| Titre : | La Détection de la colère chez le conducteur en utilisant le Deep Learning |
| Auteurs : | RAOUNAK LILIA DAHAH, Auteur ; Dalila Hattab, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2020 |
| Format : | 1 vol. (60 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | Reconnaissance des expressions Faciales,les expressions faciales universelle,Détection de colère chez le conducteur,réseaux de neurone convolutifs approfondi,classificateur entrainé. |
| Résumé : | La conduite en état de colère est une cause majeure des accidents de la route et expose les conducteurs à des risques routière plus élevé à ceux qui sont à l’état de conduite calme. Par conséquent, l’utilisation des systèmes de reconnaissances des expressions faciales qui aide à mettre les conducteurs attentifs et fait l’alerte dans le cas de détection de colarité peut jouer un rôle très important dans la sécurité des conducteurs et des passagers.Ce mémoire présente une méthode de détection de colère chez les conducteurs en utilisant une architecture des réseaux de neurones convolutifs approfondis nommé « mini-xception » avec une base de données Fer-2013 pour fournir un classificateur entrainé peut facilement prédire les sept expressions faciales universelles (en colère, Heureux, tristesse, peur, surprise,dégoût, neutre) et estimer la probabilité de ces expressions faciales, notre système déclenche une alerte qui demande le changement du conducteur dans le cas d’estimation de probabilité supérieure ou égale à cinquante pour cent .Les résultats des tests montrent que le système proposé peut détecter la colère chez un conducteur d’une manière efficace dans peu de temps. |
| Sommaire : |
Introduction Générale 1
1 Un tour d’horizon sur l’Expression Faciale 3 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Emotion vs Expression Faciale . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Les Expression Faciales Emotionnelles EFE . . . . . . . . . . . . . 4 1.2.3 Micro et Macro Expression Faciale . . . . . . . . . . . . . . . . . . 4 1.3 L’étude analytique des Expressions Faciales . . . . . . . . . . . . . . . . . 5 1.3.1 La psychologie des Expressions Faciales . . . . . . . . . . . . . . . 5 1.3.2 Les Expressions Faciales Primaires . . . . . . . . . . . . . . . . . . 5 1.3.3 L’état émotionnelle des six expressions faciales universelles . . . . . 6 1.3.4 l’étude anatomique Des Expressions Faciales . . . . . . . . . . . . . 7 1.4 Différente Représentation des expressions faciales émotionnelles . . . . . . 8 1.4.1 FACS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4.2 MPEG4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.3 CANDIDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.5 Modules du système de reconnaissance des expressions faciales . . . . . . . 13 1.5.1 Détection du visage . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.1.1 Les techniques de détection du visage . . . . . . . . . . . . 15 1.5.2 Extraction des caractéristiques . . . . . . . . . . . . . . . . . . . . 15 1.5.2.1 Les caractéristiques géométriques . . . . . . . . . . . . . . 16 1.5.2.2 Les caractéristiques d’apparence . . . . . . . . . . . . . . . 16 1.5.3 La Reconnaissance des Expressions Faciales . . . . . . . . . . . . . 16 1.5.3.1 Les Classes des techniques de REF . . . . . . . . . . . . . 16 1.5.3.1.a Les méthodes Globales ou holistique . . . . . . . . 16 1.5.3.1.b Les Méthodes Locales . . . . . . . . . . . . . . . . 17 1.5.3.1.c Les Méthodes Hybrides . . . . . . . . . . . . . . . . 17 1.5.3.2 Les Types de Reconnaissance EF . . . . . . . . . . . . . . 17 1.5.3.2.a La reconnaissance basée sur les images fixe (statique) 18 1.5.3.2.b La reconnaissance basée sur les séquences vidéo (dynamique). 18 1.5.3.3 Les Bases de Données utilisées dans expressions faciales : . 18 1.5.3.3.a JAFFE . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.3.3.b Cohn Kanade . . . . . . . . . . . . . . . . . . . . . 19 1.5.3.3.c FER2013 . . . . . . . . . . . . . . . . . . . . . . . 20 1.6 Performance et L’état du conducteur dans le cas de « colère » . . . . . . . 21 1.6.1 Performance du conducteur . . . . . . . . . . . . . . . . . . . . . . 21 1.6.2 L’état Du conducteur « la colère » . . . . . . . . . . . . . . . . . . 21 1.7 Conclusion . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . 22 2 Réseaux de neurones et le Deep Learning 24 2.1 Introduction . . . . . . . . . . . . . . . . . 22 2.2 L’apprentissage en profondeur (Deep Learning) . . . . . . . . . . . . . . . 25 2.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2.2 Histoire de Deep Learning . . . . . . . . . . . . . . . . . . . . . . . 26 2.2.3 Concepts de Deep Learning . . . . . . . . . . . . . . . . . . . . . . 26 2.2.4 Machine Learning vs Deep Learning : où le Deep Learning Fait la difference ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2.5 Les avantages de Deep Learning . . . . . . . . . . . . . . . . . . . 28 2.3 Les Réseaux de neurones Convolutifs (CNN) . . . . . . . . . . . . . . . . . 28 2.3.1 Les couches constructives de CNN (architecture de CNN) . . . . . 29 2.3.2 La couche de convolution (CONV) . . . . . . . . . . . . . . . . . . 30 2.3.2.1 Les différentes convolutions . . . . . . . . . . . . . . . . . 31 2.3.3 La Couche RELU . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.3.4 La Couche pooling (POOL) . . . . . . . . . . . . . . . . . . . . . . 33 2.3.4.1 Le Flattening (La mise à plat) . . . . . . . . . . . . . . . 33 2.3.5 la Couche entièrement connectée (FC) . . . . . . . . . . . . . . . . 34 2.3.6 La Couche de perte (LOSS) . . . . . . . . . . . . . . . . . . . . . . 35 2.4 Quelques réseaux convolutifs célèbres . . . . . . . . . . . . . . . . . . . . . 35 2.5 Pourquoi Le CNN? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3 Conception d’un système de détection de la colère chez le conducteur en utilisant le Deep Learning 37 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2 Objectifs du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.3 Conception Générale de Système . . . . . . . . . . . . . . . . . . . . . . . 38 3.4 Conception détaillée du système . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.1 La phase d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . 38 3.4.1.1 la base de données . . . . . . . . . . . . . . . . . . . . . . 39 3.4.1.2 L’architecture de modèle « mini-xception » . . . . . . . . 39 3.4.1.2.a Motivation et objectif de choix . . . . . . . . . . . 42 3.4.2 La phase de prédictions (Test) . . . . . . . . . . . . . . . . . . . . 42 3.4.2.1 la détection du visage . . . . . . . . . . . . . . . . . . . . 42 3.4.2.2 Le prétraitement . . . . . . . . . . . . . . . . . . . . . . . 43 3.4.2.3 la classification et reconnaissance des expressions faciales 44 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4 Implémentation et résultats Expérimentaux 45 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2 Présentations d’outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2.1 Le hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2.2 Le software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2.2.1 Le langage utilisé . . . . . . . . . . . . . . . . . . . . . . 46 4.2.2.2 Les Bibliothèques Utilisés . . . . . . . . . . . . . . . . . . 47 4.3 Implémentation et résultats de notre Système . . . . . . . . . . . . . . . . 49 4.3.1 implémentation de la phase d’apprentissage . . . . . . . . . . . . . 50 4.3.1.1 Chargement et prétraitement de la base de données . . . . 50 4.3.1.1.a La fonction chargement de donnée (def load_data) 50 4.3.1.1.b La procédure de prétraitement def preprocess_input 50 4.3.1.2 L’architecture de « mini-xception » . . . . . . . . . . . . . 51 4.3.1.3 La fonction d’entraînement . . . . . . . . . . . . . . . . . 52 4.3.2 Résultat de l’entrainement . . . . . . . . . . . . . . . . . . . . . . 53 4.3.3 La phase de prédiction . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.4 la performance de notre système . . . . . . . . . . . . . . . . . . . . . . . 58 4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Conclusion générale et perspectives 60 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/571 | Mémoire master | bibliothèque sciences exactes | Consultable |
