L'algorithme de vision artificielle apprend à reconnaître les expressions faciales cachées

La plupart des gens savent reconnaître les émotions ordinaires sur le visage des autres. Mais il existe un autre ensemble d'expressions faciales que la plupart des gens ignorent presque entièrement. À la fin des années 1960, des psychologues ont découvert que lorsque les humains essaient de cacher leurs émotions, ils affichent souvent leurs vrais sentiments dans des micro-expressions qui apparaissent et disparaissent en un clin d'œil.

Ces expressions faciales fugaces fascinent depuis lors les psychologues et le grand public. Il s'avère que si la plupart des gens sont totalement inconscients des micro-expressions, un petit sous-ensemble d'individus peut les repérer avec précision et les utiliser pour dire quand les gens cachent leurs vrais sentiments ou quand ils mentent carrément.

Une industrie importante s'est développée qui se concentre sur la formation des gens pour mieux reconnaître les microexpressions. Les responsables de l'application des lois et les agents antiterroristes sont souvent formés de cette manière dans l'espoir que cela puisse les aider à repérer les individus qui ne font rien de bon. La question de savoir si cette formation fonctionne fait l'objet de nombreux débats - il se peut que la plupart des gens n'aient pas les compétences sensorielles et cognitives pour capter les microexpressions, quelle que soit la formation qu'ils reçoivent.

Mais il existe un autre moyen de repérer les microexpressions. Ces dernières années, la vision artificielle s'est améliorée à un rythme si rapide qu'elle a surpris même les experts dans le domaine. Aujourd'hui, les machines équipées des meilleurs algorithmes d'intelligence artificielle peuvent régulièrement surpasser les humains en matière de reconnaissance d'objets et de reconnaissance faciale, et ont commencé à les égaler dans la reconnaissance des expressions et de la charge émotionnelle qu'elles portent.

Cela ouvre une perspective intéressante. Les machines pourraient-elles bientôt mieux reconnaître les microexpressions que les humains ? Aujourd'hui, nous obtenons une réponse grâce au travail de Xiaobai Li à l'Université d'Oulu en Finlande et de quelques copains. Ces gars-là ont construit et testé le premier système de vision artificielle capable de repérer et de reconnaître les microexpressions et ils disent qu'il est déjà meilleur que les humains à la tâche.

Les développements rapides de l'intelligence artificielle au cours des dernières années sont dus en partie à l'amélioration des méthodes de calcul. Mais ces machines sont inutiles sans des bases de données vastes et précises pour les former.

La première tâche de Li and co a donc été de créer une base de données de vidéos montrant des microexpressions dans des conditions réalistes. C'est plus facile à dire qu'à faire. Les micro-expressions ont tendance à se produire lorsque les individus cachent leurs sentiments dans des conditions d'enjeux relativement élevés.

Ce n'est pas facile à reproduire. En effet, de nombreux travaux antérieurs se sont concentrés sur les expressions posées, mais divers psychologues ont souligné les limites de cette méthode, notamment le fait que les microexpressions sont très différentes des expressions posées.

Li and co s'est attaqué à ce problème en demandant à un groupe de 20 personnes de regarder une série de vidéos conçues pour susciter des émotions fortes parmi eux. Ces personnes ont été fortement incitées à éviter de montrer toute émotion pendant la tâche : on leur a dit qu'elles auraient à remplir un long questionnaire ennuyeux expliquant les émotions qu'elles auraient manifestées.

En conséquence, 16 des 20 individus ont produit 164 microexpressions entre eux, que l'équipe a enregistrées sur une caméra à haute vitesse à 100 images par seconde. L'équipe a lié les émotions affichées au contenu émotionnel des vidéos, leur donnant une base de données de référence avec laquelle former leur algorithme d'apprentissage automatique.

La tâche de reconnaissance des microexpressions se divise en deux parties. La première consiste à repérer le changement fugace des traits du visage qui caractérise une microexpression. La seconde est d'identifier l'émotion que cela affiche.

L'équipe s'est attaquée au premier problème en utilisant une seule image montrant le visage du sujet comme standard et en comparant toutes les images suivantes pour déterminer comment l'expression a changé. Tout changement au-delà d'un certain seuil a été défini comme une microexpression, et ces images ont été mises de côté pour une analyse plus approfondie.

La reconnaissance des expressions est généralement plus difficile car les micro-expressions ont tendance à être moins prononcées que les expressions ordinaires. Un défi majeur pour la reconnaissance de la microexpression est que les niveaux d'intensité des mouvements faciaux sont trop faibles pour être distingués, disent Li et co.

L'équipe a résolu ce problème en utilisant un algorithme qui amplifie les expressions. Cela fonctionne en identifiant les parties du visage en mouvement lorsqu'une expression change et en déformant le visage pour les déplacer davantage.

Ce processus doit être soigneusement appliqué. Par exemple, Li et co disent qu'ils ne peuvent pas l'utiliser pour repérer des microexpressions parce que l'algorithme amplifie tous les mouvements, comme la rotation de la tête, pas seulement les expressions. Il n'est donc appliqué qu'aux cadres identifiés par le processus de repérage décrit ci-dessus.

Enfin, l'algorithme classe l'émotion affichée comme positive, négative ou surprise, un processus qu'il apprend à partir de la base de données d'entraînement.

Une question intéressante est de savoir dans quelle mesure cette approche fonctionne par rapport à la performance humaine. Pour le savoir, l'équipe a demandé à 15 personnes d'identifier l'expression affichée dans les vidéos contenant uniquement les microexpressions (elles n'avaient donc pas besoin de sélectionner les microexpressions dans des séquences plus longues). Quinze autres personnes ont visionné l'intégralité des vidéos et ont dû repérer chaque microexpression ainsi que l'identifier.

Les résultats rendent la lecture intéressante. La machine de Li and co correspondait à la capacité humaine de repérer et de reconnaître les microexpressions et surpassait considérablement les humains dans la tâche de reconnaissance seule.

Notre méthode est le premier système à avoir été testé sur un ensemble de données de microexpression spontanée dure, contenant des microexpressions naturelles, explique l'équipe. Il surpasse les humains dans la reconnaissance de la microexpression par une marge significative et se comporte de manière comparable aux humains dans la tâche combinée de repérage et de reconnaissance de la microexpression.

Ce n'est pas mal pour un premier essai, et ces machines vont clairement s'améliorer rapidement.

Il n'est pas difficile de trouver des applications. Li et co choisissent la détection des mensonges, l'application de la loi et la psychothérapie, mais il est facile d'imaginer que cela soit utilisé dans les entretiens d'embauche et les évaluations et même dans les appareils de type Google Glass dans la vie quotidienne.

Bientôt, il n'y aura nulle part où se cacher.

Réf : arxiv.org/abs/1511.00423 : Lecture des émotions cachées : détection et reconnaissance spontanées des microexpressions

cacher