Individual movement characteristics Looking outside speech

Individual movement characteristics
Looking outside speech
Three examples
Hoole, Venice 10.07
1
1. Face movement
Hoole, Venice 10.07
2
VISUAL COGNITION, 0000, 0 (0), VIS 71.03
Why are moving faces easier to recognize?
Karen Lander and Lewis Chuang
Department of Psychology, University of Manchester, UK
Full paper here :
Previous work has suggested that seeing a famous face move aids the recognition
of identity, especially when viewing conditions are degraded (Knight & Johnston,
1997; Lander, Christie, & Bruce, 1999). Experiment 1 investigated whether the
beneficial effects of motion are related to a particular type of facial motion
(expressing, talking, or rigid motion). Results showed a significant beneficial
effect of both expressive and talking movements, but no advantage for rigid
motion, compared with a single static image. Experiment 2 investigated whether
the advantage for motion is uniform across identity. Participants rated moving
famous faces for distinctiveness of motion. The famous faces (moving and static
freeze frame) were then used as stimuli in a recognition task. The advantage for
Venice only
10.07when3 the motion displayed was distinctive.
face motion wasHoole,
significant
Results suggest that reason why moving faces are easier to recognize is because
some familiar faces have characteristic motion patterns, which act as an additional
cue to identity.
One of the first experiments to directly address the role of movement in face
recognition was carried out by Knight and Johnston (1997), who showed that
negated images of famous faces were better recognized when they were displayed moving, compared with a single static image. As familiar face recognition is typically so good (see Burton, Wilson, Cowan, & Bruce, 1999), it is
usually necessary to degrade spatial cues in order to investigate the importance
of dynamic information for face recognition. In later work, the advantage of
motion was shown to extend to the recognition of famous faces degraded by
inversion, pixelation, thresholding (reducing the image to a black-on-white
display), and gaussian blurring (see Lander, Bruce, & Hill, 2001; Lander,
Christie, & Bruce, 1999). It seems clear that, under these nonoptimum viewing
conditions, motion has the ability to add information useful for recognition.
Please address all correspondence to: Karen Lander, Department of Psychology, University of
Manchester, Oxford Road, Manchester, M13 9PL, UK. Email: [email protected]
This work was supported by an ESRC grant to K. Lander (R000239557). The authors wish to
thank Ian Thornton, and an anonymous reviewer for their helpful comments on an earlier draft of this
paper.
# 0000 Psychology Press Ltd
http://www.tandf.co.uk/journals/pp/13506285.html
DOI:10.1080/13506280444000382
2. Are perception and action linked?
Predicting the effects of actions: Interactions of perception and
action.
Knoblich, G. & Flach, R. (2001)
Psychological Science, 12 (6), 467-472
Full paper here:
Common coding theory of perception and action
W. Prinz
cf. motor theory of speech perception
mirror neurons
Hoole, Venice 10.07
4
This page intentionally left blank to remind me of the demo
Matlab demo of pointlight display of human gait available from me
on request
Hoole, Venice 10.07
5
Johansson, G. (1973).
Visual perception of biological motion and a model for its analysis.
Perception and Psychophysics, 14, 201-211
related to previous topic:
Beardsworth, T. & Buckner, T. (1981)
The ability to recognize onself from a video recording of one’s
movements without seeing one’s body.
Bulletin of the Psychonomic Society, 18, 19-22
Knoblich, G. & Prinz, W. (2001)
Recognition of self-generated actions from kinematic displays of
drawing
J. Experimental Psychology: Human Perception and Performance,
26, 456-465
Hoole, Venice 10.07
6
Aktuelles Beispiel
Westhoff, C. & Troje, N.
Personenidentifikation anhand von biologischer Bewegung strukturelle und kinematische Parameter
Full paper here:
Hoole, Venice 10.07
7
Westhoff & Troje
14
Studie 1
In der ersten Studie wurde untersucht, welche Rolle die Parameter Größe, Struktur
und Schrittfrequenz bei der Wiedererkennung von individuellen PLDs spielen
(Troje et al., 2005). Die VPn (N = 18) lernten, sieben verschiedene männliche
Gangmuster aus einer von drei Perspektiven (Frontal, FV; Halb-Profil, HV; Profil,
PV) zu benennen. Das Training fand an fünf aufeinander folgenden Tagen statt. In
jedem Trial mussten die VPn das gezeigte Gangmuster einem von sieben Namen
unter Feedback zuordnen. Im Laufe der Trainingssitzungen wurde nacheinander
die Größe, Struktur und Schrittfrequenz der PLDs normalisiert, so dass diese Faktoren keinen individuellen Wiedererkennungswert mehr besaßen. Am Ende des
Experiments fand ein zusätzlicher Testdurchgang statt, in dem die Generalisierung
der Wiedererkennung auf die anderen Blickwinkel überprüft wurde.
Tag 1
Identifikationsrate
1
Tag 2
Tag 3
Tag 4
Tag 5
0,8
0,6
FV
HV
PV
0,4
0,2
Original Stimuli
0
1
6
11 16
21
Hoole, Venice 10.07
-G
26 31
-S
36 41 46 51
56 61 66
-F
71 76 81 86
Trainingsblock
8
Abb. 1: Lernkurven in Studie 1. – G: Größe norm.; - S: Größe u. Struktur norm.; - F: Größe,
Struktur u. Frequenz norm.; FV: Frontalansicht; HV: Halb-Profil Ansicht; PV: Profilansicht.
Alle drei Gruppen (eingeteilt nach Blickwinkel) zeigten eine ansteigende Lernkurve
im Laufe der Trainings mit den originalen Stimuli. Nach den ersten drei Sitzungen
erreichte die Leistung ein Niveau von 70-90% korrekt erkannter Gangmuster
(Abb. 1). Um den Einfluss der drei Faktoren zu berechnen, wurde die mittlere Leistung der jeweils letzten drei Trainingsblöcke vor der Normalisierung mit der mittleren Leistung in den ersten drei Blöcken nach der Normalisierung verglichen. Nach
der Normalisierung von Struktur und Schrittfrequenz zeigte sich eine signifikante
Verschlechterung der Wiedererkennung, nicht jedoch nach der Normalisierung der
Größe der PLDs (Abb. 2). Die Überprüfung der Generalisierungsleistung zeigte in
allen Gruppen eine signifikante Verschlechterung der Leistung, wenn der Blickwinkel im Testdurchgang von demjenigen im Training abwich (Abb. 3). Alle Ergebnisse
blieben jedoch signifikant über Zufallsniveau (14%).