Explication courte

Le projet "Face Expression Reconnaissance" vise à reconnaître les expressions faciales humaines en utilisant la méthode du réseau neuronal convolutionnel (CNN). L'algorithme CNN est appliqué pour analyser les données visuelles telles que les images faciales au format de niveaux de gris, qui est ensuite classée en sept catégories d'expressions de base: heureuse, triste, en colère, choquée, peur, dégoût et neutre. Ce modèle est formé à l'aide de DataSet Fer2013 et a atteint avec succès une précision de 91,67% après une formation pour 500 époques.

Objectifs du projet

Projet "Face Expression Reconnaissance" est la fin du cours d'intelligence artificielle où dans ce projet, il y a des réalisations qui doivent être réalisées, y compris:

Développer un système d'introduction de l'expression faciale basée sur l'intelligence artificielle. Ce système devrait être en mesure d'identifier les émotions qui rayonnent des expressions faciales automatiquement et avec précision.
1. expérimenter des algorithmes d'apprentissage automatique pour augmenter la précision des expressions faciales. Dans ce projet, l'algorithme CNN est testé pour comprendre dans quelle mesure ce modèle est capable de reconnaître les modèles complexes dans les dessins de visage. Cet effort comprend également l'optimisation des paramètres du modèle, des données de formation supplémentaires et l'utilisation de méthodes d'augmentation des données.
2. Pile technologique utilisée

Framework: Python utilise la bibliothèque comme TensorFlow / difficile à implémenter CNN.

DataSet: L'ensemble de données utilisé est Fer2013 (Facial Expression Reconntion 2013), qui contient 35 887 images en niveaux de gris avec des dimensions de 48x48 pixels. Ces images sont équipées d'une étiquette qui comprend sept catégories d'expression de base.

Outils:
Numpy et pandas pour la manipulation des données.
3. Matplotlib pour la visualisation.
Haar Cascade pour la détection du visage de la caméra.

Résultats
• Comme
Triste

En colère

1. Neutre
2. surpris
3. Effrayé
4. Dégoûtant
5. 
Le problème et comment je m'occupe de ça
6. 
7. Le problème des différences d'éclairage qui affectent le niveau de précision.  Les variations d'éclairage peuvent affecter la précision du modèle. Pour surmonter cela, la normalisation des données est effectuée pour garantir que l'éclairage dans l'image est plus uniforme afin que les motifs de l'image du visage puissent être mieux reconnus.

Complexité des expressions similaires. Certaines expressions, telles que la «peur» et «surprise», ont des caractéristiques similaires difficiles à distinguer par les modèles. La solution appliquée consiste à effectuer une augmentation des données telle que la rotation, le zoom, le retournement et les modifications de contraste pour améliorer la capacité des modèles de généralisation des nouvelles données.

ensemble de données qui est assez limité

L'ensemble de données FER2013, bien que assez grand, ne couvre pas une variété de variations faciales à l'échelle mondiale. Pour enrichir l'ensemble de données, j'utilise la technique d'augmentation des données et j'ajoute des données provenant d'autres sources pertinentes pour créer une meilleure représentation des expressions faciales.

1. Leçons apprises
   

   Ce projet fournit des informations sur la façon dont les systèmes basés sur l'intelligence artificielle peuvent être utilisés pour reconnaître les expressions faciales. Le processus de développement montre son importance:

2. Données PRA-PERMESSIE pour gérer les problèmes d'éclairage et améliorer la qualité des données.
   Expérience des paramètres de formation pour obtenir des combinaisons optimales, telles que la régulation du nombre d'époque, du taux d'apprentissage et de la taille du lot.

   Augmenter la diversité des données de formation par augmentation pour améliorer les performances du modèle des données du monde réel.
3. En surmontant les défis existants, ce projet a réussi à construire un modèle d'introduction d'expression faciale qui peut être appliqué à diverses applications telles que l'interaction humaine-ordinateur, l'analyse émotionnelle et la surveillance psychologique.