Данная работа посвящена разработке системы определения отвлеченности водителя. В ходе работы была проанализирована предметная область, проведен анализ существующих систем мониторинга водителей. Рассмотрены модели машинного обучений для построения лендмарков, распознавания эмоций, классификации изображений и обнаружения объектов. Также были рассмотрены доступные датасеты, подходящие для описанных задач. Разработаны алгоритмы для определения отвлеченности водителя. Для определения закрытых глаз водителя был разработан алгоритм вычисления, состоящий из совокупности алгоритма с использованием метрики EAR по построенным лендмаркам глаз и модели обнаружения закрытых глаз. Для детектирования разговора по телефону были объединены два подхода: вычисление угла сгиба локтя по лендамаркам на теле человека и детектирование телефона в кадре.  Для определения зевания был разработан алгоритм с использованием лендмарков рта и вычисления метрики MAR открытости рта. Для определения курения была разработана, обучена и протестирована однопроходная нейронная сеть YOLO. Для классификации эмоций был разработан подход с использованием сверточной нейронной сети DAN и EfficientNet. Представлено описание разработанных алгоритмов. Также разработана программная реализация. В результате была получена эффективная система, которая хорошо показала себя при тестировании.

This work is devoted to the development of a system for determining driver distraction. During the work, the subject area was analyzed and an analysis of existing driver monitoring systems was carried out. Machine learning models for constructing landmarks, emotion recognition, image classification and object detection are considered. Available datasets suitable for the described tasks were also considered. Algorithms have been developed to determine driver distraction. To determine the drivers closed eyes, a calculation algorithm was developed, consisting of a combination of an algorithm using the EAR metric based on the constructed eye landscapes and a closed eyes detection model. To detect a telephone conversation, two approaches were combined: calculating the bend angle of the elbow using landmarks on the human body and detecting a telephone in the frame. To determine yawning, an algorithm was developed using mouth landscapes and calculating the MAR metric of mouth openness. To detect smoking, a single-pass neural network YOLO was developed, trained and tested. To classify emotions, an approach was developed using the convolutional neural network DAN and EfficientNet. A description of the developed algorithms is presented. A software implementation has also been developed. The result was an effective system that performed well during testing.