面部动作编码系统

面部动作编码系统（Facial Action Coding System，简称FACS）是由心理学家Paul Ekman与Wallace V. Friesen于1978年首次系统提出的、基于解剖学的面部运动分类系统。其核心思想是将人脸部的复杂表情还原为若干独立的、不可再分的运动单位——动作单元（Action Units, AUs）。每个AU对应于某一块或一组协同肌肉的收缩所产生的可见面部变化。FACS不涉及情感解释，而是纯粹描述面部的物理运动与形态变化。编码者通过观察面部视频或图像，根据标准化的基准面部图像和文字描述，鉴定并记录每个帧中活跃的AU及其强度（A-E五级或强度评分）。 ADFASDFAF23RQ23R

FACS定义了约30个核心动作单元，涵盖额肌（AU1，AU2）、皱眉肌（AU4）、提上唇肌（AU10）、口轮匝肌（AU18，AU23）等主要面部表情肌。每个AU具有唯一的编号（如AU1为“内侧额肌上提”），并配有详细的外观变化描述。例如，AU4（皱眉肌收缩）表现为眉毛压低并靠拢；AU12（提口角肌收缩）表现为嘴角向斜上方拉动，形成“杜兴式微笑”。此外，FACS还包括动作描述器（Action Descriptors, ADs）用于描述头部、眼球等非面部动作，以及少数肌电图辅助验证手段。AU的组合可生成数千种不同的表情形态。

ADFASDFAF23RQ23R

传统人工编码要求编码者经过严格训练（通常需100小时以上），能够从视频记录中逐帧识别AU的起始、顶点、偏移时间及强度。编码需遵循严格的规则，例如对于AU4，必须观察到眉毛出现斜向皱纹且眼窝变窄。标准流程如下：1. 预审视视频，记录整体背景；2. 慢速回放，逐帧标注AU出现时间点；3. 使用FACS标准手册（最新版本为2002年修订版）核对每个AU的存在与强度；4. 对复杂或疑似AU时采用慢动作或暂停确认。编码结果以数字代码串呈现，如“4+12+25”表示AU4、AU12与AU25（嘴唇张开）同时发生。 ADSFAEQWER353423413434

FACS最初应用于心理学情感研究，Ekman据此发现基本情感（快乐、悲伤、愤怒、恐惧、惊讶、厌恶）具有跨文化的普遍表情。之后FACS扩展到情感计算领域，用于构建智能体、人机交互中的情感识别系统。在临床方面，FACS被用于评估帕金森病患者的“面具脸”（通过减少AU6、AU12等），评估抑郁症患者的面部活动减少，以及用于自闭症谱系障碍儿童的面部表情分析。刑侦与安全领域亦利用FACS进行微表情检测（如AU1+AU2+AU4与AU4+AU7组成快速恐惧表达）。此外，动画与影视工业使用FACS驱动数字角色面部动画，实现逼真表情。

由于人工FACS编码耗时且费力，近十年自动化FACS识别成为研究热点。主流方法结合计算机视觉与深度学习，使用卷积神经网络（CNN）、时空网络（如LSTM）或图神经网络，在Cohn-Kanade、DISFA、BP4D等标注数据集上训练，实现AU的帧级检测与强度估计。挑战包括：AU类别不平衡、微小AU检测、面部遮挡及跨域泛化。当前最佳系统在受限环境下AU检测准确率可达80%以上，但在野外条件下仍不及人类编码者。新进展包括使用面部动作单元生成对抗网络（AU-GAN）用于数据增强，以及基于Transformer的多模态融合技术。 ADSFAEQWER353423413434

尽管FACS是公认的黄金标准，但存在几个局限。首先，FACS仅描述可见运动，不能区分特定肌肉精确的活动模式（如AU4可能是皱眉肌、降眉肌等多肌的协同结果）。其次，AU定义未完全涵盖个体差异（如皮肤弹性、脂肪分布对皱纹形状的影响）。再者，高强度AU间的叠加效应可能导致非线性外观，编码手册难以穷尽。此外，传统FACS忽略时间动态的精细结构，而实时情感识别更需考虑AU激活的时序模式。也有批评认为FACS过于强调分立单元，忽略了面部运动的整体性和流畅性。

ADFASDFAF23RQ23R

未来FACS研究将致力于更高精度、更细粒度以及与神经生理学的融合。例如，将FACS与肌电图、fMRI结合，验证AU的神经肌肉对应关系；发展基于3D面部扫描的FACS编码，克服二维投影的遮挡问题。在应用方面，FACS有望整合进个人数字助理、远程医疗诊断系统及心理干预工具中。同时，跨文化标准化与生态效度的提升也是重点方向。

• Ekman, P., & Friesen, W. V. (1978). Facial Action Coding System: A Technique for the Measurement of Facial Movement. Consulting Psychologists Press.
• Ekman, P., & Rosenberg, E. (2005). What the Face Reveals: Basic and Applied Studies of Spontaneous Expression Using the Facial Action Coding System (FACS). Oxford University Press.
• Cohn, J. F., & De La Torre, F. (2015). Automated facial expression analysis. In The Oxford Handbook of Affective Computing.
• Littlewort, G., Whitehill, J., Wu, T., Fasel, I., Frank, M., Movellan, J., & Bartlett, M. (2011). The computer expression recognition toolbox (CERT). In 2011 IEEE International Conference on Automatic Face & Gesture Recognition.
• Krumhuber, E. G., Kappas, A., & Manstead, A. S. R. (2019). Exploring the processes of emotion via the Facial Action Coding System. In The Science of Facial Expression.
• Tian, Y., Kanade, T., & Cohn, J. F. (2001). Recognizing action units for facial expression analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence.
• Zhao, K., Chu, W. S., & De la Torre, F. (2016). Joint patch and multi-label learning for facial action unit detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
• Valstar, M. F., & Pantic, M. (2012). Fully automatic recognition of the temporal phases of facial actions. IEEE Transactions on Systems, Man, and Cybernetics, Part B.