Reconnaissance d’expression faciale à partir d’un visage réel

Abstract

L’efficacité des systèmes de reconnaissance d’expressions faciles est importante pour une bonne interaction homme-machine. Mais la tâche de la reconnaissance de l’expression faciale est liée à plusieurs méthodes qui fournissent des facteurs influençant sur la performance des Systèmes FER. Ce mémoire fournit l’étude de deux architectures du réseau CNN : VGG16 et Xception, afin d’examiner leur performances et de proposer un modèle hybride qui permet de fusionner les deux et on obtenir un nouveau modèle qui optimise les performances. Notre choix de ces deux architectures est motivé par leur succès dans la reconnaissance d’image. Contrairement à d'autres travaux, nous nous concentrons sur la structure de CNN tout en analysant les convolutions internes dans les réseaux qui influencent directement sur les résultats. Les deux approches proposées sont testée sur la base de données FER-2013. Les résultats démontrent la supériorité du CNN Xception avec sa spécificité conventionnelle qui inclut des couches de Convolution séparable. La précision augmente même lorsque le modèle ne traite pas la totalité de paramètres, ce qui génère des résultats remarquables sur la base de données FER-2013 où il atteint 73% sur FER-2013 par rapport à 62% pour VGG16