Teknikpengenalanwajahberbasisfitur localbinarypattern (LBP)

Oleh:

Eko WahyudiNRP. 2208 100 629

Dosen Pembimbing:Dr. Ir. Wirawan, DEA

Ir. Hendra Kusuma, M.Eng

Latar Belakang( Permasalahan Sistem Pengenalan Wajah )

Posisi Kepala (HeadPose) Pencahayaan (Ilumination) Ekspresi (Expression)

2

Latar Belakang Proses pengenalan wajah dipengaruhi oleh faktorfaktor variabilitas interpersonal dan intrapersonal .

Algoritma pengenalan wajah dapat dibedakanmenjadi 2 bagian yaitu berdasarkan pendekatan fitur(featurebased) dan pendekatan penampilan(appearancebased).

3

SkenarioPengenalanWajah

4

Permasalahan Bagaimanakah mengekstrasi fitur wajah denganmenggunakan algoritma LBP?

Metode manakah yang memberikan tingkatpengenalan yang paling baik dari similarity LBP(Chi Square), supervised PCA dan subspace LDA?

Berapa besar akurasi pengenalan wajah denganekstraksi fitur LBP terhadap variasi posisi wajah,pencahayaan, dan ekspresi?

Berapa besar window size LBP yang memberi lajupengenalan paling tinggi untuk tiaptiap algoritmapengenalan wajah?

5

Tujuan Mendapatkan Fitur Wajah dengan LBP untukpeningkatan unjuk kerja pengenalan wajah.

Merancang perangkat lunak sebagai alat bantumelakukan pengekstraksian fitur wajah sertapengenalan wajah.

Mencari tingkat pengenalan wajah yang paling baikdanmembandingkan hasil pengenalan.

6

Batasan Masalah

Citra input untuk proses pengenalan wajahhanya citra wajah yang ternormalisasi denganukuran piksel :

130 x 150 piksel YaleB 92x112 AT&T

Besar pemilihan eigenvector yang digunakanpada algoritma supervised PCA dan subspaceLDA sebesar 60%.

7

Basis Data Variasi pencahayaan menggunakan basisdataYaleB.

Variasi posisi kepala menggunakan basis dataAT&T.

8

BlokSistem PengenalanWajah

9

Histogram EqualizationHistogram Equalization merupakan suatu metodepenyesuaian kontras dengan cara memperlebar puncakdan memperkecil titik minimum histogram supayapenyebaran piksel pada citra merata (uniform).

10

Local Binary Pattern (LBP)

LBP dikenal sebagai suatu teknik yang biasa digunakanuntuk klasifikasi ciri suatu pola.

LBP adalah deskriptor tekstur yang dapat jugadigunakan untukmewakili pola wajah.

11

Operator LBPLBPdiperoleh dari proses BinaryDerivatives.

Danfungsi s(x)didefinisikan sebagai berikut:

12

=10001111=143

Ekstraksi Fitur LBP

13

Similarity Chi Square Pengujian kesamaan statistik chi square digunakansebagai classifier dalam ruang fitur.

Prinsip dasar chi Square adalah menghitung nilaiminimum ratarata dua distribusi.(distribusi histogramcitra)

14

Algoritma Fitur LBP - PCA

15

Algoritma Fitur LBP - LDA

16

Euclidean distance Dalam ruang Euclidean citrawajah direpresentasikansebagai dua titik yang memilikikoordinat.

Jarak Euclidean antara dua titikadalah panjang sisi miring darisebuah segitiga sikusiku.

17

Hasil Percobaanvariasi Pencahayaan (Subset II) [Basis data Yale-B]

18

26x30 21x25 18x21 16x18 14x16 13x15 11x13

LBPPCA 98.33 97.5 99.17 99.17 99.17 99.17 99.17LBPLDA 96.67 99.17 99.17 97.5 97.5 98.33 99.17CHISQUARE 99.17 99.17 99.17 99.17 100 100 100HELBPPCA 97.5 98.33 99.17 99.17 99.17 99.17 99.17HELBPLDA 98.33 99.17 98.33 99.17 99.17 98.33 99.17HECHISQUARE 100 99.17 99.17 100 100 100 100

95

96

97

98

99

100

T

i

n

g

k

a

t

p

e

n

g

e

n

a

l

a

n

(

%

)

UkuranJendelaLBP

LBPPCA LBPLDA CHISQUARE HELBPPCA HELBPLDA HECHISQUARE

Hasil Percobaanvariasi Pencahayaan (Subset III) [Basis data Yale-B]

19

26x30 21x25 18x21 16x18 14x16 13x15 11x13

LBPPCA 55 66.67 75.83 77.5 83.33 76.67 80LBPLDA 53.33 67.5 69.17 74.17 71.67 65.83 73.33CHISQUARE 74.17 87.5 87.5 93.33 95.83 95 99.17HELBPPCA 60 66.67 75.83 79.17 87.5 80 87.5HELBPLDA 67.5 74.17 75 77.5 83.33 74.17 80HECHISQUARE 75 90 85.83 94.17 97.5 92.5 99.17

50556065707580859095100

T

i

n

g

k

a

t

p

e

n

g

e

n

a

l

a

n

(

%

)

UkuranJendelaLBP

LBPPCA LBPLDA CHISQUARE HELBPPCA HELBPLDA HECHISQUARE

Hasil Percobaanvariasi Pencahayaan (Subset IV) [Basis data Yale-B]

20

26x30 21x25 18x21 16x18 14x16 13x15 11x13

LBPPCA 35.83 35.83 48.33 40.83 55.83 42.5 47.5LBPLDA 43.33 46.67 42.5 53.33 52.5 45 46.67CHISQUARE 40 55.83 55 65.83 73.33 74.17 80HELBPPCA 45.83 49.17 59.17 50.83 63.33 59.17 55HELBPLDA 50 50.83 55 64.17 73.33 50 65HECHISQUARE 43.33 55.83 59.17 69.17 77.5 70 83.33

30

40

50

60

70

80

90

100

T

i

n

g

k

a

t

p

e

n

g

e

n

a

l

a

n

(

%

)

UkuranJendelaLBP

LBPPCA LBPLDA CHISQUARE HELBPPCA HELBPLDA HECHISQUARE

Hasil Percobaanvariasi Pencahayaan (Subset V) [Basis data Yale-B]

21

26x30 21x25 18x21 16x18 14x16 13x15 11x13

LBPPCA 12.5 12.5 15.83 12.5 23.33 14.17 17.5LBPLDA 17.5 15 16.67 22.5 24.17 18.33 14.17CHISQUARE 16.67 21.67 25 35.83 42.5 41.67 61.67HELBPPCA 18.33 20 37.5 24.17 43.33 35.83 28.33HELBPLDA 24.17 30.83 35 38.33 51.67 31.67 57.5HECHISQUARE 17.5 19.17 28.33 31.67 44.17 40.83 50

0

10

20

30

40

50

60

70

T

i

n

g

k

a

t

P

e

n

g

e

n

a

l

a

n

(

%

)

UkuranJendelaLBP

LBPPCA LBPLDA CHISQUARE HELBPPCA HELBPLDA HECHISQUARE

Hasil Percobaanvariasi Headpose [Basis data AT&T]

22

26x30 21x25 18x21 16x18 14x16 13x15 11x13LBPPCA 87.14 85.71 83.93 82.86 80.36 80.36 77.86LBPLDA 85.00 87.86 84.64 81.43 80.36 78.93 72.86CHISQUARE 90.71 89.29 88.93 86.43 85 85 82.14

70

80

90

100T

i

n

g

k

a

t

P

e

n

g

e

n

a

l

a

n

(

%

)

UkuranJendelaLBP

LBPPCA LBPLDA CHISQUARE

Kesimpulan Dari ketiga algoritma yang diujikan yaitu Supervised PCA, Subspace LDA, dan

Chi Square, yang memiliki tingkat pengenalan paling besar adalah algoritmaChi Square. Untuk variasi pencahayaan (basis data YaleB) pada subset 2sebesar 100%, subset 3 sebesar 99,17%, subset 3 sebesar 83,33%, dan untuksubset 4 sebesar 61% sedangkan untuk variasi posisi kepala (basis dataAT&T) sebesar 90,71%.

Pada basis data YaleB, Tingkat pengenalan terbaik dengan menggunakanalgoritma Supervised PCA dan Subspace LDA terjadi pada window size LBP14x16. Sedangkan untuk algoritma Chi Square tingkat pengenalan terbaikterjadi padawindow size LBP 11x13.

Pada basis data AT&T, Tingkat pengenalan terbaik dengan menggunakanalgoritma Supervised PCA dan Chi Square terjadi pada window size LBP26x30. Sedangkan pada algoritma Subspace LDA terjadi pada window size21x25.

Pengenalan wajah dengan menggunakan fitur LBP lebih sesuai digunakanuntuk citracitra dengan variasi pencahayaan dari pada variasiheadpose.

23

Saran Metode Local Binary pattern masih dapatdikembangkan dengan beberapa metode lainselain metode LBP standar, seperti uniformLBP, rotationinvariant LBP atau uniform rotationinvariant LBP.

Pengujian dapat dilakukan dengan basisdatayanglainseperti FERET.

Ekstraksi fitur LBPjuga dapat digabungkandengan metode pengenalan wajah selain PCAdanLDAseperti Canonical Correlation Analysis (CCA)atau Support Vector Machine (SVM).

24

25