Reconnaissance des expressions faciales avec SVM/CNN

Abstract

L’expression faciale est un ensemble de mouvements des muscles du visage reflétant l’état émotionnel d’un individu. La reconnaissance automatique de ces expressions constitue un domaine clé de l’intelligence artificielle, avec des applications variées telles que l’interaction homme-machine, la vidéosurveillance et les environnements intelligents. De nombreuses recherches ont exploré l’extraction des caractéristiques ainsi que l’utilisation de classifieurs afin d’améliorer la précision des systèmes de reconnaissance faciale. Toutefois, les performances restent limitées, notamment lors de l’utilisation de bases de données volumineuses et complexes. Dans ce travail, nous proposons une approche combinant l’apprentissage automatique, à travers la Machine à Vecteurs de Support (SVM), et l’apprentissage profond (CNN) pour la classification des expressions faciales. Des expérimentations ont été réalisées sur deux bases de données : JAFFE : un taux de reconnaissance de 90,91 % avec SVM et 95,45 % avec CNN a été obtenu. FER-2013 : bien que plus riche en données, cette base a nécessité un temps d’entraînement long (~10 heures), pour aboutir à une précision plus faible de 56 % avec CNN. Malgré ces résultats perfectibles, cette approche montre un fort potentiel, et ouvre la voie à des améliorations futures à travers l’optimisation des hyperparamètres et l’intégration de techniques avancées d’extraction de caractéristiques.