Een methode om vermoeid rijden te detecteren op basis van bestuurdershouding en gelaatsanalyse

Waarom vermoeide bestuurders iedereen aangaan

De meesten van ons hebben tijdens een lange rit voelen dat de oogleden zwaarder worden, maar weinigen beseffen hoe vaak dat slaperige moment in een ongeluk verandert. Dit artikel beschrijft een camera-gebaseerd systeem dat het gezicht, de houding en de handen van een bestuurder observeert om vroege signalen van vermoeidheid te herkennen en tijdig waarschuwingen te geven, zonder sensoren aan het lichaam te bevestigen of de manier van autorijden te veranderen.

De bestuurder volgen, niet alleen de auto

Verkeersinstanties schatten dat vermoeidheid bij een groot deel van de ernstige verkeersongevallen wereldwijd een rol speelt. Traditionele waarschuwingssystemen richten zich op signalen van de auto, zoals stuurcorrecties of het verlaten van de rijstrook, of op medisch-achtige sensoren die hersen- of hartactiviteit volgen. Deze methoden kunnen kostbaar, ongemakkelijk of onbetrouwbaar zijn wanneer bestuurders of de wegomstandigheden verschillen. De studie vertrouwt in plaats daarvan op gewone video van kleine camera’s in de auto om het gedrag van de bestuurder direct te lezen, met moderne kunstmatige intelligentie om te interpreteren wat wordt gezien.

Ogen, mond, hoofd en handen lezen

De onderzoekers ontleden eerst wat vermoeid rijden in alledaagse termen eruitziet. Waarschuwingssignalen zijn onder meer tragere, langere knipperingen, herhaaldelijk gapen, een slappe of gekantelde hoofdhouding en handen die van het stuur wegglijden. Met een pose-estimatiemethode genaamd AlphaPose volgt het systeem 119 sleutelpunten op het lichaam van de bestuurder, vooral rond de ogen, mond, het hoofd en de polsen. Uit deze punten berekent het eenvoudige maten, zoals hoe ver de ogen en mond geopend zijn en hoe sterk het hoofd ten opzichte van de nek en de ogen is gekanteld of gezakt. Ook controleert het of elke pols in de loop van de tijd dicht bij het stuur blijft of wegdrift, wat kan duiden op minder stevige controle door de bestuurder.

Van meerdere hoeken en in de tijd zien

Aangezien een enkele momentopname misleidend kan zijn, bekijkt het systeem korte videoclips in plaats van geïsoleerde frames. Een normale knippering kan bijvoorbeeld lijken op slaperige oogsluiting, en een snelle blik naar het dashboard kan, bekeken zonder context, op wegdommelen lijken. Om zulke fouten te voorkomen, analyseert de methode veranderingen over ten minste 20 opeenvolgende frames en volgt of vermoeidheidsindicatoren aanhouden. Het gebruikt ook drie cameraposities uit de Driving Monitoring Dataset: een frontaal gezichtsperspectief, een zijaanzicht van het bovenlichaam en een close-up van de handen. Samen maken deze hoeken het systeem robuuster wanneer het gezicht deels verborgen is door een bril, fel zonlicht, bewegingsonscherpte of hoofdbewegingen.

Slimmere detectie onder de motorkap

Achter de schermen heeft het systeem twee hoofdonderdelen. Ten eerste vindt een snelle objectdetector genaamd YOLOv11n* de bestuurder in elk frame zodat AlphaPose de lichaams-sleutelpunten nauwkeurig kan markeren. De auteurs verbeteren deze detector met een speciaal hybride poolingblok dat het netwerk helpt zowel brede context als fijne details zoals ogen en vingers te begrijpen. Ten tweede worden de posities en betrouwbaarheidscores van alle getraceerde sleutelpunten gevoed aan een Long Short-Term Memory (LSTM)-netwerk, een type model dat goed geschikt is voor sequenties. De LSTM leert hoe combinaties van veranderingen aan ogen, mond, hoofd en handen zich over de tijd ontwikkelen wanneer een bestuurder alert, licht vermoeid of ernstig vermoeid is, en geeft de kans op elk vermoeidheidsniveau voor het huidige tijdvenster als output.

Hoe goed het systeem in de praktijk werkt

Het team testte hun aanpak op een grote openbare dataset van in-car video’s en trainde en evalueerde de modellen op duizenden gelabelde beelden en clips. Vergeleken met verschillende toonaangevende diepleermethoden, waaronder andere combinaties van convolutionele netwerken, transformers en LSTM’s, behaalde het voorgestelde AlphaPose*–LSTM-kader de hoogste gerapporteerde nauwkeurigheid, precisie en F1-score voor het classificeren van vermoeidheidsniveaus. Het draaide ook snel genoeg voor bijna real-time gebruik: zodra de eerste 20 frames zijn verwerkt, kunnen nieuwe vermoeidheidsinschattingen ongeveer elke 48 milliseconden worden bijgewerkt, wat geschikt is voor continue monitoring in rijdende voertuigen.

Wat dit betekent voor dagelijks rijden

Simpel gezegd laat de studie zien dat een auto met camera’s en slimme software signalen van een vermoeide bestuurder kan detecteren, door kleine veranderingen in ogen, mond, hoofd en handen te combineren tot een betrouwbaar beeld van oplettendheid. Hoewel het huidige systeem is afgestemd op dagomstandigheden en aanpassing zou vereisen voor nacht of andere omgevingen, suggereren de resultaten dat niet-invasieve, op visie gebaseerde monitoring een praktische veiligheidsfunctie kan worden. Door vermoeidheid vroeg te herkennen en bestuurders aan te sporen een pauze te nemen, kan zulke technologie helpen veel ongevallen te voorkomen die nu gebeuren omdat iemand te moe was om volledig wakker te blijven achter het stuur.

Bronvermelding: Hao, Y., Sun, X., Liu, H. et al. A fatigue driving detection method based on driver posture and facial state analysis. Sci Rep 16, 15159 (2026). https://doi.org/10.1038/s41598-026-44994-4

Trefwoorden: bestuurdersvermoeidheid, slaperig rijden, bestuurdersmonitoring, computerzicht, verkeersveiligheid