| Titre : | Reconnaissance d'émotions basée sur la vidéo en temps réel à l'aide d'un réseau neuronal convolutif. |
| Auteurs : | Youcef ALLAOUA, 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, 2021 |
| Format : | 1 vol. (61p.) / ill. / 29 cm |
| Langues: | Français |
| Résumé : | L’informatique affective et la reconnaissance d’émotions ont connu un intérêt croissant dans plusieurs domaines de recherche durant ces dernières décennies. En particulier, les expressions faciales représentent un des moyens les plus efficaces pour le relevé des éléments caractéristiques du comportement humain et décrire un état émotionnel.des algorithmes basés sur l'apprentissage en profondeur (Deep Learning) sont mis en oeuvre pour classer les émotions exprimées par le visage en temps réel capturées via une webcam. En effet, Le Réseau de Neurones Convolutif (CNN) est utilisé pour détecter en temps réel les émotions exprimées par le visage en sept émotions différentes obtenues à partir des images traitées. Néanmoins, les CNNs utilisés ont succédé de realiser un taux de précision de reconnaissance au tour de 66% due du manque de processus de régularisation d’un coté, ainsi que l’utilisation unique de la base de données FER2013 d’autre coté.Dans notre travail, nous avons ajouté un processus de régularisation dans le CNN ainsi que l’enrechissement de la base de données FER2013 par celle FER2013new afin de d’offrir un maximum de donnees. Les resultats obtenus sont prometteuses et traduit par le taux de précision de reconnaissance qui peut arriver jusqu’à 84%. |
| Sommaire : |
Introduction Générale............................................................................................................ 7
1 Introduction ...................................................................................................................... 10 2 Émotions .......................................................................................................................... 10 3 Expression faciale ............................................................................................................. 10 4 Expressions faciales vs émotions ....................................................................................... 10 5 Différents types et psychologie des émotions basales ........................................................ 11 6 Synthèse des travaux développés pour la reconnaissance d’expressions faciales : .............. 12 7 Réseaux de neurones: ....................................................................................................... 13 7.1 Définition ............................................................................................................................... 13 7.2 Historique .............................................................................................................................. 13 7.3 Topologie ............................................................................................................................... 14 8 L’apprentissage en profondeur (deep Learning):................................................................ 14 8.1 Définition ............................................................................................................................... 15 8.2 Historique .............................................................................................................................. 16 8.3 Pour quoi le choix “apprentissage profond” ............................................................................ 16 8.4 Les différentes Architectures du “apprentissage profond” ....................................................... 17 8.4.1 Les réseaux de neurones convolutifs (CNN) .............................................................................................. 17 8.4.2 Réseau de neurones récurrents ................................................................................................................. 17 8.4.3 Modèle génératif ....................................................................................................................................... 18 8.4.4 Exemples d’application de “apprentissage profond” ................................................................................ 19 9 Analyser les expressions faciales, puis déterminer l'émotion automatique ......................... 20 9.1 Détection du visage ................................................................................................................ 21 9.2 Extraction des caractéristiques facials ..................................................................................... 21 9.2.1 Méthodes globales ..................................................................................................................................... 21 9.2.2 Méthodes locales ....................................................................................................................................... 22 9.2.3 Méthodes hybrides .................................................................................................................................... 22 9.3 La classification....................................................................................................................... 23 5 10 En temp réel (Pré-traitement vidéo) ................................................................................ 23 11 Applications possible et les avantages de la reconnaissance d’émotions .......................... 24 12 Conclusion ...................................................................................................................... 24 1 Introduction ...................................................................................................................... 26 Réseaux de neurones convolutifs ......................................................................................... 26 2.1 Différents modules d’un réseau de neurones convolutif .......................................................... 28 2.1.1 La convolution ............................................................................................................................................ 28 2.1.2 Le pooling ................................................................................................................................................... 30 2.1.3- Les fonctions d’activation : ....................................................................................................................... 31 2.1.4 Couche entièrement connectée (Fully Connected Layer (FC)) .................................................................. 32 2.2 Outils d’optimisation des réseaux convolutifs .......................................................................... 33 2.2.1 La batch normalisation............................................................................................................................... 33 2.2.2 Les fonctions de perte ................................................................................................................................ 33 2.2.3 Méthodes de régularisation ....................................................................................................................... 34 2.3 Les architectures neuronales convolutifs ................................................................................. 35 3 Conclusion : ...................................................................................................................... 36 1 Introduction ...................................................................................................................... 38 2 Environnement de développement .................................................................................... 38 2.1 Spyder(anaconda) ................................................................................................................... 38 1.2 Python ................................................................................................................................... 39 3 Bibliothèques utilisées ...................................................................................................... 39 3.1 OpenCV (Open Source Computer Vision Library) ...................................................................... 39 3.2 Numpy ................................................................................................................................... 39 3.3 Matplotlib .............................................................................................................................. 39 3.4 Keras ...................................................................................................................................... 39 3.5 Pandas ................................................................................................................................... 39 4 Base de données ............................................................................................................... 40 4.1 FER2013 ................................................................................................................................. 40 4.2 FER2013new ........................................................................................................................... 40 5 Implémentation codage du système .................................................................................. 41 5.1 Formation du model avec keras .............................................................................................. 41 5.2 Formation du modele ............................................................................................................. 42 5.2.1 • modele (1) : ............................................................................................................................................. 42 5.2.2 • modele 2: ................................................................................................................................................ 43 6 5.2 Entraînement: ........................................................................................................................ 46 5.3 Résultats expérimentaux et analyse de performance .............................................................. 47 5.4.1 Discussion 1................................................................................................................................................ 48 5.4.2 Architecture ............................................................................................................................................... 49 5.4.3 Matrice de confusion ................................................................................................................................. 50 6 Test: ................................................................................................................................. 51 6.1 Tester le modèle en temps réel avec OpenCV et WebCam:....................................................... 51 6.2 le modèle en video.mp4 : ........................................................................................................ 52 6.3 le modèle en image.png : ........................................................................................................ 53 7 Discussion 2 : .................................................................................................................... 55 8 Conclusion ........................................................................................................................ 55 Conclusion Générale ............................................................................................................ 57 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/656 | Mémoire master | bibliothèque sciences exactes | Consultable |
