Эмоции лица в картинках: D0 bb d0 b8 d1 86 d0 b0 d1 8d d0 bc d0 be d1 86 d0 b8 d0 b8 картинки, стоковые фото D0 bb d0 b8 d1 86 d0 b0 d1 8d d0 bc d0 be d1 86 d0 b8 d0 b8

Содержание

Лица людей для срисовки

Карандашный рисунок женского лица, вид спереди

Начинаем с шара, заканчиваем наброском человеческого лица. Поэтапное руководство

Женское лицо с татуировками звёздочек и пластырем на носу

Полный набор выражений лица Хиро Хамада

Как превратить набросок в хорошо детализированное мужское лицо

Портрет девушки с пышными губами

Лицо мальчика в диснеевском стиле, двадцать различных выражений его лица для срисовки

Женское лицо со схемой для рисования

Мужское лицо с полигональным представлением

Ещё больше выражений лица Хиро Хамада, карандашные рисунки

Женское лицо с обозначением пропорций

Диснеевская принцесса, вид спереди и сбоку

Пятнадцать вариантов лица мальчика в различных эмоциональных состояниях

Карандашные наброски лица девочки

Реалистичный портрет девушки в пол-оборота

Девушка в берете, карандашный рисунок

Размеченное геометрическими фигурами лицо девушки на клетчатом фоне.

Всё сделано для для того, чтобы вам было легко срисовывать это лицо

Наброски лица с длинными волосами синей ручкой

Беловолосая девушка, вид спереди

Эти рисунки показывают, куда эмоции двигают мышцы во время различных эмоциональных состояний человеческого лица

Женщина смотрит вбок, её нос проколот

Лицо девушки с длинными волосами в пол-оборота

Лицо bts nonconman

Лицо крепкого мужчины в мультяшном стиле

Девушка с цветками смотрит назад

Красивый портрет девушки, карандашный рисунок

Три лица девушки, различные варианты исполнения волос

Как нарисовать лицо в четыре шага

Алан Рикман, карандашный рисунок его лица

Девушка собирается заплакать. Карандашный портрет

Лицо кудрявого парня

Лицо девушки с коровьими пятнами

Лицо мужчины с бородой, смотрящего вбок

Наброски женского лица, сделанные карандашом

Волосатый мужчина в рубашке смотрит вбок

Задумчивый парень, быстрый карандашный набросок

Недовольный парень с большими ушами

Женский портрет карандашом на клетчатом фоне

Обворожительная девушка нарисована карандашом

Лицо атлетичного мужчины, длинноволосой девушки, толстого мужчины

Лицо девушки, смотрящей на вас исподлобья

Стройное мужское лицо с лёгкой щетиной

Карандашный набросок женского лица с большими глазами

 

Диснеевский стиль рисования женских лиц, три чёрно-белых рисунка

Мышечная основа человеческого лица, вид сбоку

Хорошо проработанный набросок женского лица, симметричный и прекрасный

Коротко стриженный мальчик показывает весь спектр своих эмоций

Карандашный рисунок лица девушки, которая смотрит назад через плечо

Карандашный портрет девушки с серьгами в форме сердца и большими глазами

Полигональная модель, призванная показать, как нарисовать человеческое лицо и анатомический лоб

Портрет девушки в очках с проколотым носом, хорошо детализированные губы и глаза

Набросок лица девушки с пышными ресницами, вид сбоку

Взрослая женщина в косынке, вид сбоку

Девушка с цветком в её волосах

%d0%b2%d1%8b%d1%80%d0%b0%d0%b6%d0%b5%d0%bd%d0%b8%d0%b5 %d0%bb%d0%b8%d1%86%d0%b0 PNG рисунок, картинки и пнг прозрачный для бесплатной загрузки

  • Мемфис дизайн геометрические фигуры узоры мода 80 90 х годов

    4167*4167

  • поп арт 80 х патч стикер

    3508*2480

  • схема бд электронный компонент технологии принципиальная схема технологическая линия

    2000*2000

  • 80 основных форм силуэта

    5000*5000

  • поп арт 80 х патч стикер

    3508*2480

  • мемфис бесшовной схеме 80s 90 все стили

    4167*4167

  • Мемфис шаблон 80 х 90 х годов стилей фона векторные иллюстрации

    4167*4167

  • естественный цвет bb крем цвета

    1200*1200

  • поп арт 80 х патч стикер

    3508*2480

  • диско дизайн в стиле ретро 80 х неон

    5556*5556

  • Мемфис бесшовные модели 80 х 90 х стилей

    4167*4167

  • Мемфис бесшовные модели 80 х 90 х стилей

    4167*4167

  • Элементы рок н ролла 80 х

    1200*1200

  • 80 е брызги краски дизайн текста

    1200*1200

  • поп арт 80 х патч стикер

    3508*2480

  • но логотип компании вектор дизайн шаблона иллюстрация

    4083*4083

  • поп арт 80 х патч стикер

    2292*2293

  • 80 летнего юбилея векторный дизайн шаблона иллюстрация

    4083*4083

  • поп арт 80 х патч стикер

    3508*2480

  • цвет перо на воздушной подушке bb крем трехмерный элемент

    1200*1200

  • аудиокассета изолированные вектор старая музыка ретро плеер ретро музыка аудиокассета 80 х пустой микс

    5000*5000

  • поп арт 80 х патч стикер

    3508*2480

  • непрерывный рисунок одной линии старого телефона винтаж 80 х 90 х годов стиль вектор ретро дизайн минимализм с цветом

    3967*3967

  • 80 лет юбилей красный шар вектор шаблон дизайн иллюстрация

    4167*4167

  • поп арт 80 х патч стикер

    2292*2293

  • Ретро трехмерный цветной градиент 80 х арт дизайн

    1200*1200

  • 80 летнего юбилея векторный дизайн шаблона иллюстрация

    4083*4083

  • Ретро мода неоновый эффект 80 х тема художественное слово

    1200*1200

  • 2022 календарь bd с фоторамкой

    2500*2500

  • номер 80 золотой шрифт

    1200*1200

  • Модель буквы м в стиле 80 х

    1200*1200

  • Неоновый эффект 80 х годов Ретро вечеринка арт дизайн

    1200*1200

  • мемфис образца 80 s 90 стилей на белом фоневектор иллюстрация

    4167*4167

  • 80 от большой распродажи постер

    1200*1200

  • Мода стерео ретро эффект 80 х годов тема искусства слово

    1200*1200

  • крутой череп с типографикой мечты каракули иллюстрация для плаката наклейки или одежды паровая волна синтвейв эстетика 80 х годов

    1200*1200

  • Золотая большая распродажа со скидкой до 80 с лентой

    1200*1200

  • ретро стиль 80 х годов диско дизайн неон плакат

    5556*5556

  • 80 летия золотой шар векторный дизайн шаблона иллюстрация

    4083*4083

  • поп арт 80 х патч стикер

    3508*2480

  • элегантный серебряный золотой bb позже логотип значок символа

    1200*1200

  • 3d номер 80 золотая роскошь

    5000*5000

  • bb крем ню макияж косметика косметика

    1200*1500

  • Скидка 80 на желтый градиент

    1200*1200

  • Ретро телевизор в стиле 80 х

    1200*1200

  • Мода цвет 80 х годов ретро вечеринка слово искусства

    1200*1200

  • скачать букву т серебро 80 ​​х

    1200*1200

  • Флаер музыкального мероприятия 80 х годов

    1200*1200

  • Модный стиль ретро 80 х годов дискотека тема искусства слово

    1200*1200

  • Ретро мода 80 х градиент цвета художественного слова

    1200*1200

  • Изменение мимики лица на фото, создание фотокарикатур и мультяшек из фото — Funny.

    Pho.to

    Хотите научиться создавать анимированные фотокарикатуры, менять на фото мимику лица или превращать свои фотки в мультяшные рисунки? Это можно сделать онлайн, и за пару кликов!

    Прежде всего, загрузите свое фото на сервис Cartoon.Pho.to. Это можно сделать с компьютера (кнопкой “С диска”), или, если нужная фотография уже выложена в Интернете, кнопкой “Ввести ссылку”.

    Как только вы загрузили фотографию, к ней по умолчанию будет применен «мультяшный» эффект, вот так:

    А дальше самое интересное: вы можете, как по волшебству, изменить мимику лица на фото или создать веселый фото-шарж. Для этого проставьте галочку «Трансформация лица» — вы увидите список доступных эмоций и пародийных эффектов, а к фотографии по умолчанию будет применен эффект «Улыбка» с анимацией:

    Но не останавливайтесь на достигнутом! Переключая радиокнопки с эмоциями, вы также можете заставить человека на фото подмигивать, смешно скашивать глаза, удивленно поднимать брови и многое другое!

    Экспериментируйте с галочками! Например, вы можете анимировать лицо без наложения мультяшного эффекта. Для этого снимите галочку «Мультяшный эффект»:


    (к фото применен эффект «Косые глаза» без применения мультяшного эффекта)

    Помимо этого, вы можете «применить эмоцию» с анимацией или без нее. Если анимация не нужна (например, для использования результата в качестве аватарки вКонтакте, где загрузка анимированных изображений не поддерживается), проставьте галочку «Без анимации». В таком случае вы получите статическое изображение с измененным выражением лица:


    Помимо «эмоциональных» эффектов, вы можете применить и пародийные эффекты. Пародийные эффекты напоминают создание шаржа по фото, или фото карикатуры: так же весело, но несравненно проще и быстрее. Один клик – и вы (или ваш друг) превратитесь в пришельца, толстяка, человека-лампочку или тролля! Пародийные эффекты могут быть только статичными (без анимации), зато они могут быть с мультяшным эффектом, или без него – как вам больше понравится!

    Узнаете доктора Хауса? 😉


      

      


    Кстати, мультяшный эффект хорошо смотрится не только на портретных фотографиях. Применяя его к пейзажам и другим фото, вы также можете получить весьма интересные результаты!

    Так что экспериментируйте смелее и создавайте неповторимые картинки на сервисе Cartoon.Pho.to!


    Словарь эмоций для детей — что такое эмоции: определение для детей

    Когда в жизни происходит яркое событие, мы эмоционально реагируем на него. Каждому человеку бывает грустно, весело, стыдно. Как объяснить ребенку, что такое эмоции?

    Эмоциями называются наши яркие ощущения. Их довольно много. Важно уметь отличать их друг от друга: это помогает познать себя, внутренний мир родителей и друзей, сделать речь красивой, выразительной.

    Отличия эмоций от чувств:

    • чувства часто длятся намного дольше;
    • эмоции поверхностны: быстро возникают, быстро исчезают;
    • чувства конкретны, эмоции расплывчаты: «Мне страшно» (эмоция), «Я боюсь ее» (чувство).

    Чувство — набор сложных эмоций (например, любовь состоит из интереса, радости и др.)

    Что должен уметь ребенок старшего дошкольного и младшего школьного возраста:

    • быстро отличать эмоции друг от друга;
    • понимать эмоциональное состояние собеседника;
    • описывать собственное настроение;
    • подбирать подходящие эпитеты для описания жизненных ситуаций.

    Давайте посмотрим, какие эмоции существуют и как они проявляются.

     

    Радость

    Эта позитивная эмоция знакома всем: например, люди испытывают ее, когда побеждают в соревнованиях, получают долгожданный подарок, слышат похвалу.

    Настроение резко поднимается, мы начинаем мыслить оптимистично: будущее кажется прекрасным, а мир вокруг — доброжелательным.

    Радость проявляется в виде широкой улыбки, легкого смеха.

     

    Грусть

    Грусть — отрицательная эмоция, с которой мы сталкиваемся во время неприятных моментов жизни; противоположность радости.

    Мы испытываем грусть, когда проигрываем, когда нарушаются наши планы. Эмоция показывает, что ожидания человека не воплотились в реальность.

    Также грусть появляется, когда мы читаем тоскливые книги или смотрим фильмы, где с главными героями происходит нечто печальное.

    Грусть — легкое уныние, которое не длится слишком долго. Гаснет взгляд, уходит улыбка с лица, но позже все приходит в норму.

     

    Гнев

    Бурная, ярко окрашенная негативная эмоция, которая может принести пользу — гнев помогает начать действовать.

    Люди гневаются, когда на жизненном пути встречается нечто неправильное, несправедливое с их точки зрения. К примеру, в классе обижают тихого и спокойного одноклассника, который никому не желает зла — такая ситуация может вызывать у наблюдателя гнев на обидчиков.

    Также гнев сигнализирует о том, что окружающая реальность не позволяет достигать целей, чувствовать себя свободно и удобно. Незнакомец нахамил в метро и наступил на ногу? Это один из случаев, когда гнев естественен.

    При гневе человек хмурится, поджимает губы, может смотреть в одну точку. Противоположностью гнева называют спокойствие, принятие.

     

    Страх

    Страх принято считать злой, неприятной и губительной для человека эмоцией, хотя он способен уберечь нас от бед.

    Эта эмоция рождается, когда человек понимает: скоро должно произойти плохое. Будущая угроза не всегда реальна, иногда мы самостоятельно придумываем неприятности, которые могли бы приключиться в будущем.

    Страх заставляет наш организм собрать все силы, чтобы бороться с препятствием: громко бьется сердце, тело напрягается, кожа краснеет или бледнеет.

    Когда мозг человека понимает, что угроза миновала или оказалась выдуманной, возвращается покой, обычное состояние. Противоположность страха — чувство полной безопасности.

     

    Восхищение

    Это приятная, воодушевляющая эмоция. Возникает, когда мы сталкиваемся с прекрасным, уникальным, редким.

    Например, люди испытывают восхищение при посещении музеев, картинных галерей. Мы восхищаемся красотой, величием природы, сложным и загадочным устройством космоса.

    Однако окружающие тоже могут вызывать эту эмоцию — нам нравится наблюдать за талантливыми людьми, их работой (танец, рисование), следить за учеными, героями, исследователями.

    Простые вещи (модное платье, милая игрушка) также становятся предметом восхищения. Все зависит от человека, который наблюдает за происходящим, от его вкуса.

    Эмоция, противоположная восхищению, — отвращение, презрение.

    Как проявляется? Человек может улыбаться, поднимать брови, слегка округлять глаза.


    На онлайн-курсе «Эмоции для детей» мы познакомим ребенка с многообразием человеческих чувств и эмоций, научим оценивать эмоциональное состояние собеседника и правильно выражать собственные эмоции. Курс составлен в формате сюжетной интерактивной игры и рассчитан на детей 7-13 лет.


     

    Стыд

    Очень неприятная, разрушающая изнутри эмоция, ощущается как тяжесть или жжение (люди, которым стыдно, часто краснеют от этого переживания).

    Стыд появляется, когда мы совершаем некрасивые или нелепые поступки публично. Наличие свидетелей — основа возникновения стыда. Например, человеку будет стыдно за то, что он громко ругался в общественном месте (а потом успокоился и пожалел об этом) или поскользнулся и упал в лужу на глазах у всех.

    Эмоция рождается, когда поведение не соответствует идеалу — личному или других людей. Противоположная эмоция — превосходство, раскованность.

     

    Обида

    Отрицательная эмоция, имеющая много общего с разочарованием. Ее противоположность — легкое чувство прощения.

    Мы обижаемся на человека, когда он не оправдывает наши ожидания: допустим, предательство лучшего друга вызывает обиду, потому что мы ждем от близких поддержки, верности. Чувствуется опустошенность, растерянность.

    Также с обидой можно встретиться при столкновении с несправедливостью, когда ситуацию нельзя исправить: ученик долго готовился к участию в школьной олимпиаде, мечтал победить, показать знания, но проиграл. В душе копится обида на себя, на неудачные обстоятельства.

    Как проявляется обида? Губа выдвигается немного вперед, человек прячет взгляд.

     

    Интерес

    Встречая новое, мы автоматически проявляем положительную эмоцию под названием интерес: останавливаем взгляд на объекте интереса, поднимаем брови, приоткрываем рот.

    Люди любят информацию: вспомните, как вы обращаете внимание на новую одежду друзей, смотрите блогеров, которые снимают странные видео.

    Человека привлекают необычные вещи, он спешит их изучить, познакомиться поближе и понять: вдруг знания помогут в будущем? Любой факт способен принести пользу.

    Мы можем интересоваться конкретными занятиями, явлениями, людьми (так появляются хобби, новые приятели). Интерес заставляет искать, размышлять, развивать интеллект и воображение.

    Эмоция, противоположная интересу, — скука.

     

    Удивление

    Удивление считается необычной эмоцией: оно может быть и положительным, и отрицательным.

    Действительно, вещи, которые нас окружают, способны приятно удивить, а порой мы испытываем удивление в сочетании с разочарованием или отвращением.

    Например, удивить может храбрость человека, который спас ребенка во время пожара, а также непорядочность вора, укравшего чужие вещи.

    Как узнать эту эмоцию? Человек поднимает брови, губы и глаза округляются.

    Равнодушие — полная противоположность удивления.

     

    Отвращение

    Когда нам что-то категорически не нравится, мы строим гримасы, щуримся. Появляются морщинки около рта и глаз. Это отвращение.

    Можно чувствовать отвращение к реальным предметам: такую эмоцию вызовет испорченная еда, плесень.

    А еще испытывают отвращение по отношению к плохим людям, которые совершают ужасные поступки (например, преступникам).

    Почему появляется отвращение? Так мозг реагирует на то, что может навредить: жестокие люди, поверхности с вредоносными микробами и т. д.

    Восторг, удовольствие — эмоции, противоположные отвращению.

     

    Презрение

    Эта эмоция внешне проявляется через поджатые губы и слегка замедленный взгляд.

    В отличие от отвращения, презрение можно испытывать только к людям, их поступкам. Вкусы, запахи, предметы сюда не входят.

    В голове у каждого есть представление о том, что хорошо, а что плохо. Презрение появляется, когда человек не соответствует нашим представлениям о хорошем и правильном. Иногда эта эмоция помогает нам почувствовать себя лучше остальных.

    Восхищение и уважение — эмоции, прямо противоположные презрению.

     

    Вина

    Вызывает тяжелое ощущение в груди, напряженный взгляд.

    Человек испытывает вину, когда понимает, что совершенный поступок был плохим, неправильным.

    Это состояние, при котором мы наказываем себя за оскорбления, обиды близких людей. Возможно, никто из знакомых нас не осуждает, но мы чувствуем: нужно попросить прощения.

    Эмоция правоты, уверенности противостоит вине.

     

    Страдание, горе

    Горе — эмоция, приносящая огромное количество душевной боли. Мы страдаем, когда умирает любимый домашний питомец, погибает близкий человек.

    В моменты горя люди плачут, рыдают, отказываются веселиться. Обращают внимание только на неприятное событие, которое стало причиной страдания.

    Это сложный процесс: иногда горе не исчезает в течение долгого времени.

    Совершенно иной эмоцией называют ощущение счастья, успеха, абсолютного удовлетворения.

     

    Предвкушение

    Вы давно мечтали отправиться в путешествие, и желание становится реальностью: билеты куплены, осталось набраться терпения и подождать. Жизнь становится приятнее, вы с удовольствием проводите время в ожидании.

    Знакомо? Такая эмоция называется предвкушением: ничего не произошло, но вы запланировали хорошее событие и воображаете, каким оно будет.

    Человек, находящийся в предвкушении, становится энергичнее, чаще улыбается; противоположностью предвкушения является безнадежность.

     

    Удовольствие

    Позитивная эмоция, заставляющая нас улыбаться, смеяться, чувствовать кратковременное счастье.

    Возникает, когда человек достигает цели (даже не очень важной) — удовольствие можно получить от порции мороженого, покупки гаджета.

    В отличие от радости, удовольствие не является глубокой эмоцией. Его легче получить, но оно быстро исчезает. Радость радует своим присутствием намного дольше.

    А еще удовольствие чаще связано с ощущениями, которые мы получаем с помощью органов чувств: например, приятный запах, чувство прохлады в жаркий день, мягкая подушка и др.

    Противоположность — неудобство, страдание.

     

    Огорчение

    Это неприятная эмоция, возникающая при контакте с людьми, окружающим миром. Ее противоположность — радость.

    При огорчении уголки губ опускаются вниз, человек выглядит грустным.

    Огорчение рождается при нашей неудовлетворенности: вы с друзьями мечтали сходить в кафе, но когда пришли, выяснилось, что оно уже закрыто.

    Эмоция огорчения не мучает нас долго: человек огорчается, но быстро понимает, что проблема не очень серьезная. Огорчение — не такая болезненная эмоция, как горе, грусть.

     

    Злость

    Злость — эмоция, которая направлена на человека или явление. Состояние раздражения, ярости, недоброжелательности. Противоположность — добродушие, спокойствие.

    Переживая злость, люди хмурятся, не могут усидеть на месте, громко говорят.

    Люди чувствуют злость во время ожесточенной драки, желая ударить противника; в момент унижения, оскорбления.

    Злиться можно на себя: так человек показывает, что недоволен. Например, сломавший ногу злится на себя за невнимательность и легкомысленность.

     

    Унижение

    Каждый человек обладает чувством собственного достоинства. Это ощущение ценности: «Я существую, заслуживаю любви и уважения, мои мысли и желания имеют смысл».

    Когда мы находимся в коллективе (в классе, компании друзей, семье), люди могут унизить нас. Они произносят слова, которые заставляют задуматься: вдруг я плохой, глупый, уродливый, неумелый?

    В момент унижения человек прячет взгляд, может покраснеть. Иногда меняется поведение: например, после злой насмешки общительный одноклассник становится тихим, замкнутым.

    Эмоция, обратная унижению, — почитание, поддержка.

     

    Испуг

    Испуг появляется при возникновении неожиданной и одновременно неприятной ситуации; является антонимом спокойствия.

    Человек начал переходить дорогу, но не заметил выезжающую из-за поворота машину. Пришлось быстро реагировать, чтобы не попасть под колеса. Угроза жизни вызывала сильный испуг.

    Внешне испуг проявляется следующим образом: сердце бьется сильнее, могут дрожать руки и ноги, округляются глаза, человек вздрагивает.

     

    Зависть

    Сложная эмоция, разрушающая хорошее настроение и уверенность. Противоположность дружелюбия, доброжелательности.

    Возникает, когда мы сравниваем себя с другими людьми: например, одноклассница кажется умнее и красивее. Мы жалеем, что у нас нет такого же острого ума, длинных волос.

    Зависть вызывает тяжесть в душе: хмурый взгляд, отсутствие улыбки. Завидующий человек живет с болью, не знает, как от нее избавиться.

    Эмоцию часто используют в правильных целях — зависть заставляет развиваться, учиться. А вот злость по отношению к человеку, которому мы завидуем, пользы не принесет.

     

    Игры на распознавание эмоций

    Нужно уметь распознавать чужие эмоции, правильно оценивать поведение окружающих. Существует множество игр и упражнений для тренировки навыка.

    «Зеркало»

    Самая популярная игра для развития эмоционального интеллекта ребенка. Можно играть вдвоем или в группе.

    Ведущий загадывает эмоцию, изображает ее с помощью мимики, жестов, позы. Задача участников — назвать эмоцию и повторить ее. Другой вариант — участники угадывают эмоцию, но изображают противоположную.

    «Назови эмоцию»

    Откройте на большом экране фотографии с изображением людей, героев мультфильмов, сказок, игр. Ребенку нужно описать, какие эмоции испытывает каждый из них.

    Полезны книжки с картинками: читая вслух, обращайте внимание на иллюстрации: «Что чувствует герой и почему?» Дополнительное упражнение делает сюжет интереснее, развивает фантазию.

    «Представь, что…»

    Составьте список ситуаций, которые способны вызвать противоречивые эмоции, положительные и отрицательные.

    Задача игроков — рассказать, какие эмоции посещают их.

    Например: «Представь, что ты собирался поздравить друга с Днем рождения, но узнал, что он решил не приглашать тебя на праздник», «Представь, что в школе порвали твою куртку, потому что хотели навредить».

    «Расскажи о себе»

    Игроки встают в круг. Ведущий стоит в центре с мячом, выбирает участника, бросает ему мяч, задает вопрос: «Что тебя радует?», «Что вызывает у тебя гнев?» Участник думает, отвечает на вопрос, передает мяч другому.

    Игра развивает навык распознавания эмоций, самоанализа. Участники быстро реагируют, наблюдают за эмоциональным состоянием остальных игроков.

    Теоретической подготовки мало, чтобы бегло разбираться в оттенках человеческих эмоций. Требуются регулярные тренировки в игровой форме, практические упражнения. Эмоциональность родителей помогает ребенку начать ориентироваться в мире эмоций. Необходимо обсуждать эмоциональные отклики на события жизни, уделять время обсуждению чувств и эмоций.

    Эмоциональный интеллект для детей

    Знакомим детей с видами эмоций, как ими управлять и как проявлять себя в командной работе, через ситуационные игры

    узнать подробнее

    Исследователи выяснили, что роботы вслед за людьми идут по тупиковому пути

    Алгоритмы распознавания лиц применяются с самыми разными целями — от разблокировки смартфона до поиска преступников, следующий шаг для разработчиков программного обеспечения – научить алгоритм понимать человеческую мимику. В настоящий момент технологии позволяют найти лицо конкретного человека среди миллиона фотографий. Теперь же перед специалистами стоит другая задача —научиться определять, что означает выражение лица человека. Тем более видов эмоций существует не так много.

    Из этой предпосылки исходят многие современные разработчики. По их мнению, каждой эмоции можно приписать конкретную комбинацию формы губ, прищура глаз, движения щек и других жестов. На первый взгляд это подтверждается лабораторными экспериментами на добровольцах. Правда настоящих чувств от них добиться сложно — приглашенные люди лишь изображают испуг, гнев, страх или удивление. Стереотипные мимические жесты зачастую и ложатся в основу компьютерных алгоритмов.

    Теперь американским психологам во главе с Лизой Барретт из Северо-Восточного университета из Бостона удалось выяснить, что такой подход не приведет к большим успехам. В статье в журнале Nature Communication ученые поставили под сомнение исследования мимики, основанные на актерской игре случайных людей. Вместо этого психологи обратились к людям, в чью игру можно поверить — к профессиональным актерам.

    Психологическому исследованию для надежности нужна серьезная выборка, но научная организация не смогла себе позволить нанять сотни актеров. Авторы работы решили использовать более 600 снимков фотопроекта, посвященному актерам в образе. Эти портреты показали 839 добровольцам, которые должны были сказать, что чувствует человек на фотографии. Хитрость исследования состояла в том, что части добровольцев объяснили сюжет фотографии, а части показали лишь само изображение без комментариев. Чтобы упростить работу ученых, испытуемые выбирали эмоцию актера на фотографии из 13 доступных вариантов, а не описывали ее своими словами.

    Оказалось, что при взгляде на фотографию актера без контекста люди считывают выражение лица совсем иначе, чем если они знают, что на ней происходит. В настоящий момент роботов пытаются научить воспринимать мимику хотя бы на уровне обычного человека. Теперь выясняется, что по фотографии этого не умеют делать и сами люди.

    «Результаты нашего исследования входят в прямое противоречие с традиционным подходом к обучению искусственного интеллекта чтению эмоций, – говорит Лиза Барретт. – Многие IT-компании заявляют, что у них есть продукт, который может обнаруживать на фотографии, например, злобу. На самом деле в лучшем случае у них есть детектор хмурого выражения лица, которое может означать, а может и не означать недовольство».

    Более того, в ходе исследования добровольцы часто правильно угадывали простые эмоции, типа боли или удивления. Но когда речь заходила о сложных чувствах, вроде стыда или уважения, ответы участников испытания, не знавших контекста снимка, становились почти случайными.

    Вместо того, чтобы учить роботов определять эмоции по картинке, опираясь на стереотипном представлении о проявлении чувств, авторы работы предлагают фундаментально иной подход.

    Следует смотреть не только на глаза и губы, а на общую ситуацию. Одна и та же улыбка может скрывать смущение, выражать радость или служить издевательством. Таким образом, если ученые хотят действительно создать алгоритм для восприятия эмоций, сначала его придется научить понимать простое человеческое общение, отмечается в исследовании.

    Эмоции в спорте | NikonPro: Фотографы Nikon

    За что люди любят большой спорт? За красоту движений, за стойкость и мужество, за упорную борьбу несмотря ни на что, за желание спортсменов стать быстрее, выше, сильнее. Это своего рода преодоление природы, победа над ограниченными человеческими возможностями. Какой момент в соревнованиях запоминается нам ярче всего? Конечно — победа! Порой невозможно передать тот шквал эмоций, которые захлестывают спортсменов, болельщиков и всех, кто следит за соревнованиями. Но амбассадору Nikon Роберту Максимову на своих фотографиях удается запечатлеть самое ценное — живые чувства. На примерах своих работ Роберт делится с читателями секретами мастерства.  

    В разных видах спорта эмоции профессиональных спортсменов схожи: радость и счастье, если победил, и огорчение, переживание, если что-то не удалось. Но наивысшего накала страсти достигают, пожалуй, на Олимпийских играх. К этим соревнованиям спортсмены готовятся годами, в них вкладываются все душевные, физические и эмоциональные силы. Пик карьеры любого профессионала  — Олимпиада. Нервы натянуты до предела. На Олимпийских играх соперничают суперзвезды мирового спорта, здесь просто не может быть иначе! Как рассказывают потом сами олимпийцы, это непередаваемые ощущения: «Весь мир замер в ожидании, когда ты сделаешь то, ради чего приехал». А приезжают, конечно, за победой! 

    Самые сильные эмоции — во время выступления. Прыгнул последнюю высоту, отбил последний мяч — азарт и страсти зашкаливают. И для профессионального фотографа очень важно это учитывать. Следует помнить, что свои чувства спортсмен в первую очередь обратит в сторону тренера или любимого человека. Поэтому перед последним, решающим, выходом, я всегда стараюсь встать поближе к тренеру. С этой точки можно сделать очень хорошие, яркие кадры, показать крупным планом лицо, переживания на лице чемпиона.  

    Очень сложно поймать эмоциональные моменты в тех видах спорта, где соперники играют друг напротив друга, например, в теннисе или в командных видах. Здесь уже мне помогает профессиональное чутье — заранее понять, кто же станет победителем, кого нужно будет фотографировать в первую очередь. Я всегда тщательно готовлюсь к соревнованиям: изучаю спортсменов, их приемы, на олимпиадах — просматриваю протоколы. Заранее составляю для себя план съемок: где и в какое время я должен оказаться, чтобы ничего не пропустить. Все это нарабатывается с опытом. Когда уже знаешь специфику того или иного олимпийца, то знаешь, какие у него будут эмоции, и ждешь определенный кадр.   


    Чаще всего спортсмены выражают свои чувства двумя способами. Одни задействуют голос и мимику: кричат, улыбаются, зажмуриваются. Другие выражают эмоции телом: падают на колени, целуют от счастья корт или бросают ракетки. Это очень принципиальный момент для фотографа, потому что важно заранее определиться с оптикой. Если нужно снять крупный план, то я обязательно возьму AF-S NIKKOR 400mm f/2.8E FL ED VR, если нужен общий, то я выберу AF-S NIKKOR 70-200mm f/2.8E FL ED VR. 

    В моей практике был случай. Последняя попытка, решающие мячи, и, понимая специфику чемпиона, я мгновенно перебрасываю объективы с тяжелой оптики на AF-S NIKKOR 70-200mm f/2.8G ED VR II. Фотографы рядом остаются на линзах с фокусным расстоянием 400 мм, чтобы снимать эмоции крупным планом. Вдруг спортсмен падает на корт! И я делаю отличный кадр! Да, иногда это удача, но в основном — привычка думать на шаг вперед, предчувствовать и анализировать. 


    Кроме того, у каждой звезды спорта есть свои «фишки» — жесты, движения, характерные знаки. С ними человек становится узнаваемым. Если фотограф знает о «фишках» заранее, то обязательно дождется их и сделает красивый кадр. 


    Я очень люблю фотографировать спортсменов, которые ярко выражают свои эмоции. У них, как говорится, все написано на лице. Радость победы — это то, что чемпион может подарить другим людям, разделить вместе с теми, кто болеет за него, со своим тренером и командой. На Западе считается обязательным показывать, как ты счастлив, дарить улыбки публике. Но не все российские спортсмены это понимают. К примеру, у меня бывали случаи, когда приходилось подходить к нашим чемпионам и просить их активнее выражать свои эмоции. Ведь нельзя радоваться победе с каменным лицом.

    Самая главная задача профессионального фотографа — не упустить момент. Очень важно успеть поймать эмоцию в кадр. К примеру, в теннисе, если у вас на снимке чувства на лице сложатся с ракеткой и мячом, который летит на скорости свыше 200 км/час — это будет прекрасная фотография! Но чтобы ее сделать, нельзя снимать бездумно. Я всегда советую тщательно выбирать момент, готовиться, и только потом нажимать на кнопку спуска затвора. В этом движении должно быть заложено все ваше мастерство: задуманный кадр, увиденный кадр и получившийся идеальный снимок. Это большой спорт, здесь не бывает дублей. Возможности переснять не будет: либо успел поймать эмоцию, либо нет. 

    Эмоции и движения спортсменов во время соревнований, к сожалению, не всегда бывают красивыми. Есть спортсмены изящные от природы. У них интересные, приятные и плавные черты, и на фотографиях они всегда получаются выигрышно. Но есть и те, кто занимают призовые места, но при этом, с точки зрения эстетики, их движения далеки от идеала. В таких случаях во время выступлений выразительное эмоциональное лицо я стараюсь снять крупным планом, а руки и ноги при этом могут быть в небольшом размытии. Задача фотографа состоит как раз в том, чтобы найти ракурсы, при которых чемпионы будут выглядеть хорошо. Иногда даже простая смена позиции помогает сделать более интересный кадр.


    Бывает, что спортсмены во время сильного напряжения стоят гримасы, закатывают глаза — такие кадры никогда не получатся красивыми. Обычно тренер старается научить своего подопечного следить за этими эмоциями. Но бывают и другие случаи: травмы, ушибы, даже кровь. Этого никогда нельзя предугадать заранее. 

    На моей памяти был один случай. Во время соревнований на Олимпиаде в Рио-де-Жанейро наш борец Давит Чекветадзе получил сильную травму глаза. Он все-таки выиграл золотую медаль, и во время церемонии награждения стоял на верхней ступени пьедестала со счастливой улыбкой и огромным синяком под глазом. 

    А вот, к примеру, регби  — вид спорта, в котором постоянно идет суровая и жестокая борьба. Синяки, ушибы, ссадины в порядке вещей. И там фотографу нужно наиболее тщательно подходить к выбору ракурсов для съемки и последующему отбору кадров, которые попадут в СМИ.

    Повидав многое за время своей работы, могу сказать, что далеко не все снимки достойны того, чтобы их показали широкой публике. Спортивный фотограф не папарацци, он должен всегда соблюдать этику, уважать спортсменов и мероприятие, на котором он находится. Во время соревнований случается всякое, и некоторые кадры могут выглядеть неэстетично. Поэтому такие снимки я всегда удаляю, не храню в своем архиве. 

    Не только эмоции чемпионов на стадионе должны привлекать внимание фотографа. Много всего интересного происходит вокруг!  Я всегда осматриваю трибуны: хорошие эмоциональные снимки можно сделать и там. Кто-то из великих мира сего приходит посмотреть мероприятие. Или на трибуне разворачивается достойный внимания сюжет. А уж во время победы или поражения любимых публикой спортсменов страсти кипят с утроенной силой!

    В каждой стране болельщики, конечно, больше переживают за своих, особенно это заметно в Соединенных Штатах Америки. Там всегда очень тяжело выступать, потому что даже в СМИ стараются показывать только американских спортсменов. Но чувства всегда неподдельные: скорбят и радуются всей страной. 

    Что же касается фотографий проигравших, в моей коллекции есть всего несколько таких снимков. Во-первых, потому, что в большом спорте все внимание достается победителю. Есть даже своеобразное негласное правило: когда выиграешь, тогда мы тебя и снимем. А на самом деле на это просто не остается времени. Возле чемпиона всегда какое-то действие: то ждешь, когда он покажет свою коронную «фишку», то снимаешь бесконечные обнимания с родными, с тренером, с командой, слезы радости на глазах, овации трибун. Попросту боишься отвлечься и пропустить хороший кадр. А во-вторых, редко кто из проигравших открыто демонстрирует свои переживания… Это по-спортивному: достойно проиграл — достойно уходи. 

    Тестим API от Microsoft — распознавание эмоций

    Найти лицо на фотке может сейчас почти любая «мыльница», а вот понять, что выражает это лицо — это уже шаг вперед. Microsoft в рамках проекта Oxford предлагает демонстрацию своего алгоритма распознавания эмоций на фотографиях.

    Любой желающий может закачать фотку и получить результат работы API Emotion Recognition (распознавание эмоций).

    Не знаю сколько будет висеть демка для тестирования, вот ссылка — www.projectoxford.ai/demo/Emotion.

    На каждой фотографии производится поиск лиц (максимум до 64), которые потом помечаются на изображении рамочкой. Т.е. в обработку можно запихнуть весьма серьезные коллективные фотки. Есть ограничения по разрешению картинки — до 4х мегапикселей. При использовании современных мыльниц, фотку скорее всего придется уменьшать или обрезать.

    Эмоция в терминах API — это некий 8-мерный вектор. Для каждого найденного лица на фотке мы получаем 8 базовых составляющих эмоции:

    • Anger (Гнев),
    • Contempt (Презрение),
    • Disgust (Отвращение),
    • Fear (Страх),
    • Happiness (Счастье),
    • Neutral (Обычный) — эдакий покер-фейс,
    • Sadness (Печаль),
    • Surprise (Удивление)

    Нормировка произведена так, чтобы в сумме компоненты давали единицу.

    Простые тесты распознавания эмоций

    Для начала посмотрим как алгоритм распознаёт и оценивает самые очевидные варианты. Благо, под рукой всегда кто то вертится для экспериментов. 🙂

    Практически вся 1 — это счастье. Согласен, Лиза очень довольная тут.

    Тут я попросил свою ассистентку изобразить гнев. Но ей было почему то очень весело, что и увидел умный алгоритм, распределив эмоции между гневом (0.46) и счастьем (0.53).

    С печалью вышло получше, т.к. перед нами опытная хныкалка. Алгоритм почти поверил Рите и дал оценку в 0.69 балла. Тоже согласен.

    А тут редкая фотка, где Леха примеривает покер-файс. Алгоритм выставляет почти единицу. Согласен. Знаю, что Леха почитывает мой блог, ему будет приятно увидеть здесь себя. 🙂

    Усложняем тесты

    Я загрузил вместо фото — рисунок. Видим, что был найден только один персонаж. Мне кажется, счастье этого малыша переоценено программой (0.76). На мой взгляд, это больше Нейтральное выражение лица.

    Черно-белое фотографическое изображение Гитлера. Что это? Он щурится от солнца или действительно так зол? Программа тоже сомневается : ярость (0. 55) + отвращение (0.27). Пожалуй, я соглашусь с вердиктом.

    Уил Смит удивлен (0.99) способностям алгоритма. Думаю, как актер он способен на любое выражение лица.

    Алгоритму не важна ни раса, ни возраст персонажа (я вообще то, ещё и Эйнштейна прогонял с его высунутым языком).

    Групповой снимок

    Алгоритм нашел девушку как бы она не закатывала глаза и поджимала губы.

    1 и 5 почти имеют почти одинаковое нейтрально-доброжелательное выражение, что и отметил алгоритм (примерно — 70 нейтральная компонента, 30 — счастье).

    2 и 4 были распознаны отлично — соответственно получили по единице удивление и счастье.

    3я пикча алгоритмом интерпретирована не верно (нейтраль — 0.87). Оставшаяся доля распределена между яростью, отвращением и презрением, т.е. в принципе в том спектре эмоций, которые и ожидаются. Но доля их очень мала. Возможно, это связано с не очень высокой детализацией изображения, иначе алгоритм принял бы верное решение.

    6я — картинка алгоритмом была не понята (0. 96 — нейтраль). Я тоже не понял это выражение лица, но оно точно не нейтральное. Возможно, не хватает нужной эмоциональной компоненты — что то вроде раздражения или озабоченности. При этом — «губки бантиком» — баловство.

    7я картинка — это должно быть сомнение или что то ещё из того спектра эмоций, которыми не владеет алгоритм (покерфэйс — 0.52, счастье — 0.37 и презрение — 0.09).

    8 — это должно быть удивление (бровь приподнята, глаза широко раскрыты), но программа не поняла этих мимических сигналов — (нейтраль 0.93).

    9 — после серии неудача, алгоритм берет реванш на последней картинке. Программа посчитала, что это ярость (0.52) + печаль (0.21). Соглашаюсь.

    Итоги

    Ну что ж… молодцы! Но, надо ещё много работать.

    Алгоритм, скорее всего, пользуется какими то «геометрическими» построениями, основываясь на характерной мимике. Обнаружение лиц и их эмоций получается только в ан-фас (в профиль не находит даже лица).

    8 эмоций, как мы увидели — маловато для полноценного спектра. Но это только начало. Вполне возможно, что экспериментаторы пробовали и больший спектр эмоций, но алгоритм начинал давать слишком размытые результаты.

    Никто не мешает и вам попробовать поиграть с распознавателем. 😉

    Проверочное исследование фотографий лиц, отображаемых на дисплее

    Эта книга содержит рецензируемые статьи, представленные на различных конференциях, организованных Афинским институтом образования и исследований (ATINER) и особенно Отделом исследований социальных наук. Социальные науки в настоящее время находятся на перепутье. Охватываемые темы настолько разнообразны, а методологии настолько различны, что очень трудно сравнивать результаты, чтобы расширить знания об обществе. Если мы добавим диверсию обществ, то это сделает общение между социологами острой проблемой.Один и тот же социальный вопрос или проблема рассматривается по-разному в зависимости от страны происхождения главного исследователя. Однако объединение этих социологов облегчает общение, и можно только надеяться, что это может быть к лучшему для исследований в области социальных наук, полезных для всех обществ современного бурного мира, в котором мы живем. Именно в этом и заключается миссия ATINER, то есть собрать ученых-социологов в историческом городе Афины, чтобы обсудить текущие события и будущие перспективы исследований в области социальных наук.В эту книгу вошли 17 эссе, написанных социологами из 12 разных стран и пяти континентов (Россия, США, Бразилия, Турция, Индия, Грузия, Южная Африка, Словакия, Италия, Латвия, Великобритания и Германия). Такой же разброс отмечается и по освещаемым темам. Это антология эссе, определяемых только конкретными интересами авторов. 16 статей разделены на две части: первая посвящена обществу и включает пять статей, а вторая посвящена поведению и отношению и состоит из одиннадцати статей.Главу первую можно считать вводной главой по вопросам, касающимся общества. Кеннет Смит исследует концепцию коллективного сознания общества на основе дюркгеймовской социологии одного из трех современных основоположников дисциплины социальных наук. Двое других — Маркс и Вебер. Термин «современный» используется для того, чтобы подчеркнуть, что социальные науки были любимым предметом древнегреческих философов, особенно Платона и Аристотеля. Первого можно считать отцом социальных наук.Многие идеи, развитые в следующих главах этой книги, зависят от основ социального анализа, подобного описанному в этой главе. Глава вторая посвящена инвалидам России. Акцент делается на профессиональном обучении. Ольга Бородкина, основываясь на эмпирических исследованиях, утверждает, что инклюзивное образование не отстает в России. Большинство российских вузов не могут обучать инвалидов. Автор приходит к выводу, что улучшения есть, но необходимы дальнейшие изменения, которые требуют сотрудничества государства, образовательных учреждений, общества и людей с особыми потребностями.В третьей главе латвийское общество рассматривается через призму его этнического и религиозного многообразия. Юлия Старе утверждает, что Латвия – одна из самых разнообразных стран Балтии и Европы. Понятия этничность и религия рассматриваются автором с точки зрения их взаимодействия для создания гибридной идентичности. Вывод состоит в том, что культурное разнообразие способствует созданию новых, гибридных и различных форм идентичности. В четвертой главе исследуется турецкое общество. Айча Йылмаз Дениз смотрит на условия работы в Турции.Автор использует качественное исследование, основанное на опросе 44 рабочих. Выводы показывают, что, хотя сотрудники не принимают участия в коллективном сопротивлении, они разрабатывают стратегии индивидуального сопротивления, которые она анализирует, ссылаясь на концепцию мимикрии Бхабхи. В пятой главе рассматривается важный вопрос, связанный с побочным эффектом исследований на университетском уровне и в бизнес-секторе. Сабрина Моретти и Франческо Саккетти исследуют итальянский случай, используя метод интервью с учеными и изучая, как эти исследователи примирили рыночный спрос на исследования и академическую цель производства новых знаний.В шестой главе Дебора Зюрхер, Джон Йошиока и Тереза ​​Ришел рассматривают качество учителей на основе эксперимента на двух островах: Гуаме и Американском Самоа. Фасилитаторы специализированных учителей области содержания (CAST) используются для содействия профессиональному развитию. Авторы обсуждают результаты своего исследования и дают рекомендации. Седьмая глава является первой во второй части книги, посвященной поведению и установкам. Соня Сиртоли Фербер рассматривает танатологию и скорбь, которые включают в себя различные виды потерь.Восьмая глава представляет собой применение прикладного анализа поведения. Ишхита Гупта, Шефали Таман и С.П.К. Йена использовали два тематических исследования, чтобы оценить влияние дифференциального подкрепления другого поведения. Сделан ряд важных выводов и сделаны предложения для будущих исследований. В девятой главе исследуется агрессивное поведение 262 сотрудников больницы. Сьюзан М. Стюарт считает, что диспозиционная агрессивность была связана со всеми формами организационной несправедливости и отклонениями от нормы на рабочем месте.В десятой главе поведение Эдипа рассматривается через призму «Угасания Эдипова комплекса» Левальда. Автор, Зельда Г. Найт, утверждает, что, возвращаясь к исходной интерпретации, психоаналитические взгляды на процесс «взросления, старения и промежуточного состояния между ними» различаются. В одиннадцатой главе исследуются психометрические свойства Шкалы одержимости смертью (DOS) на выборке студентов южноафриканских университетов. Соломон Машегоан и Саймон Морип пришли к выводу, что необходимы дальнейшие исследования для проверки основных гипотез и шкалы измерения.Глава двенадцатая исследует эмоции в человеческих отношениях. Томаш Соллар, Яна Турзакова, Мартина Романова и Андреа Солгайова рассматривают соответствующую литературу о чтении эмоций по выражению лица. Выборка студентов-психологов и студентов-медсестер в Словакии и результаты были проанализированы в соответствии со стандартизированными проявлениями основных эмоций и нейтральных выражений. Обсуждаются различные последствия для образования и обучения. В тринадцатой главе измеряется пассивная дискриминация с использованием метода потерянных букв.Этот метод оценивает отношение сообщества к группам и институтам. Уильям Филлипс, Афшин Гариб и Мэтт Дэвис отобрали людей из США, Польши, Италии и Германии. Основная гипотеза состоит в том, что люди с большей вероятностью отправят письмо, адресованное человеку или организации, к которым они относятся нейтрально или положительно, чем отправят письмо, адресованное организации или человеку, к которому они относятся негативно. Они показали, что между этими двумя именами нет никакой разницы. В четырнадцатой главе используется шкала для включения трех компонентов отношения: когнитивного, аффективного и поведенческого.Нино Джавахишвили, Иоганн Ф. Шнайдер, Ана Макашвили и Натия Кочлашвили обсуждают эту шкалу с точки зрения эмпирических данных и приходят к выводу, что «шкалы социальной дистанции и толерантности являются хорошими мерами этнических установок и ценностей». В пятнадцатой главе изучается интегрированная личность на нетерапевтическом фоне. Используя выборку государственных служащих, Ева Солларова и Томаш Соллар показывают, что более интегрированные люди выбирают проактивно ориентированные стратегии, а высокоинтегрированные люди с большей вероятностью будут действовать проактивно и создавать жизненные возможности.В шестнадцатой главе рассматриваются социальные работники. Эргун Хасгул и Айсе Сезен Серпен исследуют эмпатию среди социальных работников на выборке турецких социальных работников. Они обнаружили, что женщины-социальные работники обладают более выразительными навыками, чем их коллеги-мужчины. В главе семнадцатой используются данные из Бразилии для изучения прав людей с ограниченными возможностями. Раклин Атайде де Фариа обнаружила, что группа людей с ограниченными интеллектуальными возможностями неоднородна, и их самопрезентация формирует положительный образ самих себя как учащихся обычных школ.

    Просмотр естественных и городских изображений и эмоциональных выражений лица: предварительное исследование

    Int J Environ Res Public Health. 2021 июль; 18(14): 7651.

    Факультет информатики и менеджмента, Университет Градец Кралове, Рокитанскего 62, 500 03 Градец Кралове, Чешская Республика; [email protected]

    Поступила в редакцию 5 июня 2021 г.; Принято 16 июля 2021 г.

    Abstract

    Существует большое количество доказательств того, что воздействие смоделированных природных сцен положительно влияет на эмоции и снижает стресс.В некоторых исследованиях использовались самооценки, а в других использовались физиологические показатели или комбинации самоотчетов с физиологическими показателями; однако анализ эмоционального выражения лица редко оценивался. В настоящем исследовании выражения лиц участников анализировались при просмотре лесных деревьев с листвой, лесных деревьев без листвы и городских изображений с помощью программного обеспечения iMotions AFFDEX, предназначенного для распознавания лицевых эмоций. Предполагалось, что природные изображения будут вызывать более высокую величину положительных эмоций в мимике и меньшую величину отрицательных эмоций, чем городские изображения.Однако результаты показали очень низкие значения эмоциональных реакций лица, а различия между естественными и городскими изображениями не были значительными. В то время как стимулы, используемые в настоящем исследовании, представляли собой обычный лиственный лес и городские улицы, обсуждаются различия между эффектами обыденных и привлекательных природных сцен и городских образов. Предполагается, что более привлекательные изображения могут привести к более выраженным эмоциональным выражениям лица. Результаты настоящего исследования имеют методологическое значение для будущих исследований. К тому же не у всех горожан есть возможность проводить время на природе; поэтому, зная больше об эффектах некоторых форм имитации природных сцен, суррогатных природных сцен, также имеет некоторое практическое значение.

    Ключевые слова: техника чтения по лицу, эмоциональные выражения лица, природная среда, положительные эмоции

    1. Введение

    Люди реагируют на природную среду в основном с положительными эмоциями, и просмотр природной среды также имеет положительную функцию в восстановлении психики [1,2,3].Более того, существует множество доказательств того, что воздействие смоделированных природных сцен также имеет аналогичные положительные эффекты [4]. Просмотр смоделированных природных сцен может помочь людям улучшить свое реальное эмоциональное состояние и восстановить психику в ситуациях, когда у них нет возможности посетить реальную природную среду. Таким образом, полезно глубоко анализировать непосредственные эмоциональные реакции на различные типы природных сцен с помощью различных методов исследования. В настоящем исследовании мы исследовали эмоциональные выражения лица при просмотре природных и городских изображений и использовали автоматизированный анализ выражения лица с помощью программного обеспечения машинного зрения.Эти методы значительно развились и улучшились за последние три десятилетия и могут преодолеть недостатки и затраты времени, связанные с системой кодирования лицевых движений, и техническими трудностями лицевой электромиографии. В последнее время автоматизированные компьютерные технологии продемонстрировали достаточную надежность (например, [5,6]), и их точность во многих случаях может превзойти точность человеческих оценок [7].

    1.1. Положительный эффект от созерцания суррогатной природы

    Растущий объем исследований подтверждает терапевтические и оздоровительные эффекты контакта с окружающей средой.Многие исследования показали, что пребывание в естественной среде приносит пользу здоровью, усиливает положительные эмоции, снижает стресс и оказывает прямое и положительное влияние на самочувствие и психическое здоровье (для обзора [1,2,3]).

    Однако не у всех горожан есть возможность проводить время на природе; кроме того, доступ к природной среде может быть затруднен из крупных мегаполисов. Поэтому психологи-экологи исследовали, могут ли некоторые формы смоделированной природы иметь хотя бы частично аналогичные положительные эффекты.Результаты исследования показали, что воздействие смоделированных природных сцен (например, просмотр фотографий, слайдов, видео и виртуальных сцен природы, созданных компьютером (для обзора см. [4])) также может иметь аналогичные положительные эффекты. Например, было задокументировано, что просмотр естественных изображений может улучшить настроение и воспринятое восстановление [8,9,10,11,12]. Просмотр естественного видео также может улучшить настроение и ощущение восстановления и уменьшить стресс (например, [13,14,15,16,17,18,19,20]). Аналогичный эффект был выявлен при исследовании природных сцен в виртуальной реальности (напр.г., [21,22,23,24,25]). В некоторых из этих исследований использовались самооценки (например, [8, 11, 14, 16, 20, 26]), в то время как в других использовались физиологические показатели или комбинированные самоотчеты с физиологическими показателями (например, [13, 15, 17, 18,22,27,28]). Подробный обзор методов исследования восприятия окружающей среды был предоставлен Browning et al. [21]. Анализ выражения эмоций на лице использовался редко (например, [29,30,31,32,33]).

    1.2. Шесть основных эмоций Экмана

    Связь между эмоциями и выражением лица основана на теоретических основаниях и имеет эмпирическое подтверждение.Несколько десятилетий назад Экман [34] определил шесть основных эмоций, которые должны быть общими для всех культур. Это гнев, отвращение, страх, счастье, печаль и удивление. Их легко узнать по выражению лица. Хотя они также представляют собой другие теоретические рамки, описывающие эмоции в пространственном пространстве (например, [35]), концепция шести эмоций Экмана преимущественно использовалась при анализе выражений эмоций на лице.

    1.3. Измерение эмоциональных выражений лица

    В настоящее время в научных исследованиях используются три метода измерения выражений эмоций на лице: система кодирования движений лица, электромиография лица и автоматический компьютерный анализ выражения лица. Первый метод, система кодирования мимических действий, основан на субъективном выявлении шести основных эмоций на видеозаписанных лицах [36]. Специально обученные люди-кодировщики оценивают определенные эмоциональные выражения, называемые «единицами действия», которые отвечают за выражение шести основных эмоций. Единица действия — это наименьшее видимое функциональное движение лица, которое человек может распознать. Хотя этот метод обеспечивает достаточную достоверность описания лицевых эмоций, его недостатком является значительное время, необходимое для обработки данных.Другой метод исследования — лицевая электромиография — основан на наблюдении за активацией лицевых мышц при изменении эмоциональных реакций. Он требует наложения электродов на поверхность кожи. Это позволяет идентифицировать определенные паттерны лицевых мышц, используемые для отображения, например, радости, аппетита и отвращения (например, [37]). Этот метод позволяет обнаружить тонкую активность лицевых мышц, но его недостатком является техническая сложность. Кроме того, наличие электродов, прикрепленных к лицу, далеко не естественное состояние.

    1.4. Валидация программного обеспечения для автоматизированного анализа выражения лица

    В последнее время появилось три основных коммерческих программных инструмента для автоматического анализа выражения лица: FaceReader от Noldus (Noldus Information Technology, Вагенинген, Нидерланды) [38], модуль FACET от iMotions (iMotions, Копенгаген, Дания) [39] и модуль AFFDEX от iMotions (iMotions, Копенгаген, Дания) [39]. Ведутся споры о надежности этих программ для распознавания эмоций по сравнению с электромиографией лица или системой кодирования движений лица.По сравнению с результатами ЭМГ Beringer et al. [40] проверили программное обеспечение FACET для счастливых и сердитых выражений. Недавно Кульке и соавт. [41] сравнили программное обеспечение для распознавания эмоций AFFDEX с измерениями лицевой электромиографии для способности идентифицировать счастливые, злые и нейтральные лица. Однако могут быть определенные ситуации, когда люди-наблюдатели лучше, чем автоматический анализ лица. Например, Дель Либано и др. [42] исследовали, как прототипические счастливые лица можно отличить от смешанных выражений с улыбкой, но недовольными глазами, и обнаружили, что наблюдатели-люди, использующие блоки лицевых движений, были лучше, чем те, кто использовал программное обеспечение FACET для автоматического анализа.Они пришли к выводу, что программное обеспечение FACET может быть действенным инструментом для категоризации прототипических выражений, но оно недостаточно надежно для распознавания смешанных выражений.

    1.5. Выражение лица при просмотре окружающей среды

    Существует всего несколько исследований, в которых анализировались выражения лица при просмотре окружающей среды. В этих исследованиях в основном использовалась лицевая электромиография. Электромиографические реакции в основном измерялись с использованием мимических мышц лба, потому что эти мышцы могут отражать умственный и эмоциональный стресс лучше, чем другие мышцы.Увеличение амплитуды электромиограммы лица является отражением повышенного уровня мышечного напряжения и, наоборот, уменьшение амплитуды отражает снижение напряжения.

    Качиоппо и др. [29] в течение 5 с демонстрировали участникам слайды, вызывающие ассоциации с позитивным и негативным эффектом (горная скала, ушибленное туловище, океанский пляж и загрязненная дорога) от легкой до умеренной степени. Они обнаружили, что электромиографическая активность лица в области мышц бровей, глаз и щек дифференцирует приятность и интенсивность аффективных реакций на визуальные стимулы.В исследовании Chang et al. [30], участники просматривали изображения офиса с видом из окна на природу или городскую среду в течение 15 с. Электроды располагались над бровями. Проверяли амплитуду электромиографии, рост которой свидетельствовал о нарастании степени мышечного напряжения. Кроме того, регистрировались изменения ЭЭГ, объемного пульса крови, состояния тревожности. Результаты показали, что участники меньше беспокоились, наблюдая за видом на природу или комнатными растениями, в отличие от офисов без видов из окон или офисов без растений.Однако результаты электромиографии не соответствовали другим показателям. В то время как у офиса с окном в городе были более низкие амплитуды, самая высокая амплитуда, как ни странно, была с офисом с окном на природе. В последующем исследовании Chang et al. [31] предъявляли испытуемым естественные изображения с разным уровнем восстановительной способности, каждое по 10 с. Электромиографические ответы измеряли с помощью мимических мышц лба, оценивали ЭЭГ и объемный пульс крови. Результаты выявили большую степень соответствия между психологическими показателями восстанавливаемости и тремя физиологическими реакциями.Таким образом, эти несколько исследований показали, что просмотр естественных изображений может вызывать изменения в выражении лица.

    На сегодняшний день автоматизированное распознавание выражения лица не использовалось для анализа движений лица при просмотре городских изображений. Однако Вэй и соавт. [32] исследовали эмоциональную мимику лица в реальных условиях на открытом воздухе во время прогулки. Участников попросили неоднократно делать селфи во время прогулки по городским улицам или в лесопарке, которые отражали бы их естественное выражение лица и эмоции в реальном времени. Фотографии были проанализированы с помощью программного обеспечения FireFACE. Было показано, что лесной опыт вызывал более высокие оценки счастья, но более низкие нейтральные оценки, чем городская среда.

    1.6. Цели

    На сегодняшний день наши знания об эмоциональных реакциях после просмотра изображений естественной среды, зарегистрированных с помощью выражений лица, довольно ограничены. Насколько нам известно, этот метод не использовался в контексте экологической психологии и исследований экологических предпочтений. Наша цель состояла в том, чтобы изучить эти прямые выражения лица при просмотре разнообразных изображений с помощью автоматического анализа выражения лица, в частности программного обеспечения AFFDEX от iMotions.В настоящем исследовании изучались выражения лица при просмотре природных изображений, а именно: лесных деревьев с листвой, лесных деревьев без листвы и городских изображений. Основываясь на предыдущих выводах, была выдвинута гипотеза, что естественные изображения будут вызывать больше положительных эмоций в выражениях лица и меньше отрицательных эмоций, чем городские изображения. Кроме того, мы исследовали, реагируют ли люди по-разному на лесные деревья с листвой и лесные деревья без листвы

    2.Материалы и методы

    2.1. Участники

    В эксперименте приняли участие 66 студентов. Выборка состояла из молодых людей в возрасте от 18 до 25 лет (среднее значение = 20,97, стандартное отклонение = 1,11; 42 женщины). Участники были зачислены на первый, второй или третий курс различных курсов психологии. Это были студенты факультетов информатики, финансового менеджмента и туризма Университета Градец-Кралове. Университет Градец-Кралове — небольшой региональный университет, и студенты приезжают в основном из близлежащих северо-восточных регионов Чехии — Градец-Кралове и Пардубице.В этом районе преобладают низменности или высокогорья умеренного пояса, в основном с лиственными лесами. Участники проживали в городах и селах, где легкодоступна природная среда. Таким образом, стимулы, предъявляемые в эксперименте (см. ниже), включали известный участникам тип ландшафта. Точно так же участникам были известны типы городских зданий.

    2.2. Этическое одобрение

    Этическое одобрение для настоящего исследования было получено от Комитета по исследовательской этике Университета Градец-Кралове (No.4/2018). Участники подписали форму информированного согласия, в которой они заявили, что они добровольно участвовали в эксперименте и что они были проинформированы о процедуре эксперимента. Они договорились, что записи их лицевого поведения будут регистрироваться и использоваться только в научных целях. Им было позволено выйти из эксперимента в любое время.

    2.3. Стимул Материал

    Изображения, использованные в эксперименте, были сделаны одним из авторов (). Они включали изображения лесов и городских сцен.Изображения были преобразованы в разрешение 1920 × 1080 пикселей с использованием программного обеспечения Adobe Photoshop CS 6. Уровни яркости и контрастности всех изображений были сбалансированы с использованием параметров «Автоматические уровни», «Автоматическая контрастность» и «Автоцвета» в Adobe Photoshop. Фотографии не подвергались дальнейшей цифровой обработке. Двадцать четыре изображения были представлены в одной экспериментальной сессии. Восемь естественных изображений лиственных лесов с листвой были сделаны в основном в лесах вдоль города Праги. Дополнительные восемь естественных изображений лиственных лесов без листвы были сделаны в тех же местах, что и предыдущий набор фотографий.Восемь изображений представляли собой фотографии городских улиц Праги в Чешской Республике.

    Примеры стимулов, использованных в эксперименте: ( a ) изображение города, ( b ) леса с листвой и ( c ) леса без листвы.

    2.4. Устройство

    Эксперимент контролировался компьютером ПК с разрешением экрана 1920 × 1200 пикселей и диагональю 61 см с камерой Logitech Webcam C920 (Logitech, Ньюарк, Калифорния, США), расположенной в верхней части экрана.Камера и представление стимулов, а также обработка данных управлялись программным обеспечением iMotion 8. 0. Анализ выражения лица проводился с помощью модуля анализа выражения лица iMotions AFFDEX (iMotions, Копенгаген, Дания). Веб-камера записывала видео лиц, пока участники просматривали стимулы, а затем видео импортировались в программное обеспечение iMotions для постобработки анализа выражения лица. AFFDEX позволяет измерять семь эмоциональных категорий: радость, гнев, удивление, страх, презрение, печаль и отвращение.Все эмоциональные показатели оценивались программным обеспечением по шкале от 0 до 100, что указывает на вероятность обнаружения эмоции. Величина 0 указывала на отсутствие эмоции; в свою очередь, величина 100 указывала на 100% вероятность обнаружения эмоции.

    2.5. Процедура

    Участники были индивидуально протестированы в лаборатории. Исследование проводилось в декабре 2019 года в рабочие дни с 10 по 18 декабря с 9:00 до 16:00. Участники выбирали дату и время экспериментальной сессии в соответствии со своим свободным временем.После прибытия в лабораторию участник подписал форму информированного согласия. Затем ему сообщали об эксперименте и читали инструкции. Инструкции были следующими: «Вы примете участие в исследовании, в ходе которого будете последовательно изучать серию изображений, представленных на экране компьютера. Просмотр изображения с самообладанием. Не пытайтесь запомнить его содержание или детали. Ваше лицо будет записано. Каждое изображение будет отображаться в течение 15 секунд». Участники сидели примерно в 70 см от монитора.Изображения предъявлялись в случайном порядке. Каждое испытание начиналось с фиксационного креста, расположенного в центре экрана на сером фоне. Перед появлением изображения участники должны были зафиксироваться на фиксационном кресте в течение 2 с. Каждое изображение отображалось в течение 15 с. В лаборатории была комфортная температура, около 23 градусов по Цельсию.

    3. Результаты

    Сначала необработанные данные были экспортированы из AFFDEX. Приблизительно 240 измерений было получено для одного изображения, и примерно 1900 измерений было получено для одного участника в рамках одной категории изображений (городские изображения, изображения леса с растительностью, изображения леса без растительности, см. Дополнительные материалы, Таблица S1).Затем были рассчитаны средние баллы для каждого участника и изображений в каждой категории (). Результаты показали, что уровень выявленных лицевых эмоций был очень низким, менее 1%, и различия между баллами по конкретным эмоциям в этих условиях также были небольшими. Односторонний дисперсионный анализ с повторными измерениями (ANOVA) был проведен для проверки влияния экспериментальных условий (городские изображения, изображения леса с растительностью, изображения леса без растительности) на уровень выражения лица определенных эмоций ().Анализы показали, что влияние условий эксперимента было несущественным для мимики всех эмоций. Только для мимики эмоции страха, по сравнению с мимикой других эмоций, были обнаружены более выраженные различия между городскими изображениями и обоими наборами лесных изображений в ожидаемом направлении; однако значение p было всего 0,121.

    Таблица 1

    Средние баллы для отдельных эмоциональных категорий с изображением городов, изображений леса с листвой и изображений леса без листвы (шкала от 0 до 100).

    3

    Среднее

    5 SD

    эмоций
    эмоций городских сцен лес без листвы лес без листвы
    SD SD SD
    гнев
    гнев 0.210 0. 819 0.106 0.106 0.346 0,160 0.571 0.571
    0.249 0.249 0.204 0.257 +0,324 0,326 0,444
    Отвращение 0,483 0,152 0,522 0,413 0,474 0,160
    Страх 0,219 0,743 0,126 0,442 0. 126 0.126 0.525
    Радость 0,143 0,789 0.098 0.095 0,675 0,143 0,768
    Saidness 0.288 +1,076 0,264 0,905 0,265 0,781
    Неожиданные 0,468 1,760 0,370 1,116 0,330 0,914

    Таблица 2

    Результаты из односторонние повторные измерения ANOVA для отдельных эмоциональных категорий.

    9, 128 9, 128
    Эмоции дф Ф р
    Гнев 2, 128 1.112 0.332 0.332
    2, 128 1.558 0. 214
    Disgust
    0.728 0.485
    Страх
    2.148 2.148 0.121
    Радость 2, 128 0.050 0.08 0.0.08
    2, 128 0. 123 0.884
    Сюрприз 2, 128 1.640 0,200

    4. Обсуждение

    С помощью автоматизированного анализа выражения лица в настоящем исследовании было изучено, вызовет ли короткий просмотр городской или природной среды изменения выражений эмоций на лице, которые могут отражать изменения в реальном эмоциональном состоянии. . Хотя мы предсказали различия между выражениями лица при просмотре городских и естественных изображений, мы не обнаружили каких-либо существенных различий в нашем исследовании, что контрастирует с большим объемом предыдущих исследований (для обзора см. [21]), которые документировали различные реакции. к виртуальным городским и природным сценам, используя самоанализ или различные физиологические методы.

    В исследовании Wei et al. [32], участники шли по лесу или городской улице в течение пяти часов, и их просили делать селфи каждые 30 минут, позируя с естественным выражением лица и эмоциями в реальном времени. Фотографии их лиц были проанализированы и обработаны программным обеспечением для анализа выражений лица, чтобы получить оценки для счастливых, грустных и нейтральных выражений. Выяснилось, что прогулка по лесу вызывала более высокие счастливые и более низкие нейтральные выражения, чем прогулка в городской среде.Понятно, что люди, которые проводят много времени в приятной природной среде, могут выражать на лице положительные эмоции. Таким образом, первое объяснение нашей неудачи может заключаться в том, что 15-секундный просмотр изображения был слишком коротким, чтобы вызвать наблюдаемые выражения лица или эмоциональную реакцию. Однако Cacioppo et al. [29] заметили, что даже пять секунд демонстрации слайдов с окружающей средой приводили к изменению выражения лица; однако они использовали другую меру, а именно электромиографическую активность лица.

    Второе возможное объяснение может заключаться в том, что визуальные стимулы, использованные в настоящем исследовании, не были достаточно отчетливыми, чтобы вызвать интенсивные эмоциональные реакции, сопровождаемые видимой эмоциональной мимикой. В качестве примеров городских изображений мы использовали фотографии обычных городских жилых домов первой половины ХХ века. Точно так же природные изображения представляли собой фотографии обычных лиственных лесов, расположенных вокруг столицы, сделанные в «нормальных» атмосферных условиях.Более того, они не подвергались дальнейшей цифровой модификации, чтобы сделать их более привлекательными. Таким образом, визуальные стимулы, использованные в этом эксперименте, представляли обычную среду, в которой жили участники, и, таким образом, могли не иметь способности вызывать выраженные эмоциональные реакции. В настоящем исследовании мы не использовали привлекательные природные образы, которые в основном использовались в исследованиях психологии окружающей среды [20], такие как высокие горы, скалы, озера, море и т. д. Например, Cacioppo et al.[29], которые сообщили об изменениях лицевой электромиографической активности после 5-секундного слайдового представления естественных стимулов, использовали стимулы, которые были оценены как приятно-умеренно приятные (например, горный утес) или слегка расслабляющие (например, океанский пляж). Ясно, что горный утес или океанский пляж представляют собой более своеобразную среду, чем низменные леса Центральной Европы. Это объяснение согласуется с выводами исследования Джоя и Болдердайка [43], в ходе которого участники наблюдали картины удивительной и обыденной природы.Они обнаружили, что просмотр удивительных природных сцен по сравнению с обыденными природными сценами и нейтральным состоянием оказывает выраженный эмоциональный эффект. Очевидно, что будущие исследования должны сравнить влияние обыденных и более привлекательных природных сцен на эмоциональное выражение лица. Стоит прокомментировать возможное влияние опыта участников и культурного фона на восприятие и оценку эстетических ценностей природной среды (например, см. метод оценки красоты сцены [44]). Эти индивидуальные переменные могут даже привести к разной оценке живописной красоты идентичной природной среды.Более того, хотя вербальные оценки окружающей среды также имеют когнитивный компонент, на который могут влиять распространенные убеждения (например, природа прекрасна, городская улица уродлива), мимические эмоциональные выражения более спонтанны и отражают реальные эмоции. Таким образом, эти индивидуальные переменные могут играть более существенную роль в нашем исследовании, чем в исследованиях, основанных только на вербальной оценке среды. Конкретное окружение может вызывать положительные эмоции, потому что у людей могут быть положительные впечатления и воспоминания об этом окружении, или окружение может вызывать удивление, потому что сильно контрастирует с их повседневным окружением, и это может вызвать желание посетить такое привлекательное окружение и т. д.Таким образом, дальнейшее ограничение настоящего исследования заключается в том, что этот индивидуальный опыт и предыстория не были изучены.

    Кроме того, мы можем также предположить, что экспериментальная ситуация, когда участники знают, что они являются частью эксперимента, и быстро наблюдают различные визуальные стимулы, также может отличаться от ситуаций реальной жизни, когда они используют некоторую форму виртуальной природы для релаксации. . С другой стороны, в большом количестве исследований наблюдались различные эмоциональные реакции на естественную среду в лаборатории (обзор см. в [4]).Возможно, соответствующая инструкция, подчеркивающая необходимость концентрироваться на зрительных стимулах и представлять, что они находятся внутри окружающей среды для расслабленной прогулки, может усилить эмоциональные реакции.

    Как упоминалось выше, на сегодняшний день не хватает данных исследований, в которых использовалась та же методология исследования и компьютерное программное обеспечение. Наши результаты можно сравнить только с данными, полученными в самом последнем исследовании, проведенном в другой области. Отаменди и Сутил Мартин [45] исследовали выражения лица при восприятии видеорекламы, обработанной тем же программным обеспечением AFFDEX, которое использовалось в нашем исследовании.В своем исследовании участники просматривали рекламные ролики продолжительностью 91 с, состоящие из 31 сцены. Пятна показали сопровождающую роль, которую мать играет на протяжении всей жизни ребенка, от рождения до совершеннолетия. Точно так же они также сообщили о небольших значениях для определенных эмоций, самых высоких для радости со средним значением = 4,82 и меньших для других эмоций со средним значением от 0,42 до 1,12 (AFFDEX оценивает эмоции по шкале от 0 до 100). Только в целевой группе рекламы (женщины зрелого возраста) они обнаружили более высокие эмоциональные реакции (среднее значение для радости = 14.17). Таким образом, в их исследовании были получены такие же небольшие средние значения эмоциональной мимики в нецелевых группах, как и в нашем исследовании.

    В заключение, хотя наши результаты не подтвердили различия в эмоциональных реакциях на природные и городские сцены, мы предполагаем, что есть другие переменные, которые могут повлиять на эти результаты. Уже упоминалась низкая эмоциональная насыщенность картин. Более того, представляется, что случайное и краткое предъявление различных зрительных стимулов, типичное для экспериментов в области зрительного восприятия, не является идеальным для исследования эмоциональных реакций на зрительные стимулы, даже если они состоят из «приземленных» сред и недостаточно эмоциональны.Кажется, что, используя более привлекательную визуальную среду, можно было бы найти существенные различия в эмоциональных выражениях лица. Кроме того, на результаты могут повлиять инструкции в эксперименте о более глубоком погружении и вовлечении в представленную визуальную среду. Также стоит прокомментировать возможные индивидуальные переменные. Таким образом, настоящее исследование имеет методологическое значение для будущих исследований. Более того, дополнительные знания о влиянии просмотра смоделированных природных сцен на эмоциональные реакции также имеют практическое значение.

    5. Выводы

    Настоящее исследование представляет собой одну из первых попыток использования автоматизированного анализа выражения лица с помощью программного обеспечения машинного зрения в контексте психологии окружающей среды и исследования предпочтительной среды. Результаты показали, что обыденная среда с низкой эмоциональной значимостью не вызывала значительных эмоциональных выражений лица. Это открытие может помочь будущим исследованиям, которые могли бы обеспечить более глубокое понимание положительного Sileffect просмотра определенных форм смоделированных природных сцен.Не у всех городских жителей есть возможность проводить время на природе, или доступ к природной среде может быть затруднен. Поэтому полезно исследовать, могут ли некоторые формы смоделированной природы иметь хотя бы частично аналогичные положительные эффекты.

    Благодарности

    Мы благодарим Даниэля Кучеру, Яна Налевку, Яна Носека, Филипа Рошкота, Филипа Роусека и Михала Водэ за помощь в проведении эксперимента.

    Вклад авторов

    Концептуализация, М.Ф.; методология, М.Ф. и Дж. П.; программное обеспечение, JP; валидация, JP и MF; формальный анализ, М.Ф. и Дж. П.; курирование данных, JP; написание – черновая подготовка, М.Ф.; написание — обзор и редактирование, М.Ф. и Дж. П.; администрация проекта, JP; приобретение финансирования, М.Ф. Все авторы прочитали и согласились с опубликованной версией рукописи.

    Финансирование

    Это исследование финансировалось за счет Студенческих грантов на специальные исследования 1/2021 Факультета информатики и менеджмента Университета Градец Кралове.

    Заявление Институционального наблюдательного совета

    Исследование проводилось в соответствии с рекомендациями Хельсинкской декларации и одобрено Комитетом по этике исследований Университета Градец Кралове, № 4/2018, 8 января 2019 г.

    Информированное согласие Заявление

    Информированное согласие было получено от всех участников исследования.

    Заявление о доступности данных

    Наборы данных, поддерживающие эту статью, были загружены как часть дополнительных материалов.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов.

    Сноски

    Примечание издателя: MDPI остается нейтральным в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.

    Литература

    1. Боулер Д.Е., Буюнг-Али Л.М., Найт Т.М., Пуллин А.С. Систематический обзор данных о дополнительных преимуществах для здоровья от воздействия окружающей среды. Общественное здравоохранение BMC. 2010;10:456. doi: 10.1186/1471-2458-10-456.[Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]2. Братман Г.Н., Гамильтон Дж.П., Daily G.C. Влияние природного опыта на когнитивную функцию человека и психическое здоровье: природный опыт, когнитивная функция и психическое здоровье. Анна. Н. Я. акад. науч. 2012;1249:118–136. doi: 10.1111/j.1749-6632.2011.06400.x. [PubMed] [CrossRef] [Google Scholar]3. МакМахан Э.А., Эстес Д. Влияние контакта с природной средой на положительный и отрицательный эффект: метаанализ. Дж. Поз. Психол. 2015;10:507–519.doi: 10.1080/17439760.2014.994224. [Перекрестная ссылка] [Академия Google]4. Браунинг М.Х.Е.М., Мимно К.Дж., ван Рипер С.Дж., Лоран Х.К., ЛаВалль С.М. Может ли имитация природы поддерживать психическое здоровье? Сравнение коротких однократных 360-градусных видеороликов о природе в виртуальной реальности и на открытом воздухе. Передний. Психол. 2020;10:2667. doi: 10.3389/fpsyg.2019.02667. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]5. Левински П., Ден Уйл Т.М., Батлер С. Автоматическое кодирование лица: проверка базовых эмоций и FACS AU в FaceReader.Дж. Нейроски. Психол. Экон. 2014;7:227–236. doi: 10.1037/npe0000028. [Перекрестная ссылка] [Академия Google] 6. Кальво М.Г., Нумменмаа Л. Перцептивные и аффективные механизмы распознавания выражения лица: комплексный обзор. Познан. Эмот. 2016;30:1081–1106. doi: 10.1080/02699931.2015.1049124. [PubMed] [CrossRef] [Google Scholar]7. Гейгер М., Вильгельм О. Компьютеризированное распознавание выражений эмоций на лице. В: Baumeister H., Montag C., редакторы. Цифровое фенотипирование и мобильное зондирование. Международное издательство Спрингер; Чам, Швейцария: 2019.стр. 31–44. Исследования в области неврологии, психологии и поведенческой экономики. [Google Академия]8. Берман М.Г., Джонидес Дж., Каплан С. Познавательные преимущества взаимодействия с природой. Психол. науч. 2008;19:1207–1212. doi: 10.1111/j.1467-9280.2008.02225.x. [PubMed] [CrossRef] [Google Scholar]9. Джонсен С.А.К., Ридстедт Л.В. Активное использование природной среды для регуляции эмоций. Евро. Дж. Психол. 2013; 9: 798–819. doi: 10.5964/ejop.v9i4.633. [Перекрестная ссылка] [Академия Google] 10. Ли К.Э., Уильямс К.Дж.Х., Сарджент Л.Д., Уильямс Н.С.Г., Джонсон К.А. 40-секундные виды с зеленой крыши поддерживают внимание: роль микроперерывов в восстановлении внимания. Дж. Окружающая среда. Психол. 2015;42:182–189. doi: 10.1016/j.jenvp.2015.04.003. [Перекрестная ссылка] [Академия Google] 11. Мартинес-Сото Х., Гонсалес-Сантос Л., Барриос Ф.А., Лена М.Э.М.-Л. Аффективные и восстановительные валентности для трех категорий окружающей среды. Восприятие. Мот. Навыки и умения. 2014; 119:901–923. doi: 10.2466/24.50.PMS.119c29z4. [PubMed] [CrossRef] [Google Scholar] 12. Стаатс Х., Киевит А., Хартиг Т. Где оправиться от усталости внимания: анализ ожидаемой ценности экологических предпочтений. Дж. Окружающая среда. Психол. 2003; 23: 147–157. doi: 10.1016/S0272-4944(02)00112-3. [Перекрестная ссылка] [Академия Google] 13. Акерс А., Бартон Дж., Косси Р., Гейнсфорд П., Гриффин М., Миклрайт Д. Восприятие визуального цвета в зеленом упражнении: положительное влияние на настроение и воспринимаемое напряжение. Окружающая среда. науч. Технол. 2012;46:8661–8666. doi: 10.1021/es301685g. [PubMed] [CrossRef] [Google Scholar] 14. Борниоли А., Паркхерст Г., Морган П.Л. Польза для психологического благополучия от имитации воздействия пяти городских условий: экспериментальное исследование с точки зрения пешехода. Дж. Трансп. Здоровье. 2018;9:105–116. doi: 10.1016/j.jth.2018.02.003. [Перекрестная ссылка] [Академия Google] 15. де Корт Я.А.В., Мейндерс А.Л., Спонселее А.А.Г., Эйссельстейн В.А. Что не так с виртуальными деревьями? Восстановление после стресса в опосредованной среде. Дж. Окружающая среда. Психол. 2006; 26: 309–320. doi: 10.1016/j.jenvp.2006.09.001. [Перекрестная ссылка] [Академия Google] 16.Майер Ф.С., Франц К.М., Брюльман-Сенекал Э., Долливер К. Почему природа полезна?: Роль связи с природой. Окружающая среда. Поведение 2009; 41: 607–643. doi: 10.1177/0013916508319745. [Перекрестная ссылка] [Академия Google] 17. Пилотти М., Кляйн Э., Голем Д., Пипенбринк Э., Каплан К. Восстанавливает ли просмотр видео с природой после работы? Влияние на артериальное давление, выполнение задач и долговременную память. Окружающая среда. Поведение 2015; 47: 947–969. doi: 10.1177/0013916514533187. [Перекрестная ссылка] [Академия Google] 18. Снелл Т.Л., Маклин Л.А., МакЭйси Ф., Чжан М., Мэггс Д. Потоковая передача природы: сравнение эффективности воспринятых живых и записанных видео природы для восстановления. Окружающая среда. Поведение 2019;51:1082–1105. doi: 10.1177/0013916518787318. [Перекрестная ссылка] [Академия Google] 19. Табризиан П., Баран П.К., Смит В.Р., Меентемейер Р.К. Изучение предполагаемого потенциала восстановления городских зеленых насаждений с помощью иммерсивных виртуальных сред. Дж. Окружающая среда. Психол. 2018;55:99–109. doi: 10.1016/j.jenvp.2018.01.001. [Перекрестная ссылка] [Академия Google] 20.ван ден Берг А.Е., Куле С.Л., ван дер Вулп Н.Ю. Экологические предпочтения и восстановление: (как) они связаны? Дж. Окружающая среда. Психол. 2003; 23: 135–146. doi: 10.1016/S0272-4944(02)00111-1. [Перекрестная ссылка] [Академия Google] 21. Браунинг М.Х.Э.М., Саеиди-Ризи Ф., МакАнирлин О., Юн Х., Пей Ю. Роль методологического выбора в влиянии экспериментального воздействия смоделированных природных ландшафтов на здоровье человека и когнитивные способности: систематический обзор. Окружающая среда. Поведение 2020;53:0013916520. дои: 10.1177/00139165201. [Перекрестная ссылка] [Академия Google] 22. Кирико А., Феррис Ф., Корделла Л., Гаджоли А. Создание благоговения в виртуальной реальности: экспериментальное исследование. Передний. Психол. 2018;8:2351. doi: 10.3389/fpsyg.2017.02351. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]23. Кирико А., Гаджиоли А. Когда виртуальное кажется реальным: сравнение эмоциональных реакций и присутствия в виртуальной и естественной среде. Киберпсихология. Поведение соц. сеть 2019;22:220–226. doi: 10.1089/cyber.2018.0393. [PubMed] [CrossRef] [Google Scholar] 24.Фельнхофер А., Котгасснер О.Д., Шмидт М., Хайнцле А.-К., Бейтл Л., Хлавакс Х., Криспин-Экснер И. Эмоционально возбуждает ли виртуальная реальность? Исследование пяти сценариев виртуального парка, вызывающих эмоции. Междунар. Дж. Хам. вычисл. Стад. 2015;82:48–56. doi: 10.1016/j.ijhcs.2015.05.004. [Перекрестная ссылка] [Академия Google] 25. Хигера-Трухильо Х.Л., Лопес-Тарруэлла Мальдонадо Х., Ллинарес Миллан К. Психологические и физиологические реакции человека на смоделированную и реальную среду: сравнение фотографий, 360-градусных панорам и виртуальной реальности. заявл. Эргон. 2017; 65: 398–409. doi: 10.1016/j.apergo.2017.05.006. [PubMed] [CrossRef] [Google Scholar] 26. Хартиг Т., Корпела К., Эванс Г.В., Герлинг Т. Мера восстановительного качества окружающей среды. Сканд. Дом. Строить планы. Рез. 1997; 14: 175–194. doi: 10.1080/02815739708730435. [Перекрестная ссылка] [Академия Google] 27. Претти Дж., Пикок Дж., Селленс М., Гриффин М. Результаты зеленых упражнений для психического и физического здоровья. Междунар. Дж. Окружающая среда. Здоровье Рез. 2005; 15: 319–337. doi: 10.1080/09603120500155963. [PubMed] [CrossRef] [Google Scholar] 28.Ульрих Р.С. Природные и городские сцены: некоторые психофизиологические эффекты. Окружающая среда. Поведение 1981; 13: 523–556. doi: 10.1177/0013916581135001. [Перекрестная ссылка] [Академия Google] 29. Качиоппо Дж.Т., Петти Р.Е., Лош М.Е., Ким Х.С. Электромиографическая активность областей мышц лица позволяет дифференцировать валентность и интенсивность аффективных реакций. Дж. Перс. соц. Психол. 1986; 50: 260–268. doi: 10.1037/0022-3514.50.2.260. [PubMed] [CrossRef] [Google Scholar] 30. Чанг С.-Ю., Чен П.-К. Реакция человека на вид из окна и комнатные растения на рабочем месте.Хорт. науч. 2005;40:1354–1359. doi: 10.21273/HORTSCI.40.5.1354. [Перекрестная ссылка] [Академия Google] 31. Чанг К.-Ю., Хэммитт В.Э., Чен П.-К., Мачник Л., Су В.-К. Психофизиологические реакции и восстановительные свойства природной среды на Тайване. Ландск. Городской. Строить планы. 2008; 85: 79–84. doi: 10.1016/j.landurbplan.2007.09.010. [Перекрестная ссылка] [Академия Google] 32. Вэй Х., Хауэр Р. Дж., Хе Х. Лесной опыт не всегда вызывает положительные эмоции: пилотное исследование бессознательных выражений лица с использованием технологии чтения по лицу.Для. Полис Экон. 2021;123:102365. doi: 10.1016/j.forpol.2020.102365. [Перекрестная ссылка] [Академия Google] 33. Вэй Х., Ма Б., Хауэр Р.Дж., Лю К., Чен С., Хе Х. Взаимосвязь между факторами окружающей среды и выражениями лиц посетителей во время посещения городского леса. Городской. Для. Городской. Зеленый. 2020;53:126699. doi: 10.1016/j.ufug.2020.126699. [Перекрестная ссылка] [Академия Google] 34. Экман П., Фризен В.В. Измерение движения лица. Дж. Невербальный. Поведение 1976; 1: 56–75. doi: 10.1007/BF01115465. [Перекрестная ссылка] [Академия Google] 35.Рассел Дж. А., Мехрабян А. Доказательства трехфакторной теории эмоций. Дж. Рез. Перс. 1977; 11: 273–294. doi: 10.1016/0092-6566(77)-X. [Перекрестная ссылка] [Академия Google] 36. Экман П. Универсальные выражения эмоций на лице. Калифорния Мент. Здоровье Рез. Копать. 1970; 8: 151–158. [Google Академия] 37. Фридлунд А.Дж., Качиоппо Дж.Т. Руководство по электромиографическим исследованиям человека. Психофизиология. 1986; 23: 567–589. doi: 10.1111/j.1469-8986.1986.tb00676.x. [PubMed] [CrossRef] [Google Scholar]40. Берингер М., Спон Ф., Хильдебрандт А., Вакер Дж., Ресио Г. Надежность и достоверность машинного зрения для оценки выражений лица. Познан. Сист. Рез. 2019;56:119–132. doi: 10.1016/j.cogsys.2019. 03.009. [Перекрестная ссылка] [Академия Google] 41. Кулке Л., Фейерабенд Д., Шахт А. Сравнение программного обеспечения для анализа выражений лица Affectiva iMotions с ЭМГ для определения выражений эмоций на лице. Передний. Психол. 2020;11:329. doi: 10.3389/fpsyg.2020.00329. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]42.Дель Либано М., Кальво М.Г., Фернандес-Мартин А., Ресио Г. Различение улыбающихся лиц: люди-наблюдатели и автоматизированный анализ лица. Акта Психол. 2018; 187:19–29. doi: 10.1016/j.actpsy.2018.04.019. [PubMed] [CrossRef] [Google Scholar]43. Джой Ю., Болдердейк Дж.В. Исследовательское исследование влияния необычайной природы на эмоции, настроение и просоциальность. Передний. Психол. 2015;5:1577. doi: 10.3389/fpsyg.2014.01577. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]44. Дэниел Т.С., Бостер Р.S. Измерение эстетики ландшафта: метод оценки живописной красоты. Министерство сельского хозяйства США, Лесная служба, хребет Скалистых гор и экспериментальная станция; Форт-Коллинз, Колорадо, США: 1976 г. Рез. Пап. РМ-РП-167. [Google Scholar]

    Чувства выглядят одинаково на каждом человеческом лице?

    Эмоции дают нам подсказки о том, как реагировать на вещи, происходящие в нашем окружении: Опасен ли он? Она любит меня? Могу ли я доверять ему?

    Но можем ли мы доверять своему восприятию, путешествуя по миру? Могут ли японские туристы идентифицировать угрожающих людей в Канаде? Может ли мужчина из Саудовской Аравии отличить гнев от отвращения в Аргентине?

    Длинный ряд исследований предполагает, что ответ в основном «да» — люди, кажется, выражают определенные основные эмоции через универсальные выражения лица, которые обычно узнаваемы людьми из других культур.Это кажется верным даже для культур, которые мало или совсем не контактировали друг с другом.

    Реклама Икс

    Познакомьтесь с набором инструментов «Большое добро»

    Из GGSC на вашу книжную полку: 30 научно обоснованных инструментов для хорошего самочувствия.

    Но, согласно недавнему исследованию, опубликованному в Журнале Экспериментальной Психологии , теория «универсальности» эмоций может упускать что-то важное. Их результаты показывают, что культура может играть более важную роль, чем считалось ранее, в том, как эмоции выражаются и распознаются.Статья вызвала научную дискуссию о взаимодействии биологии и культуры в формировании выражения человеческих эмоций и подняла вопросы о том, что у всех нас может быть общего.

    Поиск чувств в лицах

    Карлос Кривелли и его коллеги из Автономного университета Мадрида изучали детей из двух культур, изолированных от западных обществ, — тробрианцев Папуа-Новой Гвинеи и мвани из Мозамбика. Они сравнили свои ответы с соответствующей группой детей-испанцев, чтобы увидеть, смогут ли они идентифицировать определенные эмоции по фотографиям западных лиц.

    Детям показывали группу фотографий с разными выражениями лица, соответствующими счастью [улыбается], печали [надутые губы], гневу [нахмурившись], страху [задыхаясь] и отвращению [сморщивая нос], а также нейтральному лицу, и просили прикоснуться к фотографии, соответствующей той или иной эмоции. Во второй части того же исследования только детям мвани также были показаны короткие видеоклипы людей, демонстрирующих разные эмоции, а затем их попросили выбрать из тех лиц, которые ассоциируются с определенным чувством.

    Результаты показали, что дети тробрианцев и мвани могли сопоставлять эмоции с правильными лицами в среднем в 32 и 38 процентах случаев соответственно по сравнению с испанцами, которые могли сопоставлять их в 93 процентах случаев — значительная разница. Счастье было единственной эмоцией, правильно сопоставленной с соответствующим лицом большинством детей Тробриан, в то время как мвами правильно сопоставляли и счастье, и страх в большинстве случаев. Другие эмоции — грусть, гнев и отвращение — дети ни одной из культур, по-видимому, не распознавали каким-либо последовательным образом.Кроме того, не было никаких существенных различий между распознаванием лиц на видео и распознаванием лиц на фотографиях для детей мвани.

    Авторы предполагают, что их выводы подтверждают идею о том, что эмоции не являются общепризнанными, а зависят от культуры. Они также утверждают, что их методология более надежна, чем в предыдущих экспериментах, потому что они проводят значительное время в обществах, которые они изучают, чтобы определить более точные переводы слов для эмоций, а также чтобы участники исследования чувствовали себя более комфортно с экспериментальным планом.

    «Обнаруженные здесь различия в отношении распознавания эмоций подкрепляют другие исследования, показывающие культурные различия в других областях — исследования, которые бросают вызов распространенному предположению об универсальных когнитивных процессах [таких как распознавание эмоций]», — пишут они.

    Почему сложно изучать эмоции

    Исследователь эмоций Диза Заутер из Амстердамского университета хвалит исследование за то, что оно сосредоточено на более изолированных культурах, но она сомневается, является ли эта методология на самом деле улучшением предыдущей работы или она что-то меняет в теории универсальности.

    «Я думаю, что методология этого исследования хороша, но не кажется, что она сильно отличается от других работ в этой области», — говорит она. «Было бы крайне редко, чтобы одно исследование опровергло целую теорию».

    Она указывает на долгую историю научных исследований по поиску общих выражений эмоций в различных культурах, включая ее собственную работу с эмоциональными вокализациями. Например, в ходе одного кросс-культурного исследования она обнаружила, что эмоциональные голосовые сигналы, такие как крик от страха и смех от счастья, производимые двумя очень разными культурами, распознавались между культурами и внутри них с очень высокой скоростью, даже когда ее результаты были одинаковыми. повторно проанализированы с более строгим контролем в отдельной статье.

    Заутер также сомневается в том, что Кривелли и его коллеги использовали детей в качестве испытуемых, поскольку «дети менее точны во многих задачах, чем взрослые, включая распознавание эмоций».

    Джессика Трейси, исследователь из Университета Британской Колумбии, изучающая эмоции, в частности гордость, соглашается с тем, что изучение детей в задачах распознавания эмоций может быть сложным, особенно когда дети из небольших неграмотных обществ.

    «Я не думаю, что мы действительно знаем, как в раннем возрасте дети учатся сочетать слова для эмоций со своим пониманием того, что такое эмоция», — говорит она.«Идея универсальности эмоций не говорит о том, что каждый ребенок рождается, зная, что слово соответствует определенному эмоциональному выражению; это говорит о том, что люди эволюционировали, чтобы понимать эмоции, стоящие за выражением лица».

    Вот почему исследователям, работающим с детьми и даже со взрослыми в такого рода обществах, обычно приходится придумывать более оригинальные способы изучения того, что они понимают в выражении эмоций, добавляет она. Например, в прошлых исследованиях многие ученые использовали истории, чтобы придать контекст эмоциям, возможно, попросив участника сказать, какое лицо в группе фотографий похоже на человека, на которого напал дикий кабан.

    Используя такие методы, как Пол Экман и Уоллес Фризен в 1971 году, вы, как правило, обнаруживаете высокий уровень распознавания эмоций, говорит она. «Учитывая тонны и тонны исследований во всех видах культурных групп, проведенных после того, как их первоначальное исследование показало аналогичные результаты, я считаю, что мы можем сказать, что есть что-то универсальное в выражении эмоций».

    Собственное исследование Трейси также обнаружило доказательства универсальности эмоций, в том числе исследования проявления гордости в отдаленном населении в Буркина-Фасо, Африка.Она даже обнаружила, что слепые от рождения участники, которые никогда не были свидетелями проявления гордости, могут эффективно воспроизвести его.

    «Это довольно убедительное доказательство», — говорит она.

    Как могут взаимодействовать культура и биология

    У Сотера есть еще одно опасение по поводу исследования Кривелли: оно может быть не очень последовательным. Например, в другой недавно опубликованной статье в PNAS Кривелли пришел к выводу, что тробианцы чаще сопоставляют «страх» с «гневом» и «угрозой», чем со «страхом»; тем не менее, в исследовании Journal of Experimental Psychology , приведенном выше, он написал, что тробианцы сопоставляли лица «страха» с эмоцией «страха» чаще, чем с любой другой эмоцией.

    «Результаты двух исследований, похоже, не совсем совпадают, — говорит Сотер.

    Трейси менее склонна отвергать неоднозначные результаты и скорее рассматривать исследование PNAS как потенциальное отклонение, которое мы, возможно, еще не полностью понимаем. Возможно, исследователи допустили ошибку, или, возможно, дети что-то не поняли, что часто случается в кросс-культурных исследованиях, говорит она. Но, если открытие реально — что испуганное лицо на самом деле выражает угрозу в этой культуре — это было бы захватывающим открытием, добавляет она.

    «Что бы я хотела увидеть, так это работу с антропологами, которые могли бы выяснить, что произошло, чтобы эта культура адаптировала это универсальное выражение страха, чтобы оно стало сигналом угрозы», — говорит она.

    Хотя Сотер и Трейси оба придерживаются теории универсальности эмоций, ни один из них не считает, что культура вообще не играет никакой роли в выражении эмоций. Трейси указывает на работу Хиллари Эльфенбейн из Вашингтонского университета, которая обнаружила, что способ выражения универсальных эмоций может иметь своего рода культурный диалект, включающий небольшие различия. Это может объяснить, почему люди, принадлежащие к одной культурной группе, как правило, немного лучше узнают выражение лица, принадлежащего к их культурной группе, чем человека, не принадлежащего к их культурной группе.

    Она также говорит, что в разных культурах могут быть правила относительно того, когда и где уместно выражать определенные эмоции. В Соединенных Штатах, например, существует табу на выражение стыда, говорит она, поэтому вы видите, что американцы гораздо менее охотно его выражают, чем представители других культур.

    «В отношении выражения эмоций могут существовать всевозможные культурные правила, — говорит она. «Но это не отменяет теории универсальности».

    Вместо этого эмоции, вероятно, имеют биологическую, эволюционную основу. и находятся под влиянием культуры. Тем не менее, множество исследований (включая исследование основателя факультета Greater Good Дачера Кельтнера) предполагает, что некоторые базовые эмоции имеют универсальные маркеры, подразумевая, что чувства могут быть общим человеческим языком, помогающим нам выживать и передавать важную информацию внутри и, возможно, между племенами. .

    В любом случае, только дополнительные исследования действительно расскажут нам больше о выражении эмоций и их роли в нашей жизни.

    «Эмоции — это основная часть человеческого разума, и они эволюционировали для выполнения определенных функций, и множество исследований, основанных на выводах Экмана, подтверждают это», — говорит Трейси. «Я не думаю, что есть кто-то, кто не согласен с тем, что в эмоциях есть что-то универсальное. Я думаю, что вопрос в том, что такое универсальный ».

     

    Семь универсальных эмоций, которые мы носим на лице

    Выражения лица — один из самых важных невербальных способов общения.Благодаря 43 различным мышцам наши лица способны выражать более 10 000 выражений, многие из которых восходят к нашим первобытным корням. Некоторые исследователи говорят, что даже наша улыбка возникла из того, как приматы хвастаются зубами, чтобы договориться о социальном статусе или установить господство.

    И хотя у каждого лица есть свой уникальный способ выражения эмоций, есть несколько избранных выражений, которые продолжают появляться, независимо от возраста, расы, языка или религии человека. Ниже приведены семь основных эмоций, которые запрограммированы в нашем мозгу и проявляются на наших лицах.

    Чтобы получить дополнительные советы о том, как читать выражения лиц людей, посмотрите документальный фильм Язык тела, расшифрованный о природе вещей.

    Вот краткое изложение этих семи универсальных эмоций, как они выглядят и почему мы биологически запрограммированы выражать их таким образом:

    Гнев

    Движения лица: нижние веки подтянуты, края губ закатаны, губы могут быть стянуты.

    Гневное лицо работает так хорошо, потому что каждое движение лица делает человека физически сильнее, утверждают исследователи. Это лицо дает угрозе понять, что мы настроены серьезно. Это одна из наших самых сильных эмоций, и она показывает, насколько выразительным может быть человеческое лицо. Это лицо служит предупреждением, будь то просто для устрашения или для того, чтобы показать, что конфликт начался.

    Страх

    Движения лица:  Брови подняты вверх и вместе, верхние веки приподняты, рот растянут

    Каждое движение лица, основанное на страхе, готовит нас к реакции «бей или беги». Это выражение лица основано на том, как работает наше тело. Расширение наших глаз открывает наше поле зрения, пропуская больше света и позволяя нам видеть угрозы вокруг нас. То же самое можно сказать и о наших кислородных путях. Открытие ноздрей увеличивает потребление кислорода и помогает нам подготовиться к бегству или борьбе.

    Отвращение

    Движения лица: Брови опущены, нос сморщен, верхняя губа приподнята, губы распущены.

    Лицо с отвращением не только показывает наше отвращение, но и защищает нас.Сморщивание носа закрывает носовой ход, предохраняя его от опасных испарений, а прищуривание глаз защищает их от повреждения.

    Счастье

    Движения лица: Мышцы вокруг глаз напряжены, морщины вокруг глаз «гусиные лапки», щеки приподняты, уголки губ приподняты по диагонали.

    Несмотря на дружественный оттенок, исследователи полагают, что наши улыбки могут иметь более зловещее происхождение. Многие приматы показывают зубы, чтобы утвердить свое господство и зафиксировать свой статус в своей социальной структуре. Некоторые исследователи считают, что это невербальный знак, который в конечном итоге превратился в улыбку.

    Печаль

    Движения лица: Внутренние углы бровей приподняты, веки опущены, уголки губ опущены.

    Печаль трудно подделать, утверждают исследователи. Одним из явных признаков грусти является поднятие внутренней брови, которое очень немногие могут сделать по требованию.

    Удивление

    Движения лица: Вся бровь поднята вверх, веки подтянуты, рот отвисает, зрачки расширены.

    Хотя выражение удивления может длиться всего секунду или две, движения лица — особенно поднятые брови — позволяют нам оглядеться вокруг, переключить внимание на другое, возможно угрожающее событие, и реагировать быстрее. Будь то хороший или плохой сюрприз, реакция лица одинакова.

    Презрение

    Движения лица: Нейтральный взгляд, угол губы оттянут вверх и назад с одной стороны.

    Хотя эмоции презрения могут накладываться на гнев и недоверие, выражение лица уникально.Это единственное выражение, которое появляется только на одной стороне лица и может варьироваться по интенсивности. В самом сильном случае одна бровь может опускаться, в то время как нижнее веко и уголок губы поднимаются с той же стороны. В наиболее скрытом состоянии уголок губы может подняться лишь ненадолго.

     

    Узнайте больше о том, как мы используем язык тела, в документальном фильме «Природа вещей» «Расшифровка языка тела».

    TechDispatch #1/2021 — Распознавание эмоций по лицу

    Распознавание эмоций по лицу (FER) — это технология, которая анализирует выражения лица как на статических изображениях, так и на видео, чтобы получить информацию об эмоциональном состоянии человека.Сложность выражений лица, потенциальное использование технологии в любом контексте и использование новых технологий, таких как искусственный интеллект, создают значительные риски для конфиденциальности.

    1. Что такое распознавание лицевых эмоций?

    Распознавание эмоций по лицу — это технология, используемая для анализа настроений по различным источникам, таким как изображения и видео . Он принадлежит к семейству технологий, часто называемых «аффективными вычислениями», междисциплинарной области исследования возможностей компьютера распознавать и интерпретировать человеческие эмоции и аффективные состояния, и часто основывается на технологиях искусственного интеллекта.

    Выражения лица – это  формы невербального общения , дающие намеки на человеческие эмоции. На протяжении десятилетий расшифровка таких выражений эмоций представляла собой исследовательский интерес в области психологии (Экман и Фризен, 2003; Ланг и др., 1993), а также в области взаимодействия человека с компьютером (Коуи и др., 2001; Абдат, Маауи и Пруски). 2011). В последнее время широкое распространение камер и технологических достижений в биометрическом анализе, машинном обучении и распознавании образов сыграли заметную роль в развитии технологии FER.

    Многие компании, от технологических гигантов, таких как NEC или Google, до более мелких, таких как Affectiva или Eyeris, инвестируют в эту технологию, что свидетельствует о ее растущей важности. Существует также несколько программ исследований и инноваций ЕС Horizon2020 инициатив 1 , изучающих использование технологии.

    Анализ

    FER состоит из трех этапов: а) обнаружение лица, б) обнаружение выражения лица, в) классификация выражения до эмоционального состояния  (рисунок 1).Обнаружение эмоций основано на анализе положения ориентиров лица (например, кончика носа, бровей). Кроме того, в видеороликах также анализируются изменения в этих положениях, чтобы выявить сокращения в группе лицевых мышц (Ko 2018). В зависимости от алгоритма выражения лица можно разделить на основные эмоции (например, гнев, отвращение, страх, радость, печаль и удивление) или сложные эмоции (например, радостно-грустное, радостно-удивленное, радостно-отвращение, грустно-испуганное, грустно-сердитое, грустно-удивленное). ) (Ду, Тао и Мартинес, 2014 г.).В других случаях выражение лица может быть связано с физиологическим или психическим состоянием (например, с усталостью или скукой).

     

    Рисунок 1. Этапы распознавания эмоций на лице

     

    Источник изображений или видео, служащих входными данными для алгоритмов FER, варьируется от камер наблюдения до камер, размещенных рядом с рекламными экранами в магазинах, а также в социальных сетях и потоковых сервисах или на личных устройствах.

    FER также можно комбинировать с биометрической идентификацией .Его точность можно повысить с помощью технологий, анализирующих различные типы источников, таких как голос, текст, данные о состоянии здоровья с датчиков или схемы кровотока, полученные из изображения.

    Потенциальное использование FER охватывает широкий спектр приложений , примеры которых перечислены ниже в группах по их областям применения.

    Предоставление персонализированных услуг
    Анализ поведения клиентов и реклама
    Здравоохранение
    Занятость
    Образование
    Общественная безопасность
    Раскрытие преступлений
    Прочее

    2.

    Какие проблемы с защитой данных?

    Из-за использования биометрических данных и технологий искусственного интеллекта FER разделяет некоторые риски, связанные с использованием распознавания лиц и искусственного интеллекта. Тем не менее, эта технология несет в себе и свои специфические риски. Поскольку это биометрическая технология, в которой идентификация не является основной целью, риски, связанные с точностью интерпретации эмоций и ее применением, являются значительными.

    2.1 Необходимость и соразмерность

    Превращение человеческих выражений в источник данных для вывода об эмоциях явно затрагивает часть самых личных данных людей.Будучи прорывной технологией, FER поднимает важные вопросы, касающиеся необходимости и пропорциональности.

    Необходимо тщательно оценить, действительно ли развертывание FER необходимо для достижения преследуемых целей или существует менее навязчивая альтернатива . Существует риск применения FER без проведения оценки необходимости и пропорциональности для каждого отдельного случая, введенного в заблуждение решением использовать технологию в другом контексте. Однако пропорциональность зависит от многих факторов, таких как тип собираемых данных, тип выводов, период хранения данных или возможная дальнейшая обработка.

    2.2 Точность данных

    Анализ эмоций на основе выражений лица может быть неточным , так как выражения лиц могут незначительно различаться у разных людей, могут смешивать разные эмоциональные состояния, переживаемые в одно и то же время (например, страх и гнев, радость и грусть), или могут не выражать эмоции вообще. С другой стороны, есть эмоции, которые не могут быть выражены на чьем-то лице , поэтому выводы, основанные исключительно на выражении лица, могут привести к неправильным впечатлениям.К двусмысленности выражений лица могут добавить дополнительные факторы, такие как контекстные оговорки (сарказм) и социокультурный контекст. Кроме того, на качество схваченного выражения лица могут влиять технические аспекты (разные ракурсы камеры, условия освещения и маскировка нескольких частей лица).

    Более того, даже в случае точного распознавания эмоций использование результатов может привести к неправильным выводам о человеке, так как ТЭР не объясняет триггер эмоций, которым может быть мысль о недавнем или прошлом событии .Однако результаты FER, независимо от ограничений точности, обычно рассматриваются как факты и являются входными данными для процессов, влияющих на жизнь субъекта данных, вместо того, чтобы инициировать оценку, чтобы узнать больше об их ситуации в конкретном контексте.

    2.3 Справедливость

    Точность результатов алгоритма выражения лицевых эмоций может сыграть важную роль в различении по цвету кожи или этническому происхождению . Было обнаружено, что социальные нормы и культурные различия влияют на уровень выражения некоторых эмоций, в то время как было обнаружено, что некоторые алгоритмы предвзято относятся к нескольким группам в зависимости от цвета кожи.Например, исследование, тестирующее алгоритмы распознавания лицевых эмоций, показало, что они приписывают больше негативных эмоций (гнева) лицам африканского происхождения, чем другим лицам. Кроме того, всякий раз, когда возникала двусмысленность, первые оценивались как более злые (Rhue, 2018).

    Выбор правильного репрезентативного набора данных имеет решающее значение для предотвращения дискриминации. Если обучающие данные недостаточно разнообразны, технология может быть предвзятой в отношении недопредставленного населения.Дискриминация, вызванная ошибочной базой данных или ошибками в определении правильного эмоционального состояния, может иметь серьезные последствия, например. невозможность использования некоторых услуг.

    В другом аспекте той же проблемы, в случае медицинских состояний или физических нарушений , при которых происходит временный или постоянный паралич лицевых мышц, эмоции субъектов данных могут быть неправильно поняты алгоритмами. Это может привести к широкому спектру ситуаций  неправильной классификации , последствия которых варьируются от получения нежелательных услуг до неправильного диагноза психологического расстройства.

    2.4 Прозрачность и контроль

    Изображения лиц и видео можно снимать где угодно благодаря повсеместному распространению и небольшому размеру камер. Камеры наблюдения в общественных местах или магазинах — не единственные камеры, дистанционно фиксирующие изображения лиц, поскольку собственные мобильные устройства могут фиксировать выражения лиц во время их использования. В этих ситуациях возникают вопросы прозрачности как сбора, так и дальнейшей обработки персональных данных.

    В тех случаях, когда выражения лиц субъектов данных фиксируются удаленно , им может быть неясно, какая система или приложение будет обрабатывать их данные, для каких целей и кто является контролером.В результате они не смогут свободно давать согласие или осуществлять контроль над обработкой своих персональных данных, включая передачу их третьим лицам. Если субъектам данных не предоставляется точная информация, доступ и контроль над использованием FER, они лишаются свободы выбирать, какие аспекты их жизни могут быть использованы для воздействия на другие контексты (например, эмоции в социальных взаимодействиях могут использоваться в контекст приема на работу). Кроме того, субъекты данных должны контролировать, в какие периоды времени их собранные данные будут обрабатываться и объединяться в записи истории их эмоциональной ситуации, поскольку выводы об эмоциях могут быть для них недействительными по прошествии определенного периода времени.

    Другим последствием удаленного захвата выражений лица и неясности их обработки является то, что субъектам данных может быть не предоставлена ​​​​информация о , какие другие источники данных будут объединены в . Кроме того, передовые алгоритмы искусственного интеллекта усложняют требования к прозрачности, поскольку они могут обнаруживать легкие движения лицевых мышц, которые даже для отдельных лиц бессознательны. Это будет способствовать неприятному ощущению уязвимости из-за нежелательного воздействия.

    2.5 Обработка особых категорий персональных данных
    Технология

    FER может обнаруживать наличие, изменение или полное отсутствие выражений лица и связывать это с эмоциональным состоянием. В результате в некоторых контекстах алгоритмы могут выводить специальные категории персональных данных , таких как политические взгляды или данные о состоянии здоровья. Например, применяя технологию FER на политических мероприятиях, можно сделать вывод о политических взглядах, глядя на выражение лица и реакцию аудитории.Кроме того, по отсутствию мимики алгоритмы способны обнаруживать признаки алекситимии, состояния, при котором человек не может понять испытываемые чувства или не хватает слов для описания этих чувств. Это открытие может быть связано с тяжелыми психическими и неврологическими расстройствами, такими как психоз. Кроме того, анализ исторических данных об эмоциональном состоянии человека может выявить другие состояния здоровья, такие как депрессия. Такие данные, если их использовать в контексте здравоохранения, могут помочь в прогнозировании и своевременном лечении пациента.Однако, если субъекты данных не могут контролировать поток полученной информации и ее использование в других контекстах, они могут столкнуться с ситуацией вывода и использования таких конфиденциальных персональных данных неуполномоченными лицами , такими как работодатели или страховые компании. .

    2.6 Профилирование и автоматизированное принятие решений
    Технология

    FER может быть дополнительно использована для создания профилей людей в ряде ситуаций. Его можно использовать для получения одобрения продукта, рекламы или предложенной идеи.Его также можно использовать для классификации производительности и устойчивости к утомлению на рабочих местах. Риск заключается в том, что субъект данных может не знать об этом типе , нацеленном на , и может чувствовать себя некомфортно, если узнает об этом. Дальнейшие последствия могут возникнуть из-за ошибочного профилирования или выводов, основанных исключительно на ассоциации с определенной группой людей, испытывающих те же эмоции.

    Кроме того, знание эмоций людей может облегчить манипулирование ими.Например, знание эмоций, раскрывающих уязвимое эмоциональное состояние, может быть использовано для мысленного принуждения людей к действиям, которые они в противном случае не сделали бы, т. е. покупать товары, которые им не нужны.

    Технология

    FER может использоваться в целях обеспечения общественной безопасности, например, на концертах, спортивных мероприятиях или в аэропортах, для быстрого выявления признаков агрессии и стресса и выявления потенциальных террористов. Однако, если такая идентификация была основана исключительно на FER и не сочеталась с другими действиями или триггерами, указывающими на то, что это лицо опасно, это могло бы создать дополнительные риски для субъектов данных.Например, человек может быть подвергнут неоправданным задержкам для проведения дальнейших проверок безопасности или расследований , что может привести к пропуску участия в мероприятии, посадке на рейс или даже к необоснованному аресту.

    И последнее, но не менее важное: FER может влиять на поведенческие изменения  в случае, если человек знает о воздействии этой технологии (известной как Реактивность в психологии). Люди могут изменить свои привычки или избегать определенных областей, где применяется технология, в попытке самоощущаться и защищать себя. Можно себе представить, какой охлаждающий эффект это могло бы оказать на общество и чувство незащищенности среди граждан, если бы такая технология использовалась недемократическими правительствами для определения политического отношения граждан.

     

    Рекомендуемое чтение

    Абдат Ф., К. Маауи и А. Пруски. 2011. «Взаимодействие человека и компьютера с использованием распознавания эмоций по выражению лица». В  2011 UKSim 5-й Европейский симпозиум по компьютерному моделированию и моделированию . IEEE. https://дои.org/10.1109/ems.2011.20.

    Андалиби, Назанин и Джастин Басс. 2020. «Человек в распознавании эмоций в социальных сетях: отношение, результаты, риски». В  Материалы конференции Chi 2020 года по человеческому фактору в вычислительных системах , 1–16. ЧИ 20. Нью-Йорк, штат Нью-Йорк, США: Ассоциация вычислительной техники. https://doi.org/10.1145/3313831.3376680.

    Барретт, Лиза Фельдман, Ральф Адольфс, Стейси Марселла, Алейкс М. Мартинес и Сет Д. Поллак. 2019. «Пересмотр эмоциональных выражений: проблемы с выводом эмоций из движений лица человека.”  Психологическая наука в интересах общества  20 (1): 1–68. https://doi.org/10.1177/15219832930.

    Коуи, Р., Э. Дуглас-Коуи, Н. Цапацулис, Г. Вотсис, С. Коллиас, В. Фелленц и Дж. Г. Тейлор. 2001. «Распознавание эмоций при взаимодействии человека с компьютером». Журнал обработки сигналов IEEE  18 (1): 32–80. https://doi.org/10.1109/79.

    7.

    Кроуфорд, К., Р. Доббе, Т. Драйер, Г. Фрид, Б. Грин, Э. Казюнас, А. Как и другие. 2919. «Отчет AI Now за 2019 год.Нью-Йорк: AI Now Institute. https://ainowinstitute.org/AI_Now_2019_Report.html.

    Daily, Шаундра Б., Мелва Т. Джеймс, Дэвид Черри, Джон Дж. Портер, Шелби С. Дарнелл, Джозеф Исаак и Таня Рой. 2017. «Эффективные вычисления: исторические основы, текущие приложения и будущие тенденции». В  Эмоции и влияние в человеческом факторе и взаимодействии человека и компьютера , 213–31. Эльзевир. https://doi.org/10.1016/b978-0-12-801851-4.00009-4.

    Ду, Шичуань, Юн Тао и Алекс М.Мартинес. 2014. «Сложное выражение эмоций на лице». Proceedings of the National Academy of Sciences  111 (15): E1454–E1462. https://doi.org/10.1073/pnas.1322355111.

    Экман, Пол и Уоллес В. Фризен. 2003.  Разоблачение лица: руководство по распознаванию эмоций по признакам лица . Ишк.

    Джасинта, В., Джуди Саймон, С. Тамиларасу, Р. Тамижмани, К. Танга Йогеш и Дж. Нагараджан. 2019. «Обзор методов распознавания эмоций на лице». В 2019 Международная конференция по связи и обработке сигналов (Iccsp) , 0517–21.IEEE. https://doi.org/10.1109/ICCSP.2019.8698067.

    Ко, Бён Чул. 2018. «Краткий обзор распознавания эмоций на лице на основе визуальной информации». Датчики  18 (2): 401. https://doi.org/10.3390/s18020401.

    Ланг, Питер Дж., Марк К. Гринвальд, Маргарет М. Брэдли и Альфонс О. Хэмм. 1993. «Глядя на картинки: аффективные, мимические, висцеральные и поведенческие реакции». Психофизиология 30 (3): 261–73. https://doi.org/10.1111/j.1469-8986.1993.tb03352.Икс.

    Ру, Лорен. 2018. «Расовое влияние на автоматическое восприятие эмоций». Электронный журнал SSRN . https://doi.org/10.2139/ssrn.3281765.

    Рассел, Джеймс А. 1995. «Выражение эмоций на лице: что лежит за пределами минимальной универсальности?» Психологический бюллетень  118 (3): 379–91. https://doi.org/10.1037/0033-2909.118.3.379.

    Седенберг, Элейн и Джон Чуанг. 2017. «Улыбка в камеру: последствия Emotion Ai для конфиденциальности и политики.https://arxiv.org/abs/1709.00396.

    1. Проект Horizon 2020, финансируемый ЕС SEWA  использует FER для улучшения автоматизированного понимания интерактивного поведения человека в естественных условиях; iBorderCtrl  разработали систему автоматизированной охраны границ, включающую технологию FER; Проект PReDicT использует FER в медицинской сфере для улучшения результатов лечения антидепрессантами.

     

    Эта публикация представляет собой краткий отчет, подготовленный Отделом технологий и конфиденциальности Европейского надзорного органа по защите данных (EDPS).Его цель — предоставить фактическое описание новой технологии и обсудить ее возможное влияние на конфиденциальность и защиту персональных данных. Содержание данной публикации не отражает политическую позицию EDPS.

     

    Чтобы подписаться или отказаться от подписки на публикации TechDispatch, отправьте письмо по адресу [email protected] Уведомление о защите данных размещено на веб-сайте EDPS.

    © Европейский союз, 2021 г. Если не указано иное, повторное использование этого документа разрешено в соответствии с Creative Commons Attribution 4.0 Международная лицензия (CC BY 4.0). Это означает, что повторное использование разрешено при условии надлежащего указания авторства и указания любых внесенных изменений. Для любого использования или воспроизведения фотографий или других материалов, не принадлежащих Европейскому Союзу, необходимо получить разрешение непосредственно у владельцев авторских прав.

     

      ISSN 2599-932X
    HTML: ISBN 978-92-9242-473-2
      QT-AD-21-001-EN-Q
     

    дои: 10.2804/519064 

    PDF: ISBN 978-92-9242-472-5
      QT-AD-21-001-EN-N
     

    дои: 10.2804/014217

     

    проблем распознавания эмоций в изображениях и видео

    Эмоции являются ключом к пониманию человеческих взаимодействий, особенно тех, которые передаются с помощью выражений лица. Теория коммуникации К. Дэвида Мортенсена показывает, что мы понимаем только одну треть чувств других людей по их словам и тону голоса; а остальные две трети исходят от лиц людей.Обучение искусственного интеллекта (ИИ) пониманию наших эмоций может вывести взаимодействие человека и машины на новый уровень.

    Технология обнаружения эмоций превратилась из исследовательского проекта в отрасль стоимостью 20 миллиардов долларов. Он применяется ко многим видам деятельности: 

    • Маркетинговые исследования
    • Мониторинг нарушения функций водителя
    • Тестирование взаимодействия с пользователем для видеоигр
    • Помощь медицинским работникам в оценке состояния здоровья пациентов
    • И еще

    Распознавание эмоций можно применять к изображениям, видео, аудио и письменному содержимому.В этой статье мы сосредоточимся на распознавании эмоций на видео, поскольку оно фиксирует человеческое лицо в движении и дает больше информации о наших чувствах. Мы говорим о принципах работы распознавания эмоций, технологиях, с помощью которых это можно реализовать, и ключевых проблемах распознавания эмоций в видео.

    Эта статья будет полезна разработчикам и другим специалистам, работающим над решениями по распознаванию эмоций или интересующимся технологией распознавания эмоций.

    Автор:

    Алина Белиба,

    Специалист по маркетинговым исследованиям

    Комплектация:

    Как работает распознавание эмоций?

    Проблемы распознавания эмоций на изображениях и видео

    Технологии распознавания эмоций на видео и изображениях

    Решения для распознавания эмоций

    Заключение

    Как работает распознавание эмоций?

    Распознавание эмоций (ER) сочетает в себе знания искусственного интеллекта (ИИ) и психологии. Давайте выясним, как можно объединить эти поля.

    Со стороны ИИ распознавание эмоций в видео зависит от обнаружения объектов и движения. Распознавание эмоций осуществляется с использованием одного из двух подходов ИИ: машинного обучения (ML) или глубокого обучения (DL). Мы рассмотрим оба из них в следующей части статьи.

    Процесс распознавания лицевых эмоций делится на три ключевых этапа:

    • Обнаружение лиц и частей лица — На этом этапе решение ER рассматривает человеческое лицо как объект.Он обнаруживает черты лица (брови, глаза, рот и т. д.), замечает их положение и некоторое время наблюдает за их движениями (для каждого решения этот период разный).
    • Извлечение признаков — Решение ER извлекает обнаруженные признаки для дальнейшего анализа.

    Классификация выражений — Этот заключительный этап посвящен распознаванию эмоций. Программное обеспечение ER анализирует выражение лица на основе извлеченных признаков. Эти функции сравниваются с помеченными данными (для решений на основе машинного обучения) или информацией из предыдущего анализа (для решений на основе машинного обучения).Эмоция распознается, когда набор признаков соответствует описанию эмоции.

    Процесс распознавания эмоций. Изображение предоставлено: NCBI

    .

    И здесь в игру вступает психология. Обычно решение ER определяет семь основных эмоций:

    1. Счастье
    2. Сюрприз
    3. Гнев
    4. Грусть
    5. Страх
    6. Отвращение
    7. Презрение

    Каждая эмоция определяется набором возможных положений и движений лицевых компонентов.Например, хмурый взгляд, сморщенный лоб и перевернутая улыбка считаются признаком гнева. Более продвинутые детекторы эмоций распознают сложные чувства, смешивая эти основные классификации. Но результаты такого анализа еще должны быть подтверждены людьми.

    Классификация эмоций и само распознавание эмоций основаны на психологических исследованиях эмоций. Большинство наборов данных и классификаторов в значительной степени основаны на работе Пола Экмана, американского ученого, специализирующегося на клинической и эмоциональной психологии.Он классифицировал более 10 000 выражений лица и связал 3 000 из них с эмоциями. Он также обнаружил, что не все выражения лица обязательно связаны с эмоциями . Некоторые могут указывать на физический дискомфорт, прошлые травмы, мышечные подергивания и т. д. Например, если близорукий человек щурится, чтобы что-то увидеть, это не указывает на эмоцию.

    На основе этого исследования Пол Экман и Уоллес В. Фризен создали систему кодирования лицевых движений (FACS). В 1978 году он использовался в качестве учебного материала для сотрудников службы безопасности, которым нужно было уметь выявлять агрессию и насилие.Позже он был принят для обучения программ распознавания эмоций.

    Примеры маркеров эмоций человека по классификации Пола Экмана. Изображение предоставлено: FOX

    Распознавание эмоций в видео сопряжено с техническими и психологическими трудностями. Давайте посмотрим, с какими проблемами вы можете столкнуться при разработке такого решения.

    Проблемы распознавания эмоций на изображениях и видео

    Определение выражения лица как представителя определенной эмоции может быть затруднено даже для людей.Исследования показывают, что разные люди распознают разные эмоции по одному и тому же выражению лица. А с ИИ еще сложнее. Продолжаются споры о том, точны ли вообще существующие решения для распознавания эмоций.

    Многие факторы затрудняют распознавание эмоций. Мы можем разделить эти факторы на технические и психологические.

    Технические проблемы

    Распознавание эмоций имеет много общих проблем с обнаружением движущихся объектов на видео: идентификация объекта, непрерывное обнаружение, незавершенные или непредсказуемые действия и т. д.Давайте рассмотрим наиболее распространенные технические проблемы внедрения ER-решения и возможные пути их преодоления.

    Увеличение данных

    Как и для любых алгоритмов машинного обучения и глубокого обучения, для решений ER требуется много обучающих данных. Эти данные должны включать видео с разной частотой кадров, с разных ракурсов, с разным фоном, с людьми разного пола, национальности, расы и т. д.

    Однако большинства общедоступных наборов данных недостаточно.Они недостаточно разнообразны с точки зрения расы и пола и содержат ограниченный набор эмоциональных выражений.

    Есть три способа решить эту проблему:

    1. Создайте свой собственный набор данных . Это самый дорогой и трудоемкий способ, но в итоге вы получите набор данных, идеально подходящий для вашей задачи.
    2. Объединение нескольких наборов данных . Вы можете перепроверить производительность вашего решения на нескольких других наборах данных.
    3. Изменяйте данные по ходу работы .Некоторые исследователи предлагают редактировать видео, которые вы уже использовали: обрезать их, изменить освещение, замедлить, ускорить, добавить шум и т. д. 

    Затенение лица и проблемы с освещением

    Перекрытие из-за изменения позы — распространенная проблема при обнаружении движения в видео, особенно при работе с неподготовленными данными. Популярным методом преодоления этого является использование метода фронтализации, который обнаруживает черты лица на видео, создает соответствующие ориентиры и экстраполирует их на 3D-модель человеческого лица.

    Примеры результатов фронтализации лица. Изображение предоставлено: Тал Хасснер

    Изменение освещения и контраста также очень распространено в неограниченных условиях. Обычно разработчики внедряют алгоритмы нормализации освещенности для повышения скорости распознавания.

    Есть и нестандартные подходы. Например, некоторые исследователи предлагают добавлять в поток данных инфракрасный или ближний инфракрасный слой. Этот слой не чувствителен к изменениям освещения и добавляет записи об изменениях температуры кожи, которые могут свидетельствовать об эмоциях.

    Идентификация черт лица

    Решение для распознавания эмоций сканирует лица на наличие бровей, глаз, носа, рта, подбородка и других черт лица. Иногда это обнаружение затруднено из-за:

    • Расстояние между объектами. Программа «запоминает» среднее расстояние между ориентирами и ищет их только в этом диапазоне. Например, у него могут возникнуть проблемы с обнаружением широко расставленных глаз.
    • Размер элемента. Решения ER с трудом обнаруживают необычные черты, такие как необычно тонкие или бледные губы, узкие глаза и т. д.
    • Цвет кожи. В некоторых случаях решение может неправильно классифицировать или интерпретировать функцию из-за цвета кожи человека. Мы поговорим об этом подробнее в разделе, посвященном распознаванию расовых различий.

    Чтобы повысить точность идентификации признаков, некоторые исследователи применяют модель на основе частей, которая делит ориентиры лица на несколько частей в соответствии с физической структурой лица. Затем эта модель подает эти части в сеть по отдельности с соответствующими метками.

    Читайте также:
    Обнаружение действий с использованием глубоких нейронных сетей: проблемы и решения

    Распознавание незавершенных эмоций

    Большинство алгоритмов фокусируются на распознавании пикового выражения высокой интенсивности и игнорируют выражения меньшей интенсивности. Это приводит к неточному распознаванию эмоций при анализе замкнутых в себе людей или людей из культур с традициями эмоционального подавления (мы вернемся к этому позже).

    Алгоритм можно обучить обнаруживать ранние признаки эмоций, добавляя дополнительные метки к наборам данных.Для этого в дополнение к маркерам эмоций и ориентирам черт лица необходимо добавить к меткам теги интенсивности выражения.

    Другим вариантом решения этой проблемы является внедрение глубокой сети с пиковым пилотированием. Этот тип сети сравнивает пиковые и непиковые выражения одной и той же эмоции и минимизирует изменения между кадрами.

    Захват контекста эмоций

    Окружение и поза тела могут предоставить такое же количество информации об эмоциях, как и лицо.Но захват контекста — ресурсоемкая задача, так как требует анализа всего изображения, а не только лица. Также выражение эмоций жестами изучено еще меньше, чем мимика.

    Контекстно-зависимые нейронные сети (например, CACA-RNN и CAER-Net) делят видеопоток на два слоя: лицо (или несколько лиц) и окружение (поза тела, жесты, предметы в кадре и т. д.). Сеть тоже разделена — на анализатор эмоций лица и анализатор контекста. Окончательный результат учитывает оба показания сети.

    Контекстно-зависимое распознавание эмоций делится на два потока

    Расовые различия

    У нас могут возникнуть серьезные проблемы с распознаванием эмоций других людей, особенно если они принадлежат к другой расе и/или разделяют другие культурные традиции. Это большая проблема даже для самых глубоких решений ИИ. Например, в 2015 году алгоритмы Google Photo не распознавали людей с темной кожей.

    Проблема здесь заключается в разнообразии данных и составе научно-исследовательских групп.Большинство общедоступных наборов данных содержат много данных о белых мужчинах, но не о женщинах и цветных людях. Кроме того, команды по маркировке часто состоят из белых мужчин, и эти команды, как правило, проверяют решения на себе.

    Одним из возможных решений этой проблемы может быть более глубокий анализ наборов данных перед обучением. Другим было бы создание более разнообразных команд.

    Психологические проблемы

    Психологи изучают связь между мимикой и эмоциями с 1950-х годов.Тем не менее, есть еще много белых пятен. Поскольку эти исследования являются основой программного обеспечения для распознавания эмоций, важно знать об их недостатках.

    Культурные различия в выражении эмоций

    Хотя люди во всем мире испытывают одни и те же эмоции, мы выражаем их по-разному. В западных культурах большинство людей выражают каждую из семи основных эмоций с помощью определенного набора движений лица и тела. Однако японцы и китайцы обычно более сдержанны, выражая эмоции только характерной активностью глаз.

    Это необходимо учитывать при выборе обучающих данных. Используйте соответствующий набор данных, содержащий людей из той же культуры, что и субъекты, чьи эмоции вы хотите обнаружить, или протестируйте свое решение на нескольких наборах данных.

    Люди с Запада и Востока по-разному передают эмоции. Для бразильцев широкая улыбка означает счастье. Японцы выражают те же эмоции тонкой улыбкой.

    Выявление детских эмоций

    Младенцы и дети выражают эмоции иначе, чем взрослые.Они понимают больше, чем могут выразить словами, и реагируют на все вокруг разными выражениями лица. Также дети не сдерживают свои эмоции.

    Однако научные исследования не могут подтвердить, что эти выражения лица указывают на эмоции, по крайней мере, когда речь идет о младенцах и дошкольниках. Другая проблема связана с тем, что детские эмоции интерпретируются взрослыми. Например, ранние исследования детских эмоций утверждали, что дети в возрасте 7 месяцев способны выражать гнев.На самом деле они просто хмурились, и нет надежного способа связать это выражение с эмоциями в таком юном возрасте.

    Ребенок и взрослый по-разному выражают одну и ту же эмоцию, однако программное обеспечение Microsoft распознает оба выражения как «удивление». Изображение предоставлено: Microsoft

    .

    Неверные индикаторы эмоций

    Индикаторы семи ключевых эмоций хорошо изучены, но не все исследования согласны с тем, что означают эти индикаторы. Например, многие психологические исследования считают хмурый взгляд выражением гнева.Но другие исследования утверждают, что только 30% людей хмурятся, когда злятся. Это означает, что 70% людей выражают гнев по-разному и могут использовать хмурый взгляд для выражения других эмоций.

    Эта проблема распознавания эмоций с помощью ИИ лежит в области психологии, а не в программировании. Использование ограниченного количества индикаторов может привести к ложноположительным результатам и неправильно обученному ИИ. Так что лучше следить за новыми исследованиями эмоциональных выражений и постоянно тренировать свое решение на новых данных.

    Давайте узнаем, как различные подходы к искусственному интеллекту помогают обнаруживать и интерпретировать выражения лица для распознавания эмоций в видео.

    Технологии распознавания эмоций на видео и изображениях

    Когда дело доходит до распознавания эмоций на видео и изображениях, универсального решения не существует. Разработчики выбирают наиболее подходящую технологию для своих задач или создают новый подход. Мы делим самые популярные решения на две категории: основанные на алгоритмах машинного обучения и основанные на сетях глубокого обучения.После этого мы рассмотрим программное обеспечение для распознавания эмоций от Microsoft, Amazon и Affectiva.

    И машинное обучение, и глубокое обучение являются подмножествами ИИ. Основное различие между ними заключается в том, как они анализируют данные.

    Алгоритмы машинного обучения анализируют данные, изучают их характеристики, а затем распознают те же данные в реальном мире. Они требуют вмешательства человека и большого количества структурированных обучающих данных для достижения точного результата.

    Модели глубокого обучения или искусственные нейронные сети пытаются имитировать работу человеческого мозга.Они состоят из слоев алгоритмов машинного обучения, каждый из которых обеспечивает различную интерпретацию данных. Чем больше слоев, тем глубже сеть. В отличие от ML, DL может изучать данные самостоятельно.

    Теперь давайте рассмотрим несколько подходов машинного и глубокого обучения к распознаванию эмоций в видео.

    Алгоритмы машинного обучения

    Машины опорных векторов (SVM) Алгоритм представляет собой метод линейной классификации, широко применяемый для обработки изображений. Эксперименты Кембриджского университета по применению алгоритмов SVM для распознавания эмоций показали точность 88%.Это многообещающий результат; однако время классификации велико по сравнению с другими методами ER. Кроме того, точность распознавания будет ниже, если алгоритм SVM применяется к видео из реального мира, а не к контролируемым наборам данных.

    Байесовские классификаторы — это алгоритмы, основанные на теореме Байеса. По сравнению с другими подходами к машинному обучению байесовским классификаторам требуется меньше данных для обучения, и они могут учиться как на размеченных, так и на неразмеченных данных. Используя оценку максимального правдоподобия, они достигают более высокой точности вне лабораторных испытаний.Группа исследователей протестировала три классификатора для распознавания эмоций в видео с неразмеченными данными и получила следующие результаты:

    • Наивный байесовский классификатор может достичь точности около 71% при обучении на неразмеченных данных.
    • Наивный байесовский классификатор с древовидным дополнением обеспечивает точность около 72%.
    • Стохастический поиск структуры достигает почти 75% точности.

    Random Forest (RF) — это алгоритм машинного обучения, применяемый для классификации, регрессии и кластеризации.Он основан на модели прогнозирования дерева решений, адаптированной для обработки больших объемов данных. RF обрабатывает как числовые, так и категориальные данные, что позволяет этому алгоритму распознавать эмоции и оценивать их интенсивность. Точность RF варьируется от 71% до 96% в зависимости от сложности обнаруженных признаков.

    Алгоритм k -ближайших соседей ( k -NN) представляет собой метод ленивого обучения, используемый для задач классификации и регрессии. k -NN проще реализовать, чем другие алгоритмы машинного обучения, так как он не требует создания статистической модели.Однако чем больше данных обрабатывает алгоритм, тем медленнее он работает. Точность этого алгоритма варьируется от 68% до 92% в зависимости от сложности обнаруженных признаков.

    Алгоритмы глубокого обучения

    Глубокие сверточные нейронные сети (CNN) — один из самых популярных подходов к глубокому обучению для обработки изображений и видео. Для распознавания эмоций применяются различные типы CNN:

    • Fast R-CNN реализован для решений по обработке изображений, которым необходимо обнаруживать эмоции в режиме реального времени.
    • Faster R-CNN используется для определения выражений лица путем создания высококачественных предложений по регионам. И Fast R-CNN, и Faster R-CNN используют алгоритмы SVM для классификации.
    • 3D CNN захватывает информацию о движении, закодированную в нескольких смежных кадрах, для распознавания действий с помощью 3D-сверток.
    • C3D использует трехмерные свертки на крупномасштабных наборах данных для контролируемого обучения, чтобы изучать пространственно-временные характеристики различных эмоций.

    Точность распознавания эмоций с помощью этих типов CNN составляет от 84% до 96%.

    Рекуррентные нейронные сети (RNN) подходят для обработки последовательностей данных. Традиционная нейронная сеть обрабатывает фрагменты информации независимо друг от друга. RNN добавляет петли к своим слоям. Это позволяет сети фиксировать переход между выражениями лица с течением времени и обнаруживать более сложные эмоции.

    Долгая кратковременная память (LSTM) — это тип RNN, ориентированный на классификацию, обработку и прогнозирование на основе ряда данных. Точность распознавания эмоций с помощью LSTM достигает 89%.

    Сеть глубокого убеждения (DBN) представляет собой генеративную графическую модель. В отличие от других нейронных сетей, DBN состоит из взаимосвязанных слоев скрытых переменных и учится извлекать иерархические представления из обучающих данных. Эта сеть имеет лучший показатель точности обработки видео с лицевой окклюзией: от 92% до 98%.

    Глубокие автоэнкодеры (DAE) — это неконтролируемые нейронные сети, основанные на двух симметричных алгоритмах DBN. Сети, о которых мы упоминали ранее, обучены распознавать эмоции.DAE оптимизирован для восстановления своих входных данных за счет минимизации ошибки восстановления. Этот метод эффективен для объектов меньшей размерности и видео низкого разрешения: его точность достигает 95–99%.

    Читайте также:
    Глубокое обучение для решения проблем обнаружения движущихся объектов в видео

    Теперь давайте посмотрим, что предлагают некоторые поставщики ИИ для решения задач распознавания эмоций.

    Решения для распознавания эмоций

    Как мы уже упоминали, рынок программного обеспечения для обнаружения эмоций находится на подъеме.Существуют десятки решений, от очень точных до почти бесполезных. Мы рассмотрим три наиболее часто используемых.

    Microsoft Azure предоставляет Face API для обработки в реальном времени и предварительно записанных изображений и видео. Face API имеет несколько основных приложений:

    • Распознавание лиц — Обнаруживает лицо на изображении или видео, а также приблизительный возраст, пол и эмоции человека
    • Проверка лица — сравнивает два лица и анализирует, принадлежат ли они одному и тому же человеку (полезно для проверки безопасности)
    • Поиск похожих лиц — анализирует лицо, сравнивает его с базой данных лиц и обнаруживает похожие черты
    • Группировка по лицам — Группирует людей по универсальным признакам: возрасту, полу, выражению, чертам лица и т. д.
    • Идентификация людей — сравнивает лицо с ранее отсканированными лицами и идентифицирует человека, если его лицо совпадает с подтвержденной личностью

    Amazon Rekognition — это API распознавания эмоций AWS . Он анализирует в реальном времени и предварительно записанные изображения и видео. Этот API обнаруживает объекты и действия, распознает рукописный текст, подсчитывает людей и объекты в кадре и отслеживает небезопасный контент. Имеет три приложения:

    • Распознавание лиц — Обнаруживает лицо и идентифицирует человека путем сравнения проанализированного лица с базой данных ранее идентифицированных лиц
    • Распознавание знаменитостей — Сравнивает обнаруженное лицо с базой данных знаменитостей
    • Анализ лица — Анализирует основные атрибуты лица: пол, приблизительный возраст, эмоции, очки, волосы, черты лица

    Читайте также:
    Платформа ИИ как услуга: определение, архитектура, поставщики

    Vision AI — это платформа компьютерного зрения от Google . Он состоит из двух продуктов:

    • AutoML Vision — инструмент для автоматизации обучения пользовательских моделей машинного обучения
    • Vision API — инструмент для обнаружения и классификации объектов, распознавания рукописного текста, определения популярных мест и брендов, маркировки явного контента и т. д. Что касается распознавания эмоций, Vision API обнаруживает лица на изображениях и определяет эмоции. Но в отличие от других решений, оно не идентифицирует людей, не распознает возраст или пол.

    Affectiva — компания, специализирующаяся на разработке искусственного интеллекта человеческого восприятия.Он имеет четыре продукта для распознавания эмоций:

    .
    • Emotion SDK — анализирует выражение лица в видео в режиме реального времени с камеры устройства, чтобы определить семь основных эмоций и распознать возраст, пол и этническую принадлежность
    • Автомобильный ИИ — анализирует мимику и голосовые выражения водителей и пассажиров для обеспечения безопасной езды
    • Affdex — облачное решение, определяющее реакцию клиентов на новые продукты (разработано специально для исследования рынка)
    • iMotions — объединяет данные визуального мониторинга эмоций с биометрическими данными, такими как сердцебиение, активность мозга и движения глаз (предназначен для ученых и исследователей)

    Заключение

    Распознавание эмоций — популярная и перспективная сфера, в которой есть шанс упростить многое, от маркетинговых исследований до мониторинга здоровья.

    Разработка программного обеспечения для распознавания эмоций по лицу требует как глубоких знаний человеческой психологии, так и глубоких знаний в области разработки искусственного интеллекта. В то время как первый дает нам понимание того, какие выражения лица указывают на какие эмоции, ИИ еще предстоит многому научиться, чтобы правильно их распознавать.

    Мы в Apriorit накопили большой опыт в области обработки изображений и видео, распознавания объектов, движений и лиц. Подробнее о том, как ИИ может улучшить ваше следующее решение, читайте ниже!

    Рекомендуется для вас
    Белая бумага
    Что нужно знать об искусственном интеллекте, прежде чем внедрять его в свой продукт

    Полное руководство по распознаванию эмоций по выражению лица с помощью Python | by Rahulraj Singh

    Создайте алгоритм распознавания эмоций лица (FER), который работает как с изображениями, так и с видео

    Волна человеческих эмоций | Фото Андреа Пиаккуадио с Pexels

    Эмоция — одно из очень немногих слов в английском языке, не имеющее конкретного определения и понятное. Это абстрактно. Тем не менее, почти каждое решение, которое мы когда-либо принимали в своей жизни, было вызвано эмоциями. Маркетинговые исследования доказали, что правильное предсказание настроений может стать огромным источником роста для бизнеса, и именно над этим мы сегодня будем работать — чтением эмоций. В мире данных и машинного обучения эта концепция подпадает под определение когнитивных систем. Давайте попробуем расшифровать науку, лежащую в основе алгоритмов распознавания эмоций, и построить ее для себя.

    Что именно пытается выполнить когнитивный алгоритм обнаружения эмоций? Идея состоит в том, чтобы воспроизвести мыслительный процесс человека на основе обучающих данных (в виде изображений и видео людей) и попытаться сегментировать эмоции, присутствующие в этих данных.Чтобы выполнить наш анализ в этой главе, мы сосредоточимся на предварительно записанных изображениях и видео, демонстрирующих эмоцию, но то же самое можно реализовать в прямом эфире видеопотока для аналитики в реальном времени.

    Визуальное понимание мира

    Компьютерное зрение — это часть искусственного интеллекта, которая работает с визуальными данными. С появлением моделей машинного обучения и глубокого обучения компьютерные системы сегодня могут работать с цифровыми изображениями и видео, чтобы понять и эмоционально идентифицировать характеристики содержимого видео.

    Компьютерное зрение как вычислительная концепция первоначально была замечена в 1950-х годах, когда некоторые нейронные сети использовались для обнаружения границ объектов, которые позже были преобразованы в рукописный текст, речь и языки.

    Несколько запутанных вариантов использования оправдывают использование компьютерного зрения в современной промышленности. Некоторые очень основные виды использования, в экзаменах, проводимых в Интернете. Веб-камера может считывать выражение лица пользователя, чтобы интерпретировать его душевное состояние. Это также полезно для проверки эмоциональной силы пилотов и гонщиков, прежде чем они перейдут в кабину для последней поездки. Сегодня многие роботы, в том числе голосовые помощники, такие как Alexa и Siri, успешно имитируют поведение человека и сентиментально отзываются. Это также связано с когнитивной терапией, которая занимается стрессовыми и тревожными расстройствами у ветеранов войны и биржевых трейдеров, которые постоянно находятся в эмоциональном напряжении.

    Сегодня искусственный интеллект достиг высот и масштабов, о которых нельзя было и мечтать несколько лет назад. Программы и компьютерные системы теперь могут с высокой степенью точности имитировать человеческое поведение, реакции и ответы.

    Анализ настроений

    Анализ человеческих чувств, который в зависимости от обстоятельств также называют анализом мнений или эмоциональным ИИ, представляет собой исследование различных состояний человеческого мозга. Факторами, которые делают возможным анализ настроений, являются обработка естественного языка, компьютерная лингвистика, анализ текста и анализ биометрии.

    Основная задача любой программы анализа настроений состоит в том, чтобы изолировать полярность входных данных (текст, речь, выражение лица и т. д.).), чтобы понять, является ли представленное основное настроение положительным, отрицательным или нейтральным. Основываясь на этом первоначальном анализе, программы затем часто копают глубже, чтобы идентифицировать такие эмоции, как удовольствие, счастье, отвращение, гнев, страх и удивление.

    Есть два предшественника этого анализа. Во-первых, это количественная оценка входных данных для чтения и обработки алгоритмами, во-вторых, это психологические исследования, которые помогают определить, какое выражение обозначает какую эмоцию.

    Программный анализ настроений | Изображение автора

    Когнитивная наука

    С точки зрения вычислительных систем когнитивная наука — это изучение научных процессов, происходящих в человеческом мозгу.Он отвечает за изучение функций познания, а именно восприятия мыслей, языков, памяти мозга, рассуждений и обработки полученной информации. На более широком уровне это изучение интеллекта и поведения.

    Целью когнитивной науки является изучение человеческого мозга и понимание принципов его интеллекта. Это делается в надежде, что, создавая компьютерные системы на основе знаний о человеческом интеллекте, машины смогут имитировать обучение и развивать модели разумного поведения, подобные людям.

    Когнитивная наука работает на трех различных уровнях анализа:

    1. Теория вычислений. На этом уровне определяются цели анализа и передаются в компьютерную систему. Это может быть имитация речи или понимание эмоций.
    2. Представление и алгоритмы. В общих чертах машинного обучения это этап обучения. Здесь идеальные сценарии ввода и вывода представляются машине, и запускаются алгоритмы, которые в конечном итоге будут нести ответственность за преобразование ввода в вывод.
    3. Аппаратная реализация: это заключительный этап познания. Это реализация алгоритма в реальном мире и анализ его рабочей траектории в сравнении с человеческим мозгом.
    Человеческое познание и его потенциальные приложения в ИИ | Image by Author

    Часто говорят, что наши сердечные чувства отражаются на лице.

    Выражение лица является жизненно важным способом общения как у людей, так и у животных. Человеческое поведение, психологические черты, все это легко изучается с помощью мимики.Он также широко используется в медицинских процедурах и терапии. В этом разделе мы будем работать с изображениями выражений лица и портретами лиц, чтобы расшифровать настроение, представленное на изображении. В следующем разделе мы будем работать над выполнением тех же шагов с вводом на основе видео.

    Распознаватель эмоций по лицу

    Распознаватель эмоций по лицу (обычно известный как FER) — это библиотека Python с открытым исходным кодом, созданная и поддерживаемая Джастином Шенком и используемая для анализа тональности изображений и видео.Проект построен на версии, в которой используется сверточная нейронная сеть с весами, упомянутыми в файле данных HDF5, представленном в исходном коде (исполнение FER можно найти здесь) модели создания этой системы. Это можно переопределить, используя конструктор FER, когда модель вызывается и инициируется.

    1. MTCNN (многокаскадная сверточная сеть) — параметр конструктора. Это метод обнаружения лиц. Когда для него установлено значение «Истина», модель MTCNN используется для обнаружения лиц, а когда для нее установлено значение «Ложь», функция использует классификатор OpenCV Haarcascade по умолчанию.
    2. detect_emotions(): эта функция используется для классификации обнаружения эмоций и регистрирует выходные данные по шести категориям, а именно: «страх», «нейтральный», «счастливый», «грустный», «гнев» и «отвращение». ‘. Каждая эмоция рассчитывается, а результат оценивается по шкале от 0 до 1.

    Поток логики: Программа начинает с ввода изображения или видео, которое необходимо проанализировать. Конструктор FER() инициализируется путем присвоения ему классификатора обнаружения лиц (либо Open CV Haarcascade, либо MTCNN).Затем мы вызываем функцию обнаружения эмоций этого конструктора, передавая ей входной объект (изображение или видео). Достигнутый результат представляет собой массив эмоций с указанием значения против каждого. Наконец, функция «top_emotion» может выделять эмоцию объекта с наивысшим значением и возвращать ее.

    Зависимости для установки FER: OpenCV версии 3.2 или выше, TensorFlow версии 1.7 или выше и Python 3.6. Давайте теперь посмотрим на реализацию этого алгоритма для изображений.

    Вывод

    Код по отдельности берет изображения в качестве входных данных и детализирует различные эмоции и их отдельные уровни интенсивности в выходных данных. Затем с помощью top_emotion() мы извлекаем наиболее доминирующее настроение изображения.

    Вывод кода анализа изображения | Изображение автора

    Теперь мы рассмотрели, как можно анализировать изображения, чтобы получить выражения и эмоциональные состояния людей, присутствующих на этих изображениях. В следующей части мы проведем тот же анализ с помощью видео.

    Полный репозиторий кода (ввод изображения)

    Хотя приведенный выше фрагмент кода реализует основную логику программы, я бы рекомендовал просмотреть полный блокнот Colab, представленный в связанном репозитории выше, для подробного понимания всего рабочего кода.

    Подобно нашей обработке изображений для извлечения настроений, в этом разделе мы будем работать с видео.

    Теоретически видео представляет собой комбинацию непрерывных кадров изображения, объединенных в движении.

    Таким образом, любой алгоритм работает одинаково как для видео, так и для изображений. Единственным дополнительным шагом в обработке видео является разделение видео на все отдельные кадры и последующее применение к нему алгоритмов обработки изображения.

    Поток логики: Хотя базовый алгоритм аналогичен как для изображений, так и для видео, есть несколько ключевых изменений, которым мы будем следовать для видео.

    1. Video_analyze(): Эта функция отвечает за извлечение отдельных кадров изображения из видео и последующий их независимый анализ.
    2. Каждый кадр, проанализированный этой функцией, сохраняется алгоритмом как отдельное изображение в папке корневого каталога, где выполняется код. Кроме того, эта функция позже создает копию исходного видео, размещая рамку вокруг лица и показывая живые эмоции в видео.
    3. Затем мы создаем Pandas DataFrame из этих проанализированных значений и строим этот фрейм данных с помощью matplotlib. В этом сюжете мы можем видеть каждую эмоцию в зависимости от времени.
    4. Мы можем дополнительно проанализировать этот кадр данных, взяв отдельные значения эмоций, которые были распознаны моделью, и выяснив, какое настроение преобладало во всем видео.

    Таким образом, мы можем работать с видео, извлекая отдельные кадры изображения и анализируя их. Этот процесс показан на диаграмме ниже, которая показывает, как добавляется дополнительный шаг для обработки видео. Мы увидим эту реализацию в разделе ниже.

    Интеграция дополнительного шага в алгоритм обработки изображений и его расширение для работы с видео | Изображение Author

    Output

    Последовательность эмоций на протяжении всего видео отображается на графике | Часть вывода кода, изображение AuthorFinal Resultant Emotion Intensities | Изображение AuthorLive Результат, сгенерированный кодом обработки видео | Изображение автора

    На этом мы завершаем анализ изображений и видео для выполнения распознавания эмоций. Мы смогли успешно работать с человеческими лицами и понимать чувства, выраженные в мимике.

    Полный репозиторий кода (видеоввод)

    Как и в примере для работы с изображениями, приведенный выше фрагмент кода показывает рабочую логику. Тем не менее, я бы посоветовал вам просмотреть полный рабочий код, представленный в блокноте Colab, с репозиторием, указанным выше.

    Эмоции лица | Фото Tengyart на Unsplash Анализ настроений

    и распознавание лиц по отдельности имеют множество вариантов использования в современном мире.Мы видим алгоритмы обнаружения объектов на общественных парковках, системы мониторинга дорожного движения, и т. д., которые делают снимки людей, управляющих транспортными средствами, для ведения записей. Кроме того, анализ настроений используется в терапии, где физические встречи терапевта и их пациента невозможны. Изучение человеческого познания также привело к появлению лекарств. На технологическом фронте виртуальные помощники, помощники по оценке профилей и роботы-автоматизаторы созданы для имитации действий людей и замены их в надежде на повышение точности и уменьшение ошибок. Поэтому это очень важная часть вдохновленного искусственным интеллектом мира, в котором мы живем сегодня. Более увлекательный и сложный подход к компьютерному зрению — использование облачных алгоритмов, таких как Azure Cognitive Services или механизмов глубокого обучения, которые мы не рассматривали в этой статье, но которые могут пригодиться для сложных сценариев. Из этой истории мы узнали следующее:

    • Когнитивная наука — это изучение мыслительных процессов человека, целью которой является передача человеческих реакций и эмоций машинам с помощью алгоритмов.
    • Компьютерное зрение — это область искусственного интеллекта, которая фокусируется на внедрении когнитивной науки в реальный мир путем работы с человеческими данными в виде изображений.
    • Обработка изображений — часть всех алгоритмов компьютерного зрения, помогающая алгоритмам понимать изображения, обрабатывать их, работать с ними как с числовыми векторами и выполнять необходимые операции.

    Мы использовали силу искусственного интеллекта для работы над когнитивными науками и имели дело с человеческими лицами, это пространство обычно называют Computer Vision.

    alexxlab

    Добавить комментарий

    Ваш адрес email не будет опубликован.