Caractérisation de signaux pour l'interaction sociale

Présentation au sujet: "Caractérisation de signaux pour l'interaction sociale"— Transcription de la présentation:

1 Caractérisation de signaux pour l'interaction sociale
Kévin Bailly, Catherine Achard, Mohamed Chetouani ISIR - Institut des Systèmes Intelligents et de Robotique Groupe IMI2S : Intégration Multimodale, Interaction et Signal Social

2 IMI2S : Intégration Multimodale, Interaction et Signal Social
Objectifs : Analyser, caractériser, reconnaitre, modéliser les signaux et les comportements sociaux Améliorer de la compréhension des interactions sociales: processus émotionnels et intermodaux Développer des systèmes interactifs, sociaux et multi-modaux pour l’assistance de personnes déficientes Equipe pluridisciplinaire : Sciences de l’ingénieur Psychologie Neurosciences

3 Caractérisation des signaux socio-émotionnels
PLAN Caractérisation des signaux socio-émotionnels Dynamique de la communication humaine Synchronies interpersonnelles Mesure de l’engagement Visage Geste Parole

4 Caractérisation des signaux socio-émotionnels
PLAN Caractérisation des signaux socio-émotionnels Dynamique de la communication humaine Synchronies interpersonnelles Mesure de l’engagement Visage Geste Parole

5 Analyse automatique du visage
Estimation et suivi de pose Localisation de points caractéristiques Reconnaissance d’Action Units Reconnaissance d’émotions

6 Analyse automatique du visage
Estimation et suivi de pose Localisation de points caractéristiques Reconnaissance d’Action Units Reconnaissance d’émotions

7 Estimation de la pose de la tête
Sélectionner les descripteurs qui permettent à un réseau de neurones de prédire la pose du visage Réseau de neurones Pose Solution proposée : algorithme BISAR [1] [1] K. Bailly et M. Milgram, Boosting Feature Selection for Neural Network based Regression. Neural Networks 22 (5-6) : , 2009.

8 Suivi de la pose de la tête
Alignement d’un modèle déformable 3D Thèse CIFRE avec Eikeo (anc. Majority Report) [1] P. Phothisane, E. Bigorgne, L. Collot, L. Prévost, A Robust Composite Metric for Head Pose Tracking using an Accurate Face Model. IEEE Face and Gesture 2011.

9 Analyse automatique du visage
Estimation et suivi de pose Localisation de points caractéristiques Reconnaissance d’Action Units Reconnaissance d’émotions

10 Localisation de points caractéristiques
Approche par alignement d’un modèle déformable Localisation du visage Initialisation du modèle de forme 2D Alignement du modèle

11 Alignement d’un modèle déformable par apprentissage de la fonction de coût
Réseau de neurones Fonction de coût Score Objectif : Apprendre la relation entre la distance du modèle par rapport à sa position optimale et l’apparence de la texture transférée

12 Approche par détection
Caractérisation multi-échelles des points d’intérêt du visage

13 Détections multi-échelles
Détection d’un point du visage à l’aide d’un classifieur SVM Multi-Noyaux

14 Approche par détection
Le pixel candidat choisi est celui correspondant au maximum de la sortie du classifieur SVM et qui aboutit à une forme statistiquement valide V. Rapp, T. Senechal, K. Bailly, L. Prevost, Multiple Kernel Learning SVM and Statistical Validation for Facial Landmark Detection, IEEE FG 2011 V. Rapp, T. Senechal, K. Bailly, L. Prevost, Machine à Vecteur Support Multi Noyaux pour la détection de points caractéristiques faciaux, RFIA 2011

15 Analyse automatique du visage
Estimation et suivi de pose Localisation de points caractéristiques Reconnaissance d’Action Units Reconnaissance d’émotions

16 Contexte : projet ANR IMMEMO
IMMEMO : IMMersion 3D basée sur l’interaction EMOtionnelle

17 Descripteurs : histogrammes LGBP
* Image extraite et redimensionnée Filtres de Gabor Images de Gabor Cartes LGBP Histogrammes LGBP Décomposition des 18 cartes LGBP en N régions, puis un histogramme est calculé par région et par fréquence spatiale et orientation des filtres de Gabor.

18 Reconnaissance d’expression faciales
SVM Intersection d’histogrammes AU 1 : 0 AU 2 : 1 AU 3 : 1 … Visage détouré et redimensionné Histogramme LGBP

19 Reconnaissance d’expressions faciales
AU 1 : 0 AU 2 : 1 AU 3 : 1 … SVM HDI Kernel Visage détouré et redimensionné Histogramme LGBP Adapté aux différences d’histogrammes T. Senechal, K. Bailly, L. Prevost, Automatic facial action detection using histogram variation between emotional states, ICPR 2010.

20 Fusion de descripteurs
Combinaisons les histogrammes LGBP avec les AAM 2.5D [1] Les histogrammes h et les vecteurs d’apparence AAM c sont combinés par apprentissage multi-noyaux : K([h1 c1], [h2 c2]) = β1KLGBP(h1,h2) + β2 KAAM(c1,c2) [1] A. Sattar, Y. Aidarous et R.Seguier, “Gagm-aam: a genetic optimization with gaussian mixtures for active appearance models” dans Proc. IEEE Int’l. Conf. on Image Processing (ICIP’08)

21 Résultats expérimentaux : détection des AU
Détection de 12 AU dans 145 séquences. Base indépendante de 145 séquences à étiqueter image par image (5000 images à étiqueter) Mesure F1 utilisé comme mesure de performance (moyenne harmonique de la précision et du rappel) Facial Expression Recognition and Analysis Challenge (FERA2011) Résultats officiels (mesure F1) pour détection des AU Score 2 AFC pour différents descripteurs 21

22 Analyse automatique du visage
Estimation et suivi de pose Localisation de points caractéristiques Reconnaissance d’Action Units Reconnaissance d’émotions

23 Exemples

24 Résultats expérimentaux : détection des émotions
Détection de 5 émotions dans 134 séquences. SVM multi-classe « un-contre-tous » entraîné pour reconnaître l’émotion sur chaque image. Etiquetage image par image puis l’émotion apparaissant dans le plus grand nombre d’image est associée à la séquence. Comparaison de notre score de reconnaissance de l’émotion avec les meilleurs compétiteurs de FERA 2011

25 Actions Units ou détection directe de l’émotion ?
Emotion inconnue Détecteurs d’AU apprentissage Reconnaissance des émotions Combinaisons AUs Emotions basiques Scores d’AU Histogrammes LGBP Architecture EAUS Architecture EFS T. Senechal, K. Bailly, L. Prevost, Impact of Action Unit Detection in Automatic Emotion Recognition, Pattern Analysis & Applications (en révision)

26 Caractérisation des signaux socio-émotionnels
PLAN Caractérisation des signaux socio-émotionnels Dynamique de la communication humaine Synchronies interpersonnelles Mesure de l’engagement Visage Geste Parole

27 Suivi de gestes Suivi du haut du corps humain combinant filtrage particulaire à recuit simulé et propagation de croyance I. Renna,R. Chellali and C. Achard. Real and Simulated Upper Body Tracking with Annealing Particle Filter and Belief Propagation for Human-Robot Interaction. International Journal of Humanoid Robotics. 2010

28 Reconnaissance de gestes

29 Caractérisation des signaux socio-émotionnels
PLAN Caractérisation des signaux socio-émotionnels Dynamique de la communication humaine Synchronies interpersonnelles Mesure de l’engagement Visage Geste Parole

30 Signal de parole La caractérisation de signaux de parole
Identité du locuteur [1] : caractérisation statistique du résidu de prédiction pour améliorer la robustesse des systèmes de reconnaissance du locuteur Information non verbale : états affectifs et communicatifs [1] M. Chetouani, M. Faundez-Zanuy, B. Gas, and J. L. Zarader. Investigation on lp-residual representations for speaker identication. Pattern Recognition, 2009

31 Caractérisation des états affectifs : La notion d'ancrages
Détection d’un ensemble d'ancrages (phonétique et rythmique [1], voisés/non voisés [2]) Exploitation de la valence émotionnelle portée par chacun des ancrages (caractérisation du signal et décisions locales) Fusion d'informations pour inférer une décision sur le tour de parole. [1] F. Ringeval. Ancrages et modèles dynamiques de la prosodie : application à la reconnaissance des émotions actées et spontanées. Thèse de doctorat UPMC, 2011 [2] A. Mahdhaoui, M. Chetouani, and Cong Zong. Motherese detection based on segmental and supra-segmental features, ICPR, 2008.

32 Dynamique du signal de parole
Analyse de la dynamique des ancrages par la caractérisation du rythme.

33

34 Apprentissage pour la caractérisation de signaux de parole en situation réaliste
Approches semi-supervisées pour la détection de mamanais (parole spécifique produite par la mère durant l'interaction avec son enfant) A. Mahdhaoui and M. Chetouani. Supervised and semi-supervised infantdirected speech classication for parent-infant interaction analysis. Speech Communication, 2011

35 Caractérisation des signaux socio-émotionnels
PLAN Caractérisation des signaux socio-émotionnels Dynamique de la communication humaine Synchronies interpersonnelles Mesure de l’engagement Visage Geste Parole

36 Synchronies dyadiques
Reconnaissance automatique du degré de coordination Détermination des descripteurs pertinents pour mesurer la qualité de la collaboration E. Delaherche and M. Chetouani. Multimodal coordination : exploring relevant features and measures. Workshop SSP, 2010

37 Dendrogramme Matrice des synchronies

38 Caractérisation du degré d'engagement
Objectif : mesurer l’engagement d’un patient dans une tâche de stimulation cognitive Situation triadique Cas de l'interaction entre : Patient Exercice de stimulation Thérapeute/robot (projet ROBADOM) proposer des systèmes interactifs capables d'évaluer le degré d'engagement et de proposer des actions (verbales et/ou non-verbales) permettant d'améliorer l'engagement

39 Détection de l'interlocuteur (face engagement)
Corrélation des caractéristiques audiovisuelles (MFCC + DCT de la zone de la bouche)

40 Mesure de l’engagement à partir de la prosodie
La détection d’un visage parlant ne suffit pas à caractériser l’engagement L’auto-verbalisation (self-talk) est un indicateur du degré d'engagement du patient dans la tâche L'estimation de l'effort d'interaction

41 Mesure de l’engagement
La notion d’engagement est : Complexe Mal définie Multimodale Personnelle Contextuelle

42 Conclusion Ensemble de méthodes pour caractériser le signal social :
Visage : estimation de pose, suivi de points caractéristiques, reconnaissance d’expressions faciales Geste : suivi de gestes et reconnaissance d’actions Parole : caractérisation des émotions, détection de mamanais. Vers une modélisation de la dynamique de la communication : Mesure de coordination (synchronie) Mesure d’engagement

43 Caractérisation de signaux pour l'interaction sociale
Kévin Bailly, Catherine Achard, Mohamed Chetouani ISIR - Institut des Systèmes Intelligents et de Robotique Groupe IMI2S : Intégration Multimodale, Interaction et Signal Social