Sürücü duruşu ve yüz durumu analizine dayalı yorgunluk sürüşü tespit yöntemi

Neden yorgun sürücüler hepimiz için önemlidir

Çoğumuz uzun bir yolculukta göz kapaklarımızın ağırlaştığını hissetmişizdir, ancak bu uykulu anın ne sıklıkla kazayla sonuçlandığını pek azımız fark eder. Bu makale, sürücünün yüzünü, duruşunu ve ellerini izleyerek yorgunluğun erken belirtilerini tespit eden ve insanlara herhangi bir sensör takmadan ya da sürüş şeklini değiştirmeden zamanında uyarılar veren kamera tabanlı bir sistemi açıklar.

Sadece aracı değil sürücüyü de izlemek

Trafik kurumları, yorgunluğun dünya çapında ciddi trafik kazalarında önemli bir rol oynadığını tahmin ediyor. Geleneksel uyarı sistemleri, direksiyon düzeltmeleri veya şerit ihlalleri gibi araç kaynaklı sinyallere ya da beyin veya kalp aktivitesini izleyen tıbbi tarzda sensörlere odaklandı. Bu yöntemler, sürücüler veya yol koşulları farklılaştığında maliyetli, rahatsız edici veya güvenilmez olabiliyor. Bu çalışma ise sürücünün davranışını doğrudan okumak için araç içindeki küçük kameralardan elde edilen sıradan videoya dayanan ve modern yapay zekâyı kullanarak görüleni yorumlayan bir yaklaşımı tercih ediyor.

Gözleri, ağızı, başı ve elleri okumak

Araştırmacılar önce yorgun sürüşün günlük terimlerle nasıl göründüğünü parçalara ayırıyor. Uyarı işaretleri arasında daha yavaş, daha uzun kırpmalar, tekrarlayan esnemeler, sarkan veya eğilmiş bir baş ve ellerin direksiyondan kayması yer alıyor. AlphaPose adlı bir duruş tahmin yöntemi kullanılarak sistem, özellikle gözler, ağız, baş ve bilekler çevresinde olmak üzere sürücünün vücudunda 119 anahtar noktayı izliyor. Bu noktalardan gözlerin ve ağzın ne kadar açık olduğu, başın boyun ve gözlere göre ne kadar eğildiği veya düştüğü gibi basit ölçümler hesaplanıyor. Ayrıca her bileğin zaman içinde direksiyona yakın kalıp kalmadığı ya da uzaklaşıp uzaklaşmadığı kontrol ediliyor; bu da sürücünün artık sıkı bir şekilde kontrol altında olmadığını gösteren bir ipucu veriyor.

Zamanda ve farklı açılardan görmek

Tek bir kare yanıltıcı olabileceği için sistem izole görüntüler yerine kısa video kliplerine bakıyor. Örneğin normal bir kırpma uykulu göz kapanmasına benzeyebilir ve gösterge paneline hızlı bir bakış tek başına izlendiğinde başın sarkması gibi görünebilir. Böyle hatalardan kaçınmak için yöntem en az 20 ardışık kare boyunca değişiklikleri analiz ederek yorgunluk işaretlerinin kalıcı olup olmadığını izliyor. Ayrıca Driving Monitoring Dataset’te toplanmış üç kamera görüşünü kullanıyor: yüzün önden görüntüsü, üst vücudun yandan görüntüsü ve ellerin yakın çekimi. Bu açılar birlikte, yüzün gözlük, parlak güneş ışığı, hareket bulanıklığı veya baş dönüşleriyle kısmen gizlendiği durumlarda sistemi daha dayanıklı kılıyor.

Motorun altındaki akıllı tespit

Sahne arkasında sistemin iki ana bölümü var. İlk olarak, YOLOv11n* adlı hızlı bir nesne algılayıcı her karede sürücüyü bularak AlphaPose’ın vücut anahtar noktalarını doğru şekilde işaretlemesini sağlıyor. Yazarlar bu algılayıcıyı, ağın hem geniş bağlamı hem de gözler ve parmaklar gibi ince detayları anlamasına yardımcı olan özel bir hibrit havuzlama bloğuyla geliştiriyor. İkinci olarak, izlenen tüm anahtar noktaların konumları ve güven skorları, dizilere iyi uyan bir model türü olan Uzun Kısa Süreli Bellek (LSTM) ağına besleniyor. LSTM, göz, ağız, baş ve el değişimlerinin sürücünün uyanık, hafif yorgun veya şiddetli şekilde yorgun olduğu zamanlarda nasıl geliştiğini öğreniyor ve mevcut zaman penceresi için her yorgunluk düzeyinin olasılığını çıkış olarak veriyor.

Sistemin pratikte ne kadar iyi çalıştığı

Takım yaklaşımını araç içi videolardan oluşan büyük halka açık bir veri seti üzerinde test etti; modelleri binlerce etiketlenmiş görüntü ve klip üzerinde eğitip değerlendirdi. Konvolüsyon ağları, dönüştürücüler ve LSTM’lerin diğer kombinasyonları da dahil olmak üzere önde gelen birkaç derin öğrenme yöntemiyle karşılaştırıldığında, önerilen AlphaPose*–LSTM çerçevesi yorgunluk düzeylerini sınıflandırmada bildirilen en yüksek doğruluk, kesinlik ve F1 skoruna ulaştı. Ayrıca neredeyse gerçek zamanlı kullanım için yeterince hızlı çalıştı: ilk 20 kare işlendiğinde, yeni yorgunluk tahminleri yaklaşık her 48 milisaniyede bir güncellenebiliyor; bu da hareket halindeki araçlarda sürekli izleme için uygun.

Günlük sürüş için anlamı

Basitçe söylemek gerekirse çalışma, bir arabanın kameralar ve akıllı yazılım kullanarak yorgun bir sürücünün ayırt edici işaretlerini izleyebileceğini; göz, ağız, baş ve ellerdeki küçük değişiklikleri birleştirerek uyanıklığın güvenilir bir resmini oluşturabileceğini gösteriyor. Mevcut sistem gündüz koşullarına göre ayarlı ve gece ya da diğer ortamlar için ayarlama gerekse de, sonuçlar müdahalesiz, görüntü tabanlı izlemenin pratik bir güvenlik özelliği haline gelebileceğini düşündürüyor. Yorgunluğu erken tanıyarak ve sürücüleri mola vermeye teşvik ederek bu tür teknoloji, şimdi genellikle birinin direksiyonda tamamen uyanık kalamayacak kadar yorgun olması nedeniyle gerçekleşen birçok kazayı önlemeye yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: sürücü yorgunluğu, uykulu sürüş, sürücü izleme, bilgisayarlı görü, yol güvenliği