想象你第一次去某个陌生国家担任“表情翻译官”。机场里每个人都说着你听不懂的语言，但真正让你判断对方是开心、生气还是惊讶的，往往不是单词，而是他们的眉毛、嘴角、眼睛周围一闪而过的动作。你要学的不是背词汇表，而是建立一套把“肌肉动作”翻译成“情绪”的规则。这就是面部表情识别（Facial Expression Recognition, FER）要做的事：它让计算机像读脸师一样，先看清每块肌肉的微小运动，再把这些运动组合成情感标签。 这套读脸术并不玄乎。老练的读脸师会先抄起一本“面部动作字母表”，把皱眉、抬眉、咧嘴拆成最小的动作单元；再用一把看不见的尺子量嘴角和眼角的距离；遇到拿不准的场面，还可以请出经验丰富的老师傅——深度学习模型——直接看一眼整张脸。更复杂的情况是：有人把情绪压成不到半秒的“悄悄话”，或者不同文化用同一张脸说出不同的“方言”，又或者灯光昏暗看不清五官。本篇文章就把这条读脸之路从头到尾走一遍，让你明白 FER 是怎样一步步把一张脸变成一行情感代码的。

岗位关联

掌握读脸术，你就能把冷冰冰的摄像头变成善解人意的同事。对 AI 从业者而言，FER 是情感计算、人机交互、智能监控等多个落地场景的必备基础，也是多模态 AI 系统中最直观、最容易出彩的一环。

目录
  1. 可视化演示
  2. FACS表情编码：给面部肌肉编字母表
  3. 关键点检测法：用尺子量表情
  4. 深度学习方法：直接看神的老师傅
  5. 微表情识别：一闪而过的悄悄话
  6. 跨文化泛化：表情也有方言
  7. 光照鲁棒性：光线昏暗时如何读脸
  8. 静态与动态：照片与视频的差别
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示面部表情识别FER基础的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

面部表情识别FER基础：FACS FACS编码系统与面部动作单元 基于关键点检测的FER方法 核心机制可视化 面部表情识别FER基础整体架构与关键组件

FACS表情编码：给面部肌肉编字母表

读脸师上岗第一天，师傅扔给你一张字母表：“别急着说开心，先把眉心、眼角、嘴角的动作拆开记。”这张表上，AU1 是抬内眉，AU2 是抬外眉，AU4 是眉毛下压，AU12 是嘴角向上拉……单独看它们只是肌肉动作，拼在一起才构成完整的表情。

FACS（Facial Action Coding System，面部动作编码系统）由心理学家 Ekman 和 Friesen 提出，它把人脸上能独立运动的肌肉变化拆成动作单元（Action Unit，简称 AU）。每个 AU 不是情绪，而是可观察的面部运动证据。标准 FER 任务通常先识别这些 AU，或直接识别六类基本表情：高兴、悲伤、愤怒、恐惧、惊讶、厌恶。一张脸上可能同时出现好几个 AU，它们的组合就像字母拼成单词，单词再组成句子。

有了字母表，读脸师能把一张脸写成一段 AU 序列。比如真笑往往包含 AU6（眼轮匝肌收缩）和 AU12（嘴角上扬），假笑却常常只有 AU12。这一层编码是所有后续算法共同的语言。

score(c)=∑i=1Kwc,i⋅ai,y^=arg⁡max⁡cscore(c)\text{score}(c) = \sum_{i=1}^{K} w_{c,i} \cdot a_i,\qquad \hat{y} = \arg\max_{c} \text{score}(c)
这个公式说的是：每个表情候选都有一个“得分”，得分等于所有被激活动作单元的加权贡献之和，最后选分数最高的情感作为输出。
  1. 动作单元激活值 $a_i$$a_i$ 像一个开关，某个 AU 出现记为 1，否则记为 0；读脸师先勾选脸上哪些动作发生了。
    ai∈{0,1}a_i \in \{0, 1\}
  2. 表情权重 $w_{c,i}$不同表情给不同 AU 的权重不同，愤怒更看重眉毛下压，快乐更看重嘴角上扬。
    wc,i≥0w_{c,i} \geq 0
  3. 加权求和把所有被激活 AU 的加权贡献加起来，得到这个表情候选的得分。
    ∑i=1Kwc,i⋅ai\sum_{i=1}^{K} w_{c,i} \cdot a_i
  4. 取最大系统在多个情感标签里挑得分最高的一个，相当于读脸师选出最贴切的一种翻译。
    y^=arg⁡max⁡cscore(c)\hat{y} = \arg\max_{c} \text{score}(c)

关键点检测法：用尺子量表情

不过，记住字母表还不够。老读脸师还要练基本功：看见脸就迅速锁定嘴角、眼角、眉毛的关键坐标。这个动作就像裁缝量体裁衣，先在人脸上标记几个“测量点”，再用软尺量距离。

传统关键点检测方法先通过人脸检测和回归模型获得 68 个或 5 个关键点，再计算几何特征：嘴角宽度、嘴张高度、眉毛到眼睛的距离、轮廓角度等。动态序列中还可以使用光流特征，描述关键点周围像素的移动方向与速度。最后用 SVM、随机森林等传统分类器完成情绪判别。这类方法把“读脸”变成了“读数字”，简单直接。

尺子法的好处是快、可解释、轻量，适合摄像头位置固定、环境可控的交互场景。缺点是对光照、遮挡、头部姿态很敏感，眉毛和嘴角一旦被阴影盖住，尺子就会量错。

Fgeo=[dmouthdref,  dbrowdref,  deyedref],d(p,q)=(xp−xq)2+(yp−yq)2F_{\text{geo}} = \left[\frac{d_{\text{mouth}}}{d_{\text{ref}}},\; \frac{d_{\text{brow}}}{d_{\text{ref}}},\; \frac{d_{\text{eye}}}{d_{\text{ref}}}\right],\quad d(p,q)=\sqrt{(x_p-x_q)^2+(y_p-y_q)^2}
几何特征必须先除以参考距离，比如两眼间距。这样才能避免人脸大小不同带来的误判，让“距离比例”代替“绝对距离”。
  1. 欧氏距离 $d(p,q)$计算两个关键点之间的直线距离，对应读脸师拿尺子量嘴角和眼角的长度。
    d(p,q)=(xp−xq)2+(yp−yq)2d(p,q)=\sqrt{(x_p-x_q)^2+(y_p-y_q)^2}
  2. 参考距离 $d_{\text{ref}}$用两眼间距等稳定距离做分母，抵消拍摄距离和人脸大小的影响。
    dref>0d_{\text{ref}} > 0
  3. 组合特征向量 $F_{\text{geo}}$把归一化后的嘴巴宽度、眉毛高度、眼睛开合度拼成一个向量，作为分类器的输入。
    Fgeo∈R3F_{\text{geo}} \in \mathbb{R}^3

深度学习方法：直接看神的老师傅

后来团队来了一位老师傅，他不用尺子，眼睛扫一眼就说：“这是苦笑。”你问他依据，他说：“看整体。”深度学习就是这样一位老师傅。

CNN 从像素级别直接学习特征，不再手工定义几何距离。浅层网络看到边缘、眼睛、嘴巴，深层网络看到“嘴角下拉与眼睛无神同时出现”这类组合。注意力机制进一步让网络重点关注眼睛、眉毛、嘴巴等判别区域。视频任务还会接 LSTM 或 3D 卷积来建模时序，形成端到端的识别流程：输入人脸图像，直接输出情感概率。

深度方法的代价是黑盒、需要大量数据；但在复杂场景下，它的鲁棒性常常超过手工尺子。老师傅也不是万能的，光线乱、数据偏，照样会看走眼。

pk=exp⁡(zk)∑j=1Cexp⁡(zj)p_k = \frac{\exp(z_k)}{\sum_{j=1}^{C}\exp(z_j)}
softmax 把网络的原始分数转换成概率分布。分数高的情感类别概率更大，但所有类别概率之和恒为 1。
  1. 原始分数 $z_k$网络为每个表情类别输出一个未归一化分数，类似读脸师心里给候选翻译打的草稿分。
    zk∈Rz_k \in \mathbb{R}
  2. 指数变换 $\exp(z_k)$让分数都变成正数，并拉大高分与低分之间的差距。
    exp⁡(zk)>0\exp(z_k) > 0
  3. 归一化分母把所有类别的指数分数求和，作为总权重，使输出满足概率性质。
    ∑j=1Cexp⁡(zj)\sum_{j=1}^{C}\exp(z_j)
  4. 概率 $p_k$最终得到一个和为 1 的概率分布，最大概率对应的表情就是系统输出。
    ∑k=1Cpk=1\sum_{k=1}^{C} p_k = 1

微表情识别：一闪而过的悄悄话

真正让读脸师心惊的，是那种只有零点几秒的“悄悄话”。对方嘴上说“没事”，嘴角却不屑地抽动了一下，随即恢复平静。这就是微表情。

微表情持续时间约二十五分之一秒到三分之一秒，强度低，肉眼经常错过。它通常出现在试图压制真实情绪时，因此有重要研究价值。由于动作微弱，普通 CNN 容易把它当成噪声，需要借助光流、关键点小位移统计，或用时域运动放大把微小变化凸显出来。微表情数据集标注极度依赖专家逐帧编码 AU，样本少、成本高，是 FER 领域公认的硬骨头。

微表情识别也容易产生伪影，头部轻微晃动会被放大成“表情”。好读脸师要能区分抖头与真实肌肉抽动，这对数据质量和时序算法的要求都很高。

I^(x,y,t)=I(x,y,t)+α⋅(I(x,y,t)−R(x,y))\hat{I}(x,y,t) = I(x,y,t) + \alpha \cdot \big(I(x,y,t) - R(x,y)\big)
这是简化版的运动放大思路：把当前帧与参考帧的差异放大后再加回去，让微弱的面部抽动变得肉眼可见。
  1. 当前帧 $I(x,y,t)$视频在时刻 $t$ 的图像，坐标 $(x,y)$ 处的像素值。
    I(x,y,t)I(x,y,t)
  2. 参考帧 $R(x,y)$通常取中性表情帧或时间平均帧，用来消除静止背景的干扰。
    R(x,y)R(x,y)
  3. 残差 $I - R$当前帧与参考帧的差异，里面包含眨眼、嘴角抽动等运动信息。
    I(x,y,t)−R(x,y)I(x,y,t) - R(x,y)
  4. 放大系数 $\alpha$把微弱的残差放大，再叠加回原帧，从而增强被压制的表情信号。
    α>1\alpha > 1

跨文化泛化：表情也有方言

表情也有方言。在 A 国，瞪大眼睛可能是愤怒；在 B 国，也许是惊讶。读脸师如果只跟一个地方的人交流，换到新地方就会犯迷糊。

基本表情被证实有一定跨文化普遍性，但表达规则差异很大：日本人习惯用微笑掩盖尴尬，西方人则更外放。训练集如果以某一人种、地域为主，模型会把肤色、脸型、文化习惯当成表情线索，导致跨文化泛化差。常见对策包括数据增强、多文化数据集混合，以及域自适应：让模型在不同文化域上学到与身份、地域无关的表情特征。

目标不是让模型只会“背方言”，而是学会“通用表情语法”。换一个文化环境，读脸师依然能猜中七八分。

min⁡f  Lcls(f(xs),ys)+λ⋅d(f(xs),f(xt))\min_{f} \; \mathcal{L}_{\text{cls}}\big(f(x_s), y_s\big) + \lambda \cdot d\big(f(x_s), f(x_t)\big)
这个公式描述域自适应：既要让源域分类正确，又要让源域与目标域的特征分布尽量接近，使模型“换方言”也不掉链子。
  1. 源域分类损失 $\mathcal{L}_{\text{cls}}$让模型在已有标注的文化数据上学会区分表情。
    Lcls(f(xs),ys)\mathcal{L}_{\text{cls}}\big(f(x_s), y_s\big)
  2. 特征提取器 $f(x)$把图像映射到特征空间，这个空间应该只保留表情信息，丢掉文化身份信息。
    f(x)f(x)
  3. 分布距离 $d(\cdot,\cdot)$衡量源域特征与目标域特征的重合程度，距离越小说明跨文化越一致。
    d(f(xs),f(xt))d\big(f(x_s), f(x_t)\big)
  4. 平衡系数 $\lambda$控制“分类正确”和“域一致”之间的权重。
    λ>0\lambda > 0

光照鲁棒性：光线昏暗时如何读脸

另一个难题是光线。昏暗酒吧里，再厉害的读脸师也看不清对方嘴角是上翘还是下垂。光照一变，尺子和瞳孔都会出错。

光照会改变像素值，但不会改变肌肉运动本身。预处理阶段可以做灰度化、直方图均衡化或零均值归一化，消除整体亮度和对比度差异。更鲁棒的做法是在训练时加入色彩抖动、随机光照增强，甚至用对抗训练让模型对光照域不敏感。这样，读脸师在强光、暗光、侧光下都能稳定工作。

这一步不增加任何“读脸技巧”，只是保证读脸师在不同灯光下看到的是同一份“卷子”。环境变化再大，模型也能抓住肌肉运动的本质。

I′(x,y)=I(x,y)−μσ+ϵI'(x,y) = \frac{I(x,y) - \mu}{\sigma + \epsilon}
零均值归一化把图片的像素分布拉回均值 0、标准差 1 附近，相当于给读脸师开了一盏色温稳定的灯。
  1. 原始像素 $I(x,y)$某个位置的亮度值，受光源强度影响很大。
    I(x,y)I(x,y)
  2. 图像均值 $\mu$整张图的平均亮度，代表当前画面的整体明暗程度。
    μ=1N∑I(x,y)\mu = \frac{1}{N}\sum I(x,y)
  3. 标准差 $\sigma$像素值的离散程度，代表画面对比度高低。
    σ>0\sigma > 0
  4. 小常数 $\epsilon$防止分母为 0，同时避免纯色图被放大成满屏噪声。
    ϵ≈10−8\epsilon \approx 10^{-8}

静态与动态：照片与视频的差别

照片里的笑和视频里的笑，信息量完全不同。照片只能告诉你“嘴角现在是上扬的”，视频却能告诉你“这个笑是慢慢展开还是突然挤出来的”。动态表情有自己的节奏。

静态图像 FER 输入单帧，模型只需要做空间特征映射；动态视频 FER 输入帧序列，需要建模表情的发生、顶峰、消退三个阶段。常用 LSTM 聚合帧级特征，或用 3D CNN、视频 Transformer 同时学习时空特征。实时交互场景还要求流式处理：一边采集画面一边输出情绪状态，不能等视频结束后再判断。

静态模型像看照片，动态模型像看完整对话。实时交互对延迟要求高，读脸师必须边读边翻页，在表情达到顶峰前就给出反馈。

ht=LSTM(ft,ht−1,ct−1),y^=arg⁡max⁡cg(hT)h_t = \text{LSTM}\big(f_t, h_{t-1}, c_{t-1}\big), \qquad \hat{y} = \arg\max_{c} g(h_T)
LSTM 像一个带着记忆的读脸师，会把前面几帧看到的“犹豫”带到后面几帧里，最终综合完整过程给出判断。
  1. 帧特征 $f_t$每一帧人脸图像被 CNN 提取出的语义向量，描述当下表情状态。
    ftf_t
  2. 上一时刻状态 $h_{t-1}, c_{t-1}$记录此前表情如何发展，相当于读脸师脑中的“前情提要”。
    ht−1,ct−1h_{t-1}, c_{t-1}
  3. 当前隐状态 $h_t$融合了当前帧与历史记忆后的新状态。
    ht=LSTM(ft,ht−1,ct−1)h_t = \text{LSTM}(f_t, h_{t-1}, c_{t-1})
  4. 最终预测 $\hat{y}$用最后一个时刻的状态经过分类头得到整体表情类别。
    y^=arg⁡max⁡cg(hT)\hat{y} = \arg\max_{c} g(h_T)

AI 应用场景

视频会议中的实时表情反馈

阶段：实时交互与情感计算

解决的问题：远程会议中发言者看不到听众的反应，传统视频会议只能传画面，无法量化“大家听懂了没”。AI 用摄像头里的 FER 模型实时捕捉微笑、皱眉、挑眉，把观众表情聚合成“参与度分数”，相当于给每位发言者配了一位隐形的表情翻译官。

具体案例：某在线教育平台在直播课中分析学生人脸表情。系统发现某知识点讲解时“皱眉”比例明显上升，便自动提示老师放慢速度并换一种讲法。老师的授课节奏因此动态调整，学生课后测试正确率提升了约 12%。

驾驶员疲劳监测中的微表情识别

阶段：感知与风险预警

解决的问题：普通摄像头能拍到驾驶员的脸，但疲劳早期信号如频繁眨眼、打哈欠、短暂闭眼，时间极短、幅度很小。传统规则只盯着“眼睛是否闭上”，容易漏掉微表情级别的疲劳信号。FER 中的关键点检测和微表情识别可以捕捉这些微小变化，在事故发生前几秒提醒驾驶员。

具体案例：某商用车车队在驾驶舱安装红外摄像头，用关键点计算“眼睛开合度”和“嘴巴张合频率”。当 PERCLOS（单位时间闭眼比例）超过阈值时，系统立即触发语音告警并上报后台。试运行三个月，疲劳相关事故下降了 35%。

线下柜台的客服服务品质分析

阶段：离线分析与服务优化

解决的问题：服务行业越来越重视客户情绪，但传统人工质检只能听录音，看不到表情。FER 可以分析银行柜台、商场导购、政务窗口的视频画面，统计客户是否出现不耐烦、困惑或满意，帮助管理者发现真正需要改进的服务环节。

具体案例：一家连锁银行在柜台上方安装摄像头，FER 系统统计每位客户从排队到办完业务全过程的“微笑指数”。分析发现，客户在等待叫号时“皱眉”最多，而柜员主动问候后“微笑”明显上升。银行据此调整叫号流程和话术模板，客户满意度评分提高了 9%。

Python 演示

python78 行
# -*- coding: utf-8 -*-"""简易人脸关键点表情识别示例, 无外部依赖"""import mathimport random  def distance(p, q):    return math.sqrt((p[0] - q[0]) ** 2 + (p[1] - q[1]) ** 2)  def extract_features(pts):    # pts: 简易关键点字典, 坐标为相对值    eye_dist = distance(pts["left_eye"], pts["right_eye"])    feats = [        distance(pts["mouth_left"], pts["mouth_right"]) / eye_dist,        distance(pts["mouth_top"], pts["mouth_bottom"]) / eye_dist,        (pts["right_brow"][1] - pts["right_eye"][1]) / eye_dist,        (pts["left_brow"][1] - pts["left_eye"][1]) / eye_dist,    ]    return feats  def make_sample(expr, noise=0.02):    base = {        "happy": {            "mouth_left": (-0.35, 0.45), "mouth_right": (0.35, 0.45),            "mouth_top": (0.0, 0.2), "mouth_bottom": (0.0, 0.5),            "right_brow": (0.25, -0.28), "right_eye": (0.25, 0.0),            "left_brow": (-0.25, -0.28), "left_eye": (-0.25, 0.0),        },        "surprise": {            "mouth_left": (-0.25, 0.35), "mouth_right": (0.25, 0.35),            "mouth_top": (0.0, 0.15), "mouth_bottom": (0.0, 0.55),            "right_brow": (0.25, -0.5), "right_eye": (0.25, 0.0),            "left_brow": (-0.25, -0.5), "left_eye": (-0.25, 0.0),        },        "angry": {            "mouth_left": (-0.3, 0.4), "mouth_right": (0.3, 0.4),            "mouth_top": (0.0, 0.25), "mouth_bottom": (0.0, 0.45),            "right_brow": (0.25, -0.2), "right_eye": (0.25, 0.0),            "left_brow": (-0.25, -0.2), "left_eye": (-0.25, 0.0),        },    }    pts = {}    for name, (x, y) in base[expr].items():        pts[name] = (x + random.uniform(-noise, noise),                     y + random.uniform(-noise, noise))    return pts  def train_centroids(exprs, k=20):    centroids = {}    for expr in exprs:        feats = [extract_features(make_sample(expr)) for _ in range(k)]        centroids[expr] = [sum(f[i] for f in feats) / k for i in range(4)]    return centroids  def classify(feats, centroids):    best, best_dist = None, float("inf")    for expr, center in centroids.items():        d = math.sqrt(sum((feats[i] - center[i]) ** 2 for i in range(4)))        if d < best_dist:            best, best_dist = expr, d    return best  if __name__ == "__main__":    exprs = ["happy", "surprise", "angry"]    centroids = train_centroids(exprs)    correct = 0    total = 300    for expr in exprs:        for _ in range(total // len(exprs)):            feats = extract_features(make_sample(expr, noise=0.03))            if classify(feats, centroids) == expr:                correct += 1    print("keypoint FER accuracy: %.1f%%" % (100.0 * correct / total))
目的：用 4 个几何特征演示关键点 FER 的完整流程：造数据、提特征、训练质心、分类评估。
  1. distance(p, q)计算两个关键点之间的欧氏距离，对应读脸师拿尺子量嘴角。
  2. extract_features(pts)把嘴巴宽度、嘴巴开合、左右眉高转成 4 维几何特征，并用眼距归一化。
  3. make_sample(expr, noise=0.02)用不同表情的关键点模板加噪声生成样本，模拟真实检测误差。
  4. train_centroids(exprs, k=20)对每个表情的特征求平均，得到这个表情的“典型尺码”。
  5. classify(feats, centroids)计算新样本到每个表情质心的距离，距离最近者胜出。
  6. if __name__ == "__main__":提供可执行入口，评估 300 个测试样本的准确率。

常见误区

误区模型输出“开心”，就一定代表用户发自内心地开心。我把摄像头对准面带微笑的人，系统说 happy，那这个人现在一定心情很好。

正解FER 识别的是“展现出来的面部动作”，不是“内心真实情感”。就像读脸师只能翻译对方说出口的话，不能判断这句话是不是撒谎。FACS 编码的是肌肉运动，不是情绪本身；要判断真实心情，还需要语音、上下文、生理信号等多模态证据。

为何常见：因为训练标签直接用了 happy、sad 这样的情绪词，初学者很容易把“分类标签”误当成“内心状态”，忽视表情表演和表达规则的存在。

误区只要把 68 个关键点提准，表情识别就解决了。关键点就是脸部的全部信息，数量越多模型越强。

正解关键点坐标只是面部几何的稀疏采样，它丢失了皮肤纹理、肌肉紧张度、光影细节。68 个点也分不清“嘴角微颤”和“嘴角上扬”，更无法应对遮挡和极端姿态。深度特征能编码更丰富的空间语义，关键点适合做轻量级辅助特征。

为何常见：关键点可视化非常直观，画点连线后仿佛看到了脸的骨架，容易让人高估这些坐标点包含的信息量。

误区微表情就是把普通表情调低亮度、缩小幅度。只要把普通表情数据集做强弱增强，就能训练微表情识别模型。

正解微表情不只是“更弱的普通表情”。它持续时间极短，通常出现在压制真实情绪时，动作单元组合和普通表情并不完全一致。普通数据增强无法模拟“短暂出现又被立刻压回去”的动态特征，必须使用时域放大、高帧率采集和精标注数据集。

为何常见：“微”字让人联想到“小”。但微表情更像悄悄话：它不只是音量低，而是换了另一套表达机制，阅读难度比变小声高得多。

误区只要把美国公开数据集复制三份，中国用户的表情也能识别得很好。深度学习嘛，数据量上去了什么都解决。

正解跨文化问题不只是数量问题，更是分布问题。如果训练数据以单一文化为主，模型会把文化特有的表达习惯当成通用规律。必须引入多文化标注、数据增强和域自适应，让特征空间与地域、肤色解耦，而不是盲目堆同一个分布的数据。

为何常见：深度学习中“数据越多越好”的说法深入人心，但它默认不同来源的数据分布足够接近。跨文化场景恰恰打破了这一默认假设。

误区把视频的每一帧分别送入静态 FER 模型，再把所有帧的 softmax 分数取平均，这就是一个视频表情识别模型。

正解动态表情有发生、发展、消退三个阶段，顺序本身携带信息。平均池化只看各帧独立分数，完全忽略表情从无到有、再从顶峰回落的轨迹。LSTM、3D CNN、视频 Transformer 能建模时序依赖，比简单平均更符合表情动态本质。

为何常见：平均池化在图像分类中很常见，很容易被随手迁移到视频任务。但“每帧独立识别再合并”属于后融合，丢失了帧与帧之间的上下文。

面试题

Q1. FACS 中的 AU 表示什么？

单选题 · easy

  • A.深度神经网络的层数
  • B.面部动作单元的编号← 正确答案
  • C.人脸检测框的坐标
  • D.图像增强算法的名称

答案：B。AU 是 Action Unit 的缩写，描述的是面部动作单元，例如眉毛下压、嘴角上扬。它既不是网络层数，也不是检测框坐标。读脸师把 AU 当作字母表，任何一个表情都能用一组 AU 拼出来。

Q2. 关键点几何特征为什么要用参考距离做归一化？

单选题 · mid

  • A.减少人脸大小带来的尺度影响← 正确答案
  • B.提高图像分辨率以增强细节
  • C.让模型可以跳过人脸检测
  • D.降低动作单元标注的成本

答案：A。同一个表情，离镜头近的人脸和离镜头远的人脸在像素上的关键点距离完全不同。除以参考距离（如两眼间距）后，特征就变成与尺度无关的“比例”。就像读脸师量嘴角时，不是记绝对厘米数，而是记嘴角宽度占脸宽的几成。

Q3. 下列哪些属于微表情识别的难点？

多选题 · mid

  • A.表情持续时间非常短← 正确答案
  • B.肌肉运动幅度很微弱← 正确答案
  • C.训练数据集非常庞大
  • D.常与头部运动混在一起← 正确答案

答案：ABD。微表情通常只有二十五分之一秒到三分之一秒，幅度极弱，且容易被头部晃动或眨眼等动作掩盖。真实微表情数据集很小很昂贵，绝不可能“非常庞大”。所以 A、B、D 正确，C 错误。

Q4. 静态图像表情识别模型通常忽略下面哪类信息？

单选题 · easy

  • A.帧与帧之间的时序信息← 正确答案
  • B.人脸关键点的检测误差
  • C.图片中的光照变化情况
  • D.待识别表情的类别数量

答案：A。静态模型只输入一张图片，天生看不到前后帧的先后顺序。关键点误差、光照变化和类别数量都属于模型设计和数据层面要处理的问题，但不是“静态图像”在输入上最根本的缺失项。

Q5. 导致 FER 模型跨文化泛化能力差的主要原因有？

多选题 · hard

  • A.训练数据以单一文化为主← 正确答案
  • B.不同文化对表情标注不一致← 正确答案
  • C.卷积神经网络参数数量过大
  • D.人脸检测框位置存在误差

答案：AB。单一文化数据集让模型学到的是“某一种表达方言”，不同文化对表情的标注标准也可能不同，这都会造成跨文化失效。参数过大、检测框误差不是跨文化问题的核心，属于通用工程问题。

Q6. 提高光照鲁棒性的常用预处理方法是？

单选题 · mid

  • A.对图像做均值和方差归一化← 正确答案
  • B.把卷积核尺寸调整为更大
  • C.将输入视频帧率调低
  • D.在现有网络后面加全连接层

答案：A。零均值归一化能消除整体亮度和对比度差异，相当于给读脸师统一换上一盏标准灯。调大卷积核、降低帧率、加全连接层都不会直接解决光照变化带来的像素分布漂移。

Q7. 相比静态图像，动态视频表情识别最主要的优势是？

单选题 · mid

  • A.利用表情变化的时间顺序← 正确答案
  • B.大大减少训练所需算力
  • C.彻底取消人脸检测环节
  • D.不再需要使用动作单元

答案：A。视频按时间排列帧，模型能学习到“表情怎样发生、怎样发展、怎样消退”。这个动态过程是照片没有的。训练视频通常更贵更慢，人脸检测也依然是必要步骤。

Q8. 关于 FACS 动作单元的说法，正确的有？

多选题 · hard

  • A.AU 描述的是肌肉运动编码← 正确答案
  • B.一个表情可对应多个 AU← 正确答案
  • C.AU 本身直接等同于开心情绪
  • D.AU 组合能编码复合表情← 正确答案

答案：ABD。AU 不是情绪标签，而是肌肉运动的编码，一个自然表情往往同时激活多个 AU。通过不同 AU 组合，可以描述复合表情。C 把 AU 等同于开心情绪，混淆了“肌肉动作”和“情感解释”，因此错误。

Q9. 微表情通常的持续时间大约为？

单选题 · easy

  • A.约二十五分之一秒至三分之一秒← 正确答案
  • B.约一分钟到两分钟的时间段
  • C.约五秒到十秒的时间段
  • D.通常是三十秒以内的完整片段

答案：A。微表情的核心特点是“短”和“弱”，通常在三分之一秒内就结束。几分钟、几秒甚至三十秒的片段都不符合微表情定义。它像悄悄话一样，一闪而过但信息量极大。

Q10. 为什么视频 FER 中直接平均各帧 softmax 分数通常不如时序模型？

单选题 · extreme

  • A.表情会发生发展并消退的动态过程← 正确答案
  • B.平均 softmax 分数会降低图片分辨率
  • C.LSTM 可以完全消除所有光照噪声
  • D.静态模型不再需要人脸关键点

答案：A。表情不是一个静止状态，而是一个随时间变化的过程。先“微皱眉头”，再“嘴角下压”，最后“恢复平静”，这个顺序本身就是判断依据。平均分数把顺序信息丢掉了。LSTM 能建模时序，但不能保证消除一切光照噪声，静态模型也不可能因此不再需要关键点。