Extraction et analyse de l’impact émotionnel des images

Show full item record

Files in this item

PDF TraitSignal_2012_29_3_409_Article.pdf 2.864Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/70404
Title: Extraction et analyse de l’impact émotionnel des images
Author: Gbèhounou, Syntyche; Lecellier, François; Fernandez-Maloigne, Christine
Abstract: Cet article propose une méthode d’extraction de l’impact émotionnel des images à partir de descripteurs bas niveau. Nous avons émis l’hypothèse que la précision de ces derniers encoderait des informations haut niveau intéressantes voire discriminantes pour les émotions. Il n’existe à ce jour aucun descripteur particulièrement adapté à l’étude de l’impact émotionnel des images. Les émotions ressenties dépendent, en effet, de plusieurs informations dans l’image mais également de sa nature (très sémantique ou non) ou encore de la durée d’observation. Plus ce temps est long plus l’interprétation sémantique de l’image prend le dessus sur l’émotion «primaire ». A ces descripteurs nous avons associé deux classifieurs performants, particulièrement adaptés à des discriminations d’informations complexes. Il s’agit d’un réseau de neurones multicouche et d’un SVM dans son extension multiclasse basée sur la stratégie « un contre un ». Très souvent, on associe les émotions à l’expression du visage, mais nous avons décidé de ne pas faire de cette information la principale caractéristique émotionnelle des images naturelles, qui en général ne contiennent pas de visages. Nous avons, à cet effet, effectué nos tests sur une base diversifiée de 350 images, construite à partir d’images à faible contenu sémantique. Notre choix de descripteurs est basé sur des supposés liens entre les émotions et le contenu des images mais également sur la précision qu ’offrent certains descripteurs de traitement d’images en indexation ou en catégorisation. La complexité des émotions a été prise en compte en intégrant, au processus de classification, les résultats de tests psychovisuels que nous avons mis en place. Nous avons défini trois classes d’émotions. Les taux de réussite moyens obtenus lors de la classification sont de 56,15 % pour le réseau de neurones et 55,25 % pour le SVM. Ces résultats sont encourageants au regard des résultats de la littérature. Ces tests confirment aussi l’hypothèse que les descripteurs choisis sont complémentaires dans notre processus d’extraction des émotions.This paper proposes a method to extract the emotional impact of images based on accurate and low level features. We supposed their accuracy could also implicitly encode high- level interesting or discriminant information for emotional impact extraction. Emotions are often associated with facial expressions, but we decided not to consider this feature as first emotional characteristic of natural images, which, in general, does not contain faces. Using this statement, our tests have been done on a new image database composed of low semantic diversified images. The complexity of emotion modeling was considered in classification process through psycho-visual tests. The twenty five observers assessed the nature and the power of emotions felt. For the nature of the emotion they had the choice between "Negative", "Neutral" and "Positive" and the power ranged from "Low" to "High". With the nature ofemotions, we made a classification in three classes of emotions. The average success rate is 56.15 % for artificial neural network and 55.25 % for the SVM classifier; that is really relevant regarding the equivalent results in the literature.
Subject: émotions; classification; réseaux de neurones; SVM; tests psychovisuels; images couleur; emotions; classification; artificial neural network; SVM; psycho-visual tests; color images
Publisher: Lavoisier
Date: 2012

This item appears in the following Collection(s)

Show full item record





Advanced Search