使用深度陀螺仪传感器估计人脸方向的有效方法

深度陀螺仪传感器收集人脸的3D点云数据以及人脸方向信息。它用于训练深度学习分类模型，然后准确估计人脸方向

近年来，人工智能在各种技术的发展和进步方面显示出巨大的潜力。一个很好的例子是面部方向估计，它可以应用于防止分心驾驶的驾驶员辅助系统、防止考试作弊的方法以及创建三维 （3D） 虚拟化身的软件。

传统的面部方位估计技术可以识别面部的特征部位，包括鼻子、眼睛和嘴巴，并检测它们的运动。然而，这种基于二维（2D）图像的方法引起了隐私问题，并且当面部的特征由于掩模而被隐藏时，或者如果面部转向侧面时，这种方法 会失败。

解决方案可以在于使用点云数据（从数据点的离散集合获得的数据）和深度传感器来优化面部检测。事实上，之前的一些研究已经在五个人脸方向上采用了基于3D点云数据深度学习的估计模型：正面、对角正面、右侧、左侧和水平。然而，考虑到关键验证驾驶员状态的驾驶员辅助系统所需的准确度水平，这种五级（k=5）分类不足以令人满意地检测面部方向。

为了解决这一限制，Shibaura理工学院的科学家在工程与科学研究生院的Chinthaka Premachandra教授的领导下，开发了一种更精确的水平宽范围角度检测方法（k>5）。在使用陀螺仪传感器获取训练数据的过程中，他们准确地测量了面部的水平角度。

在这项研究中，科学家们使用深度传感器从不同方向收集点云数据，该传感器在数据收集过程中与陀螺仪传感器集成。利用这些数据训练一个基于深度学习的分类模型，并将其用于人脸方向估计。

科学家们将面部相对于摄像机的水平角度从+90度改变为-90度，步长分别为30度、22.5度、18度和15度。因此，人脸方向的分类由7个以上的类来表示(k = 7,9,11,13)。

通过深度传感器和陀螺传感器的融合，获得了每个方向的精确训练数据，减少了构建分类模型所需的点云样本数量。此外，应用减权过程来减少点云数据的权重，提高了训练效率，并导致了快速的人脸方向估计，”Premachandra教授解释说。

提出的分类方法设计了7个以上的类别，通过深度学习在人脸方向检测方面取得了显著的性能。例如，它在7个、9个和11个类别上的分类准确率分别超过98%、95%和91%，比传统的人脸方向估计技术有了显著的改进。

总的来说，这项研究为需要精确的人脸方向检测的广泛实际应用打开了新的大门。正如Premachandra教授解释的那样，“我们的研究结果为解决分心驾驶等问题提供了一种潜在的解决方案，分心驾驶可能是由于开车时不看或睡着造成的。”使用这种面部方向估计方法，有可能在驾驶员困倦的情况下提醒驾驶员，并最终有助于减少全球范围内的交通事故发生率。”