Machine Vision Algorithm lär sig att känna igen dolda ansiktsuttryck

De flesta människor är bra på att känna igen de vanliga känslorna i andras ansikten. Men det finns en annan uppsättning ansiktsuttryck som de flesta människor är nästan helt omedvetna om. I slutet av 1960-talet upptäckte psykologer att när människor försöker dölja sina känslor visar de ofta sina verkliga känslor i mikrouttryck som dyker upp och försvinner i ett ögonblick.

Dessa flyktiga ansiktsuttryck har fascinerat psykologer och allmänheten sedan dess. Det visar sig att även om de flesta människor är helt omedvetna om mikrouttryck, kan en liten delmängd av individer upptäcka dem exakt och använda dem för att berätta när människor döljer sina sanna känslor eller när de rent ut ljuger.

En betydande industri har vuxit fram som fokuserar på att utbilda människor att bli bättre på att känna igen mikrouttryck. Brottsbekämpande tjänstemän och antiterroristagenter utbildas ofta på detta sätt i hopp om att det kan hjälpa dem att upptäcka individer som inte har någon nytta. Huruvida denna utbildning fungerar är föremål för mycket debatt – det kan vara så att de flesta människor inte har de sensoriska och kognitiva färdigheterna för att fånga mikrouttryck, oavsett vilken träning de får.

Men det finns ett annat sätt att upptäcka mikrouttryck. Under de senaste åren har maskinseendet förbättrats i en takt så snabbt att det har förvånat även experter på området. Idag kan maskiner utrustade med de bästa artificiella intelligensalgoritmerna rutinmässigt överträffa människor vid objektigenkänning och ansiktsigenkänning, och har börjat matcha dem när det gäller att känna igen uttryck och den känslomässiga laddning de bär.

Det väcker en intressant utsikt. Kan maskiner snart bli bättre på att känna igen mikrouttryck än människor? Idag får vi ett svar tack vare Xiaobai Li arbete vid Uleåborgs universitet i Finland och få kompisar. Dessa killar har byggt och testat det första maskinseendesystemet som kan upptäcka och känna igen mikrouttryck och de säger att det redan är bättre än människor i uppgiften.

De senaste årens snabba utveckling inom artificiell intelligens har delvis kommit till följd av förbättrade beräkningsmetoder. Men dessa maskiner är värdelösa utan stora och exakta databaser för att träna dem.

Så den första uppgiften för Li och co var att skapa en databas med videor som visar mikrouttryck under realistiska förhållanden. Detta är lättare sagt än gjort. Mikrouttryck tenderar att uppstå när individer döljer sina känslor under relativt höga insatser.

Det är inte lätt att återskapa. Mycket tidigare arbete har faktiskt fokuserat på poserade uttryck, men olika psykologer har påpekat begränsningarna med denna metod, inte minst att mikrouttryck ser signifikant annorlunda ut än poserade uttryck.

Li och co tacklade det här problemet genom att be en grupp på 20 individer att titta på en serie videor utformade för att framkalla starka känslor hos dem. Dessa personer fick ett starkt incitament att undvika att visa några känslor under uppgiften: de fick höra att de skulle behöva fylla i ett långt, tråkigt frågeformulär som förklarade alla känslor de visade.

Som ett resultat producerade 16 av de 20 individerna 164 mikrouttryck mellan dem, som laget spelade in på en höghastighetskamera med 100 bilder per sekund. Teamet kopplade de känslor som visades till det känslomässiga innehållet i videorna, vilket gav dem en guldstandarddatabas för att träna sin maskininlärningsalgoritm.

Uppgiften att känna igen mikrouttryck delas in i två delar. Den första är att plocka ut den flyktiga förändringen i ansiktsdrag som kännetecknar ett mikrouttryck. Det andra är att identifiera den känsla som detta visar.

Teamet tacklade det första problemet genom att använda en enda bildruta som visar motivets ansikte som standard och jämföra alla efterföljande bildrutor mot det för att avgöra hur uttrycket förändrades. Varje förändring utöver ett visst tröskelvärde definierades som ett mikrouttryck, och dessa bilder avsattes för ytterligare analys.

Att känna igen uttryck är i allmänhet svårare eftersom mikrouttryck tenderar att vara mindre uttalade än vanliga uttryck. En stor utmaning för mikrouttrycksigenkänning är att intensitetsnivåerna för ansiktsrörelser är för låga för att kunna urskiljas, säger Li och co.

Teamet löste detta med en algoritm som förstorar uttryck. Detta fungerar genom att identifiera de delar av ansiktet som är i rörelse när ett uttryck förändras och förvränga ansiktet för att flytta dem längre.

Denna process måste tillämpas noggrant. Till exempel säger Li och co att de inte kan använda den för att upptäcka mikrouttryck eftersom algoritmen förstorar alla rörelser, som att vända huvudet, inte bara uttrycken. Så det tillämpas bara på de ramar som identifierats av spottingprocessen som beskrivs ovan.

Slutligen klassificerar algoritmen den känsla som visas som positiv, negativ eller överraskning, en process som den lär sig från träningsdatabasen.

En intressant fråga är hur väl detta tillvägagångssätt fungerar jämfört med mänsklig prestation. För att ta reda på det bad teamet 15 personer att identifiera uttrycket som visas i videor som bara innehåller mikrouttrycken (så att de inte behövde välja ut mikrouttrycken från längre sekvenser). Ytterligare 15 personer tittade på hela videorna och var tvungna att upptäcka varje mikrouttryck och identifiera det.

Resultaten ger intressant läsning. Li och cos maskin matchade människans förmåga att upptäcka och känna igen mikrouttryck och överträffade människor enbart vid igenkänningsuppgiften.

Vår metod är det första systemet som någonsin har testats på en hård spontan mikrouttrycksdatauppsättning som innehåller naturliga mikrouttryck, säger teamet. Den överträffar människor vid mikrouttrycksigenkänning med en betydande marginal och presterar jämförbart med människor vid den kombinerade mikroexpressionsfläcknings- och igenkänningsuppgiften.

Det är inte illa för första försöket, och dessa maskiner kommer helt klart att förbättras snabbt.

Det är inte svårt att komma med ansökningar. Li och co väljer ut lögnupptäckt, brottsbekämpning och psykoterapi, men det är lätt att föreställa sig att detta används i anställningsintervjuer och bedömningar och till och med i enheter av typen Google Glass i vardagen.

Snart finns det ingenstans att gömma sig.

Ref: arxiv.org/abs/1511.00423 : Läsa dolda känslor: Spontan mikrouttrycksfläckning och igenkänning

Dölj