jurusan matematika fakultas matematika dan ilmu...
TRANSCRIPT
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah MenggunakanMetode Adjacent Pixel Intensity Difference Quantization Histogram Generation
Oleh :ANDIK MABRUR
1206 100 716Dosen Pembimbing :
Drs. Soetrisno, MI.Komp.
Pendahuluan Wajah merupakan bagian dari tubuh manusia
memainkan peranan vital dengan menunjukanidentitas dan emosi. Oleh karena itu wajahdigunakan sebagai indikasi pengenalanseseorang.
Seiring dengan perkembangan teknologi yang begitu pesat, pengenalan seseorang sekarangjuga bisa dilakukan oleh komputer.
Salah satu metode yang bisa digunakan untukpengenalan wajah dengan akurasi pengenalanyang cukup tinggi (di atas 90%) adalahmenggunakan metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation.
Rumusan MasalahPermasalahan yang ingin dikaji dalam penelitian ini sebagai berikut : Bagaimana merancang dan mengimplementasikan
low pass filtering citra pada pengolahan citra. Bagaimana mengimplementasikan metode Adjacent
Pixel Intensity Difference Quantization (APIDQ) Histogram Generation dan jarak Euclid untuk pengenalan wajah.
Bagaimana merancang algoritma untuk proses ekstraksi vektor fitur citra wajah menggunakan metodeAdjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation dan pengenalanmenggunakan jarak Euclid.
Batasan MasalahPermasalahan yang dibahas di sini dibatasi pada : Citra inputan berukuran sama. Pencahayaan pada citra inputan relatif sama. Latar belakang (background) citra inputan 1 warna. Rentang waktu pengambilan citra wajah input dengan citra
wajah yang ada di database adalah 5 tahun atau rentangwaktu yang memungkinkan bentuk wajah tidak berubahterlalu jauh.
Ukuran citra wajah tidak terlalu besar (di bawah 200 pikseluntuk panjang ataupun lebarnya).
Citra wajah yang dipakai adalah citra wajah yang didalamnya terdapat semua bagian wajah dan memenuhiminimal 70% bagian citra.
Citra inputan yang dipakai adalah citra wajah dari database wajah AT&T Laboratories Cambridge dan dari database wajah University of Essex.
Sistem pengenalan wajah dengan metode Adjacent Pixel Intensity Difference Quantization (APIDQ)Histogram Generation ini diimplementasikan menggunakan software Matlab 7.6.0.
Tujuan PenelitianTujuan dari penelitian ini adalah : Mengimplementasikan low pass filtering citra pada
pengolahan citra. Mengimplementasikan metode Adjacent Pixel Intensity
Difference Quantization (APIDQ) Histogram Generation untuk ekstraksi vektor fitur wajah dan jarakEuclid untuk pengenalan wajah.
Manfaat PenelitianManfaat dari penelitian ini adalah : Program pengenalan wajah ini dapat dikembangkan
menjadi sistem pengenalan wajah secara real-time. Dapat digunakan sebagai referensi untuk penelitian
pada sistem pengenalan wajah selanjutnya.
Tinjauan PustakaStudi Penelitian
Penelitian mengenai pengenalan wajah :Hingga saat ini saat ini banyak sekali metode yang telahdikembangkan untuk pengenalan wajah. Diantaranyaadalah menggunakan Linear Discriminant Analysis (LDA), Principal Component Analysis (PCA), Independent Component Analysis (ICA), Elastic Bunch Graph Matching (EBGM), dan masih banyak lagi yang lainnya. Bagianterpenting dari metode – metode ini dalah bagaimana caramendapatkan suatu ciri dari wajah (vektor fitur wajah) yang baik untuk pengenalan wajah. Salah satu metode yang baik untuk mendapatkan vektor fitur wajah adalah denganmencari perbedaan dengan pixel terdekatnya. Metode inidisebut dengan metode APIDQ Histogram Generation.
Tinjauan Pustaka (Lanjut)
Metode Adjacent Pixel Intensity Difference Quantization (APIDQ)Langkah Pengenalan Wajah Menggunakan APIDQ Histogram Generation
Metode APIDQ Histogram Generation
Tinjauan Pustaka (Lanjut) Grayscaling adalah teknik yang digunakan untuk
mengubah citra berwana menjadi bentuk grayscale. Tujuan dari proses grayscaling adalah untukmereduksi matriks penyusun citra dari 3 matrikmenjadi 1 matrik untuk mempermudah pemrosesanselanjutnya.
Low-pass filtering sangat penting untuk mereduksigangguan frekuensi tinggi dan mengekstrakkomponen frekuensi rendah yang paling efektif untukpengenalan.
Tinjauan Pustaka (Lanjut) Dalam APID, untuk setiap pixel dari sebuah citra
masukan, akan dicari perbedaan intensitas piksel horizontal yang berdekatan dan perbedaan intensitas piksel vertikal berdekatan yang akan dihitung denganrumus di bawah ini
Kemudian diubah ke dalam koordinat polar :
Tinjauan Pustaka (Lanjut) Proses Kuantisasi menggunakan 8 tingkat di sumbu-θ
dan 8 tingkat di sumbu-r (total 50) seperti yang terlihatpada gambar di bawah ini.
Dari hasil kuantisasi inilah yang akan di-generate histogramnya dan menjadi fitur wajah yang akandisimpan di database.
Tinjauan Pustaka (Lanjut)Jarak Euclid
Jarak Euclid adalah suatu nilai yang didapatkan ketika mengukurseberapa jauhnya titik dengan titik yang lainnya, misalkan titik . Dengan kata lain jarak Euclid adalah panjang garis lurus yang menghubungkan dua buah titik dan dalam suatu ruang Euclid. Panjang garis antara dua buah titik dapat dihitung sebagai berikut.
Metodologi PenelitianProses Pengerjaan Tugas Akhir ini terbagi menjadi tiga bagian
besar, yaitu :
1. Pengolahan Citra Digital
2. Pencarian Vektor Fitur Citra Wajah
3. Pengenalan Wajah dengan Jarak Euclid
Sedangkan untuk proses pengujian menggunakan data wajah
dari AT&T Laboratories Cambridgedan University of Essex.•Citra wajah diambil dari data yang tersedia dimana terdapat 40 data wajah dari AT&T Laboratories Cambridge dan 40 data wajah dariUniversity of Essex dengan masing – masing data sebanyak 10 pose berbeda.•Dari 10 pose pada masing – masing pose akan diambil 5 pose wajahuntuk diambil vektor fitur citranya dan dimasukkan ke dalam database.•Kemudian sisa data yang tidak disimpan ke dalam database akandiujikan terhadap sistem.•Sehingga akan didapatkan sebuah output yang terdiri dari citra wajahyang dikenali serta nama folder dimana wajah yang dikenali tersebutdisimpan.
Metodologi Penelitian (lanjut)Pengolahan Citra Digital
Alur proses pengolahan citra yang telah dikerjakan digambarkan sebagai berikut :
Metodologi Penelitian (lanjut)Ekstraksi Vektor Fitur Citra Wajah
Pada proses ini yang akan dimasukkan ke database meupakan hasildari generate histogram daerah kuantisasi bernilai 0 sampai dengan49. Hasil generate inilah yang disebut sebagai vektor fitur citra wajah. Proses dari ekstraksi vektor fitur wajah dapat dilihat pada gambar dibawah ini.
Metodologi Penelitian (lanjut)Pengenalan dengan Jarak EuclidJarak Euclid dapat digunakan untuk mengetahui kedekatan antar data. Ini berarti jarak Euclid pasti juga bisa digunakan untuk mengetahuikedekatan antara data wajah yang satu (input) dengan data wajah yang lainnya (database). Data vektor fitur wajah merupakan data dengan nilainumerik. Tentunya akan sangat mudah mencari jarak Euclid dari data –data ini. Proses dari pengenalan wajah ini dapat dilihat pada gambar dibawah ini.
Uji Coba dan Pembahasan
Proses dalam sistem ini terdiri dari :
Proses Pengolahan Citra
1. Pengujian Grayscaling
2. Pengujian Lowpass Filteing
Proses Ekstraksi Vektor Fitur Wajah
Proses Trainning dan Testing
Pengujian Masing-Masing Proses dari Sistem
Uji Coba dan Pembahasan (lanjut)Pengujian GryascalingPada proses ini citra akan dibuat lmenjadi grayscale. Dengan begitu, matrikpenyusun citra ebih sederhana menjadi 1 matrik saja. Dengan menyisakanhanya 1 matrik saja, maka proses selanjutnya akan lebih cepat.
Pengujian Lowpass FilteringSetelah mengalami proses grayscaling, citra wajah akan diperhalusdengan mengurangi gradasi intensitas yang tinggi dari citra.
Uji Coba dan Pembahasan (lanjut)Pengujian Ekstraksi Vektor Fitur Citra Wajah
Ukuran matrik penyusun citra yang dihasilkan dari proses lowpassfiltering masih berukuran besar. Karena itu tidaklah mungkin matrik iniyang dipakai untuk pengenalan. Dengan proses ekstraksi vektor fiturwajah, matrik penyusun citra ini akan diubah menjadi matrik yang berukuran kecil yakni 1 x 50. Dengan matrik yang kecil ini, sangatlahmudah untuk mencari kedekatan jarak antara matrik yang satu denganmatrik yang lainnya. Matrik inilah yang kemudian disebut sebagaivektor fitur citra wajah.
Uji Coba dan Pembahasan (lanjut)• Uji Coba Pengenalan WajahPengujian ini dilakukan menggunakan dua data untuk uji coba. Data yang pertama adalah data wajah dari AT&T Laboratorium Cambridge. Sedangkan data yang kedua adalah dari data wajah University of Essex.Proses uji coba ini menggunakan data citra wajah sebanyak 40 data wajah dari AT&T Laboratorium Cambridge dan 40 data wajah daruUniversity of Essex dimana masing - masing wajah terdapat 10 macamcitra wajah dengan pose yang berbeda - beda sehingga keseluruhanterdapat 800 citra wajah. Dari masing - masing data wajah kemudiandiambil 5 citra wajah (citra wajah dengan nama file nomor ganjil) yang kemudian disimpan di database wajah. Sementara sisanya akandigunakan sebagai test akurasi pengenalan wajah.
<LIHAT HASIL UJI COBA>
maka persentase akurasi pengenalan wajah menggunakan metodeAPIDQ histogram generation dan jarak euclid dengan data dari AT&TLaboratorium Cambridge sebesar 97% dan dengan data data wajahUniversity of Essex adalah sebesar 100 %.
PenutupKesimpulan :Dari hasil uji coba yang telah dilakukan dapat diambil beberapa kesimpulansebagai berikut :1. Penggunaan metode APIDQ Histogram Generation untuk ekstraksi vektor fitur citra
wajah dan jarak Euclid untuk proses pengenalan memberikan hasil yang sangat baik.Dengan data uji data wajah AT&T Laboratories Cambridge keberhasilan pengenalanmencapai 97%, sedangkan data wajah University of Essex 100%.
2. Rancangan algoritma pengolahan citra, ekstraksi vektor fitur citra wajah, danpengenalan dengan jarak Euclid terdekat berhasil diimplementasikan ke dalamsebuah sistem yang dapat melakukan pengenalan terhadapa citra wajah.
3. Semakin sedikit variasi ekspresi wajah dari data uji akan semakin baik pulaakurasinya terhadap pengenalan wajah.
Saran :Dari hasil yang telah dicapai dalam penelitian tugas akhir ini, terdapat beberapahal yang perlu dipertimbangkan untuk melakukan pengembangan pada penelitianini, diantaranya sebagai berikut :1. Proses pengenalan wajah ini dilakukan secara offline. Untuk pengembangan
selanjutnya akan lebih baik jika pengenalan dilakukan secara online (real time).
2. Untuk dapat melakukan pengenalan wajah secara real time diperlukan deteksi daerahwajah ( face detection) pada proses akuisisi citra wajah.
Daftar Pustaka1. Ahmad, Usman.,(2005), Pengolahan Citra Digital dan Teknik
Pemrogramannya.Yogyakarta : Graha Ilmu.
2. AT&T Laboratories Cambridge, The Database of Faces,http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
3. Basuki, Ahmad, Jozua F. Palandi, dan Fatchurrohman, (2005),Pengolahan Citra Digital Menggunakan Visual Basic. Yogyakarta :Graha Ilmu.
4. “Comparing face recognition against other types of biometricauthentication methods”, http://ww.titanium-tech.com
5. Lee, Feifei., Koji Kotani, Qiu Chen, dan Tadahiro Ohmi (2009). FaceRecognition Using Adjacent Pixel Intensity Difference QuantizationHistogram. International Journal of Computer Science and Network 9(2009) 147 – 154.
6. Sigit, R. , Basuki, A. , Ramadijanti, N. (2005). Step by Step PengolahanCitra Digital. Yogyakarta : CV. Andi Offset.
7. University of Essex, Collection of Facial Images: Faces94,http://cswww.essex.ac.uk/mv/allfaces/faces94.html