presenta varias opciones de sistemas operativos que son compatibles con la tarjeta
Raspberry Pi, y se optó por instalar Raspbian el cual es un software gratuito basado en
Linux, en la distribución debían, el cual optimiza recursos de memoria, este contiene
un conjunto de programas básicos como es el caso de. Office, navegador web,

33. 26
calculadora, visor de imágenes, Pdf, editor de texto, además consta de herramientas de
desarrollo con las cuales se procede a realizar pruebas para el desarrollo de la visión
artificial.
3.12. Técnicas para el seguimiento de rostros
Existen varias técnicas para el seguimiento de rostros las cuales se detallan en la Figura
9.
Figura 9. Técnicas para el seguimiento de rostros.
Fuente. El Autor.
3.13. Detectores Haar para la detección de la cara y ojos
Se trabajó con EmguCV en lenguaje Visual Basic que permitió ensamblar el modulo
con sus clases, funciones y argumentos que son análogos a los usados en OpenCV para
C++.
Como primer paso se adquiere el video de buena calidad del entorno en el que se
encuentra el usuario para lo cual se utiliza un objeto de clase Image para almacenar las
imágenes captadas por la cámara, para la capura de la trama de video se ocupa el
método QueryFrame, sobre una clase de tipo captura.

34. 27
Como para la detección se usa el método DetectMultiScale es necesario tener todos
los argumentos necesarios, para ello se procesa la imagen original convirtiéndola a
escala de grises, esta imagen procesada se almacena en otra clase tipo “Image” sobre
la cual se efectúa la detección facial. Para pasar la imagen a escala de grises y el
método SmoothGaussian para suavizar y ecualizar la imagen. Se comienza con la
detección de rostro trabajando con el objeto cargado anteriormente con el
CascadeClassifier “frontalface.xml”, conteniendo los parámetros de medición de la red
neuronal entrenada para el reconocimiento de los rostros, aplicando el método
DetectMultiscale.
3.14. Desarrollo del algoritmo de detección de la somnolencia
Al tomar en cuenta los factores que determinan que un conductor entra en estado de
somnolencia se procede a crear un algoritmo que sea capaz de detectar este estado, uno
de los principales síntomas es el bostezo el mismo que fue tomado como detonante de
la alarma principal, para detectar este estado en el usuario se consideró la apertura de
la boca durante un bostezo y el tiempo que permanecía está abierta, la Figura 10,
presenta el algoritmo de detección de la somnolencia.

35. 28
Figura 10. Algoritmo de detección de la somnolencia.
Fuente. El Autor.
Para calcular la apertura de la boca, el límite de los ojos y la incidencia de cabeceo se
utiliza el algoritmo que proporciona la unidad de acción correspondiente al
movimiento de la mandíbula inferior, este algoritmo se entrena mediante imágenes
periódicas en la cuales se establece acciones tales como abrir y cerrar la boca, el
pestañeo y la coincidencia de cabeceo, si uno de estos rangos establecidos en la
programación inciden más de una vez la alarma se dispara inmediatamente
previniendo al conductor.

36. 29
3.15. Método de detección de áreas
El método de detección de áreas engloba varios parámetros tales como la distancia que
existe entre el conductor y la cámara Web, la detección de los contornos de los ojos
nos permitirá determinar si el conductor presenta síntomas de fatiga. Esta se analiza
mediante una línea entre ellos para obtener el área de los ojos y de la misma manera
obtener el contorno del área del rostro, mediante este análisis se consigue una relación
expresada en porcentaje entre el área de los ojos con respecto al rostro, para determinar
de esta manera el nivel de apertura del ojo humano y en consecuencia detectar síntoma
de cansancio.
Es importante mencionar que el comando para calcular el área o superficie da como
resultado una unidad de medida que están en pixeles elevadas al cuadrado, definiendo
como pixel a la unidad básica de una imagen que contiene color y forma. La fórmula
para calcular la relación en porcentaje existente entre el área de los ojos con respecto
al área o superficie del rostro es la que se deduce en referencia a la Figura 11.
Figura 11. Contorno de los ojos
Fuente. El Autor.
Dando como resultado la siguiente.
Ecuación 3. Área de los ojos.
𝐴𝑟𝑒𝑎𝑜𝑗𝑜𝑠 = 𝐴𝑟𝑒𝑎𝑜𝑗𝑜 𝑖𝑧𝑞𝑢𝑖𝑒𝑟𝑑𝑜 + 𝐴𝑟𝑒𝑎𝑜𝑗𝑜 𝑑𝑒𝑟𝑒𝑐ℎ𝑜
Para obtener el porcentaje del área de los ojos con respecto al área del rostro se usa la
siguiente

37. 30
Ecuación 4. Porcentaje del área de los ojos.
𝑜𝑗𝑜𝑠(% ) =
𝐴𝑟𝑒𝑎 𝑜𝑗𝑜𝑠
𝐴𝑟𝑒𝑎 𝑅𝑜𝑠𝑡𝑟𝑜
Cabe recalcar que los valores para cada uno de los estados (despierto. medio dormida,
dormido) varían debido al área del rostro de cada ser humano, el método de áreas es
un método que, si puede detectar signos de somnolencia en un conductor, sin embargo,
hay que considerar varios factores que pueden causar diferentes resultados de
mediciones en cada persona siendo uno de los principales la estructura facial diferente
para validar los datos.
En primera instancia se define la distancia que tendrá el conductor con respecto a la
cámara del dispositivo esta distancia es de aproximadamente, de 50 centímetros y se
toman muestras del autor como se detalla a continuación en la Figura 12.
Figura 12. Grafica de valores de porcentaje en tres estados.
Fuente. El Autor.
Una persona normalmente en un minuto pestañea de 17 a 20 veces, esta frecuencia se
reduce cuando está leyendo siendo la frecuencia de 12 a 16 veces en un minuto y si
está delante de un ordenador esta disminuye drásticamente a 3 o 4 veces. Y finalmente
para determinar si una persona está dormida o tiene los ojos absolutamente cerrados

38. 31
los valores oscilan entre 0.35 a 0.74 definiendo de esta manera que este método de
áreas puede identificar signos de somnolencia.
3.16. Algoritmo K-Nearest Neighbors
Después de la segmentación de áreas para definir los ojos durante le procesado, toca
decidir si cada segmento son o no los establecidos en el programa, es decir toca definir
si los ojos están abiertos o cerrados, para ello se emplea este algoritmo (𝐾𝑁𝑁), la
función de este es almacenar en la memoria cache todas las muestras de entrenamiento
y predice la respuesta, para una nueva muestra mediante el análisis de un número
determinado (𝑘) de los vecinos más cercanos a la muestra utilizada, mediante el
cálculo de la suma ponderada y en sucesiones. Este método hace referencia a
sucesiones de aprendizaje supervisado, ya que para la predicción busca el vector de
características con respuesta conocida que sea más cercano al valor dado.
3.17. Implementación del sistema de detección de cansancio
El alcance de este proyecto va dirigido a la implementación en un vehículo, con el cual
se demuestra la funcionalidad del mismo, demostrando que es factible usarlo, para
investigaciones relacionadas en el campo de estudio.
Para la implementación en el vehículo se realizan ciertas consideraciones tales como:
 Alimentación de voltaje DC independiente del sistema.
 Distancia entre el usuario y la cámara del equipo.
 Incidencia lumínica.
 Angulo de inclinación de la cabeza.
 Estado del operador.
El momento que se inició la marcha del vehículo y se encendió el dispositivo se pudo
notar que el equipo se colgaba, o no realizaba el reconocimiento facial, puesto que la
incidencia lumínica era elevada, lo que dificulta la adquisición de datos por parte del

39. 32
sistema de video, lo que conlleva a realizar una calibración en el filtro (𝐾𝑁𝑁 ). En la se
observa la implementación del equipo en el vehículo.
Al ajustar el filtro se establece un nuevo flujo de datos para lo cual se modifica el
análisis de pixeles, código de reconocimiento facial segmentación y detección de los
ojos, ya que algunas de las características más notorias del estado de somnolencia a
nivel fisiológico se pueden ver principalmente en el rostro, sus ojos.
3.18. Indicador de alerta
Uno de los requerimientos básicos de este sistema consiste en la generación de una
alerta sonora esto se lleva a cabo con la utilización de un buser o zumbador el cual
emite alertas previniendo accidentes. La función principal de este es emitir sonidos
que indiquen cuando se ha detectado síntomas de fatiga en el conductor, entre los
síntomas más comunes están enfocadas a dispositivos de alarma confirmación de
entrada de usuario etc.
3.19. Análisis de costo del proyecto
El análisis de costos se enfoca en la factibilidad y ejecución del proyecto el cual analiza
cada componente electrónico el cual ha sido financiado por el autor.
Tabla 1. Evaluación de costos.
Descripción unidades Precio unitario Precio total
Raspberry Pi 3b 1 70 70
Cámarapi NoIR 1 25 25
Buser 1 10 10
Placa impresa 1 40 40
Caja de
protección
1 60 60
Subtotal 205.00
IVA 12% 24.60
TOTAL 229.60
Fuente. El Autor.

40. 33
CAPÍTULO IV
CONCLUSIONES Y RECOMENDACIONES
4.1.Conclusiones
Una vez desarrollado el sistema de detección de somnolencia se procede a realizar las
pruebas en las culés se observó que al incrementarse el tiempo de conducción el
usuario tiende a cansarse lo que hace que varié el estado de vigilia produciendo
somnolencia, otro de los síntomas es tocarse constantemente la cara y la quijada.
La carga de trabajo sumada a la depresión, el estrés, causan parpadeo constante,
pesadez en la cabeza y reducen gradualmente la concentración de las actividades
haciendo que el conductor pierda su capacidad de respuesta al conducir, provocando
accidentes.
Al utilizar la tecnología, y sistemas electrónicos embebidos en vehículos se crea una
herramienta esencial para prevenir accidentes, pues con ellas se puede llevar a cabo un
monitoreo constante y en tiempo real sobre el estado del conductor y sus acciones, de
manera más especifica el sistema detecta fatiga, o somnolencia.
La inteligencia artificial ha revolucionado el análisis de objetos en tiempo real sin
equipos invasivos, permitiendo el análisis de imágenes en tiempo real, siendo la
solución primaria y fuerte en este proyecto, el cual detecta cambios en el estado de
vigilia a uno de somnolencia, aunque no es una solución definitiva.
4.2.Recomendaciones
Tras las pruebas de funcionalidad se ha llegado a determinar que una de las principales
recomendaciones es utilizar la tecnología la cual involucre mas sensores y actuadores
ya que solo el análisis de apertura del nivel del ojo no es suficiente para determinar el
estado de somnolencia.

41. 34
Con la revolución de la tecnología se tiene computadores avanzados, los cuales pueden
integrar de forma automática una base de datos del rostro del conductor en diferentes
ángulos y escalas, al momento de colocarse frente al volante para crear muestras de
aprendizaje de solo un individuo, mejorando la confiabilidad y eficiencia del sistema,
es por esta razón que se recomienda a la comunidad estudiantil que desee involucrarse
en la visión artificial para el proceso de señales en tiempo real utilice Open CV ya que
este software contiene la mayoría de sus librerías desarrolladas y es compatible con
diferentes sistemas operativos.
Escoger sensores robustos para la adquisición de datos principalmente en lo que hace
referencia a la adquisición de datos y la activación de alarmas ya que de estos factores
depende el desarrollo y funcionamiento de todo el proyecto.

42. 35
Bibliografía
Alexander, M., Clavón, P., Samuel, C., Albarracín, L., Andrés, J., Reyes, C., &
Cerón, H. W. (2017). Sistema de alerta al conductor y disminución de la
velocidad automática del vehículo para evitar accidentes por agotamiento Driver
alert system and decrease of automatic speed of the vehicle to avoid accidents
by exhaustion, 11, 98–106.
Bertran Albertí, E. (n.d.-a). Procesado digital de señales : fundamentos para
comunicaciones y control. Edicions UPC.
Bertran Albertí, E. (n.d.-b). Procesado digital de señales : fundamentos para
comunicaciones y control. Edicions UPC.
Cancelas, J. A., González, R. C., Álvarez, I., & Enguita, J. M. (2016). Conceptos y
Métodos en Visión por Computador. Conceptos y Métodos en Visión Por
Computador (Vol. 1).
Detector de fatiga al volante Bosch [Laboratorio Tecmovia] | Tecmovia. (n.d.).
Retrieved March 21, 2021, from
https://www.diariomotor.com/tecmovia/2012/04/16/detector-de-fatiga-al-
volante-bosch-laboratorio-tecmovia/
Flores Calero, M. J. (2009). Sistema avanzado de asistencia a la conducción
mediante visión por computador para la detección de la somnolencia, 219.
Retrieved from
http://dialnet.unirioja.es/servlet/tesis?codigo=20268&info=resumen&idioma=S
PA
Guevara Carrillo, F. A., & Valencia Bernal, O. S. (2013). Análisis del conductor:
estimación de la distracción y somnolencia mediante visión por computador e
inteligencia artificial usando tecnología TOF, 178. Retrieved from
http://repositorio.espe.edu.ec/handle/21000/6522
Israel, U. T. (2016). TRABAJO DE TITULACIÓN EN OPCIÓN AL GRADO DE :

43. 36
López Romero, W. L. (2016). SISTEMA DE CONTROL DEL ESTADO DE
SOMNOLENCIA EN CONDUCTORES DE VEHÍCULOS Trabajo.
Universidad Técnica De Ambato, 122. Retrieved from
https://webcache.googleusercontent.com/search?q=cache:RZbqw-
PFatoJ:https://dialnet.unirioja.es/descarga/articulo/5432283.pdf+&cd=2&hl=es
&ct=clnk&gl=co
Moreno, R. J. (2011). SISTEMA DE DETECCI ON CONDUCTORES MEDIANTE
´ POR TECNICAS DE VISI ON.
OpenCV. (2016a). OpenCV. Retrieved June 1, 2020, from https://opencv.org/
OpenCV. (2016b). OpenCV. Retrieved from https://opencv.org/
Orosco, J. R., & Pomasunco, R. (2018). Universidad Nacional De Huancavelica
Presentado Por. Repositorio Institucional - UNH, 89. Retrieved from
http://repositorio.unh.edu.pe/handle/UNH/2998%0Ahttp://repositorio.unh.edu.p
e/handle/UNH/1540
Teach, Learn, and Make with Raspberry Pi. (n.d.). Retrieved March 23, 2021, from
https://www.raspberrypi.org/