Note ABES 3D Facial Expressions Recognition Using Shape Analysis and Machine Learning Reconnaissance d'expressions faciales 3D basée sur l'analyse de forme et l'apprentissage automatique Capteurs d'acquisition 3D 006.4 Systèmes homme-machine Expression du visage Informatique Apprentissage automatique Classification automatique Imagerie tridimensionnelle Reconnaissance des formes (informatique) Géométrie de Riemann La reconnaissance des expressions faciales est une tâche difficile, qui a reçu un intérêt croissant au sein de la communauté des chercheurs, et qui impacte les applications dans des domaines liés à l'interaction homme-machine (IHM). Dans le but de construire des systèmes IHM approchant le comportement humain et émotionnellement intelligents, les scientifiques essaient d'introduire la composante émotionnelle dans ce type de systèmes. Le développement récent des capteurs d'acquisition 3D a fait que les données 3D deviennent de plus en plus disponibles, et ce type de données vient pour remédier à des problèmes inhérents aux données 2D tels que les variations d'éclairage, de pose et d'échelle et de faible résolution. Plusieurs bases de données 3D du visage sont publiquement disponibles pour les chercheurs dans le domaine de la reconnaissance d'expression faciale leur permettant ainsi de valider et d'évaluer leurs approches. Cette thèse traite le problème la reconnaissance d'expression faciale et propose une approche basée sur l'analyse de forme pour la reconnaissance d'expression dans un cadre statique (relatif à une seule image) et dynamique (relatif à une séquence vidéo). Tout d'abord, une représentation du modèle 3D du visage basée sur les courbes est proposée pour décrire les traits du visage. Puis, une fois ces courbes sont extraites, l'information de forme qui leur est liée est quantifiée en utilisant un cadre de travail basé sur la géométrie Riemannienne. Nous obtenons, par la suite, des scores de similarité entre les différentes formes locales du visage. Nous constituons, alors, un vecteur de caractéristiques associées à chaque surface faciale. Ensuite, ces caractéristiques sont utilisées comme paramètres d'entrée à des algorithmes d'apprentissage automatique et de classification pour la reconnaissance d'expressions. Des expérimentations exhaustives sont alors entreprises pour valider notre approche et des résultats sont présentés et comparés aux résultats des travaux de l'état de l'art. Facial expression recognition is a challenging task, which has received growing interest within the research community, impacting important applications in fields related to human machine interaction (HMI). Toward building human-like emotionally intelligent HMI devices, scientists are trying to include the essence of human emotional state in such systems. The recent development of 3D acquisition sensors has made 3D data more available, and this kind of data comes to alleviate the problems inherent in 2D data such as illumination, pose and scale variations as well as low resolution. Several 3D facial databases are publicly available for the researchers in the field of face and facial expression recognition to validate and evaluate their approaches. This thesis deals with facial expression recognition (FER) problem and proposes an approach based on shape analysis to handle both static and dynamic FER tasks. Our approach includes the following steps: first, a curve-based representation of the 3D face model is proposed to describe facial features. Then, once these curves are extracted, their shape information is quantified using a Riemannain framework. We end up with similarity scores between different facial local shapes constituting feature vectors associated with each facial surface. Afterwards, these features are used as entry parameters to some machine learning and classification algorithms to recognize expressions. Exhaustive experiments are derived to validate our approach and results are presented and compared to the related work achievements. Electronic Thesis or Dissertation Text en PDF 12225324 text/html https://pepite-depot.univ-lille.fr/LIBRE/EDSPI/2012/50376-2012-Maalej.pdf https://theses.fr/2012LIL10025/abes Maalej Ahmed Maalej 1981-06-30 TN 165412577 https://theses.fr/2012LIL10025 2012LIL10025 https://doi.org/10.70675/49a773fazc816z409fz8be6z3a205549d1e3 2012-05-23 Informatique Lille 1 026404184 Doctorat Docteur es non oui Daoudi Mohamed MADS_DIRECTEUR_DE_THESE_1 095749934 Ben Amor Boulbaba MADS_DIRECTEUR_DE_THESE_2 113980477 École doctorale Sciences pour l'ingénieur (Lille ; 1992-2021) MADS_ECOLE_DOCTORALE_1 147297028 Laboratoire d'informatique fondamentale de Lille (2002-2014) MADS_PARTENAIRE_DE_RECHERCHE_1 077703553 ddc:000 Daoudi Mohamed Ben Amor Boulbaba École doctorale Sciences pour l'Ingénieur (Lille) Laboratoire d'informatique fondamentale de Lille (LIFL) ASCII PDF 12225324