Een team van onderzoekers van de China University of Geosciences en Wuhan WXYZ Technologies in China heeft onlangs een nieuwe op machine learning gebaseerde techniek voorgesteld om de ogen van mensen te lokaliseren in afbeeldingen van hun gezicht. Deze techniek, gepresenteerd in een paper gepubliceerd in het tijdschrift van Elsevier Neurocomputing , kan verschillende nuttige toepassingen hebben. Bijvoorbeeld, het zou kunnen worden gebruikt om slaperigheid te detecteren bij mensen die een auto besturen of taken uitvoeren die een zekere mate van alertheid en aandacht vereisen.

Slaperigheid kan de besluitvormingsvaardigheden van mensen sterk aantasten, evenals hun aandacht en geheugen. Slaperigheid tijdens het rijden of het uitvoeren van een belangrijke taak kan leiden tot een aanzienlijke afname van de efficiëntie, en in sommige gevallen, zelfs levensbedreigende ongevallen veroorzaken.

Een van de meest effectieve manieren om de mate van slaperigheid bij mensen in te schatten, is door naar hun ogen te kijken, die bij slaperige mensen doorgaans meer gesloten of vermoeid zijn. Automatisch de ogen van mensen analyseren met behulp van computationele methoden, echter, allereerst houdt in dat ze worden gelokaliseerd in realtime afbeeldingen of video's.

"Ons recente werk is een onderdeel van ons onderzoek naar de schatting van slaperigheid, " vertelden de onderzoekers die de studie uitvoerden via e-mail aan TechXplore. "In onze eerdere werken, we hebben een initiatiefservicemodel voor servicerobot voorgesteld dat verschilt van passieve service (d.w.z. de robot moet wachten op de instructie van een gebruiker bij het verlenen van service). Bovendien, we hebben een drinkservicerobot als voorbeeld gekozen om de effectiviteit van het initiatiefservicemodel te verifiëren."

aanvankelijk, de onderzoekers wilden een techniek ontwikkelen voor het schatten van slaperigheid die de bruikbaarheid zou kunnen verbeteren van een robotplatform dat drankjes aan mensen serveert. De eerste stap in deze richting was het creëren van een automatische methode om de ogen van mensen in realtime te lokaliseren door afbeeldingen van hun gezichten te analyseren.

De door de onderzoekers voorgestelde ooglokalisatiemethode is gebaseerd op een machine learning-techniek die bekend staat als weight binarization cascade convolutional neural network (WBCCNN). De door hen ontwikkelde WBCCNN voorspelt de positie van de ogen van mensen van grof tot fijn, wat de prestaties van het model verbetert. In aanvulling, de binaire component van het netwerk helpt de opslagomvang van het model te verkleinen en de werking ervan te versnellen.

De onderzoekers evalueerden hun WBCCNN-model voor ooglokalisatie in een reeks experimenten met behulp van afbeeldingen van de Labeled Faces in the Wild (LFW), BioID en gelabelde gezichtsdelen in het wild (LFPW) datasets. Hun methode bereikte opmerkelijke resultaten en presteerde beter dan andere technieken voor ooglokalisatie, het bereiken van een gemiddelde detectiefout van 0,66 procent bij het lokaliseren van linkerogen en 0,71 procent rechterogen.

Volgens de onderzoekers is de meest betekenisvolle prestatie van hun studie was de ontwikkeling van een WBCCNN waarin het gewicht wordt beperkt door binarisatie. Dit unieke ontwerpkenmerk maakt besparingen mogelijk in de opslagcapaciteit van het model, terwijl ook de rekenkosten worden verlaagd. In de toekomst, het nieuwe WBCCNN-model zou kunnen helpen bij de ontwikkeling van effectieve instrumenten om de slaperigheid van mensen in te schatten, evenals andere emoties of toestanden die kunnen worden gedetecteerd door de ogen van mensen te analyseren.

"Betrouwbare ooglokalisatie is noodzakelijk voor het schatten van slaperigheid, dus, we zullen nu proberen de voorgestelde ooglokalisatiemethode toe te passen op initiatiefservice van robots voor het schatten van slaperigheid, ontworpen om de werkefficiëntie van mensen te helpen verhogen, ', aldus de onderzoekers.

© 2019 Wetenschap X Netwerk