La reconnaissance des émotions faciales en utilisant les réseaux de neurones convolutifs

Abstract

a reconnaissance des émotions faciales (Face Expression Recognition – FER) constitue aujourd'hui un axe de recherche stratégique, tant par ses implications technologiques que par ses applications sociétales. Elle joue un rôle fondamental dans des domaines variés tels que la sécurité des accès, l'analyse de la satisfaction client, l'assistance personnalisée et le diagnostic en santé mentale. Le présent mémoire s'intéresse au développement d'un système de reconnaissance automatique des émotions à partir d'images faciales statiques, en s'appuyant sur les avancées récentes des réseaux de neurones à convolution profonde (Deep Convolutional Neural Networks – DCNN). L'objectif principal de ce travail est de concevoir, entraîner et évaluer un modèle CNN capable d'identifier de manière fiable les émotions de base – telles que la joie, la tristesse, la colère ou la surprise – à partir d'images en niveaux de gris de faible résolution (48×48 pixels). L'approche adoptée intègre des techniques de prétraitement d'images, d'optimisation d'architecture de réseau et d'ajustement des paramètres d'apprentissage, afin d'améliorer la capacité du modèle à extraire des caractéristiques discriminantes pour la classification émotionnelle. Les expérimentations menées sur des jeux de données spécialisés démontrent l'efficacité du modèle proposé pour la reconnaissance émotionnelle faciale. Les résultats obtenus soulignent non seulement la robustesse des réseaux convolutifs pour ce type de tâche, mais ouvrent également des perspectives prometteuses en matière d'interaction homme-machine, de systèmes embarqués et d'applications en temps réel. Ce mémoire présente en détail la méthodologie employée, l'analyse critique des résultats et propose des pistes d'amélioration pour des travaux futurs.