Att sända video från en gsm-telefon kan verka omöjligt. Det behövs runt 500 kbit/s, gärna mer, för att det ska bli uthärdligt – inte futtiga 9,6 kbit/s som i en enkel gsm-telefon.

Men en forskare i Umeå anser att det är möjligt.

Ulrik Söderström doktorerar på en avhandling om ”very low bitrate video communication” och han hävdar att han kan skicka ett pratande huvud från gsm-telefon till gsm-telefon. Det behövs bara 5 kbit/s. Det krävs inte heller särskilt mycket beräkningskraft och därmed batterikraft för att hantera tekniken – viktigt i mobiltelefoner.

Det där med pratande huvud är nyckeln. Ulrik Söderströms teknik utgår från att det enda intressanta är ansiktsuttrycket hos den som pratar.

Bakgrunden – glöm den. Rörliga bilder från barnens födelsdagskalas – glöm det. Snålvideon klarar bara en sak, nämligen ansiktsuttryck. Det är förändringarna i mimiken som överförs.

– Allt som överförs är ett antal tal, säger Ulrik Söderström.
Talen som överförs talar om för mottagaren att ditt ansiktsuttryck är, till exempel, ”50 procent ledsen, 20 procent förvånad, 30 procent glad”.

– Det finns bara sex grundläggande känslotillstånd enligt en psykologiprofessor, berättar Ulrik Söderström, men jag använder tio till tjugo bilder på olika miner.


Sex miner. Alla ansiktsuttryck är i grunden kombinationer av de här sex minerna. Ulrik Söderström demonstrerar.

Han skriver i sin avhandling att traditionell videokomprimering är ineffektiv när det gäller videokommunikation ansikte mot ansikte. Priset som vanlig videokomprimering, som mpeg-4, betalar för att klara alla slags bilder är att den inte är extremt bra på någon sort.

Vanlig videokomprimering delar in bildytan i block som komprimeras var för sig. Därför krävs det mycket beräkningskapacitet för att hantera rörelser när något flyttas från ett block till ett annat.

Men anta att vi bara ska hantera ansikten och att ansiktet är stilla, mitt i bilden.

– Jag offrar bakgrunden och utgår från ett ansikte med normaliserad position, säger Ulrik Söderström.

Munnens rörelser är det viktigaste när vi avläser våra medmänniskors sinnestillstånd. Näst viktigast är ögonen. Resten av ansiktet kan man nästan bortse ifrån. Vilket är precis vad Ulrik Söderströms teknik gör.

Om du någon gång i framtiden skulle skaffa en telefon med Ulrik Söderströms teknik skulle du först bli ombedd att ta ett antal bilder av dig själv. Se glad ut, se arg ut, se ledsen ut, se förvånad ut, se rädd ut och visa avsmak. När du sedan pratar i telefonens videokamera känner programmet igen ansiktsuttrycken. Programmet inriktar sig på de delar av bilden där munnen och ögonen brukar finnas och struntar i resten.

Kompisen som du vill videoprata med måste förstås ha samma program. Han måste också ha laddat ner dina självporträtt innan ni börjar videoprata. Det överförs alltså inga bilder, bara ett fåtal siffervärden 15 gånger per sekund. Det bör ge din kompis en bra bild av ditt sinnestillstånd, men kanske inte av hur du faktiskt ser ut:

– Du kanske tog bilderna för tre år sedan och sedan dess har du odlat skägg. Kompisen kommer att se dig utan skägg och med samma bakgrund för tre år sedan.

Ulrik Söderström tänker sig att tekniken är användbar för videokonferenser.

– Där är man ju bara intresserad av ansiktet och ansiktsuttrycket, bakgrunden är ointressant.

Han har också funderat på ifall tekniken kan användas för dövas teckenspråk.

– Det är mer krävande, säger han, eftersom handrörelser är så snabba. För ansiktsuttryck räcker det med 15 bilder i sekunden, men för teckenspråk krävs det ungefär 25 bilder i sekunden. Men det går att göra modeller av handrörelser också.

Måste man hålla telefonen mitt framför ansiktet när man talar?

– Nej, man kan bygga in kameran i ett headset. Den kan sitta vid sidan av ansiktet och ta bilder i profil. Det går lika bra att avläsa mimik i profil. Sedan visar programmet ansiktsrörelserna på ett ansikte rakt framifrån, säger Ulrik Söderström