Machine Vision Algorithm lærer at genkende skjulte ansigtsudtryk

De fleste mennesker er gode til at genkende de almindelige følelser i andres ansigter. Men der er et andet sæt ansigtsudtryk, som de fleste mennesker er næsten helt uvidende om. I slutningen af ​​1960'erne opdagede psykologer, at når mennesker forsøger at skjule deres følelser, viser de ofte deres virkelige følelser i mikroudtryk, der dukker op og forsvinder på et øjeblik.

Disse flygtige ansigtsudtryk har fascineret psykologer og den brede offentlighed lige siden. Det viser sig, at mens de fleste mennesker er fuldstændig uvidende om mikroudtryk, kan en lille delmængde af individer spotte dem nøjagtigt og bruge dem til at fortælle, hvornår folk skjuler deres sande følelser, eller hvornår de ligefrem lyver.

En betydelig industri er vokset op, som fokuserer på at træne folk til at blive bedre til at genkende mikroudtryk. Retshåndhævende embedsmænd og anti-terrorist-agenter er ofte uddannet på denne måde i håbet om, at det kan hjælpe dem med at få øje på individer, der ikke har det godt. Hvorvidt denne træning virker, er genstand for megen debat - det kan være, at de fleste mennesker ikke har de sensoriske og kognitive færdigheder til at fange mikroudtryk, uanset hvilken træning de modtager.

Men der er en anden måde at få øje på mikroudtryk. I de senere år er maskinsynet blevet forbedret med en hastighed så hurtigt, at det har overrasket selv eksperter på området. I dag kan maskiner udstyret med de bedste algoritmer for kunstig intelligens rutinemæssigt udkonkurrere mennesker ved genkendelse af objekter og ansigtsgenkendelse, og de er begyndt at matche dem med hensyn til at genkende udtryk og den følelsesmæssige ladning, de bærer på.

Det rejser et interessant perspektiv. Kunne maskiner snart blive bedre til at genkende mikroudtryk end mennesker? I dag får vi et svar takket være Xiaobai Li's arbejde ved universitetet i Oulu i Finland og få venner. Disse fyre har bygget og testet det første maskinsynssystem, der er i stand til at spotte og genkende mikroudtryk, og de siger, at det allerede er bedre end mennesker til opgaven.

Den hastige udvikling inden for kunstig intelligens i de senere år er delvist opstået på grund af forbedrede databehandlingsmetoder. Men disse maskiner er ubrugelige uden store og nøjagtige databaser til at træne dem.

Så den første opgave for Li og co var at skabe en database med videoer, der viser mikroudtryk under realistiske forhold. Dette er lettere sagt end gjort. Mikroudtryk har en tendens til at opstå, når individer skjuler deres følelser under forhold med relativt høje indsatser.

Det er ikke nemt at gengive. Meget tidligere arbejde har faktisk fokuseret på poserede udtryk, men forskellige psykologer har påpeget begrænsningerne ved denne metode, hvoraf ikke mindst mikroudtryk ser væsentligt anderledes ud end poserede udtryk.

Li og co tacklede dette problem ved at bede en gruppe på 20 personer om at se en række videoer designet til at fremkalde stærke følelser blandt dem. Disse mennesker fik et stærkt incitament til at undgå at vise nogen følelser under opgaven: de fik at vide, at de skulle udfylde et langt, kedeligt spørgeskema, der forklarer de følelser, de viste.

Som et resultat producerede 16 af de 20 personer 164 mikroudtryk mellem dem, som holdet optog på et højhastighedskamera med 100 billeder i sekundet. Holdet koblede de udstillede følelser til det følelsesmæssige indhold af videoerne, hvilket gav dem en guldstandard database, som de kunne træne deres maskinlæringsalgoritme med.

Opgaven med at genkende mikroudtryk falder i to dele. Den første er at udvælge den flygtige ændring i ansigtstræk, der karakteriserer et mikroudtryk. Det andet er at identificere de følelser, dette viser.

Holdet tacklede det første problem ved at bruge en enkelt ramme, der viser motivets ansigt som standard og sammenligne alle efterfølgende billeder med det for at bestemme, hvordan udtrykket ændrede sig. Enhver ændring ud over en vis tærskel blev defineret som et mikroudtryk, og disse billeder blev sat til side til yderligere analyse.

At genkende udtryk er generelt sværere, fordi mikroudtryk har tendens til at være mindre udtalte end almindelige udtryk. En stor udfordring for mikroekspressionsgenkendelse er, at intensitetsniveauerne af ansigtsbevægelser er for lave til at kunne skelnes, siger Li og co.

Holdet løste dette ved hjælp af en algoritme, der forstørrer udtryk. Dette virker ved at identificere de dele af ansigtet, der er i bevægelse, når et udtryk ændres, og forvrænge ansigtet for at flytte dem længere.

Denne proces skal anvendes omhyggeligt. For eksempel siger Li og co, at de ikke kan bruge det til at spotte mikroudtryk, fordi algoritmen forstørrer al bevægelse, såsom hoveddrejning, ikke kun udtrykkene. Så det anvendes kun på de rammer, der er identificeret af spottingprocessen beskrevet ovenfor.

Endelig klassificerer algoritmen den udstillede følelse som positiv, negativ eller overraskelse, en proces den lærer fra træningsdatabasen.

Et interessant spørgsmål er, hvor godt denne tilgang fungerer sammenlignet med menneskelig præstation. For at finde ud af det bad holdet 15 personer om at identificere det udtryk, der blev vist i videoer, der kun indeholdt mikroudtrykkene (så de ikke behøvede at udvælge mikroudtrykkene fra længere sekvenser). Yderligere 15 personer så hele videoerne og skulle spotte hvert mikroudtryk samt identificere det.

Resultaterne giver interessant læsning. Li og co's maskine matchede menneskets evne til at spotte og genkende mikroudtryk og klarede sig markant bedre end mennesker ved genkendelsesopgaven alene.

Vores metode er det første system, der nogensinde er blevet testet på et hårdt spontant mikroudtryksdatasæt, der indeholder naturlige mikroudtryk, siger holdet. Det udkonkurrerer mennesker ved mikroekspressionsgenkendelse med en betydelig margin og præsterer sammenligneligt med mennesker ved den kombinerede mikroekspressionspotting- og genkendelsesopgave.

Det er ikke dårligt til første forsøg, og disse maskiner vil klart forbedre sig hurtigt.

Det er ikke svært at komme med ansøgninger. Li og co udvælger løgnedetektion, retshåndhævelse og psykoterapi, men det er let at forestille sig, at dette bliver brugt i jobsamtaler og vurderinger og endda i enheder af typen Google Glass i hverdagen.

Snart er der ingen steder at gemme sig.

Ref: arxiv.org/abs/1511.00423 : Læsning af skjulte følelser: Spontan mikroudtryk Spotting og genkendelse

skjule