Résumé:
L'intérêt de la Reconnaissance automatique des Expressions Faciales (REF) est en hausse en raison de l'émergence de nombreuses applications, telles que l'interaction homme-machine, la sécurité et la mesure de la satisfaction client. La reconnaissance en temps réel de l'état émotionnel est cruciale pour ces applications. Un système de REF fonctionne généralement en trois étapes : la détection du visage, l'extraction des caractéristiques et la classification. L'étape d’extraction consiste à convertir chaque image en un ensemble de caractéristiques discriminantes. L’étape de classification utilise généralement des algorithmes d’apprentissage automatique pour classifier cet ensemble de caractéristiques en une classe d’expression faciale. Notre objectif est de mettre en oeuvre un système REF performant en utilisant l’algorithme d’apprentissage profond CNN (réseaux de neurones convolutifs). Notre contribution principale consiste à chercher la bonne configuration du système REF proposé permettant d’obtenir de bonnes performances en termes de précision et de complexité. Les résultats nous ont montrés de bonnes performances de l’algorithme de classification CNN avec une précision de validation de 85%, une précision de test de 89% et une précision d'apprentissage de 95%, évaluées sur la base de données JAFFE qui comprend 7 classes d’expressions facials
