Détection du niveau de fatigue au volant à l'aide de l'intelligence artificielle

Lamouchi, Dorra (2024). Détection du niveau de fatigue au volant à l'aide de l'intelligence artificielle. Mémoire. [Rimouski], Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 91 p.

PDF Télécharger (5MB) | Prévisualisation

Résumé

RÉSUMÉ : Ces dernières années, le nombre d'accidents mortels sur les routes a augmenté de manière significative, en parallèle à la croissance du nombre de véhicules, en particulier sur les longs trajets entre des régions éloignées. Plusieurs facteurs peuvent être à l'origine de ces accidents, mais la plupart d'entre eux sont directement liés à l'état du conducteur. La fatigue, en particulier, revêt une importance cruciale, car elle entraîne une diminution des capacités cognitives et une réduction des réflexes, ce qui augmente considérablement les risques d'accident. De plus, les conducteurs ont souvent du mal à prendre conscience de leur propre niveau de fatigue. Grâce aux récentes avancées en intelligence artificielle, il est désormais possible de concevoir des systèmes de détection automatique de la fatigue au volant. Bien que différents systèmes aient déjà été proposés, leurs performances ne sont pas encore optimales, ouvrant ainsi la voie au développement de nouvelles méthodes. En explorant d'autres modalités et sources de données, il devient possible de caractériser de manière plus précise la fatigue et d'alerter le conducteur au moment opportun, contribuant ainsi à la réduction des risques d'accidents dus à la fatigue sur la route. On a commencé par un examen approfondi des méthodes existantes de détection de la fatigue. Les approches physiologiques, bien que précises, sont souvent coûteuses et intrusives, tandis que les méthodes comportementales peuvent être affectées par des facteurs externes, ce qui réduit leur fiabilité. Pour surmonter ces défis, ce mémoire propose le développement de deux systèmes de détection distincts à partir de données physiologiques et comportementales. La première approche intègre des données physiologiques comme le rythme cardiaque pour évaluer les niveaux de somnolence. La seconde approche utilise la reconnaissance faciale avancée pour analyser les signes de fatigue tels que les clignements des yeux et les bâillements de la bouche. Ces deux systèmes sont élaborés et validés à l'aide de données publiques pour permettre des comparaisons avec des recherches antérieures. En conclusion, ce mémoire vise à fournir une solution complète pour la détection de la fatigue des conducteurs combinant les avantages des approches comportementales et physiologiques tout en surmontant leurs limitations respectives. -- Mot(s) clé(s) en français : Détection de la somnolence, Signaux physiologiques, Spectrogramme, Transformée de Fourier Rapide, Transformée en Cosinus Discrète, Transformée en Ondelettes Discrètes, VGG-16, ResNet-50, PCA (Analyse en Composantes Principales), Points de Repère Faciaux, Machine à Vecteurs de Support Multi-classes, UTA-RLDD, DROZY. --
ABSTRACT : In recent years, the number of fatal road accidents has increased significantly, in parallel with the growth in the number of vehicles, especially on long journeys between remote regions. Several factors can be the cause of these accidents, but most of them are directly related to the driver's condition. Fatigue, in particular, is of crucial importance, as it leads to a decrease in cognitive abilities and a reduction in reflexes, which significantly increases the risk of accidents. Additionally, drivers often have difficulty recognizing their own level of fatigue. Thanks to recent advances in artificial intelligence, it is now possible to design automatic fatigue detection systems for drivers. Although different systems have already been proposed, their performance is not yet optimal, paving the way for the development of new methods. By exploring other modalities and data sources, it becomes possible to more precisely characterize fatigue and alert the driver at the right time, thus contributing to the reduction of fatigue-related road accidents. This study began with an in-depth examination of existing methods for detecting fatigue. Physiological approaches, although precise, are often expensive and intrusive, while behavioral methods can be affected by external factors, reducing their reliability. To overcome these challenges, this thesis proposes the development of two distinct detection systems based on physiological and behavioral data. The first approach integrates physiological data such as heart rate to assess levels of drowsiness. The second approach uses advanced facial recognition to analyze signs of fatigue such as eye blinks and yawns. These two systems are developed and validated using public data to allow comparisons with previous research. In conclusion, this thesis aims to provide a comprehensive solution for detecting driver fatigue by combining the advantages of both behavioral and physiological approaches while overcoming their respective limitations. -- Mot(s) clé(s) en anglais : Drowsiness detection, Physiological signals, Spectrogram, Fast Fourier Transform, Discrete Cosine Transform, Discrete Wavelet Transform, VGG-16, ResNet-50, PCA (Principal Component Analysis), Local Binary Patterns on Three Orthogonal Planes, Support Vector Machines, UTA-RLDD, DROZY.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Yaddaden, Yacine
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Cherif, Raef
Information complémentaire :	Mémoire présenté comme exigence pour l'obtention du diplôme de maîtrise en informatique - volet recherche (3017). Maître ès sciences (M. Sc.). Département de mathématique, d'informatique et génie.
Mots-clés :	Somnolence au volant - Aspect physiologique; Fatigue - Aspect physiologique; Intelligence artificielle; Sécurité routière.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Informatique
Date de dépôt :	16 sept. 2026 18:11
Dernière modification :	16 sept. 2026 18:11
URI :	https://semaphore.uqar.ca/id/eprint/3618