Machine Vision Algoritme leert verborgen gezichtsuitdrukkingen te herkennen

De meeste mensen zijn goed in het herkennen van de gewone emoties op de gezichten van andere mensen. Maar er is nog een andere reeks gezichtsuitdrukkingen waarvan de meeste mensen zich bijna helemaal niet bewust zijn. Eind jaren zestig ontdekten psychologen dat wanneer mensen hun emoties proberen te verbergen, ze hun echte gevoelens vaak weergeven in micro-expressies die in een oogwenk verschijnen en verdwijnen.

Deze vluchtige gezichtsuitdrukkingen hebben sindsdien psychologen en het grote publiek gefascineerd. Het blijkt dat, hoewel de meeste mensen zich totaal niet bewust zijn van micro-expressies, een klein deel van de individuen ze nauwkeurig kan herkennen en gebruiken om te vertellen wanneer mensen hun ware gevoelens verbergen of wanneer ze ronduit liegen.

Er is een belangrijke industrie ontstaan ​​die zich richt op het trainen van mensen om micro-expressies beter te herkennen. Wetshandhavers en antiterreuragenten worden vaak op deze manier opgeleid in de hoop dat het hen kan helpen om personen te spotten die niets goeds van plan zijn. Of deze training werkt, is onderwerp van veel discussie - het kan zijn dat de meeste mensen niet de zintuiglijke en cognitieve vaardigheden hebben om micro-expressies op te vangen, ongeacht de training die ze krijgen.

Maar er is nog een andere manier om micro-expressies te herkennen. In de afgelopen jaren is het zicht op machines zo snel verbeterd dat het zelfs experts in het veld heeft verrast. Tegenwoordig kunnen machines die zijn uitgerust met de beste kunstmatige-intelligentie-algoritmen routinematig beter presteren dan mensen bij objectherkenning en gezichtsherkenning, en zijn ze begonnen ze te evenaren bij het herkennen van uitdrukkingen en de emotionele lading die ze met zich meebrengen.

Dat werpt een interessant perspectief op. Kunnen machines binnenkort beter worden in het herkennen van micro-expressies dan mensen? Vandaag krijgen we een antwoord dankzij het werk van Xiaobai Li aan de Universiteit van Oulu in Finland en enkele vrienden. Deze jongens hebben het eerste machine vision-systeem gebouwd en getest dat micro-expressies kan spotten en herkennen en ze zeggen dat het al beter is dan mensen in deze taak.

De snelle ontwikkelingen op het gebied van kunstmatige intelligentie van de afgelopen jaren zijn mede tot stand gekomen door verbeterde rekenmethoden. Maar deze machines zijn nutteloos zonder uitgebreide en nauwkeurige databases om ze te trainen.

Dus de eerste taak voor Li en co was om een ​​database te maken met video's die micro-expressies in realistische omstandigheden laten zien. Dit is makkelijker gezegd dan gedaan. Micro-expressies treden meestal op wanneer individuen hun gevoelens verbergen onder omstandigheden met een relatief hoge inzet.

Dat is niet eenvoudig te reproduceren. Veel eerder werk was gericht op geposeerde uitdrukkingen, maar verschillende psychologen hebben gewezen op de beperkingen van deze methode, niet in de laatste plaats dat micro-uitdrukkingen er significant anders uitzien dan geposeerde uitdrukkingen.

Li en co pakten dit probleem aan door een groep van 20 personen te vragen een reeks video's te bekijken die waren ontworpen om sterke emoties bij hen op te roepen. Deze mensen kregen een sterke prikkel om tijdens de taak geen enkele emotie te tonen: ze kregen te horen dat ze een lange, saaie vragenlijst moesten invullen waarin ze uitleg gaven over eventuele emoties die ze vertoonden.

Als gevolg hiervan produceerden 16 van de 20 personen 164 micro-expressies tussen hen, die het team opnam op een hogesnelheidscamera met 100 frames per seconde. Het team koppelde de getoonde emoties aan de emotionele inhoud van de video's, waardoor ze een gouden standaarddatabase kregen waarmee ze hun algoritme voor machine learning konden trainen.

De taak om micro-expressies te herkennen valt uiteen in twee delen. De eerste is om de vluchtige verandering in gelaatstrekken te onderscheiden die kenmerkend zijn voor een micro-expressie. De tweede is om de emotie te identificeren die dit vertoont.

Het team loste het eerste probleem op door een enkel frame te gebruiken dat het gezicht van het onderwerp als standaard toont en alle volgende frames daarmee te vergelijken om te bepalen hoe de uitdrukking veranderde. Elke verandering boven een bepaalde drempel werd gedefinieerd als een micro-expressie en deze afbeeldingen werden apart gezet voor verdere analyse.

Het herkennen van uitdrukkingen is over het algemeen moeilijker omdat micro-uitdrukkingen doorgaans minder uitgesproken zijn dan gewone uitdrukkingen. Een grote uitdaging voor micro-expressieherkenning is dat de intensiteitsniveaus van gezichtsbewegingen te laag zijn om te onderscheiden, zeggen Li en co.

Het team loste dit op met een algoritme dat uitdrukkingen vergroot. Dit werkt door de delen van het gezicht te identificeren die in beweging zijn wanneer een uitdrukking verandert en het gezicht te vervormen om ze verder te verplaatsen.

Dit proces moet zorgvuldig worden toegepast. Li en co zeggen bijvoorbeeld dat ze het niet kunnen gebruiken om micro-expressies op te sporen, omdat het algoritme alle bewegingen vergroot, zoals het draaien van het hoofd, niet alleen de expressies. Het wordt dus alleen toegepast op de frames die zijn geïdentificeerd door het hierboven beschreven spotting-proces.

Ten slotte classificeert het algoritme de getoonde emotie als positief, negatief of verrassend, een proces dat het leert uit de trainingsdatabase.

Een interessante vraag is hoe goed deze aanpak werkt in vergelijking met menselijke prestaties. Om daar achter te komen, vroeg het team 15 mensen om de uitdrukking te identificeren die wordt weergegeven in video's die alleen de micro-expressies bevatten (zodat ze de micro-expressies niet uit langere reeksen hoefden te kiezen). Nog eens 15 mensen keken naar de hele video's en moesten elke micro-expressie zien en identificeren.

De resultaten zorgen voor interessante lectuur. De machine van Li en co kwam overeen met het menselijk vermogen om micro-expressies te herkennen en te herkennen en presteerde aanzienlijk beter dan mensen bij de herkenningstaak alleen.

Onze methode is het eerste systeem dat ooit is getest op een harde dataset voor spontane micro-expressies, die natuurlijke micro-expressies bevat, aldus het team. Het presteert aanzienlijk beter dan mensen bij herkenning van micro-expressies en presteert vergelijkbaar met mensen bij de gecombineerde taak om micro-expressie te spotten en te herkennen.

Dat is niet slecht voor de eerste poging, en deze machines zullen duidelijk snel verbeteren.

Toepassingen bedenken is niet moeilijk. Li en co kiezen leugendetectie, wetshandhaving en psychotherapie, maar het is gemakkelijk voor te stellen dat dit wordt gebruikt in sollicitatiegesprekken en beoordelingen en zelfs in Google Glass-achtige apparaten in het dagelijks leven.

Straks is er geen plek meer om je te verstoppen.

Referentie: arxiv.org/abs/1511.00423 : Verborgen emoties lezen: Spontane micro-expressie spotten en herkennen

zich verstoppen