面孔识别的特异性

面孔识别的特异性

【摘要】：面孔加工机制是否具有特异性,这是目前认知神经科学争论的一个焦点。论文主要以汉字作为对照刺激,在行为水平和神经水平研究了面孔识别的反转效应和种族效应。实验分别采用了相对辨认任务,再认任务,种族判断任务和前后比较等4种任务,探讨了面孔加工过程的特点及其神经机制问题。本研究包括三个部分的实验,研究一(实验一、二),采用启动范式和面孔/汉字双关图作为实验材料,考察两种启动条件下,面孔/汉字双关图的反转效应。研究二(实验三到五),考察刺激的方向和种族对面孔和文字的认知过程的影响,并且考察了两个种族的被试对面孔的识别。研究三(实验六,七)是两个事件相关电位(ERP)的实验,比较面孔和汉字以及其他2种刺激物的识别过程的神经活动,以及不同种族的面孔的识别过程的神经活动。研究结果发现:1.经过面孔启动后,被试对双关图的相对辨认出现明显的反转效应(对反转刺激的绩效低于正立刺激);而经过汉字启动后,被试对双关图的相对辨认没有出现反转效应,这一结果表明自上而下的专家化系统的激活是面孔反转效应的一个关键因素。2.在再认任务中,刺激的种族和呈现方向对文字识别和面孔识别的影响是一致的,都存在“本种族优势(本种族的再认绩效高于他种族)”,并且对两种刺激物的再认都存在明显的反转效应。在种族判断任务中,被试对他种族(高加索人)的种族分类绩效高于本种族(中国人)——“他种族优势”。两种文字(汉字和韩文)的识别成绩没有差异。对面孔的种族判断存在反转效应,对汉字的种族判

断出现较弱的反转效应,对韩文的种族判断则没有。两种任务条件下,面孔刺激的反转效应均大于文字刺激。3.高加索人被试和中国人被试都在再认任务中表现出了“本种族优势”,在种族判断任务中表现出了“他种族优势”。并且两种任务下的种族优势量存在显著正相关(r=0.305)。4.和正立面孔相比,反转面孔所引起的N170振幅更大,而汉字、手表以及其他物品不同呈现方式引起的N170波没有差异。面孔,手表以及其他物品的N170存在右侧优势,而汉字左右半球没有差异。反转面孔引起的P200振幅更大,反转汉字引起的P200振幅小于正立汉字,其他两种刺激物呈现方式没有差异。P200存在左侧优势。再认和种族判断两种任务下,中国人面孔引起的P200振幅大于高加索人面孔。研究结果支持面孔特异性假说。右侧枕颞叶的FFA区域的N170成分可能与面孔认知加工系统的结构信息加工有关,大脑两侧枕颞叶的P200成分可能和一般的视觉专家化系统有关。【关键词】：面孔识别专家化系统反转效应种族效应N170P200

【学位授予单位】：华东师范大学

【学位级别】：博士

【学位授予年份】：2008

【分类号】：B842.1

【目录】：摘要6-8ABSTRACT8-10第一章面孔识别研究进展10-22

第一节与面孔有关的各种现象10-15第二节面孔识别加工的神经机制15-18第三节面孔识别加工模型18-22第二章本研究构思22-29第一节问题:面孔识别真有特异性吗?22-25第二节解决问题的方法和构思25-29第三章研究一:面孔特异性的验证性研究29-37第一节实验一面孔特异性的验证性研究:双关图实验(A)29-34第二节实验二面孔特异性的验证性研究:双关图实验(B)34-36第三节研究一小结36-37第四章研究二:面孔识别系统特点研究37-63第一节实验三:再认任务下面孔和文字识别的知觉特点37-45第二节实验四:种族判断任务下面孔和文字识别的知觉特点45-53第三节实验五:两种种族效应的关系研究53-61第四节研究二小结61-63第五章面孔识别系统的神经机制——ERP研究63-86第一节面孔、汉字和其他物体认知加工的神经机制比较研究63-75第二节东西方面孔种族效应的神经机制研究75-84第三节小结和讨论84-86第六章总讨论86-97第一节是否存在特异性的面孔识别系统86-90第二节面孔识别系统的特点90-92第三节面孔识别系统的神经机制92-93第四节面孔认知加工模型93-94第五节遗留问题和研究展望94-95第六节总结论95-97附录97-105参考文献105-117后记117 本论文购买请联系页眉网站。

开题报告：人脸识别

北方工业大学 本科毕业设计（论文）开题报告书 题目：基于直方图差值比较方法的人脸识别系统指导教师： 专业班级： 学号： 姓名： 日期：2013年3月20日

一、选题的目的、意义 近些年来，有关人脸的处理已受到广大研究人员越来越多的重视，如人脸识别、人脸定位、面部表情识别、人脸跟踪等。人脸处理系统在安全系统的身份认证、智能人机接口、图像监控、视频检索等领域有着广泛的应用前景。 此外在进行人工智能的研究中，人们一直想做的事情就是让机器具有像人类一样的思考能力，以及识别事物、处理事物的能力，因此从解剖学、心理学、行为感知学等各个角度来探求人类的思维机制、以及感知事物、处理事物的机制，并努力将这些机制用于实践，如各种智能机器人的研制。 同时，进行人脸图像识别研究也具有很大的使用价依。如同人的指纹一样，人脸也具有唯一性，也可用来鉴别一个人的身份。人脸图像的自动识别系统较之指纹识别系统、DNA鉴定等更具方便性，因为它取样方便，可以不接触目标就进行识别，从而开发研究的实际意义更大。并且与指纹图像不同的是，人脸图像受很多因素的干扰:人脸表情的多样性;以及外在的成像过程中的光照，图像尺寸，旋转，姿势变化等。使得同一个人，在不同的环境下拍摄所得到的人脸图像不同，有时更会有很大的差别，给识别带来很大难度。因此在各种干扰条件下实现人脸图像的识别，也就更具有挑战性。 人脸图像识别除了具有重大的理论价值以及极富挑战性外，还其有许多潜在的应用前景，利用人脸图像来进行身份验证，可以不与目标相接触就取得样本图像，而其它的身份验证手段，如指纹、眼睛虹膜等必须通过与目标接触或相当接近来取得样木，在某些场合，这些识别手段就会有不便之处。

《微表情识别读脸读心》2019期末考试题与答案

《微表情识别读脸读心》2019期末考试题与答 案 一、单选题（题数：40，共40.0 分） 1安慰反应的形态意义哪一项描述是错误的?() A、视线转移,频繁眨眼,闭眼(视觉安慰);轻哼,吹口哨,吁气(听觉安慰) B、舔嘴唇,磨牙,咀嚼,吞咽,吸烟; (口部安慰) C、挠头皮,玩头发,搓脖子;摸脸、额头、鼻子、耳朵、嘴、下巴;捂住锁骨,拍胸口,按摩腹部; 松领带、领口,玩项链、耳环等;搓手,玩手指; 抖腿等(肌肤安慰) D、身体约束僵住 答案：D 2关于这场猜测锁匙位置的测试哪一项描述是错误的?() A、李博士将锁匙放在6墙-8行-8列却在卡片上写6墙-8行-9列是动用了反测试策略 B、这种反测试策略的核心就就是强化不真实遗忘真实

C、这种反测试策略属于意识转移类的精神反测试 D、李博士反测试没有获得成功 答案：D 3关于辨析情绪的意义哪一项描述是错误的?() A、排除了干扰因素才能锁定刺激与情绪反应的因果联系 B、行为痕迹特征不能与说谎直接划等号 C、科学识别应该是找到差异点 D、回应刺激时视线向左表示回忆,视线向右表示编造 答案：D 4关于松明猜测硬币藏匿手的测试哪一项描述是错误的?() A、王力宏上台即双手叉腰或抱胸是紧张的对抗反应 B、询问喜欢的颜色及血型的用意是找回答真实的基线反应 C、一般而言人们习惯于多用或首先使用顺手 D、使用顺手是不自信的表现 答案：D

5逃离反应的形态意义哪一项描述是错误的?() A、吓了一跳、后退、头、身体、脚转向一边 B、深吸气,脸色发白,全身发冷,腿发颤 C、视线转移,坐姿、站姿角度扭转 D、面孔、肢体靠近刺激源 答案：D 6关于表达者表达解析哪一项描述是正确的?() A、疏忽几个表情动作的观察不影响准确判断其真实内心 B、是准确认识表达者内心的基础和前提 C、只要盯着其眼动反应就能准确判断其真实内心 D、只要关注其情绪与事件性质是否一致就能准确判断其真实内心 答案：B 7微表情是指持续时间多长的表情?() A、1/2秒 B、不足1/5秒

面部表情识别实验报告分析

面部表情识别实验 实验报告 小组成员： 面部表情识别实验 西南大学重庆 400715

摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以，情绪认知的准确度受多种因素的影响。 当我们与他人相互交往的时候，不管是不是面对面。我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题，心理学家曾经做过许多的研究。 面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。 关键词：情绪表情认知线索

1 前言 传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰（1987）将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验，也包括情绪表现，而表情既是情绪的外部表现，也是情绪体验的发生机制；既是最敏锐的情绪发生器，也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。 面部表情（facial expression_r）的发生是有其客观的物质基础的：表情按面部不同部位的肌肉运动而模式化，面部反应模式携带着心理学的意义，那就是或快乐、或悲伤等具体情绪。但是，对表情进行测量的原则在于：所要测量的是面孔各部位的肌肉运动本身，而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验，实验目的在于通过实验了解面部表情认知的基本

人脸识别

人脸识别项目 一、目的 用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，如性别（男性、女性）、年龄（儿童、青少年、成年、老年）、佩戴眼镜（是、否）、戴帽子（是、否）、表情（微笑、严肃）等。 二、内容 人脸识别是模式识别的一个重要的应用领域。其识别过程包括：特征提取与选取、分类（包括训练与测试）、分类器性能评估。 三、数据 四个文本文件： faceR: 训练数据，100个属性（其中第一个属性是编号，其余99个是本征脸(eigenface) 属性参数，共2000个人脸的数据。 faceS: 测试数据，100个属性（其中第一个属性是编号，其余99个是本征脸(eigenface) 属性参数，共2000个人脸的数据。 faceDR: 对faceR文件中的每一个人脸数据的说明。 faceDS: 对faceS文件中的每一个人脸数据的说明。 提示：由于数据是真实数据，会有以下情况： 1）有缺失数据（如1228, 1808, 4056, 4135, 4136, and 5004），建议将有缺失数据的人脸记录不予考虑 2）有错误数据，建议对有错误的人脸记录不予考虑 原始数据：各个人脸的原始图象数据在目录rawdata中 四、要求 1）将数据导入MATLAB 2）确定分类的目标（可以是下面的一个目标，或多个目标的组合） a)性别（男性、女性） b)年龄（儿童、青少年、成年、老年） c)佩戴眼镜（是、否） d)戴帽子（是、否） e)表情（微笑、严肃）等。 3）选用一种分类算法（距离分类器、Bayes分类器、SVM、ANN 或Decision Trees），先用faceR中的数据对分类器进行训练，然后用faceS中的数据对训练好的分类器 的性能（分类准确率）作出评估。当然，有些分类算法需要验证数据，可以根据需 要从faceR或faceS中随机抽取验证数据，验证数据的数据量应该不少于500个人 脸记录。 4）用MATLAB编程实现模式识别的整个过程（可以直接调用相关的函数）。 5）完成项目报告，具体内容包括： a)模式识别问题的说明,重要是说明分类的目标 b)模式识别过程的说明：采用何种分类算法，改算法的基本原理，是否进行了特 征提取或特征选取，程序的基本流程框图，训练的结果，测试的结果，分类器

2019最新版微表情识别·读脸读心答案

1.1 微表情涵义·由来 1 【单选题】微表情是指持续时间多长的表情?()B ?A、1/2秒 ?B、不足1/5秒 ?C、5秒 ?D、以上都不对 2 【多选题】下面哪些描述符合微表情的特征?()ABCD ?A、时间不足1/5秒 ?B、受到有效刺激后的反应 ?C、不由自主地表现出来 ?D、表达内心的真实情感 3 【判断题】表情是表现在面部或姿态上的情感信息。()正确 1.2 保罗·埃克曼的贡献 1 【单选题】保罗·埃克曼研究的微表情主要在哪个领域?()C ?A、身体动作 ?B、副语言 ?C、面部表情 ?D、以上都不对 2 【多选题】保罗·埃克曼研究微表情的主要贡献有哪些?()ABCD ?A、完成面部表情编码 ?B、编撰并发布FACS—AU教程 ?C、研发微表情训练工具(Meet) ?D、人际欺骗研究 3

【判断题】独立发现并深入研究微表情的学者是保罗·埃克曼。()错误 1.3 国内·应用研究概况 1 【单选题】 国内探索微表情应用研究的实战机构不包括哪些？（）D ?A、公安机构 ?B、检察机构 ?C、安全机构 ?D、环保机构 2 【判断题】 受到lie to me 传播的影响国内业界开始关注并研究微表情。()正确 3 【判断题】 国内研究微表情的专业团队主要有中科院心理研究所傅小兰团队、中国人民政法大学姜振宇团队和上海政法学院范海鹰团队。（）正确 1.4 教学模式·教学环节 1 【单选题】微表情识别读脸读心课程宜采用哪种教学模式?()D ?A、理论讲授式 ?B、实操训练式 ?C、案例观摩式 ?D、A+B+C 2 【多选题】微表情识别读脸读心课程的教学模式包括哪些教学环节?()ABC

基于MATLAB的人脸识别

基于ＭATＬAB的人脸识别

————————————————————————————————作者: ————————————————————————————————日期:

图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期：

设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。

人脸表情识别

图像处理与模式识别 ------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。 本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。 关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic. In this paper,we present the latest development of this area,and give a detailed analysisand summary for facial

人脸识别介绍

人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段： 1. 基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2. 基于多姿态/表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3. 动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4. 三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 人脸识别技术的研究范围主要包括以下几个方面： 1. 人脸检测：在输入的图像中寻找人脸区域。 2. 人脸的规范化：校正人脸在尺度、光照和旋转等方面的变化。 3. 特征提取：从人脸图像中映射提取一组能反映人脸特征的数值表示样本。 4. 特征匹配：将待识别人脸与数据库中的已知人脸比较，得出相关信息。 人脸识别流程 1图像预处理 1.1 图像去噪 一般来说，自然界中的噪声可以看成是一种随机信号。根据图像获取的途径人脸图像获取 人脸检测 定位人脸区域 预处理 特征抽取 人脸特征 对比识别 结果 人脸特征库

不同，噪声的融入也有多种方式： 1. 图像是直接以数字形式获取的，那么图像数据的获取机制会不可避免地 引入噪声信号； 2. 在图像采集过程中，物体和采集装置的相对运动。或采集装置的抖动， 也会引入噪声，使图像变的模糊不清； 3. 在图像数据的电子传输过程中，也不同程度的引入噪声信号。 这些噪声信号的存在，严重的情况会直接导致整幅图像的不清晰，图象中的景物和背景的混乱。对于用于人脸识别的图像。由于噪声的引入，将不可避免地造成识别率的下降。对图像噪声的消除可以通过两个途径：空间域滤波或频率域滤波。消除噪声的方法很多，对于不同的噪声应该采用不同的除噪方法。主要的方法是：线性滤波、中值滤波、维纳滤波以及小波去噪等。 1.2 增强对比度 为了使人脸在图像中更为突出以便于下一步的特征提取，增强图像对比度是很有必要的。增强对比度有很多种方法，常见的有直方图均衡化和“S ”形变换等方法。 “S ”形变换方法将灰度值处于某一范围（人脸特征范围）内的像素灰度分布差距拉开，从而保证了对比度的提高，但此方法降低了其他灰度值的对比度。而直方图均衡化则是将像素的灰度分布尽量展开在所有可能的灰度取值上，这样的方法同样能使得图像的对比度提高。 将彩色图像转化成灰度图像是人脸识别方法中常见的处理过程，虽然转化过程丢失了一部分色彩信息，但是灰度图像拥有更小的存储空间和更快的计算速度。文献[1]给出了一种能够将RGB 色彩转换成灰度级且适于突出人脸区域对比度的转换模型：()5.0144.0587.0299.0,+?+?+?=b g r y x f ；其中f 代表灰度值，r ,g ,b 分别表示Red,Green,Blue 分量的值。 文献[2]通过将人脸彩色图像从RGB 色彩空间转换到RIQ 色彩空间，得到了更适于频谱分析的特征分量。

面孔识别特异性脑机制的ERP研究

第17卷　第6期 航天医学与医学工程 Vol.17　No.6 　2004年　12月 Space Medicine&Medical Engineering Dec.2004　 面孔识别特异性脑机制的ERP研究3 彭小虎1,2,王国锋2,魏景汉3,罗跃嘉3 (1.北京师范大学心理学院脑与认知研究所,北京100879;2.湖南省第一师范学校教育科学系,湖南长沙410002;3.中科院心理研究所,北京100875) 摘要:目的研究面孔识别加工成分N170是否真正反映面孔识别加工的特异性及其是否是衡量面孔结构编码的特异指标;另外尚运用偶极子定位法论证面孔识别加工特异脑区、面孔识别加工是否具有右半球优势等问题。方法16名被试学习和再认面孔照片,记录其脑电。结果实验结果表明,仅半数被试出现N170;认知任务显著影响N170波幅。结论N170不仅反映面孔的结构编码还反映视觉直接加工等其他加工单元,是否反映面孔识别加工特异性还值得进一步研究;面孔识别加工时两半球的优势在加工速度与加工强度两个维度上各占优势,并非单纯的右脑优势,提供了支持半球间两维关系观点的新电生理学证据;面孔识别加工的脑区不仅限于梭状回,顶叶后部偏右的皮层下结构应该也是一个面孔识别加工脑区。 关键词:事件相关电位;面孔识别;半球优势;偶极子;结构编码 中图分类号:R33818 文献标识码:A 文章编号:100220837(2004)0620438206 Specif ic B rain Mechanism in Face Recognition Revealed by Event2related Potentials1PE NG X iao2hu,WANG G uo2feng,WEI Jing2han,LUO Y ue2jia1Space Medicine&Medical Engineering,2004,17(6):438～443 Abstract:Objective1)T o study whether early component of face recognition———N170reflect s the special2 ity in face proce ssing and reflect s face structure encoding,and to demonstrate a face2specific proce ssing area in the human brain by employing dipole source analysis.Method Event2related potentials(ERPs)were recorded in16normal subject s during picture s of face learning2cognition ta sk.R esult N170wa s elicited by the face stimuli in only half of the subject s and the amplitude wa s modulated by cognitive ta sks.Conclusion 1)N170reflect s not only face structure encoding unit but also direct visual proce ssing unit.Whether N170 reflect s the speciality in face recognition needs further study.2)The latency of N170shows left hemisphere dominance and the amplitude shows right hemisphere dominance,indicating that it is not pure right hemi2 sphere dominance in face recognition.3)The study validate s that the face proce ssing area in brain is right fusiform gyrus and finds that right parietal cortex is probably a face specific proce ssing area in the human brain. K ey w ords:event2related potentials(ERPs);face recognition;dipole;hemispheric dominance;structure encoding Address reprint requests to:PE NG X iao2hu.I nstitute of Brain and Cognition,Psychlogy School,Beijing 100875,China 面孔在人类认知活动中是一种内容非常丰富的非言语性刺激。面孔识别的认知模型中影响较大的是Bruce2Y oung模型[1]。根据该模型,第一阶段为面孔结构编码阶段,此阶段的主要作用是对面孔的结构进行编码,是见到一张面孔时的第一处理阶段,包含静态的图形编码(面孔照片的亮度、质地、斑点)和动态的结构编码(如头的角度、表情、年龄和发型等的改变等)。此阶段之后是两条独立的通道:第一条通道是有关视觉处理的,包含表情分析、面孔语言分析和视觉直接加工 收稿日期:2004203220 通讯作者:彭小虎　neusci@https://www.sodocs.net/doc/764400561.html, 3基金项目:国家自然科学基金(30325026);中科院重要方向项目(KG CX2-SW-101)3个平行的处理单元;第二条通道是有关面孔识别的,包含面孔识别单元、个体特征单元和名字产生单元3个串行的处理过程。 在面孔识别的事件相关电位(ERP)研究中,一些学者发现颞枕部的一个潜伏期约为170ms 的负波(N170)与面孔特征的结构分析有关,而与熟悉度、性别、年龄和种族等因素无关,代表面孔识别的特异性,反映了Bruce和Y oung[2～6]提出的面孔认知模型中的结构编码。E imer[7]发现,相对于正面或侧面的面孔,脸颊和后脑勺的N170波幅明显减小,表明N170对面孔结构的完整较敏感,而不仅仅是被头的形状所引起。同样,缺乏内部特征(头部的眼睛、鼻子、嘴、眉毛、下颌和脸颊等部位)的面孔也导致N170波幅降低和峰潜伏

人脸识别技术的应用背景及研究现状

人脸识别技术的应用背景及研究现状 文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]

人脸识别技术的应用背景及研究现状1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面： （1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 ??（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。

?（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼

面部表情识别与面孔身份识别的独立加工与交互作用机制_汪亚珉

心理科学进展 2005，13（4）：497~516 Advances in Psychological Science 面部表情识别与面孔身份识别的 独立加工与交互作用机制* 汪亚珉1，2 傅小兰1 （1中国科学院心理研究所，脑与认知国家重点实验室，北京 100101）（2中国科学院研究生院，北京 100039） 摘 要面孔识别功能模型认为，面部表情识别与面孔身份识别是两条独立的并行路径。以往诸多研究者都认可并遵循二者分离的原则。但近期研究表明，面部表情识别与面孔身份识别存在交互作用。首先总结和分析已有的面部表情识别的研究成果，评述神经心理学与认知神经科学研究中的论争，然后介绍人脸知觉的分布式神经机制以及相关的实验证据，最后提出面部表情识别与面孔身份识别的多级整合模型，并展望研究前景。 关键词面孔身份识别，面部表情识别，面孔识别功能模型，人脸知觉的分布式神经模型，多级整合模型。分类号 B842 面孔识别一直备受研究者关注。20世纪70年代，Ekman和Frisen系统地研究了人脸基本表情的文化普遍性，并从解剖学角度提出了6种基本的面部表情[1]。20世纪80年代，Bruce和Young系统地研究了人对面孔的识别及其影响因素，提出了经典的面孔识别功能模型[2]。自此，面孔识别成为认知科学研究领域中的热点问题之一。 人能轻易地从不同表情中识别出同一个人的面孔（即面孔身份识别，facial identity recognition），也能从不同人的面孔上识别出同一种表情（即面部表情识别，facial expression recognition），识别得如此精巧，以至众多研究者相信，识别面孔与识别表情 收稿日期：2005-04-24 * 本研究得到中国科技部973项目（2002CB312103）、国家自然科学基金重点项目（60433030）和面上项目 （30270466）、中国科学院心理研究所创新重点项目 （0302037）经费支持。 通讯作者：傅小兰，E-mail: fuxl@https://www.sodocs.net/doc/764400561.html, 两者相互独立，互不干扰[2～7]。那么，这种分离识别究竟是如何实现的？面孔身份识别与面部表情识别究竟是彼此独立的还是相互作用的？这已成为认知科学（尤其是计算机视觉）面孔识别研究领域中亟待解决的一个重要问题。 在过去开展的大量研究中，对面孔身份识别问题的探讨相对比较深入，而对面部表情识别的研究则囿于经典功能模型，并未能取得实质性进展。近年来随着脑认知研究技术的发展，面部表情识别的研究也在不断深入，研究者对面部表情识别与面孔身份识别间的关系也提出了新的阐释。本文在综述已有研究的基础上，试图进一步探讨面部表情识别与面孔身份识别之间的独立加工与交互作用机制。首先，基于经典面孔识别功能模型，分析传统的面孔身份识别与面部表情识别的并行分离加工观点，以及行为学、神经心理学与认知神经科学的研究发现；其

心理学研究方法(面孔方面研究)

心理学研究方法作业 1、研究主题 大背景：面孔识别 研究点：动态面孔增益效应 2、大背景 2.1 概念 面孔识别是一直备受研究者关注领域。20 世纪70 年Ekman 和Frisen 系统地研究了人脸基本表情的文化普遍性，并从解剖学角度提出了6 种基本的面部表情。20 世纪80年代，Bruce 和Young 系统地研究了人对面孔的识别及其影响因素，提出了经典的面孔识别功能模型。自此，面孔识别成为认知科学研究领域中的热点问题之一。 面孔识别包括，面孔身份识别，即人能轻易地从不同表情中识别出同一个人的面孔，面部表情识别，即从不同人的面孔上识别出同一种表情。 2.2 研究方法 2.2.1 快速分类范式 快速分类实验speeded classification task，由Bruce设计来支持并行双路径加工的理论。Bruce 用熟悉与不熟悉人的面部表情图设计了3 个快速分类（speededsification task）实验。实验一要求被试行表情分类判断，结果发现判断不受熟悉影响；实验二要求被试进行性别判断，结发现熟悉度显著影响判断；实验三要

求被判断是原始图片（intact face）还是改动过的图片（jumbled faces），结果发现熟悉度显著影响这种身份判断。实验结果出现了分离：熟悉度影响身份识别，但并不影响表情判断。这支持功能模型假设[1]。 2.2.2混合范式 混合范式由Calder 和Young设计来支持并行双路径加工的理论。混合范式指实验用的材料即面孔的上下两半分别由不同的身份和/或表情组成，再要求被试进行身份或者表情的匹配任务。Calder 和Young的实验结果支持并行独立路径假设[2]。 2.2.3 Garner范式 Garner范式由Garner设计]Garner 效应作为测量指标来考察面孔身份识别与面部表情识别之间的交互作用。Garner 效应是Garner 提出的研究两个维量之间交互干扰程度的一种 测量指标，经典的Garner实验范式包括两个实验组段，考察两个维量之间的交互影响。在面孔身份与表情识别的交互影响实验中，典型的Garner 任务设计是：在组段一中要求被试只根据一个维量（如表情）进行快速分类作业而另外一个维量（如身份）保持恒定（称为基线组段），而在组段二中要求被试同样根据维量一进行快速分类但维量二则是变化的（称为过虑组段），分别记录两个组段中的反应时成绩，然后以两个组段中被试的平均反应时成绩差作为维量二对维量一的干扰效应量。Ganel 等的实验结果验证了面孔身份对表情识别的干扰以及面部表情对面

人脸识别

人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer Interface Institute，Microsoft Research,英国的Department of Engineering in University of Cambridge等。 （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼睛，鼻子和嘴唇等。另一种方法是系统自动生成自适应的曲线或曲面，以构成变形人脸模板。检测方

2019年微表情识别-读脸读心最新考试答案

2019 年微表情识别- 读脸读心最新满分考试答案 一、单选题(题数：40 ，共40.0 分) 1. 愉悦的识别要点包括的表情形态和意义，以下错误的是？() A A. 瞪眼 B. 咧嘴 C. 嘴角上扬 D. 超乎预期的满足和开心 2. 微表情是指持续时间多长的表情?() B A、1/2 秒 B、不足1/5 秒 C、5 秒 D、以上都不对 3. 关于猜测选放的墙的测试哪一项描述是错误的?()B A 、李博士回应天蝎座,b 型血、警号3867 问题时目光低视,摇头说我不知道是控制的对抗反应 B、在听到十八岁那年考上了海洋大学出现快速眨眼,点头是思考比对时的真实反应 C、在听到这成为了您神探之路的起点时出现连连点头是高度认同的下意识反应 D、人在接受有效刺激时也能完全控制自己的情绪反应 4. 冻结反应的形态意义哪一项描述是错误的?()D A、面部的惊讶 B、肢体的约束 C、呼吸的控制 D、肢体冰冷 5. 有意控制的动作的形态意义哪一项描述是错误的?()D A、可以出现在面部表情 B、可以出现在身体动作 C、可以出现在站姿或坐姿 D、可以控制出汗或面部颜色

6. 国内探索微表情应用研究的实战机构不包括哪些？() D A 、公安机构 B、检察机构 12. 关于松明猜测硬币藏匿手的测试哪一项描述是错误的?()D

C、安全机构 D、环保机构 7. 反应性行为的形态意义哪一项描述是错误的?() D A、包括副语言行为 B、包括头部反应 C、是难以自主控制的生理反应 D、是可以自主控制的生理反应 8. 关于表达者表达解析哪一项描述是正确的?() B A、疏忽几个表情动作的观察不影响准确判断其真实内心 B、是准确认识表达者内心的基础和前提 C、只要盯着其眼动反应就能准确判断其真实内心 D、只要关注其情绪与事件性质是否一致就能准确判断其真实内心 9. 爱恨反应的形态意义哪一项描述是错误的?() D A 、爱的时候会主动亲近对方 B、恨的时候会主动拉开距离 C、身体间的距离,可以体现出人和人之间的心理距离 D、人的内心的喜爱与厌恶是不能从表情动作中表达出来的 10. 保罗·埃克曼研究的微表情主要在哪个领域?() C A、身体动作 B、副语言 C、面部表情 D、以上都不对 11. 仰视反应的形态意义哪一项描述是错误的?() D A、头和肢体向上是正仰视反应 B、头和肢体向下是负仰视反应 C、有身份地位差异的握手是正或负仰视反应的体现 D、头和肢体远离刺激源

人脸识别的认知思考(自然科学类)

人脸识别的认知思考 胡伟平1，2, 邓辉文 1 （1．西南大学逻辑与智能研究中心，重庆400715； 2．西南大学育才学院，重庆401524） 摘要：本文首先对人脸识别和人脸认知这两个领域的研究现状进行了简单的介绍，之后针对如何在人脸识别中应用人脸认知中的结论给出了两点思考，最后结合学界关于机器智能的争论重点讨论了人脸识别算法的研究方向问题。 关键字：人脸识别人脸认知机器智能 On Face Cognition and Face Recognition Hu Weiping1,2 Deng Huiwen1 (1. Institute of Logic and Intelligence, Southwest University, Chongqing 400715; 2. Southwest University Yucai College, Chongqing 401524) Abstract: In this paper, current research on face cognition and face recognition is briefly summarized. firstly. Then two thoughts on how to apply achievements in face cognition research to face recognition research is proposed. Finally, dispute on machine intelligence and the research direction of face recognition algorithm are discussed as an important aspect. Key words: face cognition, face recognition, machine intelligence 一、引言 人脸识别一直是生物识别领域的研究热点，在计算机、数学、电子、自动化、虚拟现实、图像处理和模式识别等学科都有广泛的研究，同时在公安刑侦、门禁系统、摄像监视系统及网络应用等方面有着十分光明的应用前景，但是同时人脸识别也被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。人脸识别的困难主要是由人脸本身的特征造成的，首先，人脸的结构都基本相似，个体之间的区别不大；其次，人脸的非刚性特点使得在不同表情下人脸的变化很大，另外，人脸识别还受光照条件、遮盖物、年龄等多方面因素的影响。 人脸识别最重要也是最核心的部分在于人脸特征的提取，目前人脸特征的提取主要有以 作者简介：胡伟平，男，1979年5月出生，湖北省仙桃市人，讲师，西南大学逻辑与智能研究中心逻辑学专业在读博士，西南大学育才学院理工学院副院长。

人脸表情识别综述

人脸表情识别综述 一、人脸表情识别技术目前主要的应用领域包括人机交互、安全、机器人制造、医疗、通信和汽车领域等 二、1971年，心理学家Ekman与Friesen的研究最早提出人类有六种主要情感，每种情感以唯一的表情来反映人的一种独特的心理活动。这六种情感被称为基本情感，由愤怒（anger）、高兴(happiness)、悲伤(sadness)、惊讶(surprise)、厌恶(disgust)和恐惧(fear)组成 人脸面部表情运动的描述方法---人脸运动编码系统FACS (Facial Action Coding System)，根据面部肌肉的类型和运动特征定义了基本形变单元AU（Action Unit），人脸面部的各种表情最终能分解对应到各个AU上来，分析表情特征信息，就是分析面部AU的变化情况 FACS有两个主要弱点：1.运动单元是纯粹的局部化的空间模板；2.没有时间描述信息，只是一个启发式信息 三、人脸表情识别的过程和方法 1、表情库的建立：目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的 Cohn-Kanade AU-Coded Facial Expression Image Database(简称CKACFEID)人脸表情数据库;日本ATR 建立的日本女性表情数据库(JAFFE)，它是研究亚洲人表情的重要测试库 2、表情识别: （1）图像获取:通过摄像头等图像捕捉工具获取静态图像或动态图像序列。 （2）图像预处理:图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。 →目的:改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类识别打好基础 主要工作→人脸表情识别子区域的分割以及表情图像的归一化处理(尺度归一和灰度归一) （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进行降维处理。 →特征提取的主要方法有：提取几何特征、统计特征、频率域特征和运动特征等 1）采用几何特征进行特征提取主要是对人脸表情的显著特征,如眼睛、眉毛、嘴巴等的位置变化进行定位、测量,确定其大小、距离、形状及相互比例等特征,进行表情识别 优点：减少了输入数据量 缺点：丢失了一些重要的识别和分类信息，结果的精确性不高