DriveSafe AI: Quantifying the Preprocessing Bottleneck in Lightweight Driver Drowsiness Detection

Resumo Técnico: DriveSafe AI

Declaração do Problema

A sonolência do condutor é uma das principais causas de fatalidades rodoviárias globais, mas a implementação de sistemas de detecção eficazes enfrenta duas barreiras primárias: altas taxas de falsos alarmes que corroem a confiança do condutor e falhas catastróficas quando os modelos encontram sujeitos ou condições de câmera não vistos (generalização entre conjuntos de dados/cross-dataset). A literatura existente revela um compromisso fundamental: modelos de alta precisão geralmente exigem hardware robusto de desktop, enquanto modelos leves compatíveis com dispositivos de borda (edge) sacrificam a precisência. A maioria dos sistemas é avaliada apenas em suas distribuições de treinamento, mascarando falhas de generalização. Este artigo identifica uma fonte negligenciada de perda de precisão: o pipeline de pré-processamento, especificamente a transferência entre a detecção facial e a classificação.

Metodologia

O sistema proposto, DriveSafe AI, emprega uma decomposição sistemática de pipeline para isolar gargalos de precisão. A arquitetura consiste em:

1. Pipeline do Sistema: Quadros de webcam passam pela detecção facial via SSD (Single Shot Multibox Detector), seguida pelo pré-processamento CLAHE (Equalização de Histograma Adaptativa com Limite de Contraste), classificação via MobileNetV2 e um protocolo de confiança de três zonas.
2. Pré-processamento Adaptativo CLAHE: Ao contrário do ajuste de brilho global padrão, o CLAHE opera em regiões de blocos locais para normalizar a iluminação não uniforme (ex: reflexo do painel, iluminação de túneis), reduzindo a lacuna de domínio entre os conjuntos de dados de treinamento e teste.
3. Protocolo de Confiança de Três Zonas: Para eliminar falsos alarmes, o sistema particiona as saídas do classificador em três zonas: Ativo (baixa probabilidade), Incerto (probabilidade intermediária) e Fadiga (alta probabilidade). O sistema recusa-se a classificar entradas que caem na zona "Incerta", mantendo alta cobertura enquanto filtra ruídos.
4. Calibração de Poucos Disparos (Few-Shot) Adaptativa ao Sujeito: Para abordar a lacuna de generalização entre sujeitos, o sistema implementa um protocolo de ajuste fino de poucos disparos. Dados apenas $k=30$ quadros rotulados (aprox. 1 segundo de vídeo) de um novo condutor, o modelo:
   • Congela todas as camadas, exceto as últimas cinco.
   • Realiza o ajuste fino nos quadros de adaptação com aumento de dados (espelhamento, oscilação de brilho, ruído, cutout).
   • Calibra um limiar de decisão por sujeito.
   • Aplica Aumento de Tempo de Teste (TTA) e suavização temporal sobre uma janela deslizante de 5 quadros.
   • Nota: O protocolo suporta uma variante semissupervisionada onde os 30 quadros precisam ser apenas quadros "ativos" (alerta), coletados durante o primeiro minuto de condução, eliminando a necessidade de rotulagem manual de fadiga na inicialização.

Principais Contribuições

O artigo apresenta quatro contribuições primárias:

1. Decomposição de Pipeline: Uma metodologia que isola as contribuições de precisão por estágio, identificando a transferência da detecção facial SSD como o principal modo de falha, introduzindo uma lacuna de precisão de 12,1 pontos percentuais, maior do que qualquer variação arquitetônica testada.
2. Pré-processamento Adaptativo CLAHE: Uma técnica que reduz a lacuna de domínio entre conjuntos de dados através da normalização de iluminação, melhorando a precisão no conjunto de dados UTA-RLDD de 33,3% para 99,0%.
3. Protocolo de Confiança de Três Zonas: Um mecanismo que elimina falsos alarmes através da predição seletiva, recusando entradas incertas enquanto mantém um F1 score de 94,7%.
4. Calibração Adaptativa ao Sujeito: Um método de calibração de poucos disparos que eleva a precisão média Leave-One-Subject-Out (LOSO) de 53,2% para 96,1%, demonstrando a viabilidade de detecção personalizada implantada em dispositivos de borda.

Resultados Experimentais

Experimentos foram conduzidos utilizando o conjunto de dados akahana para treinamento in-distribution e o benchmark UTA-RLDD (60 sujeitos) para avaliação entre sujeitos (cross-subject).

• Impacto do Pré-processamento: Sem CLAHE, a precisão entre conjuntos de dados caiu para 33,3% devido à variância de iluminação. Com CLAHE, a precisão atingiu 99,0%, um aumento de 65,7 pontos percentuais.
• Desempenho de Generalização:
  • Baseline (Sem Adaptação): Alcançou 53,2% de precisão média (±19,3% std) sob avaliação LOSO real, com uma Taxa de Falso Alarme (FAR) de 40,9%.
  • Adaptativo (Few-Shot): Alcançou 96,1% de precisão média (±4,9% std) com apenas 30 quadros de adaptação por sujeito. A FAR caiu para 5,5%, e o recall atingiu 99,2%.
• Estudos de Ablação:
  • Aumentar os quadros de adaptação de $k=10$ para $k=30$ proporcionou o maior ganho (+34,3 pp), superando amplamente os benefícios de TTA ou suavização temporal.
  • A complexidade arquitetônica (ex: adicionar LSTM ou características geométricas) falhou em melhorar o desempenho em relação ao baseline adaptativo, rendendo uma precisão (59,0%) inferior à do baseline adaptativo.
  • Quantização: A MobileNetV2 quantizada para 2,4 MB dinâmicos (TFLite) alcançou 99,0% de precisão, superando a MobileNetV3, cujas ativações hard-swish degradaram sob o arredondamento de pesos.
• Análise de Gargalo: A etapa de detecção facial SSD introduziu uma lacuna de precisão de 12,1 pontos percentuais em comparação com a classificação de imagem total, excedendo o impacto das mudanças de arquitetura de modelo.

Significância e Alegações

O artigo argumenta que a principal barreira para a Detecção de Sonolência do Condutor (DDD) leve não é a capacidade da arquitetura neural, mas sim a robustez do pré-processamento e a calibração específica do sujeito.

• Reenquadramento da Otimização: O autor afirma que melhorias no pré-processamento (especificamente a normalização de iluminação) e na adaptação de dados geram retornos maiores do que o escalonamento da complexidade do modelo. A lacuna de 12,1 pp causada pela transferência de detecção é a maior fonte de erro identificada.
• Viabilidade de Personalização: Os resultados demonstram que a generalização entre sujeitos não é uma barreira intransponível que exija conjuntos de dados massivos ou arquiteturas complexas. Em vez disso, pode ser resolvida através de calibração personalizada usando dados mínimos (30 quadros).
• Implantação Prática: O sistema é projetado para implantação em borda (edge), utilizando quantização dinâmica TFLite e um pipeline de processamento que se ajusta a restrições de tempo real (orçamento de sub-40ms por quadro quando amortizado). O protocolo de adaptação semissupervisionado permite a implantação no mundo real sem exigir que os condutores rotulem manualmente os estados de fadiga durante a partida do veículo.

O estudo conclui que os esforços futuros em DDD devem priorizar a redução dos requisitos de dados de adaptação (via meta-learning) e a validação desses protocolos adaptativos em diversos conjuntos de dados (NTH-DDD, ZJU-DRO), em vez de buscar novas inovações arquitetônicas.