Rebahi Ghediri ImaneSemri KhawLaBelhouchette Kenza2021-11-062021-11-062021http://hdl.handle.net/123456789/11243Pour les êtres humains, l'expression du visage est l'un des plus puissants et naturels moyens pour communiquer leurs émotions et leurs intentions. Un être humain est capable de reconnaitre les expressions du visage sans effort, mais, pour une machine, cette tâche est très difficile. Aujourd'hui, la reconnaissance d'expression faciale s'avère être l'une des applications les plus pertinentes dans de nombreux domaines à savoir : interaction homme-machine, médecine, sécurité, éducation, . . . Tout système de reconnaissance automatique des expressions faciales passe par étapes essentielles : la détection du visage, l'extraction des caractéristiques faciales, et la classification des expressions. Un système qui effectue ces opérations, et avec précision, serait crucial pour parvenir à une interaction homme machine comme celle homme aura lieu. L'efficacité des systèmes de reconnaissance d'expressions faciles est importante pour une bonne interaction homme-machine. Mais la tâche de la reconnaissance de l'expression faciale est liée à plusieurs méthodes qui fournissent des facteurs influençant sur la performance des systèmes FER (Facial recognition System). Ce mémoire présente un travail qui exploite une architecture du réseau CNN " MobileNetV2 ", pour la reconnaissance des émotions de base. Notre choix de cette architecture est motivé par son succès dans la classification des images, ce qui a été prouvé par nos résultats obtenus. Nous nous concentrons sur la structure de CNN tout en analysant les convolutions internes dans les réseaux qui influencent directement sur les résultats. Notre système de reconnaissance des émotions de base été entrainé sur la base de données la Fer2013.frEmotionRéseaux de neuronesExpressions facialeOther