Ces dernières années, l’intelligence artificielle a démontré un énorme potentiel pour le développement et l’avancement d’une grande variété de technologies. Un bon exemple est l'estimation de la direction du visage, qui trouve des applications dans les systèmes d'aide à la conduite qui empêchent la distraction au volant, les méthodes pour empêcher la tricherie lors des examens et les logiciels de création d'avatars virtuels tridimensionnels (3D).

Les techniques traditionnelles d’estimation de l’orientation du visage reconnaissent les parties caractéristiques du visage, notamment le nez, les yeux et la bouche, et détectent leurs mouvements. Cependant, ces méthodes basées sur des images bidimensionnelles (2D) soulèvent des problèmes de confidentialité et échouent lorsque les caractéristiques du visage sont masquées à cause d'un masque ou si le visage est tourné sur le côté.

La solution pourrait résider dans l’optimisation de la détection faciale à l’aide de données de nuages ​​de points (données obtenues à partir d’un ensemble discret de points de données) et d’un capteur de profondeur. En fait, certaines études antérieures ont utilisé un modèle d'estimation basé sur l'apprentissage en profondeur de données de nuages ​​de points 3D dans cinq directions de face : frontale, diagonale frontale, droite, gauche et horizontale. Cependant, compte tenu du niveau de précision requis pour les systèmes d'aide à la conduite qui vérifient de manière cruciale l'état du conducteur, cette classification en cinq classes (k = 5) est insuffisante pour détecter de manière satisfaisante la direction du visage.

Pour remédier à cette limitation, des scientifiques du Shibaura Institute of Technology, dirigés par le professeur Chinthaka Premachandra de la Graduate School of Engineering and Science, ont développé une approche de détection d'angle horizontal à large plage plus précise (avec k > 5). Ils ont mesuré avec précision l’angle horizontal du visage lors de l’acquisition des données d’entraînement à l’aide de capteurs gyroscopiques.

Leur article était mis à disposition en ligne dans le Journal des capteurs IEEE.

Dans cette étude, les scientifiques ont collecté des données sur les nuages ​​de points sous différentes orientations à l’aide d’un capteur de profondeur, qui a été intégré à un capteur gyroscopique lors de la collecte des données. Ces données ont été utilisées pour former un modèle de classification basé sur l'apprentissage profond, qui a été utilisé pour l'estimation de l'orientation du visage.

Les scientifiques ont modifié l'angle horizontal du visage par rapport à la caméra de +90 degrés à -90 degrés, en utilisant des pas de 30, 22,5, 18 et 15 degrés entre eux. En conséquence, la classification de la direction du visage était représentée par plus de sept classes (k = 7, 9, 11, 13).

"Des données d'entraînement précises pour chaque orientation ont été obtenues grâce à l'intégration des capteurs de profondeur et gyroscopiques, ce qui réduit le nombre d'échantillons de nuages ​​de points requis pour construire le modèle de classification. De plus, l'application d'un processus de réduction de poids pour réduire le poids des données de nuages ​​de points a amélioré l'efficacité de la formation et a abouti à une estimation rapide de l'orientation du visage", explique le professeur Premachandra.

La méthode de classification proposée, conçue pour plus de sept classes, atteint des performances remarquables en matière de détection de la direction des visages grâce à l'apprentissage en profondeur. Par exemple, il a démontré des taux de précision de classification supérieurs à 98 %, 95 % et 91 % pour 7, 9 et 11 classes, respectivement, ce qui représente une amélioration significative par rapport aux techniques conventionnelles d'estimation de l'orientation du visage.

Dans l’ensemble, cette étude ouvre de nouvelles portes à un large éventail d’applications pratiques où une détection précise de l’orientation du visage est requise. Comme l'explique le professeur Premachandra : « Nos résultats offrent une solution potentielle pour résoudre des problèmes tels que la distraction au volant, qui peut résulter du fait de détourner le regard ou de s'endormir au volant. Grâce à cette méthode d'estimation de l'orientation du visage, il peut être possible d'alerter les conducteurs dans des situations de somnolence et, à terme, contribuer à réduire l'incidence des accidents de la route à l'échelle mondiale.

Fourni par l'Institut de technologie Shibaura