Recherche Avancée

Thèse soutenue

Analyses d'expressions faciales

FR
Auteur / Autrice : Séverine Dubuisson
Direction : Franck Davoine
Type : Thèse de doctorat
Discipline(s) : Contrôle des systèmes
Date : Soutenance en 2001
Etablissement(s) : Compiègne

Résumé

FR

L'objectif de la thèse est l'étude des méthodes de représentation et de reconnaissance d'expressions faciales. Le visage étant la partie la plus expressive d'un être humain, il est l'un des centres d'intérêt majeurs dans les recherches pour l'amélio¬ration de l'interaction homme/machine, Pour analyser une expression, il faut tout d'abord extraire d'un visage les attributs caractérisant l'expression. Il est ensuite nécessaire de leur choisir une représentation appropriée afin de faciliter le problème final de reconnaissance, qui se fait par le biais d'outils de mesure. Nous donnons deux états de l'art concernant l'extraction de caractéristiques et la reconnaissance d'expressions faciales, avant de proposer nos contributions personnelles. Nous proposons un algorithme de détection des traits caractéristiques per-mettant d'extraire la partie intérieure de visages supposés vus de face. Le principe est de révéler des zones caractéristiques du visage en utilisant un filtrage de Gabor. Nous déterminons ensuite lesquelles d'entre elles correspondent aux yeux et à la bouche en classant les noeuds générés par un partitionnement adaptatif de l'image du module de Gabor. La méthode testée sur de nombreux exemples s'est montrée robuste. Nous présentons ensuite une méthode de reconnaissance d'expressions basée sur une optimisation de la représentation, par analyse statistique, de masques faciaux expressifs. Nous calculons une Analyse en Composantes Principales sur un ensemble d'apprentissage composé d'individus issus de différentes classes d'expression. L'idée est de trier les composantes principales générées dans leur ordre décroissant d'importance pour le problème de reconnaissance d'expressions. Pour cela, nous utilisons une procédure itérative qui sélectionne pas à pas les composantes et dont le critère de sélection est celui de l'erreur commise par le discriminateur. Le sous-espace propre ''optimisé'' est construit avec les vecteurs propres associés aux composantes triées et nous y projetons les individus. Nous effectuons ensuite une Analyse Discriminante Linéaire, fournissant un sous-espace discriminant dans lequel s'opère la reconnaissance d'expressions. Les tests effectués et les résultats fournis montrent l'intérêt du choix d'une représentation optimale pour la reconnaissance.