Facial expression recognition in videos

Résumé

La reconnaissance des expressions faciales est considérée comme le moyen le plus efficace et le plus naturel pour l’homme de communiquer ses émotions, d’exprimer ses sentiments, de clarifier et d’accentuer et, plus généralement, de réguler ses interactions avec les autres personnes. Du point de vue de la psychologie, des efforts remarquables ont été faits pour réaliser comment les humains interprètent et perçoivent les expressions faciales en termes de modèles mentaux d’émotions et d’états effectifs. Au cours de la dernière décennie, nous avons assisté à des progrès considérables en matière d’apprentissage machine et d’interactions homme-machine. Ces progrès et l’importance de la reconnaissance des expressions faciales dans un certain nombre d’applications dans des domaines tels que l’interaction homme-machine, la communication multimédia, la robotique et la vidéosurveillance, attirent beaucoup d’attention dans la communauté de la vision par ordinateur pour utiliser les outils et technologies de calcul massif existants afin de concevoir des algorithmes dans lesquels les humains interagissent avec les ordinateurs d’une manière nouvelle. Comme ce domaine reste un problème difficile en raison de la complexité des mouvements des composants du visage et des variations temporelles des expressions, notre objectif dans cette recherche est de présenter un modèle capable de modéliser entièrement les informations temporelles ainsi que les caractéristiques de l’apparence pour reconnaître six émotions de base (bonheur, tristesse, colère, peur, surprise, dégoût). Comme le manque de données est un problème majeur dans le domaine de la vision par ordinateur et de l’apprentissage machine, nous étudions des méthodes pour surmonter ce défi. Nous montrons comment les grandes exigences en matière de données pour l’apprentissage profond peuvent être allégées en utilisant des données synthétiques axées sur le problème de la reconnaissance des expressions faciales. Nous étudions l’utilisation de données synthétiques sur les expressions faciales pour contourner les exigences importantes en matière de données et nous rendons compte des effets de cette approche pour la reconnaissance des expressions basée sur l’apprentissage profond. Pour un processus d’apprentissage efficace et efficient, nous avons mis en oeuvre et réalisé des expériences approfondies sur différents algorithmes et modèles bien connus, notamment LBP-TOP, les machines à vecteurs de support, les réseaux neuronaux 3D et les réseaux neuronaux récurrents. Nous évaluons et comparons nos méthodes sur différents ensembles de données disponibles publiquement où les performances, les mérites et les démérites sont discutés et montrés.

Date	15 nov. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Sylvie Ratté (Directeur(-trice))