Crédit :Liu et al.
Une équipe de chercheurs de l'Université des géosciences de Chine et de Wuhan WXYZ Technologies en Chine a récemment proposé une nouvelle technique basée sur l'apprentissage automatique pour localiser les yeux des gens sur les images de leur visage. Cette technique, présenté dans un article publié dans la revue Elsevier Neuroinformatique , pourrait avoir plusieurs applications utiles. Par exemple, il pourrait être utilisé pour détecter la somnolence chez les personnes qui conduisent une voiture ou effectuent des tâches qui nécessitent un certain degré de vigilance et d'attention.
La somnolence peut considérablement altérer les capacités de prise de décision des personnes, ainsi que leur attention et leur mémoire. La somnolence pendant la conduite ou l'accomplissement d'une tâche importante peut entraîner une baisse significative de l'efficacité, et dans certains cas, même provoquer des accidents mortels.
L'un des moyens les plus efficaces d'estimer les niveaux de somnolence chez les humains est de regarder leurs yeux, qui, chez les personnes somnolentes, sont généralement plus fermées ou fatiguées. Analyser automatiquement les yeux des gens à l'aide de méthodes informatiques, cependant, consiste tout d'abord à les localiser dans des images ou des vidéos en temps réel.
"Nos travaux récents s'inscrivent dans le cadre de nos recherches sur l'estimation de la somnolence, " les chercheurs qui ont mené l'étude ont déclaré à TechXplore par e-mail. " Dans nos travaux précédents, nous avons proposé un modèle de service d'initiative pour le robot de service qui est différent du service passif (c'est-à-dire, le robot doit attendre les instructions d'un utilisateur lors de la prestation de service). Quoi de plus, nous avons sélectionné un robot de service d'abreuvement comme exemple pour vérifier l'efficacité du modèle de service d'initiative."
Initialement, les chercheurs ont entrepris de développer une technique d'estimation de la somnolence qui pourrait améliorer l'aspect pratique d'une plate-forme robotique servant des boissons aux humains. Le premier pas dans cette direction a été de créer une méthode automatique pour localiser les yeux des gens en temps réel en analysant des images de leurs visages.
Structure globale de WBCCNN pour la localisation des yeux. Crédit :Liu et al.
La méthode de localisation de l'œil proposée par les chercheurs est basée sur une technique d'apprentissage automatique connue sous le nom de réseau de neurones convolutifs en cascade de binarisation de poids (WBCCNN). Le WBCCNN qu'ils ont développé prédit la position des yeux des gens de grossier à fin, ce qui améliore les performances du modèle. En outre, la composante binaire du réseau permet de réduire la taille de stockage du modèle et d'accélérer ses opérations.
Les chercheurs ont évalué leur modèle WBCCNN pour la localisation des yeux dans une série d'expériences utilisant des images des Faces étiquetées dans la nature (LFW), Ensembles de données BioID et Labeled Face Parts in the Wild (LFPW). Leur méthode a obtenu des résultats remarquables et a surpassé les autres techniques de localisation oculaire, obtenir une erreur de détection moyenne de 0,66 pour cent dans la localisation des yeux gauches et de 0,71 pour cent des yeux droits.
Selon les chercheurs, la réalisation la plus significative de leur étude a été le développement d'un WBCCNN dans lequel le poids est contraint par la binarisation. Cette caractéristique de conception unique permet d'économiser sur la capacité de stockage du modèle, tout en réduisant ses coûts de calcul. À l'avenir, le nouveau modèle WBCCNN pourrait aider au développement d'outils efficaces pour estimer la somnolence des gens, ainsi que d'autres émotions ou états qui peuvent être détectés en analysant les yeux des gens.
"Une localisation oculaire fiable est nécessaire pour l'estimation de la somnolence, Donc, nous allons maintenant essayer d'appliquer la méthode de localisation oculaire proposée au service d'initiative des robots pour l'estimation de la somnolence, conçu pour aider à augmenter l'efficacité du travail des gens, ", ont déclaré les chercheurs.
© 2019 Réseau Science X