针对疲劳驾驶检测方法存在疲劳特征单一、鲁棒性低和不能因驾驶员不同定制疲劳阈值等问题,提出了一种基于脸部特征和头部姿态的疲劳检测方法。利用HOG(histogram of oriented gradients)特征算子和回归树算法进行人脸检测和人脸关键点定...针对疲劳驾驶检测方法存在疲劳特征单一、鲁棒性低和不能因驾驶员不同定制疲劳阈值等问题,提出了一种基于脸部特征和头部姿态的疲劳检测方法。利用HOG(histogram of oriented gradients)特征算子和回归树算法进行人脸检测和人脸关键点定位;通过脸部关键点结合坐标系变换估计头部姿态欧拉角;建立深度残差神经网络模型对眼部疲劳特征进行提取,同时结合眼部、嘴部纵横比和头部姿态欧拉角进行疲劳特征提取;利用眼部、嘴部和头部姿态疲劳特征建立针对不同驾驶员的支持向量机模型对疲劳驾驶进行预警。实验表明:在YawDD和自建疲劳模拟数据集上,该方法均表现出较高的准确率和鲁棒性,在某一疲劳特征检测受阻时依然能进行较好的疲劳预警。展开更多
学习注意力是学生学习效率的一个重要因素,直接影响学生的学习效果。为了有效监测学生在传统课堂教学中的注意力情况,提出一种基于头部姿态识别的学生注意力判别方法。首先运用卷积神经网络对视频图像的面部特征点进行检测,其次采用比...学习注意力是学生学习效率的一个重要因素,直接影响学生的学习效果。为了有效监测学生在传统课堂教学中的注意力情况,提出一种基于头部姿态识别的学生注意力判别方法。首先运用卷积神经网络对视频图像的面部特征点进行检测,其次采用比例正交投影迭代变换(pose from orthography and scaling with iterations,POSIT)算法对人脸进行跟踪识别,并对人脸的旋转角度进行计算,根据其头部的倾斜角度对学生注意力进行分析研究。测试结果表明,提出的模型注意力检测准确率为88.7%,可以有效地对学生注意力进行检测,具有较好的应用前景。展开更多
提出了一种基于单幅图像头部姿态估计的学生注意力可视化分析方法,采用随机级联回归树进行人脸特征点定位,引入了一个统计测量获得的刚性模型作为3D人脸近似,实现基于Pn P (perspective-n-point)映射的单幅图像头部姿态估计,最后将学生...提出了一种基于单幅图像头部姿态估计的学生注意力可视化分析方法,采用随机级联回归树进行人脸特征点定位,引入了一个统计测量获得的刚性模型作为3D人脸近似,实现基于Pn P (perspective-n-point)映射的单幅图像头部姿态估计,最后将学生视线投射到教师授课的视频图像上,实现学生学习注意力的可视化分析。实验结果表明:对于Biwi标准库,该方法可以将头部姿态估计角度平均误差降低到4.88°;方法具有粗颗粒度的计算并行性,使用4线程并行计算可以获得2.37倍的加速效果;实现了3种典型学习状态(专注、关注、漠视)的注意力可视化分析。展开更多
文摘针对疲劳驾驶检测方法存在疲劳特征单一、鲁棒性低和不能因驾驶员不同定制疲劳阈值等问题,提出了一种基于脸部特征和头部姿态的疲劳检测方法。利用HOG(histogram of oriented gradients)特征算子和回归树算法进行人脸检测和人脸关键点定位;通过脸部关键点结合坐标系变换估计头部姿态欧拉角;建立深度残差神经网络模型对眼部疲劳特征进行提取,同时结合眼部、嘴部纵横比和头部姿态欧拉角进行疲劳特征提取;利用眼部、嘴部和头部姿态疲劳特征建立针对不同驾驶员的支持向量机模型对疲劳驾驶进行预警。实验表明:在YawDD和自建疲劳模拟数据集上,该方法均表现出较高的准确率和鲁棒性,在某一疲劳特征检测受阻时依然能进行较好的疲劳预警。
文摘学习注意力是学生学习效率的一个重要因素,直接影响学生的学习效果。为了有效监测学生在传统课堂教学中的注意力情况,提出一种基于头部姿态识别的学生注意力判别方法。首先运用卷积神经网络对视频图像的面部特征点进行检测,其次采用比例正交投影迭代变换(pose from orthography and scaling with iterations,POSIT)算法对人脸进行跟踪识别,并对人脸的旋转角度进行计算,根据其头部的倾斜角度对学生注意力进行分析研究。测试结果表明,提出的模型注意力检测准确率为88.7%,可以有效地对学生注意力进行检测,具有较好的应用前景。
文摘提出了一种基于单幅图像头部姿态估计的学生注意力可视化分析方法,采用随机级联回归树进行人脸特征点定位,引入了一个统计测量获得的刚性模型作为3D人脸近似,实现基于Pn P (perspective-n-point)映射的单幅图像头部姿态估计,最后将学生视线投射到教师授课的视频图像上,实现学生学习注意力的可视化分析。实验结果表明:对于Biwi标准库,该方法可以将头部姿态估计角度平均误差降低到4.88°;方法具有粗颗粒度的计算并行性,使用4线程并行计算可以获得2.37倍的加速效果;实现了3种典型学习状态(专注、关注、漠视)的注意力可视化分析。
