Etude et simulation d’un système de reconnaissance des expressions faciale

Abstract

L'objectif de ce mémoire est d'étudier, concevoir et implémenter un système de reconnaissance des émotions. Où de nombreux domaines sont devenus intéressés aux techniques de reconnaissance des expressions faciales (psychologie, psychologie sociale, neurophysiologie, informatique, domaine médical, marketing ...). Dans notre travail nous avons présenté un état de l’art des différentes méthodes récentes dans ce domaine, qui sont divisés on deux catégories : les approches d'apparence (LBP, LBQ, HOG, Ondelette de Gabor...), et Les approches géométriques (ASM, AAM...). Avant d'aborder ces méthodes, nous avons démontré le principe de fonctionnement d'un système biométrique en général et y compris ses principaux modules, dans divers modalités biométriques (l'empreinte digitale, le visage, la signature, veines de la main...). Après une étude approfondie des techniques utilisées pour identifier les expressions faciales, nous avons présenté les trois principaux étapes du système de reconnaissance de l'expression faciale, en commençant par l'étape de préparation de l'image ,puis l'extraction des caractéristiques, et la classification, en utilisant les techniques que nous avons choisi et expliquées dans le 2éme chapitre. L'étape de prétraitement a été le premier défi que nous avons rencontré lors de la mise en oeuvre du programme. Après la détection du visage par l'algorithme de Viola et Jones, nous avons obtenu une image complète du visage, y compris les oreilles et la tête, bien que nous nous intéressons aux zones de les sourcils, la bouche et les yeux uniquement. Alors, on a coupé l'image avec des coordonnées bien déterminé, on a obtenu une forme de visage qui nous permet d'extraire ses propriétés avec précision. Un autre problème que nous avons rencontré dans cette étape, concernait les effets de l'environnement externe sur la clarté des détails des expressions faciales, pour cela nous avons essayé de réduire les effets de la lumière et du bruit, et améliorer le contraste d'image en appliquant l'égalisation de l'histogramme. Dans la phase d'implémentation nous avons effectué plusieurs expérience, en se basant sur les différents types de descripteurs d’une part, et sur le type de classifieur d’autre part, en tenant compte les modifications apportées aux paramètres de prétraitement. Toutes ces expériences ont été menées sur la base de données JAFFE, comme décrit dans le 3éme chapitre D’après les résultats obtenus et présentés dans le 3émé chapitre , les meilleurs résultats obtenus étaient basés sur le classifieur SVM, où le score de reconnaissance des expressions faciales a atteint 92.06% et 90.48% , pour les descripteurs HOG et LBP successivement. Aussi nous avons également obtenu un score de 90.48% avec le descripteur HOG et classifieur euclidienne. Nous avons observé que le choix de type du classifieur, et le prétraitement d'images telles que l'égalisation de l'histogramme avant l'étape de l'extraction des caractéristiques, jouent un rôle très important dans l'amélioration des résultats et augmentent de l'efficacité du système d'identification des expressions faciales, et ce qui explique la variabilité des résultats en fonction des conditions expérimentales. Comme perspectives, on propose d’amélioré ce travail par : › Essayer une autre base de données universelle d’autant plus que la base JAFFE qui est une collection de visages asiatiques très similaires. › Essayez d'améliorer le prétraitement de l'image, par exemple en utilisant des filtres. › Utiliser d’autre descripteurs ou fusionner plusieurs descripteurs ensemble.