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

ड्राइविंग एक व्यक्ति और एक मशीन के बीच निरंतर, शांत बातचीत की एक क्रिया है। दशकों से, हमें सुरक्षित रखने के लिए बनाई गई तकनीक ने लगभग पूरी तरह से मशीन और सड़क पर ध्यान केंद्रित किया है। सेंसर टायरों पर नज़र रखते हैं, कैमरे लेन मार्किंग को स्कैन करते हैं, और रडार आगे चल रही कार को ट्रैक करता है। फिर भी, किसी भी वाहन में सबसे महत्वपूर्ण चर (variable) पहिए के पीछे बैठा इंसान रहता है, विशेष रूप से उनकी आंतरिक स्थिति। जब एक ड्राइवर क्रोधित, तनावग्रस्त या थका हुआ होता है, तो उनकी एकाग्रता कम हो जाती है और उनकी प्रतिक्रिया करने की गति धीमी हो जाती है, जिससे एक सामान्य यात्रा भी एक संभावित खतरे में बदल सकती है। हालांकि आंखों की गतिविधियों या जम्हाई को ट्रैक करके उनींदेपन का पता लगाने वाली प्रणालियाँ मौजूद हैं, लेकिन इस बात की बढ़ती मान्यता है कि मानवीय भावनाओं का पूरा स्पेक्ट्रम सुरक्षा में भूमिका निभाता है। सवाल अब केवल यह नहीं है कि क्या ड्राइवर जाग रहा है, बल्कि यह है कि क्या वह भावनात्मक रूप से सुरक्षित रूप से गाड़ी चलाने में सक्षम है।

मयुरी सालुंके द्वारा किया गया एक हालिया अध्ययन इस प्रश्न का उत्तर देने के लिए एक नया तरीका तलाशता है, जिसमें ड्राइवर के चेहरे को देखकर उनके मूड का अनुमान लगाने वाला एक प्रोटोटाइप सिस्टम बनाया गया है। यह कार्य सड़क सुरक्षा की समस्या को हल करने का दावा नहीं करता है, न ही यह आज की कारों के लिए तैयार कोई अंतिम उत्पाद प्रस्तुत करता है। इसके बजाय, यह एक प्रारंभिक झलक देता है कि क्या मौजूदा उपकरणों का एक सरल संयोजन वास्तविक समय में एक साथ काम कर सकता है। शोधकर्ताओं ने एक ऐसा पाइपलाइन बनाया जो एक वीडियो फीड लेता है, ड्राइवर के चेहरे को ढूंढता है, और फिर एक डिजिटल मस्तिष्क का उपयोग करता है, जिसे 'कन्वोल्यूशनल न्यूरल नेटवर्क' कहा जाता है, ताकि यह वर्गीकृत किया जा सके कि वह चेहरा क्या व्यक्त कर रहा है। इस डिजिटल मस्तिष्क को सात बुनियादी मानवीय भावनाओं को पहचानने के लिए हजारों छवियों पर प्रशिक्षित किया गया है: क्रोध, घृणा, भय, खुशी, उदासी, आश्चर्य और एक तटस्थ अवस्था। सिस्टम फिर यह तय करता है कि जो भावना वह देख रहा है वह सुरक्षित है या खतरनाक। इस विशिष्ट डिज़ाइन में, खुशी, आश्चर्य और तटस्थ भाव को सुरक्षित माना गया है, जबकि क्रोध, उदासी, भय और घृणा को संभावित रूप से असुरक्षित के रूप में चिह्नित किया गया है।

हालाँकि, शोधकर्ता समझते थे कि कंप्यूटर गलती कर सकता है, और एक मानवीय चेहरा पलक झपकते ही अपना भाव बदल सकता है। यदि सिस्टम हर बार किसी क्षणिक शिकन या क्रोध की एक क्षणिक झलक देखने पर अलार्म बजाता, तो यह बेकार हो जाता। इसे हल करने के लिए, प्रोटोटाइप में एक नियम शामिल है जो एकल फ्रेम को अनदेखा करता है। यह देखने के लिए प्रतीक्षा करता है कि क्या कोई असुरक्षित भावना एक निश्चित समय तक बनी रहती है, इससे पहले कि वह अलर्ट जारी करे। यह दृष्टिकोण अलर्ट को एक एकल छवि की प्रतिक्रिया के रूप में नहीं, बल्कि एक निरंतर अवस्था की प्रतिक्रिया के रूप में देखता है। इस पूरी प्रणाली को मानक सॉफ्टवेयर टूल का उपयोग करके और एक सामान्य कंप्यूटर प्रोसेसर पर चलाया गया था, बिना किसी विशेष, महंगे हार्डवेयर की आवश्यकता के। लक्ष्य यह देखना था कि क्या ऐसा हल्का (lightweight) सिस्टम वीडियो फीड की गति के साथ तालमेल बिठा सकता है और साथ ही ये जटिल निर्णय ले सकता है।

अपने विचार का परीक्षण करने के लिए, टीम ने एक व्यक्ति के कैमरे के सामने बैठने वाले एक छोटे वीडियो क्लिप पर सॉफ्टवेयर चलाया। वीडियो में 115 फ्रेम थे, और सिस्टम ने 114 फ्रेमों में सफलतापूर्वक चेहरे को खोज लिया। एक बार चेहरा मिल जाने के बाद, सॉफ्टवेयर ने अभिव्यक्ति का विश्लेषण किया और परिणाम दर्ज किया। सिस्टम ने वीडियो को लगभग 14.7 फ्रेम प्रति सेकंड की गति से प्रोसेस किया, जो वीडियो की मूल गति 24.7 फ्रेम प्रति सेकंड से थोड़ी धीमी है। इस विशिष्ट परीक्षण में, कंप्यूटर ने भविष्यवाणी की कि व्यक्ति अधिकांश क्लिप के दौरान खुश था, लेकिन इसने उदासी और क्रोध के क्षणों की भी पहचान की। महत्वपूर्ण रूप से, क्योंकि ये "असुरक्षित" भविष्यवाणियां केवल बहुत कम समय के लिए आईं, सिस्टम के नियम ने अलार्म ट्रिगर नहीं किया। अलर्ट तंत्र केवल एक अलग, नियंत्रित परीक्षण के दौरान सक्रिय हुआ जहाँ शोधकर्ताओं ने सिस्टम को दो सेकंड के लिए एक ही "उदास" छवि बार-बार दिखाई, जिससे यह सिद्ध हुआ कि इसकी टाइमिंग लॉजिक सही ढंग से काम कर रही थी।

इस अध्ययन के परिणाम पूरी तरह से प्रारंभिक हैं। शोधकर्ता इस बात पर ध्यान देने में सावधान रहे कि वे यह नहीं जानते थे कि कंप्यूटर द्वारा व्यक्ति की भावनाओं के बारे में लगाए गए अनुमान वास्तव में सही थे या नहीं, क्योंकि उपयोग किए गए वीडियो में सत्यता की पुष्टि करने के लिए कोई लेबल नहीं थे। वीडियो में मौजूद व्यक्ति कार नहीं चला रहा था, और प्रकाश एवं कोण वास्तविक सड़क के नहीं थे। इसके अलावा, सिस्टम थकान या उनींदेपन का सीधे पता नहीं लगा सका, क्योंकि उनके द्वारा उपयोग किए गए विशिष्ट डिजिटल मस्तिष्क को उन अवस्थाओं को पहचानने के लिए प्रशिक्षित नहीं किया गया था। इसके अतिरिक्त, सिस्टम वीडियो की गति के साथ थोड़ा संघर्ष कर रहा था, जिससे संकेत मिलता है कि वास्तविक कार में, इसे तालमेल बनाए रखने के लिए कुछ फ्रेम छोड़ने पड़ सकते हैं। लेखक इस बात पर जोर देते हैं कि यह कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' है, जो यह दिखाता है कि इन हिस्सों को जोड़ा जा सकता है और साधारण हार्डवेयर पर चलाया जा सकता है, लेकिन यह अभी वास्तविक ड्राइविंग के लिए एक विश्वसनीय उपकरण नहीं है।

इन सीमाओं के बावजूद, यह प्रयोग एक स्पष्ट मार्ग प्रदर्शित करता है। यह दिखाता है कि फेस डिटेक्शन, इमोशन क्लासिफिकेशन और एक लॉजिक रूल जो एक निरंतर अवस्था की प्रतीक्षा करता है, को एक एकल, कार्यशील प्रणाली में संयोजित करना संभव है। अध्ययन बताता है कि हालांकि यह तकनीक मानवीय निर्णय या मौजूदा सुरक्षा सुविधाओं को बदलने के लिए तैयार नहीं है, लेकिन बुनियादी आर्किटेक्चर व्यवहार्य है। भविष्य के कार्यों में वास्तविक वाहनों में वास्तविक ड्राइवरों पर सिस्टम का परीक्षण करना, भावना पहचान की सटीकता में सुधार करना और चलती कार की चुनौतियों से निपटने के बेहतर तरीके खोजना शामिल होगा। फिलहाल, यह शोध एक शांत कदम के रूप में खड़ा है, जहाँ कारएं एक दिन न केवल सड़क, बल्कि उसे चला रहे व्यक्ति को भी समझ सकेंगी।