静止环境中面部特征如何传达注意力
计算机视觉与模式识别
2021-12-01 v1
摘要
意识检测技术在各类企业中正获得越来越多的关注；最常用于驾驶员疲劳检测，最近的研究已转向使用计算机视觉技术来分析在线课堂等环境中的用户注意力。本文旨在通过分析哪些视觉特征对预测意识和疲劳的贡献最大，以扩展先前关于分心检测的研究。我们利用开源面部分析工具包 OpenFace 分析了处于不同注意力水平受试者的视觉数据。然后，我们使用支持向量机 (SVM) 创建了多个用户注意力预测模型，并发现方向梯度直方图 (HOG) 和动作单元是我们测试的特征中最好的预测因子。我们还将该 SVM 的性能与利用卷积和/或循环神经网络（CNN 和 CRNN）的深度学习方法进行了比较。有趣的是，CRNN 的表现并未显著优于对应的 CNN。虽然深度学习方法获得了更高的预测准确率，但 SVM 使用的资源更少，并且在特定参数下能够接近深度学习方法的性能。
引用
@article{arxiv.2111.14931,
title = {How Facial Features Convey Attention in Stationary Environments},
author = {Janelle Domantay},
journal= {arXiv preprint arXiv:2111.14931},
year = {2021}
}