滑鐵盧大學(xué)Cogdrive實(shí)驗(yàn)室和重慶大學(xué)先進(jìn)制造與信息技術(shù)實(shí)驗(yàn)室聯(lián)合建立了一個駕駛員情緒面部表情（DEFE）數(shù)據(jù)集，用于駕駛員自發(fā)情緒分析。該數(shù)據(jù)集包括駕駛過程中60位參與者（43位男性）的面部表情記錄。該數(shù)據(jù)集可用于評估駕駛員面部表情識別的算法，DEFE數(shù)據(jù)集也為同時從不同的情緒模型研究情緒識別提供了可能。

背景

駕駛員情緒在駕駛中起著重要作用，因?yàn)樗鼤�影響駕駛安全性和舒適性。在全球每年發(fā)生的20－50百萬例非致命傷害和124萬例致命道路交通事故中，駕駛員無力控制情緒已被視為安全的關(guān)鍵因素之一。智能汽車的快速發(fā)展也要求在駕駛員與自動化交互與協(xié)作的集成方面出現(xiàn)新的需求，從而進(jìn)一步提升駕駛舒適性，其中駕駛員情緒是關(guān)鍵狀態(tài)之一。因此識別駕駛員情緒對于提升來智能汽車的安全性和舒適性至關(guān)重要。

面部表情對駕駛員來說是表達(dá)情感的有力渠道。基于面部表情的情緒識別的最新進(jìn)展促使人們創(chuàng)建了多個面部表情數(shù)據(jù)集。公開可用的數(shù)據(jù)集是加速面部表情研究的基礎(chǔ)，如表1所示，我們總結(jié)了到目前為止所有包含面部表情的數(shù)據(jù)集，這些數(shù)據(jù)集已被用于面部表情來情緒識別，并獲得了不同程度的成功。這些數(shù)據(jù)集的共同特征之一是在靜態(tài)等場景下采集參加者的面部表情數(shù)據(jù)。

盡管靜態(tài)場景下采集到的面部表情數(shù)據(jù)可以研究通過面部表情識別情緒狀態(tài)，但是它將所提出的算法的應(yīng)用局限到了靜態(tài)生活場景下。結(jié)果，如果將此類算法應(yīng)用到動態(tài)的駕駛場景下，可能無法得到可靠的識別效果。相對地，駕駛汽車是是一個復(fù)雜的認(rèn)知過程，需要駕駛員動態(tài)地對視覺提示，危害評估，決策，戰(zhàn)略規(guī)劃等同時做出反應(yīng)，從而占用駕駛員大量的認(rèn)知資源，而認(rèn)知過程對引起情緒反應(yīng)來說是必須的，顯然，駕駛會影響駕駛員的情緒表達(dá)，這種情緒表達(dá)和生活場景中相比是有差異的。

表1． 基于面部表情的情緒識別公開數(shù)據(jù)集小結(jié)

DEFE數(shù)據(jù)集

為了解決現(xiàn)有駕駛員情緒分析數(shù)據(jù)集的局限性，我們建立了一個駕駛員情緒面部表情數(shù)據(jù)集（DEFE），以研究基于面部視覺數(shù)據(jù)的駕駛員情緒識別。在表2中，我們描述了收集駕駛員真實(shí)面部表達(dá)的實(shí)驗(yàn)細(xì)節(jié)，以及數(shù)據(jù)集中的情感標(biāo)簽。DEFE數(shù)據(jù)集共有60位參加者（43位男性），每位參加者在觀看完經(jīng)選擇的刺激材料后，在相同的駕駛場景下完成駕駛?cè)蝿?wù)，并分別從維度情緒和離散情緒兩方面評價了他們在這一駕駛過程中的情緒反應(yīng)，這些度量包括喚醒，效價和掌控力以及情感類別和強(qiáng)度，實(shí)驗(yàn)數(shù)據(jù)采集及駕駛場景如圖1所示。

表2． DEFE數(shù)據(jù)集小結(jié)

圖1． DEFE實(shí)驗(yàn)數(shù)據(jù)集實(shí)驗(yàn)采集及駕駛場景

我們還比較了使用DEFE數(shù)據(jù)集進(jìn)行駕駛員情緒識別的結(jié)果。DEFE數(shù)據(jù)集可以分別從維度情緒（喚醒，效價和掌控力）和離散情緒（情感類別和強(qiáng)度）兩方面對駕駛員情緒進(jìn)行識別，以準(zhǔn)確度和F1分?jǐn)?shù)建立了數(shù)據(jù)集的基線結(jié)果。除了DEFE數(shù)據(jù)集的情緒識別外，我們還選擇了DEAP和CK＋數(shù)據(jù)集作為靜態(tài)生活場景下的比較數(shù)據(jù)集，比較結(jié)果如表3所示（DEAP數(shù)據(jù)集因?yàn)椴杉�過程中面部存在隨機(jī)電極片遮擋，可能是造成識別結(jié)果較低的主要原因）。

表3．DEFE數(shù)據(jù)集情緒識別結(jié)果

圖2顯示了DEFE數(shù)據(jù)集的樣例圖片。我們觀察到面部表達(dá)隨情感的種類而變化，但是在駕駛中這種變化是特別微弱的。例如，消極情緒（憤怒）和中性狀態(tài)的差異非常小。在大多數(shù)視頻剪輯中我們很難觀察到峰值表情，這種現(xiàn)象很可能是因?yàn)榍榫w的面部表達(dá)受到了駕駛?cè)蝿?wù)的影響。

圖2． DEFE數(shù)據(jù)集中3種情緒類別的樣例圖像：第一行憤怒，第二行快樂和第三行中性。

動態(tài)駕駛場景和靜態(tài)生活場景下面部表情的差異

進(jìn)一步的，我們基于DEFE和JAFFE數(shù)據(jù)集對動態(tài)駕駛和靜態(tài)生活條件之間的面部表情進(jìn)行了差異分析。圖3顯示了在面部動作編碼系統(tǒng)（FACS）中憤怒和開心的動作單元（AU）編碼以及描述。通過比較兩個數(shù)據(jù)集中不同情緒的動作單元出現(xiàn)（AU presence），如表4所示，我們發(fā)現(xiàn)兩種場景下AU presence存在顯著差異。

圖3． FACS可用于描述成人的面部表情。（a）和（b）分別顯示常見的FACS憤怒和快樂編碼，（c）呈現(xiàn)AU的憤怒和快樂的內(nèi)容描述

表4．動態(tài)駕駛和靜態(tài)生活場景下的AU presence差異分析

對于邏輯回歸結(jié)果，動態(tài)駕駛和靜態(tài)生活場景下也有顯著性差異。對于憤怒情緒，動態(tài)駕駛場景下的邏輯回歸結(jié)果顯示只有AU4和憤怒情緒相關(guān)且顯著，而在靜態(tài)生活場景下AU4，AU5和AU23都和憤怒情緒相顯著相關(guān)。對于開心情緒，動態(tài)駕駛場景下的回歸結(jié)果顯示沒有任何AU和開心顯著相關(guān)，但是在靜態(tài)生活場景下的結(jié)果顯示AU12和開心情緒顯著相關(guān)。

表5．動態(tài)駕駛和靜態(tài)生活場景下的AU presence回歸分析

以上結(jié)果表明駕駛場景中的人類面部情感表達(dá)與其他生活場景不同。這可能是由于駕駛員需要在駕駛過程中保持專注，這降低了面部肌肉運(yùn)動的頻率和幅度。關(guān)于這些結(jié)果的解釋性研究可能需要進(jìn)一步探索。