头部姿态信息可以反应人类行为、表达信息,例如同意、反对等。它也常被用于人类注意力研究,如疲劳驾驶检测。此外,它还是大多人脸相关任务的基础,如人脸识别、表情预测等。本文学习了国外点云数据处理的先进理论与研究,提出了将点云数据直接用于头部姿态估计任务的方法,并将之应用于疲劳驾驶检测实际任务中。通过对现有算法进行深入分析后发现:现有的方法大多采用RGB图像作为输入数据,很容易受光照、图像质量等因素影响。另一些方法采用体素或三维网格来进行姿态估计,导致计算复杂度较高,不能用于实时性要求较高的任务。针对上述问题,本文提出了相应的解决方案:首先,头部姿态估计往往只需要头部数据。本文提出了一种利用深度图像,基于卷积神经网络的头部检测方法,以输入头部数据为检测基础,充分利用了深度学习的感知能力。实验结果显示,该头部检测网络性能略优于其他工作。其次,在上步基础上,提出了一种基于点云数据的头部姿态估计网络。该网络采用分层特征提取的方式处理头部点云数据,该方式能够将点云的局部信息和全局信息相结合,直接且高效的捕获头部点云的有效特征,再将该特征通过全连接层进行非线性预测以获得头部姿态信息。该方法不易受光照、图像质量等因素影响。同时,避免了传统采用体素或三维网格来提取特征,导致的计算复杂度高的问题。第三,在上述研究基础上,提出了基于标签相关性的头部姿态估计优化算法。即引入了标签相关性的辅助学习概念,以求提高本文方法的姿态预测精度。与其他优秀算法相比,本文方法在准确度和计算的复杂度方面都具有更好的性能。最后,将上述成果应用于疲劳驾驶检测的实际任务中,提出一种有针对性的解决方案。通过对比公共数据集的实验结果和在实际任务中的表现,进一步说明了本文算法的有效性。