FaceReader
Сбор данных


Определите выражения лица в три этапа с помощью FaceReader

1. Поиск лица – точное положение лица определяется с помощью алгоритма Виолы-Джонса (Viola-Jones algorithm).
2. Моделирование лица – активная модель внешности (Active Appearance Model) используется для наложения модели искусственного лица, которая описывает расположение более 500 ключевых точек и текстуры лица. Эти результаты объединяются с результатами глубокого алгоритма лица (Deep Face Algorithm) для достижения наивысшей точности классификации. Если моделирование лица невозможно (к примеру, когда ладонь участника закрывает рот, но оба его глаза могут быть найдены), запускается глубокий алгоритм лица, основанный на алгоритмах глубокого обучения (Deep Learning).
3. Классификация лица – нейронная сеть представляет выходные данные в виде семи базовых лицевых экспрессий, а также дополняет их нейтральным выражением.
   .

Чтобы сэкономить Ваше время при анализе видео, FaceReader также автоматически определяет:

• открыт или закрыт рот
• открыты или закрыты глаза
• подняты, опущены или находятся в нейтральном состоянии брови
• положение головы
• направление взгляда
• характеристики участника: пол, возраст, волосы на лице (борода и/или усы)

Другие независимые переменные могут быть введены вручную.

Определите собственные пользовательские экспрессии

Пользовательские экспрессии – это выражения лица или психические состояния, которые Вы можете определить самостоятельно, комбинируя лицевые экспрессии и двигательные единицы, которые распознает FaceReader. Вы также можете использовать валентность, возбуждение, положение головы (двигательные единицы 51-56), частоту сердечных сокращений и вариабельность сердечного ритма в своем определении пользовательской экспрессии.

Функция создания пользовательских экспрессий может использоваться для широкого спектра приложений, например:

• Определите улыбку Дюшена как пользовательскую экспрессию, объединив двигательные единицы 6 и 12*
• Проанализируйте положительную экспрессию «Благоговение», используя комбинацию двигательных единиц 1, 5, 25 и 26*
• Изучайте экспрессии, связанные с болью, основываясь на двигательных единицах 4, 6, 7, 9, 10, 25, 26, 27, 43 *
• Измените название экспрессии, например, «улыбка» вместо «счастье»
• Измените интенсивность экспрессии
• Измеряйте аффективные состояния: интерес, скука и растерянность уже определены в модуле двигательных единиц

* Эти примеры доступны по запросу. Пожалуйста, свяжитесь с нами, если Вы заинтересованы в их тестировании или валидации. Если Вы создали свое собственное выражение и хотели бы поделиться им с другими исследователями, сообщите нам об этом!

Анализ эмоций участников

Лицевые экспрессии могут быть представлены в виде гистограммы, круговой диаграммы и в виде непрерывного сигнала. Отдельный дисплей отображает негативность или позитивность эмоции (валентность), а временная шкала подробно визуализирует данные.

В отдельном окне отчетов отображается круговая диаграмма с процентами, смайликом и светофором, показывающая, является ли настроение человека положительным, нейтральным или отрицательным. Все данные визуализируются в режиме реального времени, а результаты визуализации могут быть просмотрены в любой момент в дальнейшем. Расширенный анализ лицевых экспрессий доступен с модулем анализа проектов.

Глубокое обучение: анализ лица в сложных условиях

С помощью глубокой модели лица (Deep Face Model) FaceReader может распознавать экспрессии в больших объемах сложных данных. Что именно делает глубокая модель лица?

Глубокая модель лица использует глубокое обучение, основанное на нейронной сети с несколькими слоями между входом и выходом. Сеть движется по слоям, рассчитывая вероятность каждого исхода.

В настоящее время глубокое обучение – это наиболее успешный метод использования искусственного интеллекта в машинном обучении. Как и в реальных нейронных сетях, информация на входе собирается и обрабатывается нейронами, которые связаны друг с другом. Сопоставление входных данных с выходными данными осуществляется с помощью ряда нелинейных вычислений, объединяющих более низкие уровни информации для формирования характеристик более высокого уровня (например, эмоциональных экспрессий, возраста, пола).

Конфиденциальность и этика

FaceReader устанавливается у Вас в лаборатории и разработан в соответствии со строгими протоколами конфиденциальности. Программное обеспечение дает Вам возможность не записывать лица участников во время анализа. В этом случае из записей лица извлекаются только метаданные, которые не могут быть связаны с идентифицируемым лицом. Примерами метаданных являются выражения лица, положение головы, возраст и пол.

FaceReader – программный инструмент для научных исследований. Он не способен распознавать или идентифицировать лица или людей и, следовательно, не подходит для целей наблюдения. Для получения более подробной информации, пожалуйста, обратитесь к нашему заявлению об этике и/или политике конфиденциальности.