情绪对人类行为的影响已经成为心理学的一个研究领域,然而有人认为它仅仅是对人类的行为和反应都有着密切的关系。这种误解导致人们无视情绪影响在计算机研究领域的作用,其实现有的情感认知系统越来越注重使用复杂是算法和硬件来检测人类的情感。少数的最新系统认识到存在的情绪影响工作,虽然它们的目的是使人们感到舒适,但却缺乏一些主动性来防止由于情绪影响导致的不良后果。数据统计显示,很多的突发事件都是和情绪有关的。这表明无视人类情绪在以计算机为基础的预防系统中的影响的时代已经结束了。我们不仅仅要识别人类情感,更应该很好的利用由它带来的很多优点。正是基于此,我们通过过去的突发事件及其中表现出来的表情来预防突发事件。我们的案例研究侧重于没有紧急预防措施的驾驶环境,情绪的影响不仅仅表现在驾驶技能上,同时也表现为周围的环境。我们的工作主要分为两大任务：脸部表情识别算法及紧急预防算法。脸部表情识别分为三个子任务：使用主成分分析法的人脸检测,行动单元计算及基于隐马尔可夫模型的人脸表情识别。人脸检测包括判断一个帧是否为人脸部分,它使用由OpenCV实现的特征脸谱,强大的级联分类器的识别可达到90-95%的可靠性。行为单元任务包括自动脸部行为单元识别,然而这通常是基于脸部动作编码系统的手动过程。当脸部被检测之后,在脸部模型的基础上对其重新缩放,帮助主要的脸部特征的定位,如眼睛、嘴、鼻子等。然后我们将脸分成上下两部分的特征,这样有助于计算当前帧和中间帧的距离,从而判断某个行为单元是否存在。行为单元用来表示每一时间段的每一帧动作。表情识别任务使用基于极大似然概率的隐马尔可夫模型来实现。隐马尔可夫是马尔可夫过程的一种表示,不能直接观察到,只能通过一组其它的过程观察,这些过程产生可观察的对象序列,被称为观察者。该模型由三部分组成,它们分别是初始概率函数、状态转换矩阵及输出观察矩阵。它由固定数量的状态,在我们的案例系统中是7中基本状态,它们是高兴、愤怒、悲伤、惊讶、厌恶和恐惧。它们都是由中间状态隔离,建立状态转换概率。初始转换概率也设置在从0到1的数值之间,这意味着模型总是从中间状态开始进行。输出观察表现为一个连续的表示隐藏状态功能的行为单元。此类模型处理三种类型的问题：概率评价,侧重于如何有效的评估一个观察输出的可能性；最佳状态序列,目的在于计算为模型系统输出的序列的最有可能的路径；模型重新估计,调整模型参数以建立一个可识别其它可观察序列的信号模型。在本文的研究中,模型参数使用Baum-Welch重新估计方法(也被称为学习过程)进行估计,可以提供对其他观察序列的识别的极大似然模型。此参数估计之后的结构分类器ML,为每一种情感提供7中模型。接下来的识别任务就是使用正反过程计算7种模型构造的基础下可观察的可能性。观察序列按照观察的概率大小进行分类,由于免费的脸部表情数据库,我们的案例系统使用自己创建的数据库来研究。通过测试表明,系统识别人脸表情的精确度达到89.2%。当情感识别完成后,我们来处理突发事件的预防措施。预测突发事件的模型与情感识别系统中改变模型参数的意义是相同的。情感识别任务的输出和识别的精确度成为情感预防模型的输出观察量。它有两个状态：紧急与非紧急,为了保持文章描述的一致性,我们这样称它。必须明确的是,紧急状态并非意味着必要的,或许就在那个时刻会有意外发生。给定当前情感状态及过去的事件,可以计算在时间t+k发生意外的可能性,t表示当前时间。系统参数的学习及紧急预防分类构建几乎和我们使用Baum-Welch和正反过程的情感识别是一样的完成任务。该算法可用于找出哪种情感状态最有可能导致突发事件的发生及估计哪个水平(阈值)的情感强度适合安全驾驶。这也是我们未来工作努力的方向。然而,和其它的预防措施一样,本文所提算法的影响和性能不仅仅取决于系统,同时也取决于用户的合作及对可获得信息的处理能力。这使得预测系统的影响在一个缺乏真实环境的情况下难以衡量,在我们的研究中没有涉及到信息的获取影响。这就是为什么我们只实现了论文的情感识别部分,并介绍了可用于紧急预防的算法。