https://fuxi.163.com/database/679计算机视觉分析和理解人类情感是通过情感人工智能，也称为情感计算，进行面部情绪检测和视觉数据情绪评估，以分析个人的情绪和情感状态。
在所有高级计算机视觉任务中，视觉情绪分析(VEA)是针对低级像素和高级情绪之间现有的情感差距的最具挑战性的任务之一。尽管困难重重，视觉情感分析仍然很有前途，因为理解人类情感是迈向强大人工智能的关键一步。随着卷积神经网络(CNN)的快速发展，深度学习成为情感分析任务的新选择。
人工智能情绪分析的工作原理
人工智能情感应用程序或视觉系统包括以下步骤：
1、从摄像头源获取图像帧；
2、图像预处理，裁剪、调整大小、旋转、颜色校正；
3、使用CNN模型提取重要特征；
4、执行情绪分类。
AI情绪识别的基础
图像和视频中的人脸检测
使用摄像机或视频素材来检测和定位人脸。边界框坐标用于实时指示准确的人脸位置。人脸检测任务仍然具有挑战性，并且不能保证在给定的输入图像中检测到所有人脸，尤其是在具有挑战性光照条件、不同头部姿势距离很远或遮挡的不受控制的环境中。
图像预处理
当检测到人脸时，图像数据会在被送入情感分类器之前进行优化。这一步大大提高了检测精度。图像预处理通常包括多个子步骤，对图像进行光照变化归一化、降噪、图像平滑、图像旋转校正、图像大小调整和图像裁剪。
AI模型情绪分类
预处理后，从包含检测到的人脸的预处理数据中检索相关特征。有不同的方法来检测许多面部特征。例如，动作单元(AU)、面部特征点的运动、面部特征点之间的距离、梯度特征、面部纹理等等。
通常，用于AI情感识别的分类器基于支持向量机(SVM)或卷积神经网络(CNN)。最后，通过分配预定义的类别，根据面部表情对识别出的人脸进行分类。
计算机视觉可以检测到哪些情绪？
AI模型可以检测的情绪或情感表达取决于受过训练的类别。大多数情绪数据库都有以下情绪：
- 愤怒
- 厌恶
- 恐惧
- 幸福
- 悲伤
- 惊喜
