算法锐化面部特征以更好地检测情绪

新的研究介绍了一种使用卷积神经网络 (CNN) 分析面部来提高动态情绪识别准确度和速度的方法。中国沈阳东北大学的徐兰波所做的这项工作可以应用于心理健康、人机交互、安全等领域。

面部表情是非语言交流的重要组成部分，可以提供有关个人情绪状态的线索。到目前为止，情绪识别系统使用的是静态图像，这意味着它们无法捕捉到在谈话、采访或其他互动过程中情绪在人脸上变化的本质。徐的工作通过专注于视频序列解决了这个问题。该系统可以跟踪一系列视频帧中面部表情的变化，然后实时详细分析一个人的情绪如何展开。

然而，在进行分析之前，该系统会应用一种算法，即“混沌蛙跳算法”，来锐化关键的面部特征。该算法模仿青蛙的觅食行为，以在数字图像中找到最佳参数。在人类表情数据集上训练的 CNN 是该方法最重要的部分，它使徐能够通过识别与训练数据相交的新图像中的模式来处理视觉数据。通过分析视频片段中的几帧，该系统可以捕捉嘴巴、眼睛和眉毛的运动，这些运动通常是情绪变化的微妙但重要的指标。

Xu 报告称，该系统的准确率高达 99%，可在几分之一秒内提供输出。这种精度和速度非常适合实时使用，可用于各种领域，在这些领域，检测情绪可能很有用，而无需其他人或团队进行主观评估。它的潜在应用在于改善用户与计算机交互的体验，使计算机能够对用户的情绪状态(如沮丧、愤怒或无聊)做出适当反应。

该系统可能有助于筛查人们的情绪障碍，而无需人工干预。它还可用于增强安全系统，允许访问资源，但仅限于处于特定情绪状态的人，并禁止愤怒或心烦意乱的人进入。同一系统甚至可用于识别交通系统或个人车辆中的驾驶员疲劳情况。娱乐和营销行业也可能看到一些应用，通过了解情绪反应可以改善内容开发、交付和消费者参与度。