{
  "paper_id": "72cc0cbd06d32854983ef2474b8ddffd",
  "paper_title": "Body and Head Orientation Estimation with Privacy Preserving LiDAR Sensors",
  "paper_authors": [
    "Onur N. Tepencelik",
    "Wenchuan Wei",
    "Leanne Chukoskie",
    "Pamela C. Cosman",
    "Sujit Dey"
  ],
  "publication_date": "",
  "publication_venue": "2021 29th European Signal Processing Conference (EUSIPCO)",
  "abstract": "Body and head orientation estimation is important in many applications such as pedestrian protection, movement prediction, robotics, and behavioral analysis. In this paper, we propose a system that uses privacy preserving LiDAR sensors to estimate body and head orientations of people, with a motivation of providing guidance feedback to individuals who face non-verbal social communication challenges in workplace settings, such as some individuals with Autism Spectrum Disorder (ASD). For example, people who tend to look away from a speaker could be coached on the importance of periodically making eye contact and showing overt attention, or could be discreetly provided with real-time feedback based on present behavior. We developed models for body and head orientation estimation, using low-resolution point cloud data from two LiDAR sensors. The body orientation estimation model uses an ellipse fitting method while the head orientation estimation model is a pipeline of geometric feature extraction and neural network-based regression. Compared with other body and head orientation estimation systems using RGB cameras, our proposed system uses LiDAR sensors to preserve user privacy, while achieving comparable accuracy. To the best of our knowledge, this is the first body and head orientation estimation system using depth sensors for which the sensors do not require a specified placement in front of the subject. Our model achieves a mean absolute estimation error of 8.4 degrees for body orientation and 16.5 degrees for head orientation.\n",
  "keywords": [
    "Body orientation",
    "head orientation",
    "LiDAR sensor",
    "point cloud",
    "autism spectrum disorder"
  ],
  "paper_institutions": [
    "University of California San Diego",
    "Qualcomm Institute"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:40.338650Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对身体和头部朝向估计问题，提出一种基于隐私保护 LiDAR 传感器的系统，用于为在职场社交沟通中面临非语言交流困难的人群（如部分自闭症谱系障碍个体）提供指导反馈。与依赖 RGB 相机或前置深度传感器的现有方法不同，该系统将两个室内 LiDAR 传感器安装在天花板附近，以约 45 度俯视的监控视角采集低分辨率点云，无需传感器位于被测者正前方。数据采集在小型会议室中进行，15 名受试者坐在 8 个不同位置，头部朝向 13 个预定角度，平均每人 295 个点云；预处理包括点云拼接、基于人体检测的圆柱裁剪、KNN 噪声去除和上身区域提取。身体朝向估计采用最小二乘椭圆拟合，核心公式为 E(x,y)=ax^2+bxy+cy^2+dx+ey+f=0，利用椭圆长轴确定身体轴线，并结合头部点位置判断身体正面；头部朝向估计则采用几何特征提取与多层感知机回归的流水线。实验使用平均绝对误差（MAE）作为指标，身体朝向 MAE 为 8.4 度，头部朝向 MAE 为 16.5 度，与使用 RGB 相机或高分辨率深度数据的方法精度相当，同时保护隐私。进一步方向包括开发基于时间序列点云分析的虚拟教练模型，以及探讨实时提醒的时机和方式；实际应用场景包括职场会议中的社交行为指导、行人保护、机器人和行为分析，约束包括低分辨率、噪声、遮挡以及传感器位置导致的特征有效性变化。\n\n### 关键要点\n\n- 本文提出使用两个隐私保护 LiDAR 传感器从监控视角估计人体身体和头部朝向，传感器安装在天花板附近并以约 45 度俯视，无需像现有深度传感器方法那样将传感器放在被测者正前方。\n- 系统首先拼接两个 LiDAR 传感器的点云，利用传感器内置人体检测功能裁剪出每个人周围的圆柱形点云，再进一步裁剪出包含头部和上身的感兴趣区域。\n- 数据采集在小型会议室中进行，15 名受试者（含不同性别、是否戴眼镜/口罩、不同发型和身高）坐在 8 个不同座位，头部朝向 13 个预定角度（-90 到 +90 度，间隔 15 度），平均每人获得 295 个点云。\n- 预处理采用基于 k 近邻的噪声去除方法，若某点与其 10 个最近邻的平均距离大于 40 毫米则删除该点，以减少低分辨率点云中的噪声。\n- 身体朝向估计使用最小二乘椭圆拟合，将上身点云投影到 xy 平面并排除头部点，椭圆长轴表示身体轴线，核心公式为 E(x,y)=ax^2+bxy+cy^2+dx+ey+f=0。\n- 为确定椭圆中哪一侧是身体正面，模型利用被排除的头部点相对于椭圆中心的位置，因为人的头部几乎总是位于身体轴线前方。\n- 头部朝向估计采用几何特征提取与多层感知机回归的流水线，特征包括质心坐标、主成分、头部点分布属性、四个象限的主成分、估计鼻尖坐标以及头部椭圆拟合的轴长和方向。\n- 由于不同座位位置导致遮挡和点云变化，某些特征在某些位置有效而在其他位置无效，因此使用学习模型来学习位置相关变化并加权有用特征，以应对低分辨率、高噪声和位置变化。\n- 实验采用平均绝对误差（MAE）作为主要指标，身体朝向估计在整个数据集上的 MAE 为 8.4 度，头部朝向估计在留一交叉验证下的平均 MAE 为 16.5 度。\n- 按座位位置分析显示，位置 2 和位置 6 的身体朝向 MAE 最低（约 4.5 度），因为受试者正对一个传感器且背对另一个传感器，数据捕获较好；当上身大部分不可见时，椭圆拟合会失真。\n- 在面向社交沟通的适用性评估中，模型将朝向分为适当、中性和不适当区域，混淆矩阵显示误报率较低，大多数错误预测落在中性区域，不会对未来的虚拟教练应用造成大的误报。\n- 本文方法的主要约束包括低分辨率点云（上身平均约 1800 点，远低于 BIWI 数据集的约 10000 个面部点）、距离 1 到 4 米带来的噪声，以及监控视角下难以捕捉鼻尖、眼窝等细小面部几何特征。"
}