FaceReader
收集数据
FaceReader是一个面部分析程序,经过训练可以对面部表情进行分类。这些FaceReader分三步对面部表情进行分类。
收集数据
为了获得准确可靠的面部表情数据,FaceReader是最强大的自动化系统,可以帮助您解决这个问题。除了面部表情,FaceReader还提供了一些额外的分类。例如,它可以检测凝视的方向以及眼睛和嘴巴是否闭着。FaceReader根据下面解释的步骤分类面部表情。
用FaceReader用3个步骤确定面部表情
- 面找到-人脸在图像中的位置是通过基于深度学习的人脸搜索算法找到的,该算法在图像中搜索不同尺度下具有人脸外观的区域。
- 面建模- FaceReader使用基于深度神经网络的面部建模技术。它综合了一个人工人脸模型,描述了人脸中468个关键点的位置。它是一种直接估计人脸全部标记集合的单遍快速方法。初始估计完成后,利用主成分分析对关键点进行压缩。这就产生了一种高度压缩的描述面部状态的向量表示。
- 面对分类然后,一个经过训练的深度人工神经网络对面部表情进行分类,以识别面部模式。FaceReader直接从图像像素中对面部表情进行分类。超过2万张人工标注的图像被用于训练人工神经网络。
在分析视频时,为了节省你宝贵的时间,FaceReader还自动分类:
- 口开放闭合
- 眼睛开闭
- 眉毛raised-neutral-lowered
- 头的方向
- 视线方向
- 特征:性别、年龄和面部毛发(胡须和/或八字胡)
其他自变量可手动输入。
定义您自己的自定义表达式
自定义表情是指你可以通过结合面部表情来定义自己的面部表情或心理状态行动单位FaceReader可以识别的。在定义自定义表情时,你也可以使用效价、唤醒、头向(动作单元51-56)、心率和心率变异性。
自定义表达式函数可用于广泛的应用,例如:
- 定义“杜氏微笑”作为一个自定义表情结合行动单元6和12*
- 用行动单元1,5,25和26*的组合分析积极表达“Awe”
- 疼痛相关研究,基于行动单元4,6,7,9,10,25,26,27,43 *
- 如果你想改变一个表达的名称,例如用“Smile”代替“Happy”
- 修改表达式的强度
- 测量情感状态:兴趣、无聊、困惑、注意力和眨眼(AU45)在你购买动作单元模块时已经作为例子提供了
*这些例子一经要求可提供。如果您有兴趣测试或验证这些功能,请与我们联系。如果你开发了自己的自定义表达式,并想与其他研究人员分享,请让我们知道!
深度学习:在具有挑战性的环境下分析人脸
通过分类引擎Deep Face Model, FaceReader可以理解大量复杂的数据。深脸模型到底是做什么的?
深度人脸模型利用深度学习,基于输入和输出之间有多层的人工神经网络。网络在各个层之间移动,计算每个输出的概率。
它是目前机器学习中最成功的人工智能技术。就像在真实的神经网络中,输入端的信息是由相互连接的神经元收集和处理的。输入到输出的映射需要经过一系列非线性计算,将较低层次的信息聚集在一起,形成更高层次的特征(例如,表达的情感、年龄、性别)。