BOUDROUAZRoumaissaMEKHALFI AyaHibetErrahmane2023-09-142023-09-142023-06-22MM/759http://10.10.1.6:4000/handle/123456789/3871Facialexpressionsareafundamentalaspectofhumancommunication.Theyhavegained attention asabiometricsystem.Thisresearchfocusesonmicrofacialexpressions,which revealhiddenemotionsandintentionsthroughsubtlefacialmusclecontractions.Theobjective behind thisworkistodevelopahighlyaccuratemicrofacialexpressionrecognitionsystem using CNNdeeplearningmethodandALBPmethodforfeatureextraction.ACNNistrained on acurateddatasettodetectandinterpretthesesubtleemotionalcues.Ourstudyaimsto advancemicrofacialexpressionrecognition,benefitingemotionanalysis,liedetection,and understanding humanbehavior. The proposedCNN-basedmodel,showspromiseinaccuratelyclassifyingandrecognizing subtle emotionalcues.Inwhichwillcontributetothepotentialimprovementofpsychology, human-computer interaction,anddevelopingempathicsystems. However,limitationsrelatedtolightingconditions,imagequality,andfacialstructurevariations are acknowledged,requiringfurtherinvestigationforenhancedgeneralizability.Futurework involvesintegratingmultimodalinputs,exploringadvancedCNNmodels,andaugmentingthe dataset withdiverseexamplestoimprovereliabilityandeffectivenessinreal-worldscenarios Les expressionsfacialessontunaspectfondamentaldelacommunicationhumaine.Elles ont attirél’attentionentantquesystèmebiométrique.Cetterechercheseconcentresurles micro-expressionsfaciales,quirévèlentdesémotionsetdesintentionscachéesàtraversdesub- tiles contractionsmusculairesduvisage.L’objectifdecetravailestdedévelopperunsystème de reconnaissancedesmicro-expressionsfacialesextrêmementprécisenutilisantlaméthode d’apprentissage enprofondeurCNNetlaméthodeALBPpourl’extractiondescaractéristiques. Un CNNestentraînésurunensemblededonnéessélectionnépourdétecteretinterpréterces indices émotionnelssubtils.Notreétudeviseàfaireprogresserlareconnaissancedesmicro- expressionsfaciales,cequibénéficieàl’analysedesémotions,àladétectiondumensongeetà la compréhensionducomportementhumain. Le modèleproposébasésurCNNmontredesrésultatsprometteurspourclassifieretre- connaître avecprécisioncesindicesémotionnelssubtils.Celacontribuerapotentiellementà l’amélioration delapsychologie,del’interactionhomme-machineetdudéveloppementde systèmes empathiques. Cependant, deslimitationsliéesauxconditionsd’éclairage,àlaqualitédel’imageetaux variationsdelastructurefacialesontreconnues,nécessitantdesrecherchessupplémentaires pour unemeilleuregénéralisation.Lestravauxfutursimpliquentl’intégrationd’entréesmulti- modales, l’explorationdemodèlesCNNavancésetl’augmentationdel’ensemblededonnées avecdesexemplesvariéspouraméliorerlafiabilitéetl’efficacitédansdesscénariosréels. Mots clés : biométrie,reconnaissancedelamicro-expressionfaciale,réseaudeneuronescon- volutifs,extractiondecaractéristiques. à Amt¡¯􀀀enMicro FeaturesDescriptorforFaceExpressionAnalysisThesis