1 / 18

Automatisation de la reconnaissance des émotions à partir d'expressions faciales

Automatisation de la reconnaissance des émotions à partir d'expressions faciales. La reconnaissance des émotions à partir des expressions faciales: Est-ce possible ? - au niveau théorique. Peut-on la réaliser ? - moyens techniques. Doit-on la réaliser ? - questions éthiques. .

kamala
Télécharger la présentation

Automatisation de la reconnaissance des émotions à partir d'expressions faciales

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Automatisation de la reconnaissance des émotions à partir d'expressions faciales D. Graeff, E. Layan & E. Lopez

  2. D. Graeff, E. Layan & E. Lopez La reconnaissance des émotions à partir des expressions faciales: • Est-ce possible ? - au niveau théorique. • Peut-on la réaliser ? - moyens techniques. • Doit-on la réaliser ? - questions éthiques.

  3. Est-ce possible ? - au niveau théorique • Constat : La machine n’a qu’une partie de l ’information relative aux émotions : les expressions faciales. • Problématiques : Sont-elles fiables? 1 émotion = 1 expression?  Sont-elles universelles?  émotions sans expressions et expressions sans émotions.

  4. Les expressions sont-elles universelles ? • Darwin: The Expression of Emotions in Man and Animals (1872)‏ Les expressions sont issues - notamment - de l’ évolution, elles seraient universelles + vérification empirique. • les travaux d’ Ekman. Universalité des 6 émotions de base : joie, surprise/peur, colère, dégoût, tristesse. Les expressions correspondantes se retrouvent dans toutes les cultures. Étude menée en Papouasie nouvelle Guinée. Photos à caractériser (6 émotions de base)‏

  5. Des biais subsistent : propriétés des émotions et différences inter-individuelles • Des émotions sans expression faciale spécifique ? • Un seuil déclencheur de l’expression variable pour chaque individu. • Des événements plus ou moins déclencheurs de l’expression. • Une expression pour plusieurs émotions (remord, déception). • Plusieurs expressions pour une émotion ( la gêne). • Les expressions sans émotion, la question des faux. L'orbicularis oculis marqueur de l'authenticité de la joie. A: un sourire stimulé électriquement : « faux sourire ». B: un sourire spontané :le sourire de Duchenne.

  6. Est-ce possible ? - au niveau théorique. Conclusion • La reconnaissance des émotions à partir des expressions faciales est justifiée: • il y a universalité des expressions que cela soit le produit de notre physiologie (et de l’évolution) ou d’une convergence entre cultures. • Si des biais subsistent, leur importance dépend de l’objectif de l’ application. • - Ce n’est pas toujours dans l’intérêt de l’utilisateur de cacher ses émotions. • Et même, il est possible de distinguer les faux pour certaines expressions (classification, système FACS). • - Un suivi personnalisé est possible.

  7. Peut-on la réaliser ? - moyens techniques. • Reconnaître une émotion à partir d’expressions faciales, c’ est: • Détecter un visage et le suivre • Travailler ce visage : relever les points caractéristiques • - Essai d’algorithme • - Techniques habituelles • Classer les expressions ( soit les variations des points caractéristiques)‏ • - Essai d’algorithme • - Techniques habituelles

  8. Détecter un visage et le suivre • Quelques techniques permettant la détection de visages : • - Rechercher les composants caractéristiques du visage (yeux, bouche)‏ • - Utiliser les textures et intensités de couleurs (peau # autres)‏ • - Méthode Template-matching : comparer avec un gabarit (visage moyen)‏ • - Méthode Eigenface : comparer avec image modifiée aprés ACP • (vecteurs propres maximisant les différences inter-visages)‏ • Ce qui se fait actuellement :

  9. Travailler ce visage : relever les points caractéristiques. Essai d’algorithme Raisonnementsur les composantes HSV : hue (teinte), saturation et value (luminosité). Des lèvres avec : - une teinte rose-rouge (h = 357-2°), - une saturation moyenne (ni éclatantes, ni pales), - une luminosité assez importante. Cône HSV. Résultat : la bouche est détectée, pas assez précisément cependant.

  10. Travailler ce visage : relever les points caractéristiques. Techniques habituelles • Soit on choisit arbitrairement quelques points caractéristiques • Difficulté : extraction des points • Soit on entraîne un système à chercher les points pertinents • Difficulté : l'apprentissage

  11. Classer les expressions: Essai d’algorithme, Ratios Prélèvement manuel des points caractéristiques. Par simplification, les 4 points des extrémités de la bouche transformés en deux ratios pour représenter : l'étirement et l'orientation (vers le bas, vers le haut). Ce prélèvement se fait sur 200 photos sélectionnées avec soin. Avec cette information, classer les visages expressifs en 4 émotions : la joie, la tristesse, la surprise et le dégoût; toutes des émotions de base. Comment sont définies ces classes?

  12. Classer les expressions: Essai d’algorithme, Logique floue • Un programme basé sur les principes de la logique floue. • Des classes vagues : différentes intensités dans l’émotion, pas de séparation nette entre les émotions. • Refus du principe de non-contradiction : « une tristesse heureuse ». • Refus du principe du tiers exclu : émotion neutre. => Raisonnement en degrés d’appartenance à une classe. µ(x) est la fonction d'appartenance de l'émotion. x est l'élément retenu de la photo : en l'occurence, 2 ratios.

  13. Classer les expressions: Essai d’algorithme On cherche à obtenir les meilleures fonctions d'appartenance en 200 photos. Nos fonctions sont des gaussiennes 3D, on peut agir sur l'écart-type et l'espérance : - variation de l'espérance : variation du prototype. - variation de l'écart-type : variation de l'amplitute. Résultats: des courbes qui englobent les autres, des résultats trop variables selon les écart-types initiaux. Amélioration : trouver les paramètres initiaux optimaux.

  14. Classer les expressions: Essai d’algorithme, Critiques • 4 points ne suffisent pas. • absence d’apprentissage: • - des critères d’évolution arbitraires. • - aucun retour sur les conséquences du changement. • - pas de réelle mémorisation des entrées passées et de leur impact. • la fonction de gauss: • - et si on avait été en 4D ou plus? • - elle implique un seul prototype là ou il existe en réalité différents types d’expressions qui correspondent parfaitement à l’émotion. • Une bonne solution aurait été de faire une approximation polynomiale de notre fonction d’appartenance: • - plusieurs prototypes sont ainsi permis. • - c’est approximer une fonction donnée au début par l’homme par une notation des expressions. Il y aurait évaluation d’un écart à la classification souhaitée (apprentissage et méthode supervisée).

  15. Classer les expressions: Techniques habituelles • L'approche machine à vecteurs de support (SVM)‏ • L'approche des « k plus proches voisins »

  16. Peut-on la réaliser ? - moyens techniques. Conclusion • Des techniques de détection et de classification existent. • Le problème est de classer un visage en temps réel avec des performances correctes. • Le problème tend à être résolu avec les hybrides.

  17. Doit-on la réaliser? –questions éthiques. • Quelles applications à la reconnaissance automatisée des émotions? • Industrie du jeu vidéo. • Surveillance : • - en savoir plus sur l’expression, c’est améliorer l’identification faciale. • - détection des comportements agressifs. • Tutoriaux : adapter questions et remarques en fonction de l’état émotionnel de l’apprenant. • IHM, robots domestiques. • Jusqu’où doit aller l’automatisation des tâches? • Jusqu’où doit aller la similitude entre homme et robot? L’intelligence émotionnelle, n’est-ce pas de trop?

  18. Conclusion • La reconnaissance d’expressions faciales se développe quoique l’on pense de ses applications. Elle est encore imparfaite : qualité et temps du traitement du visage. • Pour notre TER : essayer de construire un algorithme de reconnaissance des émotions qui englobait la logique floue nous a ouvert à de nouveaux concepts. Notre algorithme aurait pourtant pu être plus pertinent si nous nous étions basés sur des techniques déjà existantes et efficaces. • Notre site : clarté (sobriété, code couleur), système de pliage-dépliage, références, possibilité d’impression, accessibilité, valide XHTML.

More Related