Ngủ gật khi lái xe là một trong những nguyên nhân dẫn đến tai nạn giao thông nghiêm trọng. Hiện tượng ngủ gật là hiện tượng phổ biến ở người lái xe. Ở các nước phát triển, hằng năm có rất nhiều nghiên cứu, thăm dò đánh giá về thực trạng hiện tượng này. Hiện nay, các hãng oto cũng đang phát triển những hệ thống chống ngủ gật cho người lái xe nhằm đưa ra cảnh báo, hạn chế tai nạn đáng tiếc. Tuy nhiên những thiết bị đó giá thành tương đối đắt cùng việc lắp đặt khá phức tạp. Do vậy trong khoá luận tôi đề xuất việc xây dựng một thiết bị giúp phát hiện cảnh báo ngủ gật từ đó hạn chế phần nào các tai nạn liên quan đến tình trạng buồn ngủ.
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Trịnh Đức Toàn HỆ THỐNG PHÁT HIỆN CHỐNG NGỦ GẬT KHI LÁI XE KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Cơng nghệ kĩ thuật điện tử, truyền thông HÀ NỘI - 2021 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CƠNG NGHỆ Trịnh Đức Tồn HỆ THỐNG PHÁT HIỆN CHỐNG NGỦ GẬT KHI LÁI XE KHỐ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ kĩ thuật điện tử, truyền thông Cán hướng dẫn: TS Nguyễn Thị Thanh Vân HÀ NỘI - 2021 VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY Trinh Duc Toan DROWSINESS DETECTOR SYSTEM WHEN DRIVING Major: Electronics and Communications Engineering Technology Supervisor: TS Nguyen Thi Thanh Van HA NOI - 2021 TÓM TẮT Ngủ gật lái xe nguyên nhân dẫn đến tai nạn giao thông nghiêm trọng Hiện tượng ngủ gật tượng phổ biến người lái xe Ở nước phát triển, năm có nhiều nghiên cứu, thăm dò đánh giá thực trạng tượng Hiện nay, hãng oto phát triển hệ thống chống ngủ gật cho người lái xe nhằm đưa cảnh báo, hạn chế tai nạn đáng tiếc Tuy nhiên thiết bị giá thành tương đối đắt việc lắp đặt phức tạp Do khố luận tơi đề xuất việc xây dựng thiết bị giúp phát cảnh báo ngủ gật từ hạn chế phần tai nạn liên quan đến tình trạng buồn ngủ i ABSTRACT Falling asleep while driving is one of the leading causes of serious traffic accidents Drowsiness is a common phenomenon among drivers In developed countries, every year there are many studies, exploration and evaluation of this phenomenon Currently, car manufacturers are also developing anti-drowsy systems for drivers to warn and limit unfortunate accidents However, such devices are relatively expensive and complicated to install Therefore, in this thesis, I propose to build a device to help detect drowsiness, thereby limiting some accidents related to drowsiness ii LỜI CAM ĐOAN Tơi xin cam đoan khố luận tốt nghiệp thực dựa sở lý thuyết, kiến thức chuyên ngành hướng dẫn TS Nguyễn Thị Thanh Vân Tất tài liệu nghiên cứu ghi rõ nguồn gốc mục tài liệu tham khảo, tuyệt đối khơng có việc chép tài liệu, cơng trình nghiên cứu người khác mà khơng rõ nguồn gốc Nếu có sai trái tơi xin hồn tồn chịu trách nhiệm Hà Nội, ngày 07 tháng 05 năm 2021 SINH VIÊN Trịnh Đức Tồn iii LỜI CẢM ƠN Tơi xin chân thành cảm ơn TS Nguyễn Thị Thanh Vân, người dẫn dắt định hướng cho việc nghiên cứu hồn thành khố luận tốt nghiệp Tơi cảm ơn thầy, cô Khoa Điện tử - Viễn thông thầy phản biện cho góp ý giúp tơi hồn thiện khố luận tốt Hà Nội, ngày 07 tháng 05 năm 2021 SINH VIÊN Trịnh Đức Tồn iv MỤC LỤC TĨM TẮT i LỜI CAM ĐOAN iii LỜI CẢM ƠN iv MỤC LỤC v DANH MỤC HÌNH VẼ vii DANH MỤC CÁC BẢNG ix Chương 1: Mở đầu 1.1 Đặt vấn đề 1.2 Mục tiêu 1.3 Bố cục khoá luận Chương 2: Cơ sở lý thuyết 2.1 Tổng quan xử lý ảnh[4] 2.1.1 Giới thiệu xử lý ảnh 2.1.2 Các vấn đề xử lý ảnh 2.2 Python [5][6] 2.2.1 Giới thiệu tổng quan 2.2.2 Các đặc điểm Python [6] 2.2.3 Ứng dụng Python 2.3 Thư viện OpenCV [7] 2.4 Thư viện DLIB [8] 10 2.4 Giới thiệu Raspberry Pi [9] 11 2.4.1.Tổng quan 11 2.4.2.Cấu tạo phần cứng 12 2.4.3.Hệ điều hành Raspberry Pi 14 2.4.4.Ứng dụng Raspberry Pi 14 Chương 3: Hệ thống phát cảnh báo ngủ gật 15 3.1 Phần cứng hệ thống 15 3.2 Sơ đồ khối hệ thống 16 3.2.1.Thu nhận ảnh 17 3.2.2.Tiền xử lý 17 3.2.3.Phát khuôn mặt dùng giải thuật Adaboost [10] 17 3.2.4.Đánh dấu cấu trúc khuôn mặt dùng Facial Landmarks [11] 25 v 3.2.5.Trích xuất vùng mắt 26 3.2.6.Tính tốn tỉ lệ mắt [13] 26 3.2.7.Phát ngủ gật [12] 28 3.2.8 Cảnh báo 28 Chương 4: Đánh giá kết 29 4.1 Cài đặt hệ thống 29 4.2 Kết 29 4.2.1.Trường hợp đầu nhìn thẳng so với camera 29 4.2.2.Trường hợp đầu nhìn nghiêng so với camera 32 4.2.3 Kết phát ngủ gật 34 4.2.4.Kết trường hợp phát nhiều người khác 35 4.2.5.Kết phát điều kiện thực tế lái xe 36 KẾT LUẬN 37 TÀI LIỆU THAM KHẢO 38 vi DANH MỤC HÌNH VẼ Hình 1.1: Hệ thống cảnh báo ngủ gật đeo tai Hình 1.2: Hệ thống Attention Assist xe Mercedes Hình 2.1: Các bước xử lý ảnh Hình 2.2: Sự khác ảnh màu ảnh xám Hình 2.3: Hình ảnh minh hoạ thư viện OpenCV Hình 2.4: Hình ảnh minh hoạ thư viện Dlib 10 Hình 2.5: Bo mạch Raspberry Pi 11 Hình 2.6: Các cổng ngoại vi Raspberry Pi 12 Hình 2.7: Sơ đồ chân GPIO RaspBerry Pi 13 Hình 3.1: Phần cứng hệ thống 15 Hình 3.2: Sơ đồi khối hệ thống 16 Hình 3.3: Đặc trưng 17 Hình 3.4: Đặc trưng theo cạnh 17 Hình 3.5: Đặc trưng theo đường 18 Hình 3.6: Đặc trưng xung quanh tâm 18 Hình 3.7: Đặc trưng theo đường chéo 18 Hình 3.8: Cách tính Integral Image ảnh 19 Hình 3.9: Cách tính tổng giá trị pixel vùng cần tính 19 Hình 3.10: Hệ thống phát khuôn mặt 20 Hình 3.11: Sơ đồ Adaboost 20 Hình 3.12: Ví dụ minh hoạ thuật toán Adaboost qua lần lặp 21 Hình 3.13: Mơ hình phân tầng kết hợp phân loại yếu 22 Hình 3.14: Kết hợp phân loại yếu thành phân loại mạnh 23 vii Ztt: hệ số dùng để đưa Wt+1 đoạn [0, 1] (normalization factor) - Strong classifier xây dựng: H(x) = sign( t 1 t h t (x) ) T (3.7) Quá trình huấn luyện phân loại thực vòng lặp mà bước lặp, thuật toán chọn weak classifier ht thực việc phân loại với lỗi εt nhỏ (do phân loại tốt nhất) để bổ sung vào strong classifier Mỗi chọn phân loại ht Adaboost tính giá trị αt theo công thức αt chọn nguyên tắc làm giảm thiểu giá trị lỗi εt Hệ số αt nói lên mức độ quan trọng ht Trong công thức phân loại H(x): H(x) = sign( t 1 t h t (x) ) T Ta thấy tất phân loại ht có đóng góp vào kết phân loại H(x), mức độ đóng góp chúng phụ thuộc vào giá trị αt tương ứng: ht với αt lớn có vai trị quan trọng H(x) Trong cơng thức tính αt: 1 j t ln( ) j Dễ thấy giá trị αt tỉ lệ nghịch với εj Bởi ht chọn với tiêu chí đạt εj nhỏ nhất, bảo đảm giá trị αt lớn Công thức Freund Schapire đưa Sau tính giá trị αt, AdaBoost tiến hành cập nhật lại trọng số mẫu: giảm trọng số mẫu mà ht phân loại đúng, tăng trọng số mẫu mà ht phân loại sai Qua đó, trọng số mẫu phản ánh độ khó nhận dạng mẫu ht+1 ưu tiên học cách phân loại mẫu Vòng lặp xây dựng strong classifier dừng lại sau T lần lặp Trong thực tế cài đặt, người ta sử dụng giá trị T khơng có cơng thức đảm bảo tính giá trị T tối ưu cho q trình huấn luyện Thay vào người ta sử dụng giá trị max false positive hay max false alarm (tỉ lệ nhận dạng sai tối đa mẫu background) Tỉ lệ phân loại cần xây dựng không phép vượt giá trị Khi đó, qua lần lặp, false alarm strong classifier Ht(x) xây dựng (tại lần thứ t) giảm dần, vòng lặp kết thúc tỉ lệ thấp max false alarm 24 3.2.4.Đánh dấu cấu trúc khuôn mặt dùng Facial Landmarks [11] Facial landmarks tập vấn đề dự đốn hình dạng Với hình ảnh ngõ vào ROI định đối tượng quan tâm ảnh, dự đốn hình dạng cố gắng định vị điểm quan trọng theo hình dạng Mục tiêu phát cấu trúc khuôn mặt quan trọng mặt phương pháp dự đốn hình dạng Việc phát điểm đánh dấu mặt trình gồm bước: Bước 1: Định vị khn mặt hình ảnh Bước 2: Phát cấu trúc mặt [11] Để phát khn mặt sử dụng nhiều cách: Sử dụng thuật toán Haar Cascade xây dựng OpenCV Sử dụng thuật toán HOG kết hợp với Linear SVM huấn luyện cho việc phát khn mặt Mục đích sử dụng thuật toán để có hộp bao quanh khn mặt tức toạ độ (x, y) khn mặt hình ảnh Khi có vùng mặt, ta áp dụng Bước để phát cấu trúc mặt vùng mặt Có nhiều phương pháp để đánh dấu phận khuôn mặt tất phương pháp chủ yếu để định vị gắn nhãn khu vực mặt sau đây: lông mày, mắt, mũi, miệng đường viền khuôn mặt Phương pháp phát dấu mốc khuôn mặt thư viện dlib bắt đầu cách sử dụng tập huấn luyện điểm đánh dấu khuôn mặt gắn nhãn hình ảnh Những hình ảnh dán nhãn theo cách thủ công, định toạ độ cụ thể (x, y) vùng xung quanh cấu trúc mặt.Với liệu huấn luyện này, nhóm hồi quy đào tạo để ước lượng vị trí dấu mốc khn mặt trực tiếp từ cường độ điểm ảnh Kết cuối phương pháp phát điểm đánh dấu mặt sử dụng để phát thời gian thực với dự đoán chất lượng cao Đề tài áp dụng thuật toán đánh dấu cấu trúc với 68 điểm vùng mặt thư viện dlib để định vị khu vực quan trọng khn mặt Các khu vực bao gồm: lơng mày, mắt, mũi, miệng đường viền khuôn mặt Bộ phát dấu mốc khuôn mặt huấn luyện trước thư viện dlib sử dụng để ước tính vị trí 68 toạ độ (x, y) cấu trúc khn mặt 25 Hình 3.15: 68 toạ độ đánh dấu cấu trúc khuôn mặt từ tập liệu iBUB300-W 3.2.5.Trích xuất vùng mắt Đề tài tập trung vào trạng thái mắt nên cần quan tâm đến vùng mắt Sử dụng phương pháp cắt mảng NumPy, trích xuất toạ đọ (x, y) mắt trái phải 3.2.6.Tính tốn tỉ lệ mắt [13] Với toạ độ (x, y) cho hai mắt, từ tính tốn tỉ lệ mắt, báo Tereza Soukupova and Jan Cech khuyến nghị nên tính trung bình hai tỉ lệ khung hình mắt với để có ước tính tốt Mỗi mắt đánh dấu toạ độ (x, y), góc trái mắt sau đánh dấu theo chiều kim đồng hồ xung quanh phần cịn lại mắt: Hình 3.16: Đánh dấu mắt điểm[12] 26 Có mối quan hệ chiều rộng chiều cao toạ dộ Dựa báo Tereza Soukupova and Jan Cech báo năm 2016, ta lấy phương trình phải ảnh mối quan hệ gọi tỉ số mắt (EAR) [9]: EAR p p p3 p5 p1 p (3.8) Trong p1 đến p vị trí đánh dấu mốc mắt Tử số phương trình tính khoảng cách điểm mốc dọc, mẫu số tính tốn khoảng cách điểm mốc ngang, trọng số mẫu số thích hợp có tập điểm ngang mà có hai tập điểm thẳng đứng Tỉ số mắt khoảng không đổi mát mở, giảm xuống nháy mắt xảy Hình 3.17: Các mốc mắt đánh dấu mắt mở, nhắm tỉ lệ mắt tương ứng[12] Bên trái hình ảnh mắt mở, tỉ lệ mắt tương đối lớn ổn định theo thời gian Bên phải hình ảnh mắt nhắm, tỉ lệ mắt giảm đáng kể gần Ta thiết lập ngưỡng mắt để nhận dạng trạng thái mắt nhắm hay mở Trong Real-time Eye Blink Detection using Facial Landmarks Tereza Soukupova and Jan Cech vào năm 2016 ngưỡng mắt 0.2[9], qua thực nghiệm thực tế khoá luận xác định ngưỡng mắt 0.25 Sau kiểm tra tỉ số EAR so sánh với ngưỡng mắt Nếu EAR < ngưỡng mắt khoảng thời gian cho tài xế ngủ gật phát âm để cảnh báo tài xế Công việc thực suốt trình lái xe để phát trạng thái ngủ gật tài xế 27 3.2.7.Phát ngủ gật [12] Để phát ngủ gật, thiết lập trước số giá trị cho hai trường hợp sau: Trường hợp 1: Mắt tài xế nhắm đầu chưa gục xuống Ngưỡng mắt để làm ngưỡng nhận dạng trạng thái mắt nhắm hay mở Đặt biến đếm tổng số khung hình liên tiếp mà tài xế nhắm mắt Ban đầu cảnh báo tắt Thiết lập số khung hình để nhận biết có tỉnh táo hay ngủ gật, biến đếm > số khung hình cho tài xế ngủ gật, bật cảnh báo Trường hợp 2: Đầu tài xế gục xuống Đặt biến đếm tổng số khung hình liên tiếp mà khơng xác định khn mặt Ban đầu cảnh báo tắt Thiết lập số khung hình để nhận biết có tỉnh táo hay ngủ gật, biến đếm > số khung hình cho tài xế ngủ gật bật cảnh báo 3.2.8 Cảnh báo Sau xác định trạng thái ngủ gật tài xế, hệ thống báo động bật để phát âm cảnh báo Ở đề tài sử dụng thư viện pygame để phát âm báo động WAV/MP3 28 Chương 4: Đánh giá kết 4.1 Cài đặt hệ thống Khoá luận tốt nghiệp thực việc thiết kế hệ thống phát cảnh báo buồn ngủ việc sử dụng kit Raspberry Pi 3, module Pi Camera, loa Các thông số thiết kế: Ngưỡng mắt (EAR): 0,25 Số khung hình liên tiếp nhắm mắt: 16 Số khung hình liên tiếp khơng phát khuôn mặt: 16 Khoảng cách mắt camera: 0,5m Đo điều kiện ánh sáng ban ngày, ban đêm (có ánh sáng từ hình máy tính) 4.2 Kết 4.2.1.Trường hợp đầu nhìn thẳng so với camera Hình 4.1: Kết đầu nhìn thẳng, đủ ánh sáng khơng đeo kính Hình 4.2: Kết đầu nhìn thẳng, đủ ánh sáng đeo kính 29 Hình 4.3: Kết đầu nhìn thẳng thiếu ánh sáng Kết thực nghiệm trường hợp điều kiện đầu nhìn thẳng so với camera thu thập ghi lại bảng đây: Góc đầu thẳng Đủ ánh sáng Thiếu ánh sáng Khơng kính Có kính Khơng kính Có kính Nhắm 29/30 26/30 27/30 18/30 Mở 30/30 27/30 26/30 20/30 Bảng 4.1: Kết nhận dạng mắt điều kiện đầu nhìn thẳng 30 Nhận xét: Qua kết thu từ bảng ta thấy độ xác gần tương đồng trường hợp điều kiện đủ ánh sáng Trường hợp người không đeo kính đạt kết nhận dạng cao trường hợp người có đeo kính kết có suy giảm chút bề mặt kính bị phản xạ ánh sáng gây nhiễu cho trình phân tích Việc đeo kính ảnh hưởng nhiều đến việc phân tích, gây khó khăn việc đánh dấu mắt Trong nhiều trường hợp phản xạ ánh sáng nên không phát vùng mắt, gây khó khăn sai lệch q trình xử lý Hệ thống phát mắt đối tượng sử dụng loại kính suốt Đối với loại kính râm, hệ thống khơng nhận dạng mắt nên việc phát cảnh báo không thực xác Việc nhận diện điều kiện đủ ánh sáng tốt, nhiên điều kiện ánh sáng yếu kết nhận dạng có suy giảm chút người dùng khơng đeo kính suy giảm đáng kể người dùng có đeo kính Khoảng cách để thực camera mắt người 1m Trên khoảng không ghi kết xác 31 4.2.2.Trường hợp đầu nhìn nghiêng so với camera Hình 4.4: Kết đầu nhìn nghiêng, đủ ánh sáng khơng đeo kính Hình 4.5: Kết đầu nhìn nghiêng, đủ ánh sáng đeo kính Hình 4.6: Kết đầu nhìn nghiêng thiếu ánh sáng 32 Kết thực nghiệm trường hợp điều kiện đầu nhìn nghiêng so với camera thu thập ghi lại bảng đây: Góc đầu nghiêng Đủ ánh sáng Thiếu ánh sáng Khơng kính Có kính Khơng kính Có kính Nhắm 27/30 26/30 24/30 17/30 Mở 28/30 25/30 26/30 19/30 Bảng 4.2: Kết nhận dạng mắt điều kiện đầu quay nghiêng Nhận xét: Tương tự đo điều kiện đầu nhìn thẳng với camera, hệ thống hoạt động xác đủ ánh sáng Còn điều kiện thiếu ánh sáng, việc nhận diện bị suy giảm tài xế khơng đeo kính suy giảm nhiều tài xế đeo kính Việc nghiêng đầu khiến cho việc nhận diện trở nên khó khăn Đối với tài xế khơng đeo kính xoay đầu khơng 45o mà hệ thống nhận diện được, đeo kính góc xoay bị giới hạn xuống cịn khoảng 15-20o che lấp gọng kính việc phản xạ ánh sáng 33 4.2.3 Kết phát ngủ gật Hình 4.7: Kết phát ngủ gật mắt nhắm đầu chưa gục xuống Hình 4.8: Kết phát ngủ gật đầu gục xuống Nhận xét: Hệ thống phát xác trường hợp ngủ gật điều kiện đủ ánh sáng Ở điều kiện đủ ánh sáng hệ thống phát cảnh báo tốt, nhiên thiếu ánh sáng khó nhận diện xác từ phát cảnh báo không mong muốn Trường hợp phát tài xế ngủ gật, hệ thống phát tín cảnh báo qua loa với độ trễ thấp 1-2 khung hình tương đương khoảng 1/10 giây Hệ thống tắt cảnh báo hệ thống phát mắt tài xế mở trở lại Như vậy, với thời gian phát cảnh báo nhanh đáp ứng việc cảnh báo tài xế thực tế 34 4.2.4.Kết trường hợp phát nhiều người khác Hình 4.9: Kết phát có nhiều người khung hình Nhận xét: Với nguồn video thu thập từ youtube, trường hợp có nhiều người khung hình hệ thống phát tất khuôn mặt khơng xác định đâu tài xế Vì khơng thể đưa cảnh báo phù hợp Sử dụng góc quay hẹp thẳng mặt với người lái xe để hạn chế tình trạng người khơng phải tài xế lọt vào khung hình dẫn đến cảnh báo sai lệch 35 4.2.5.Kết phát điều kiện thực tế lái xe Hình 4.10: Kết phát điều kiện thực tế ngày đêm Nhận xét: Trong điều kiện thực tế lái xe, hệ thống đáp ứng tốt việc phát vùng mắt Ban ngày hệ thống phát tốt, bắt vùng mắt xác Bên đêm có ánh sáng đèn đường hệ thống hoạt động ổn, vào đoạn đường tối hệ thống khơng thể hoạt động Với trường hợp tài xế đeo trang hay đeo kính râm, hệ thống khơng thể hoạt động xác đưa cảnh báo liên tục 36 KẾT LUẬN Khoá luận tốt nghiệp thực việc thiết kế hệ thống phát cảnh báo buồn ngủ thực kit Raspberry Pi 3, chạy hệ điều hành Raspbian, viết ngôn ngữ Python sử dụng thư viện mã nguồn mở OpenCV dlib để xử lý chương trình Việc sử dụng kit Raspberry Pi có tốc độ xử lý 1.2Ghz, RAM 1GB, module Pi camera cho kết thực tốt, đảm bảo độ xác thời gian thực Hệ thống hoạt động tốt điều kiện đủ ánh sáng, nhiên vào ban đêm điều kiện thiếu ánh sáng độ xác hệ thống giảm đáng kể, việc phát mắt khơng xác, việc đánh dấu vùng mắt bị lệch phản chiếu ánh sáng Hệ thống nhận diện cảnh báo tài xế sử dụng loại kính suốt, sử dụng kính râm trang khơng thể hoạt động Để sử dụng điều kiện ánh sáng giúp hệ thống hoạt động xác hơn, hướng phát triển khố luận gồm: sử dụng camera hồng ngoại để thu nhận hình ảnh vào ban đêm, xây dựng thuật tốn để nhận diện xác vùng mắt đeo kính (kể đeo kính râm, trang), phát triển hệ thống cảnh báo giọng nói 37 TÀI LIỆU THAM KHẢO [1]http://hoihohaptphcm.org/ [2]https://autovina.com/article/cong-nghe-chong-ngu-gat-khi-lai-xe-13754.html [3]https://www.vietnamstar.mercedes-benz.com.vn/vi/desktop/huong-dan-sudung/cach-hoat-dong-cua-attention-assist-tren-mercedes-benz-c250.html [4]https://tailieu.vn/docview/tailieu/2016/20160411/nguyentuyen_95/xu_ly_anh_2429 pdf [5]https://openplanning.net/11385/gioi-thieu-ve-python [6]https://vi.wikipedia.org/wiki/Python_(ng%C3%B4n_ng%E1%BB%AF_l%E1%BA %ADp_tr%C3%ACnh) [7]https://topdev.vn/blog/opencv-la-gi-hoc-computer-vision-khong-kho/ [8]http://dlib.net/ [9] https://text.123doc.org/document/3506796-de-tai-tim-hieu-may-tinhminiraspberry-pi.htm [10]https://text.123doc.org/document/3346820-dac-trung-haar-trong-phat-hienmatnguoi-tim-hieu-ve-cac-dac-trunghaar-va-thuat-toan-adaboost-de-phathien-matnguoi.htm [11] Adrian Rosebrock, “Facial landmarks with dlib, OpenCV and Python” https://www.pyimagesearch.com/2017/04/03/facial-landmarks-dlib-opencv-python/ [12] Adrian Rosebrock, “Drowsiness detection with OpenCV”, https://www.pyimagesearch.com/2017/05/08/drowsiness-detection-opencv/ [13]Tereza Soukupova and Jan Cech, “Real-Time Eye Blink Detection using Facial Landmarks”, 2016 38