Anatomie du visage humain /Analyse de visage /Méthodes d’analyse de visage /Les expressions faciales /Utilisation des expressions faciales pour la détection de la fatigue /Réseaux de neurones

Abstract

Nous avons à travers ce mémoire présenté une nouvelle contribution au domaine de la vision artificielle. Elle consiste en une nouvelle méthode basée sur la description de certaines expressions faciales pour la détection de fatigue chez les conducteurs. Le système proposé utilise des mesures appliquées à des caractéristiques extraites à partir des yeux et de la bouche pour déterminer l’état du conducteur. L’ouverture de la bouche à un certain degré et la fermeture ou clignes des yeux permet de prévoir un éventuel état de fatigue. Pour déterminer les valeurs de ces mesures permettant de différencier des expressions de fatigues parmi d’autres, nous avons utilisé un algorithme d’apprentissage approfondi (Deep Learning). Cet algorithme permet de transformer ces mesures calculées pour une base d’exemples (frames) en un robuste modèle permettant de prédire la valeur d’une nouvelle instance (état de conducteur). Le processus de détection de fatigue se déroule en trois phases : phase de prétraitement, phase d’apprentissage, et phase de test. Dans la première phase, les exemples (vidéo) sont transformés en frames, puis chacune en points caractéristiques extraits à partir du visage. Nous calculons ensuite pour chaque exemple de données deux mesures caractérisant les yeux et la bouche. Leurs valeurs vont être par la suite utilisées comme entrée de l’algorithme d’apprentissage. Dans la deuxième phase, nous utilisons un algorithme d’apprentissage approfondie qui permet de trouver un modèle déterminant les couplets des deux mesures qui différencier une expression de fatigue parmi les autres expressions possibles. Dans la dernière phase, et pour une nouvelle instance (vidéo) représentant un conducteur, nous utilisons le modèle trouvé dans la phase précédente pour déterminer son état. La méthode proposée montre une grande fiabilité, et une grande invariance aux changements : âge, genre et ethnicité du conducteur. Il est aussi important de signaler que contrairement aux méthodes existantes, notre méthode ne nécessite aucune utilisation des seuils, ni de choisir les valeurs des mesures utilisées empiriquement. Dans les futurs travaux, nous comptons améliorer notre méthode pour qu’elle utilise plus de mesures, avec moins de données d’exemples, et avec autant d’efficacité. On peut aussi envisager de l’implémenter sur d’autres plateformes pour qu’elle soit par exemple utilisée avec des systèmes embarqués.