Insaf Ajili soutient sa thèse de doctorat le lundi 3 décembre 2018. « Reconnaissance des gestes expressifs inspirée du modèle LMA pour une interaction naturelle Homme-Robot »

/, Evénements, Plate-forme EVR@, Recherche, Soutenance de thèse/Insaf Ajili soutient sa thèse de doctorat le lundi 3 décembre 2018. « Reconnaissance des gestes expressifs inspirée du modèle LMA pour une interaction naturelle Homme-Robot »

Insaf Ajili soutient sa thèse de doctorat le lundi 3 décembre 2018. « Reconnaissance des gestes expressifs inspirée du modèle LMA pour une interaction naturelle Homme-Robot »

Insaf Ajili soutient sa thèse de doctorat le lundi 3 décembre 2018, à 14h.

Titre: Reconnaissance des gestes expressifs inspirée du modèle LMA pour une interaction naturelle Homme-Robot

Résumé: Dans cette thèse, nous traitons le problème de la reconnaissance des gestes dans un contexte d’interaction homme-robot. De nouvelles contributions sont apportées à ce sujet. Notre système consiste à reconnaître les gestes humains en se basant sur une méthode d’analyse de mouvement qui décrit le geste humain d’une manière précise. Dans le cadre de cette étude, un module de niveau supérieur est intégré afin de reconnaître les émotions de la personne à travers le mouvement de son corps. Trois approches sont réalisées : la première porte sur la reconnaissance des gestes dynamiques en appliquant le modèle de Markov caché (MMC) comme méthode de classification. Un descripteur de mouvement local est implémenté basé sur une méthode d’analyse de mouvement, nommée LMA (Laban Movement Analysis) qui permet de décrire le mouvement de la personne dans ses différents aspects. Notre système est invariant aux positions et orientations initiales des
personnes. Un algorithme d’échantillonnage a été développé afin de réduire la taille de notre descripteur et aussi adapter les données aux modèles de Markov cachés. Une contribution est réalisée aux MMCs pour analyser le mouvement dans deux sens (son sens naturel et le sens inverse) et ainsi améliorer la classification des gestes similaires. Plusieurs expériences sont faites en utilisant des bases de données d’actions publiques, ainsi que notre base de données composée de gestes de contrôle. Dans la seconde approche, un système de reconnaissance des gestes expressifs est mis en place afin de reconnaître les émotions des personnes a travers leurs gestes. Une deuxième contribution consiste en le choix d’un descripteur de mouvement global base sur les caractéristiques locales proposées dans la première approche afin de décrire l’entièreté du geste. La composante Effort de LMA est quantifiée afin de décrire l’expressivité du geste avec ses 4 facteurs (espace, temps, poids et flux). La classification des gestes expressifs est réalisée avec 4 méthodes d’apprentissage automatique réputées ´ (les forets d’arbres décisionnels, le perceptron multicouche, les machines à vecteurs de support : un- contre-un et un-contre-tous). Une étude comparative est faite entre ces 4 méthodes afin de choisir la meilleure. L’approche est validée avec des bases publiques et notre propre base des gestes expressifs. La troisième approche consiste en une étude statistique basée sur la perception humaine afin d’évaluer le système de reconnaissance ainsi que le descripteur de mouvement propose. Cela permet d’estimer la capacité de notre système à pouvoir classifier et analyser les émotions comme un humain. Dans cette partie deux taches sont réalisées avec les deux classifieurs (la méthode d’apprentissage RDF qui a donné les meilleurs résultats dans la deuxième approche et le classifieur humain) : la classification des émotions et l’étude de l’importance des caractéristiques de mouvement pour discriminer chaque émotion.

WP to LinkedIn Auto Publish Powered By : XYZScripts.com