英语原文共 24 页
面部空间：面部识别中的统一概念研究
摘要
多维心理空间的概念是现代人脸处理理论的基础。然而，直到1991年，这个想法才被清楚地表达出来。阐述了人脸空间产生的背景，讨论了人脸空间对人脸处理理论的持续影响。本文综述了近年来对人脸空间特性的研究，以及对包括人脸适应范式在内的漫画的理解。本文以人脸空间为理论框架，对种族效应和人脸识别的发展进行了评价。最后，讨论了人脸空间在法庭环境中的两个应用。人脸空间从最初作为解释差异、反转和种族效应的模型提出，到现在已经成为人脸处理的一个重要支柱。该技术目前仍在开发，以帮助我们了解人脸的适应效应。虽然面部空间在原则上是一个简单的概念，但它已经塑造并继续塑造着我们对面部感知的理解
关键词：关键词：面部; 承认; 漫画; 适应; 种族
人脸分类和识别的形式化模型的开发需要一个刺激集，其中可以控制刺激变化的维度或特征。在20世纪70年代和80年代早期，人工面部是开发这些模型最受欢迎的刺激手段(例如，Goldman amp; Homa, 1977;Medin amp; Schaffer, 1978;Reed,1972;Solso amp; McCarthy, 1981)。刺激集的构建方式类似于当时的“Identikit”和“Photofit”面部合成系统(参见图1中的示例)。在人脸识别中线索显著性的研究中也发现了类似的方法(如Davies, Ellis， amp; Shepherd, 1977)。有时是隐含的假设是，人脸(或概念)可以表示为可互换部分的集合。
概念表示的原型模型(例如Palmer, 1975)正受到假设不提取原型或集中趋势的范例模型的挑战。范例理论家证明，经验效应，以前被解释为原型提取的证据，可以用更灵活的范例模型来解释(例如，Nosofsky, 1986)。但是，表征文学的概念越来越远离我们在日常生活中如何识别人脸。理解图1所示的刺激是如何表示的，对于如何从人脸的真实图像中提取相关特征或维度，从而使我们能够识别和分类真实的人脸，了解得很少(图2)。
Ellis(1975)发表了一篇有影响力的综述，强调了人脸处理文献缺乏理论发展。针对这一批评，一篇关于熟悉面孔(如著名面孔)识别的文献应运而生，借鉴了单词识别的理论框架，尤其是Morton的logogen模型(如Morton, 1979)。这种方法导致了一种领先的人脸处理模型的开发(Bruce amp; Young, 1986)。然而，这个模型对人脸的视觉处理或陌生人脸的识别几乎没有说什么。熟悉面孔和不熟悉面孔的识别理论已经分离。
人脸空间的目的是寻找与熟悉和不熟悉的人脸处理相关的解释层次，避免了线索显著性的理论死胡同。该框架旨在借鉴概念表征理论，同时避免了人为类别的人脸刺激缺乏生态有效性。一个重要的原则是，人脸空间能够捕捉到真实人脸的自然变化如何影响人脸处理。
Ellis(1975)综述的理论贡献之一是关于倒置对人脸识别的影响的研究(Yin, 1969)。Goldstein和Chance(1980)提出反转效应和种族效应都可以用图式理论来解释。他们认为，随着面孔图式的发展，它变得更加“僵硬”:与直立面孔和自己种族的面孔相协调。对该理论的支持来自于一些工作，这些工作表明倒置和种族划分的影响在那些被认为发展较差的儿童中不那么明显，因此面孔图式也不那么死板(Chance, Turner， amp; Goldstein, 1982;Goldstein,1975;Goldstein amp; Chance，1964年;Hills,2014)。图式理论为人脸识别提供了一个包罗万象的理论，但缺乏获得许多明确的经验预测所需的特异性。
Light, Kayra-Stuart和Hollander(1979)运用图式理论研究了人脸的特殊性的影响。这些作者证明了特殊性对不熟悉面孔的识别记忆的影响。对于那些被评价为更有特色或不寻常的面孔，识别比那些被评价为长相典型的面孔更准确。Light等人(1979)将区分度的影响解释为原型在人脸处理中的作用的证据。受到Goldstein和机会的(1980)的应用图式理论和工作光利亚和她的同事在特殊性不熟悉的面孔的识别记忆,情人节和布鲁斯认为,如果面临被引用一个面部原型编码,产生影响的特殊性应该观察到熟悉的面孔处理。瓦伦丁和布鲁斯(1986a)发现，在控制熟悉度的情况下，长相独特的名人面孔比长相典型的名人面孔更容易被认出来。研究人员观察了区分度和熟悉度对个人熟悉面孔识别速度的独立影响(Valentine amp; Bruce, 1986b)。显著性效应与任务需求呈负相关。与典型面孔相比，识别出有特色的面孔的速度更快，但当对比类别是混杂的面孔时，识别出有特色的面孔需要比典型面孔更长的时间(Valentine amp; Bruce, 1986a)。这些显著性的影响可以通过参照面部原型对人脸进行编码来解释。瓦伦丁(1986)的最后一章旨在提供一个总体框架来概念化特征、反转和种族的影响，基于面部原型在多维相似空间中的表现。瓦伦丁(1991a)是这个框架的第一个出版物。本文根据范例模型增加了一个面空间的版本，没有对中心趋势的抽象表示。它还包括从该框架得出的预测的经验检验。
统一的模型
人脸空间是一种心理相似性空间。每个面都由空间中的一个位置表示。由hellip;代表的脸彼此相似;相隔很远的脸是不同的。空间的维数表示面变化的维数，但没有指定。它们可能是特定的参数或全局属性。例如，头部的高度、脸部的宽度、两眼之间的距离、年龄或男子气概都可以被认为是面部空间的潜在维度。尺寸的数量没有指定。人脸在每个维度上都假定是正态分布的。因此面在空间中形成多元正态分布。相关群体的集中趋势被定义为每个维度的原点。因此面密度(范例密度)在空间的原点最大。随着距离原点的距离增加，人脸的样本密度减小。靠近原点的面在外观上是典型的。它们在所有维度上的值都接近于中心趋势。独特的面孔位于离原点更远的地方。人脸在人脸空间中的分布如图3所示。
当一个人脸被编码到人脸空间时，就会产生与编码相关的错误。当编码条件困难时，相关的错误会很高。因此，对人脸的简短呈现，或倒过来呈现人脸，或在底片上呈现人脸，都会造成相对较高的编码误差。Valentine(1991a)没有假设反演需要任何具体的理论解释。有人认为，反演选择性地干扰了人脸的构象属性编码(如Diamond amp; Carey, 1986;阴,1969)。人脸空间在这个问题上是不可知的;它仅仅将任何降低人脸识别精度的操作视为编码错误的增加。
编码错误很可能导致识别典型面孔的难度大于识别特征面孔的难度(Valentine, 1991a)。典型人脸在人脸空间中的聚集密度大于特征人脸，因此编码错误的增加更容易导致对典型人脸识别的混淆。在特征人脸附近编码的人脸标识更少。对于一个特殊的人脸，即使存在较大的编码错误，目标标识也更有可能是人脸空间中最近的人脸。瓦伦丁(1991a)预测，在测试中呈现倒转的面孔会导致对不同面孔识别记忆准确性的损害小于对典型面孔。实验1和实验2证实了这一预测适用于先前不熟悉的面孔的识别记忆(实验1和实验2)。实验3还发现反演会减慢正确识别的速度，并且对典型名人面孔识别的准确性的影响要大于对特征名人面孔的影响(实验3)。
人脸空间框架的一个假设是，选择并缩放人脸空间的维度，以优化经验人脸群体的识别。人脸识别的发展被认为是一个感知学习的过程，通过调整人脸空间的维数来优化相关人群的人脸识别。瓦伦丁(1991a)运用人脸空间来理解种族对人脸处理的影响。如果假设一个观察者只遇到一个种族的面孔，有足够的经验，他们的面部空间将被优化以识别这个种族的面孔。如果这个观察者现在开始遇到另一个种族的面孔，那么来自不同种族的面孔就会被编码到人脸空间中(另一个种族)。其他民族面孔在人脸空间的各个维度上均呈正态分布，但可能与自己民族面孔具有不同的集中趋势。此外，有些维度可能无法很好地区分其他种族的面孔。但是，一些可以很好地区分其他种族面孔的维度可能被不适当地缩放，以最佳地区分这些面孔(例如，，尺寸所需的最佳重量可能因种群而异)。这种情况如图4所示。其他民族面孔与自己民族面孔的集中趋势相分离，形成一个相对密集的聚类。通过这种方式，面部空间自然地预测了一种自我认知偏差(OEB1)，通过这种偏差，依赖于观察者对面孔的感知经验，自我种族的面孔可能比其他种族的面孔更容易被识别。Valentine和Endo(1992)发现，对于先前不熟悉的自己种族和他人种族的面孔，特殊性影响了识别记忆的准确性。在本种族和其他种族的人群中，有特色的面孔比典型的面孔更容易被识别。种族对人脸识别准确性的影响(Chiroro amp; Valentine, 1995;瓦伦丁和恩多(1992)将其归因于其他种族的脸在人脸空间中聚集得更密集，因为对其他种族的脸来说，人脸空间的维度是次优尺度。有了适当的经验，人脸空间就会得到优化，这样就可以很好地识别自己和他人的面孔。然而，Chiroro和Valentine(1995)报告了两项关于这方面的条件。首先，仅仅接触其他面孔是不足以学会正确识别这些面孔的。只有当社会环境要求参与者学习识别一些其他种族的面孔时，他们才表现出这样做的能力。第二，与从未见过其他种族面孔的参与者相比，学会有效识别另一个种族的参与者在识别自己的种族方面的效果较小。这可以从面空间框架中预测出来，因为维度已经被缩放，以识别两个不同的群体，需要维度上的权重，而这两个群体的权重可能略低于最优值。有效地识别两个种群的人脸是一个比识别单个种群更难解决的统计问题。
当面部空间仅以二维表示时(如图3和图4所示)，需要谨慎地解释面部空间。人脸空间一直被认为是一个多维空间，有许多超过两个维度。Burton和Vokey(1998)描述了使用多维空间的二维表示的潜在危险。他们认为,与直觉相反来自一个二维空间,如果一个1000维空间填充1000正态分布范本,所有的原型是一个类似的距离空间的起源:大约1000倍的标准偏差的正态分布。因此，在高维空间中，靠近原点的高度典型面很少。这一点先前由Craw(1995)提出。正如Burton和Vokey所承认的那样，即使在一个非常高维的人脸空间中，空间的起源也是最大样本密度的点，因此对识别和分类任务中特殊性影响的预测是有效的。
多维空间不同于二维空间的预期分布的独特性(典型性)评级。这个二维图形导致了这样一种预期，即许多面孔将被评为高度典型，而给予较高的识别度评级的面孔将逐渐减少。Burton和Vokey(1998)发现，人脸的典型性评分是正态分布的。大多数面孔被认为具有中等程度的典型性，很少被评为高度典型或高度独特。Burton和Vokey证明了这种分布是由多维正态分布来预测的，就像面空间模型中假设的那样。Burton和Vokey的观点是，将简单的二维表示推广到高维空间可能会误导人。评估这样一个模型的预测需要数学分析，而不是直觉。
虽然Burton和Vokey(1998)没有将他们的分析扩展到考虑人脸的吸引力，但他们的分析确实解释了文学中的一个悖论。把脸变形成普通的脸型会让你的脸格外迷人。这种效应最早是由a.l.奥斯汀(高尔顿，1878;参见Valentine, Darling， amp; Donnelly, 2004)以及最近被正式证明的(例如，Langlois amp; Roggman, 1990;Perrett, May， amp;Yoshikawa，1994)。这项研究表明，典型的面孔非常有吸引力。矛盾的是:如果典型的面孔在人群中很常见，为什么高吸引力的面孔却很少见?伯顿和沃基的分析提供了答案:非常典型的面孔是罕见的;因此，极具吸引力的面孔是罕见的。在很多方面都有变化的脸很少会在所有方面都是平均的。
人脸空间的原始公式没有具体说明其尺寸的性质。人们总是认为这些维度可能是整体的(例如，年龄、性别或脸型)。人脸空间操作的一种方法是将人脸空间的维数与人脸图像或特征脸的主成分分析得到的分量相等(Turk amp; Pentland, 1991)。特征面是计算机科学家提出的一种压缩人脸信息的方法。这种人脸空间的概念已被计算机科学家广泛应用，并在其他应用中，被用于生成合成合成脸。该方法将在下面的“法医应用”一节中进行审查。
综上所述，Valentine (1991a)所描述的人脸空间框架统一了特殊性、反转性和种族对人脸识别的影响。瓦伦丁(1991b)扩大了方法，包括漫画的说明。该方法旨在提供一个框架，尽管没有得到充分说明，但可以应用于理解真实人脸种群中的变化。在现实世界中，使用人工刺激集作为理解人脸识别的合适工具遭到了拒绝。
基于规范的编码与范例模型
Valentine (1991a)最初在face-space框架内提出了两种不同的模型。第一个是相对于一个特定的原型脸(也称为标准脸)，人脸被编码。在这个基于范数的人脸空间中，人脸是相对于这个中心人脸编码的。所存储的表示形式类似于一个角度，在这个角度中，需要使用方向和大小来定义人脸在这个空间中的位置。人脸的独特性是由这个向量的长度表示的，而方向定义了身份。
Valentine(1991a)提出的另一种人脸空间模型是一个基于范例的版本。在基于范例的人脸空间中，人脸在空间中表示，而不需要特定地引用任何中心原型。人脸表示之间的距离提供了相似性的度量，正是人脸在空间中的分布导致了上述的特殊性效应。独特的范例将出现在其他范例密度较低的区域，这是我们所看到和知道的人脸正态分布模式的结果。另一方面，典型的面孔将位于分布的中心附近，因此将会有许多相似的面孔表示来混淆特定的范例。
基于规则和基于范例的人脸空间的区别反映了对记忆本质的广泛争论。建立了基于范例的记忆模型(例如，Medin amp; Schaffer, 1978;Nosofsky, 1986, 1988, 1991)作为基于原型提取的记忆到类别知识的另一种解释(例如，Goldstein amp; Chance, 1980;诺尔顿amp;斯夸尔出版社，1993年;帕默,1975;里德,1972)。关
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
