Reconnaissance d'expression faciale grâce au réseau neuronal convolutif

Thèmes abordés

Réseau neuronal convolutif, vision artificielle, apprentissage automatique, émotions, expression faciale, application, reconnaissance automatique, machine vecteur support, BN Réseau bayésien, modèle 2D, modèle 3D, nouvelles technologies, technologies d'apprentissage, ANN Artificial neuronal network

Résumé du document

Au cours des dernières années, l'utilisation du réseau neuronal convolutif ne cesse de progresser dans le domaine informatique. La reconnaissance des formes, la vision artificielle et l'apprentissage automatique sont des domaines d'utilisation de ce réseau. Une des importantes applications est la reconnaissance des émotions via la zone d'expression du visage.
La reconnaissance d'expressions faciales grâce au réseau neuronal convolutif est utilisée pour de nombreuses tâches et son développement fût très rapide.
Nous allons présenter des travaux de recherches récents dans ce domaine, introduire les nouvelles applications puis présenter une méthode existante.

Extraits

[...] Chaque n?ud de sortie correspond à l'une des expressions qui génèrent son niveau de confiance 17]. Certaines opérations telles que le maxpooling et la convolution seront appliquées à l'image originale comme filtre pour extraire une représentation différente des images dans chaque couche. L'opération de maxpooling est utilisée pour réduire les dimensions des extraits caractéristiques qui sont parfois cachés. Certains problèmes d'applications de CNN sont tels que le temps de calcul pour les nombreuses couches et données est important. Il existe des solutions à ces problèmes comme le GPU (unité de traitement graphique). [...]

[...] Figure 1 Architecture CNN Processus de reconnaissance d'expression faciale Il existe 4 étapes principales dans le processus de reconnaissance d'expression faciale à l'aide du CNN. Ces étapes sont les suivantes : - La normalisation : Les images présentent dans la base de données varient en fonction de nombreux paramètres qui peuvent affecter sur la précision et la performance de la reconnaissance de l'expression. Ces paramètres sont par exemple la rotation, la luminosité ainsi que la différence d'éclairage et cela peut être pour les images d'une même personne. [...]

[...] Références Li, S. Z., and Jain, A. K "Handbook of Face Recognition." Springer Science & Business Media. Michel, V., and Maja, P "Induced Disgust, Happiness and Surprise: An Addition to the Facial Expression Database." In Proc. 3rd Intern. Workshop on EMOTION. Ghayoumi, M "Follower Robot with an Optimized Gesture Recognition System." Presen Susskind, J. M., Anderson, A. K., and Geoffrey, E. H The Toronto Face Database. University of Toronto, Toronto, ON, Canada, Tech. [...]

[...] La première couche du CNN est une couche de convolution qui applique un noyau de convolution de m x m qui génère une image de m x n ² pixels. Cette couche est suivie d'une couche de sous-échantillonnage utilisant du max-pooling avec une taille de noyau de k x k pour réduire la taille de l'image de moitié. Par la suite, une nouvelle convolution est appliquée au vecteur caractéristique et est suivie d'un autre sous-échantillonnage. La sortie est donnée à une couche entièrement connectée qui possède L neurones. Le réseau contient 6 sorties. [...]

[...] Cette région d'intérêt est ensuite rognée à 48 x 48 pixels et convertie en niveaux de gris. Comme nous l'avons vu précédemment le choix de la taille de l'image est basé sur l'équilibre entre prévision et vitesse. La plage passe de 255] à après centrage et normalisation. De plus, les images sont converties au format idx3-ubyte pour une analyse pratique. Vient ensuite l'étape de formation et d'évaluation. Toutes les images de l'ensemble sont utilisées avec 30 époques et une taille de lot de 32. [...]