Real-Time Driver Emotion Detection Using Convolutional Neural Network and Computer Vision for Road Safety.

Conducir es un acto de negociación constante y silenciosa entre una persona y una máquina. Durante décadas, la tecnología construida para mantenernos seguros se ha centrado casi por completo en la máquina y la carretera. Los sensores vigilan los neumáticos, las cámaras escanean las marcas del carril y el radar rastrea el coche de delante. Sin embargo, la variable más crítica en cualquier vehículo sigue siendo el humano al volante, específicamente su estado interno. Cuando un conductor está enfadado, estresado o agotado, su capacidad para concentrarse se desvanece y su tiempo de reacción se ralentiza, convirtiendo un trayecto rutinario en un peligro potencial. Aunque existen sistemas para detectar la somnolencia mediante el seguimiento de los movimientos oculares o los bostezos, hay un reconocimiento creciente de que todo el espectro de las emociones humanas desempeña un papel en la seguridad. La pregunta ya no es solo si un conductor está despierto, sino si es emocionalmente capaz de conducir con seguridad.

Un estudio reciente de Mayuri Salunke explora una nueva forma de responder a esta pregunta mediante la construcción de un prototipo de sistema que observa el rostro del conductor para adivinar su estado de ánimo. El trabajo no pretende haber resuelto el problema de la seguridad vial, ni presenta un producto terminado listo para los coches actuales. En su lugar, ofrece una mirada preliminar a si una combinación sencilla de herramientas existentes puede funcionar de forma conjunta en tiempo real. Los investigadores construyeron un flujo de trabajo que toma una señal de vídeo, localiza el rostro del conductor y luego utiliza un cerebro digital, conocido como red neuronal convolucional, para clasificar lo que ese rostro expresa. Este cerebro digital ha sido entrenado con miles de imágenes para reconocer siete sentimientos humanos básicos: ira, disgusto, miedo, felicidad, tristeza, sorpresa y un estado neutral. El sistema decide entonces si la emoción que ve es segura o peligrosa. En este diseño específico, la felicidad, la sorpresa y una apariencia neutral se consideran seguras, mientras que la ira, la tristeza, el miedo y el disgusto se marcan como potencialmente inseguros.

Sin embargo, los investigadores comprendieron que una computadora puede cometer errores y que el rostro humano puede cambiar de expresión en una fracción de segundo. Si el sistema hiciera sonar una alarma cada vez que detectara un ceño fruncido fugaz o un destello momentáneo de ira, sería inútil. Para solucionar esto, el prototipo incluye una regla que ignora fotogramas individuales. Espera a ver si una emoción insegura persiste durante un tiempo determinado antes de activar una alerta. Este enfoque trata la alerta no como una reacción a una sola imagen, sino como una respuesta a un estado sostenido. Todo el sistema fue construido utilizando herramientas de software estándar y ejecutado en un procesador de computadora normal, sin necesidad de hardware especializado y costoso. El objetivo era ver si un sistema tan ligero podía seguir el ritmo de la velocidad de una señal de vídeo mientras tomaba estas decisiones complejas.

Para probar su idea, el equipo ejecutó el software en un breve clip de vídeo de una persona sentada frente a una cámara. El vídeo contenía 115 fotogramas y el sistema localizó con éxito el rostro en 114 de ellos. Una vez encontrado el rostro, el software analizó la expresión y registró el resultado. El sistema procesó el vídeo a una velocidad de aproximadamente 14,7 fotogramas por segundo, ligeramente más lento que la velocidad original del vídeo de 24,7 fotogramas por segundo. En esta prueba específica, la computadora predijo que la persona estaba feliz durante la mayor parte del clip, pero también identificó momentos de tristeza e ira. Crucialmente, debido a que estas predicciones "inseguras" aparecieron solo en breves ráfagas, la regla del sistema no activó una alarma. El mecanismo de alerta se disparó únicamente durante una prueba separada y controlada donde los investigadores alimentaron al sistema repetidamente con la misma imagen de "tristeza" durante dos segundos, demostrando que la lógica de tiempo funcionaba según lo previsto.

Los resultados de este estudio son estrictamente preliminares. Los investigadores fueron cuidadosos al señalar que no sabían si las suposiciones de la computadora sobre las emociones de la persona eran realmente correctas, ya que el vídeo utilizado no tenía etiquetas para verificar la verdad. La persona en el vídeo no estaba conduciendo un coche, y la iluminación y los ángulos no eran los de una carretera real. Además, el sistema no pudo detectar la fatiga o la somnolencia directamente, ya que el cerebro digital específico que utilizaron no fue entrenado para reconocer esos estados. Asimismo, el sistema tuvo dificultades con la velocidad del vídeo, lo que sugiere que en un coche real, podría necesitar saltarse algunos fotogramas para mantenerse al día. El autor enfatiza que este trabajo es una prueba de concepto, que muestra que las piezas pueden ensamblarse y ejecutarse en hardware ordinario, pero que aún no es una herramienta fiable para la conducción en el mundo real.

A pesar de estas limitaciones, el experimento demuestra un camino claro a seguir. Muestra que es posible combinar la detección facial, la clasificación de emociones y una regla lógica que espera a un estado sostenido en un único sistema funcional. El estudio sugiere que, si bien la tecnología no está lista para reemplazar el juicio humano o las funciones de seguridad existentes, la arquitectura básica es factible. El trabajo futuro deberá probar el sistema con conductores reales en vehículos reales, mejorar la precisión de la detección de emociones y encontrar mejores formas de manejar los desafíos de un coche en movimiento. Por ahora, la investigación se mantiene como un paso silencioso hacia un futuro donde los coches podrían, algún día, comprender no solo la carretera, sino también a la persona que la conduce.