Résumé:
L’expression faciale est le moyen le plus couramment utilisé par les humains pour
transmettre les états émotionnels. Ainsi, la reconnaissance automatique des émotions à partir
des expressions faciales a gagné récemment une attention accrue. Un système capable de
réaliser cette tâche peut être divisé en trois modules, à savoir la détection du visage,
l’extraction des caractéristiques et la classification. Dans ce travail, nous nous sommes
intéressés aux deux derniers modules. En effet, pour l’extraction des caractéristiques, nous
avons appliqué deux approches, la première basée sur l’extraction de l’information de texture
(LBP) et l’autre basé sur l’extraction de l’information de forme (HOG). Pour l’opération de
classification, nous avons examiné deux différentes méthodes d’apprentissage automatique,
notamment les machines à vecteurs de support (SVM) et K-plus proche voisin (KNN).
Plusieurs expériences ont été menées afin de vérifier l’efficacité de chacune des approches.
Les résultats expérimentaux, sur deux bases de données à savoir ‘Japanese Female Facial
Expression (JAFFE)’ et ‘Multimedia Under standing Group (MUG)’, prouvent que les
meilleures performances de reconnaissance, en termes de taux reconnaissance et de temps de
réponse, sont obtenues en utilisant les caractéristiques HOG avec un classifieur SVM
