DMS一般分为主动式DMS和被动式DMS 。 主动式DMS系统基于摄像头和近红外技术对眼睑闭合、眨眼、凝视方向、打哈欠和头部运动、心率、体表温度等人体行为与生物特征进行检测 。 根据高工智能汽车研究院监测数据显示 ， 2020年1-9月国内自主及合资品牌前装搭载视觉DMS系统上险量为6.42万辆 ， 和2019年同期相比 ， 2020年1-9月前装搭载视觉DMS系统上险量同比增长超过150% 。 前装标配搭载视觉DMS车型19款 。 DMS的增长也为情绪识别算法上车提供了硬件技术与数据来源 。
技术驱动判断：高技术驱动行业
核心技术对情绪识别产品的影响：大
排除技术层面上情感计算的算法模型带来的side-product ， 整体模型的精准程度是衡量产品是否可靠的唯一标准 ， 因此可判断底层的AI算法是情感识别产品的核心；但是 ， 由此带来的问题是对于精准度的判断依据和核实方法的标准度和可靠性：即个体是否能精准“命名”自身的“情绪” 。
同时 ， 情感计算的发展受市场偏好与行业政策风向的影响已成为一个必然的技术趋势 。 然而有两大瓶颈也是在发展道路上不可避免需要解决：多模态的融合算法搭建与感知层的技术路径 。
感知难点：取决于需要用于计算的信息来决定感知层的硬件难度 。 由于现在行业更加追求无感检测 ， 最常见的如麦克风、摄像头 ， 其他感知硬件如接触式感知设备则不被看好 ， 因此如何在无感条件下实现多种信息的感知与获取成为一大难点 。
多模融合难点：如上文所说 ， 信息之间怎样关联 ， 对模态之间的融合和权重配比是非常困难的 。 算法的情绪识别精确程度取决于数据信号的质量与融合算法上的突破 。
// 市场进入壁垒
情绪识别行业整体来说市场进入壁垒较高 。 模型的搭建优化、数据来源以及面对安防政企端的产品应用都意味着行业需要大量的前期投入与渠道铺设 。

文章图片

02
技术迭代：从单模态的情绪识别逐渐衍生到多模态融合识别策略
在单模态情绪识别领域 ， 单模态信息易受各种噪声的影响 ， 难以完整地反映情绪状态 。 高效的模态融合能极大地提高情绪识别系统的健壮性 。 利用不同类别的信号相互支持 ， 对互补信息进行融合处理 ， 能够有效地提高最终的识别效果 。 根据目前已有的研究 ， 模态融合的方式大致可分为 4 种 ， 分别是数据级融合 (传感层融合)、特征级融合、决策级融合、模型层融合 。
数据级融合 ， 又称传感器层融合 。 数据级融合是直接对各个传感器采集到的最原始的、没有经过特殊处理的数据进行组合 ， 从而构造一组新的数据 。
【出行洞察：智能座舱中的情绪识别】特征级融合是将多种模态数据经过提取、构建成相应的模态特征之后 ， 再拼接成一个集成各个模态特征的特征集 。
模型级融合可以将不同模态特征分别输入到不同模型结构再进行进一步特征提取 ， 目前的模型级融合主要采取的策略是通过构建深度网络模型 ， 建立多层结构 ， 逐层学习可以学习到更加复杂的变换 ， 从而可以拟合更加复杂的特征 ， 增加非线性表达能力 。

文章图片

03
初创公司
// 国内情绪识别行业初创公司现状（以书面注明拥有情绪识别的功能产品判断）

文章图片

主要数据来源以人脸和声音为主：采访了解到的12家公司中情感识别的算法是基于人的面部表情或行为进行识别（54%） ， 其次是对语言内容的理解和分析（38%） 。