ppt ta 5105100062 -...

2/8/2010

1

08 Februari 2010 Tugas Akhir – CI1599 1

PENGENALAN CITRA PENYAMARAN WAJAH MENGGUNAKAN METODE NEURAL NETWORK

(Kata kunci: Pengenalan wajah, Penyamaran wajah, Transformasi log Gabor wavelet, Fitur phase, Neural network )

PRESENTASI TUGAS AKHIR – KI 091031

Penyusun Tugas Akhir :

Prisma Yogiswari

(NRP : 5105.100.043)

Dosen Pembimbing :

Rully Soelaiman, S.Kom, M.Kom.

• Level performa yang tinggi dari sistem pengenalan wajahkomersial dicapai ketika digunakan pada lingkunganterkontrol dengan user yang kooperatif.

• Namun, hampir semua metode tersebut tidak baik untuk

aplikasi keamanan tinggi (Contoh: daftar pengamatanpenyeberangan perbatasan dan teroris).

• Sistem hukum memerlukan sistem pengenalan wajahyang tangguh untuk aplikasi keamanan tinggi, dimanaindividu mencoba untuk mengelabuhi penegakan hukumdengan mengubah penampilan fisiknya denganpenyamaran.


LATAR BELAKANG (1)

Aplikasi daftar pengamatan penyeberangan perbatasan dan teroris


LATAR BELAKANG (2)

Overview sederhana dari proses keamanan perbatasan

dan departemen dan lembaga yang terlibat


LATAR BELAKANG (2)

Jenis data yang termasuk dalam daftar pengamatan

2/8/2010

2


LATAR BELAKANG (3)

Jenis data yang termasuk dalam daftar pengamatan (lanjutan)

• Dalam melakukan aksi kejahatan, buronan

menyembunyikan identitas menggunakan penyamaranuntuk mengelabuhi hukum dan publik agar tetap sulituntuk diringkus.


LATAR BELAKANG (2)

• Oleh karena itu, diperlukan sistem pengenalan wajah yangmampu mengidentifikasi individu dengan penyamarantersebut.

• Metode yang ditawarkan diharapkan dapat memberikantingkat akurasi pengenalan yang tinggi dalam mengenaliwajah individu yang menggunakan penyamaran.


LATAR BELAKANG (3)

• Tujuan dari pembuatan tugas akhir ini adalah untukmengimplementasikan transformasi log Gabor untukmengekstraksi informasi wajah yang paling efektif yaitufitur phase dan mengimplementasi neural network untukmengenali identitas dari wajah.


TUJUAN

2/8/2010

3

• Bagaimana ekstraksi fitur dilakukan,

• Bagaimana melakukan transformasi wavelet terhadap hasil

ekstraksi fitur yaitu fitur phase,

• Bagaimana melakukan klasifikasi menggunakan classifier neuralnetwork,

• Bagaimana menghitung prosentase identifikasi akurasi metode

neural network.


PERMASALAHAN

• Sistem pengenalan wajah mampu mengidentifikasi individu

yang menggunakan penyamaran.

• Ekstraktor fitur yang digunakan adalah filter log Gabor.

• Classifier yang digunakan adalah neural network.

• Dataset yang digunakan untuk uji coba adalah dataset yangdipersiapkan penulis menggunakan software “Faces – The

Ultimate Composite Picture” 4.0 versi trial [49], berupa citra

penyamaran wajah frontal.

• Metode pembanding yang digunakan adalah metode PCA(Principal Component Analysis)

• Implementasi dilakukan menggunakan MATLAB versi 7.0.


BATASAN MASALAH

Biometric adalah metode otomatis untuk mengenali seseorangberdasarkan karakteristik fisik atau perilaku.

(http://www.biometrics.org)

Phenotypic Biometric – didasarkan pada fitur atau perilakuyang diperoleh melalui pengalaman dan pengembangan.

Genotypic Biometric – didasarkan pada karakteristik atausifat-sifat genetis.


BIOMETRIC

DEFINISI

Capture: sample fisik atau perilaku di-capture oleh sistem

selama pendaftaran.

Ekstraksi: data unik diekstraksi dari sample dan templatematematika dibuat.

Perbandingan: code matematis lalu dibandingkan dengan

sample baru.

Match/Non-match: Sistem kemudian memutuskan apakah

fitur yang diekstraksi dari sample baru match atau non-match.


BIOMETRIC

OPERASI SISTEM BIOMETRIK

http://www.biometrics.org/







2/8/2010

4


BIOMETRIC

PENGENALAN CITRA WAJAH

Probe

Ga

llery

(DB

)

Face Recognition

System

Rank ordered lists

from gallery set with

confidence factor

Preprocessing Preprocessing

Teknologi Pengenalan Wajah


BIOMETRIC

PENGENALAN CITRA WAJAH

Permasalahan

Resolusi/ Kualitas

Orientasi

Skala

Penyamaran

Pencahayaan

Masa berlaku citra Perubahan fisiologis akibat pertumbuhan

Perubahan fisiologis akibat penuaan


MODEL SISTEM

CITRA PENYAMARAN WAJAH

• Menggunakan citra wajah yang menggunakanpenyamaran

Individu asli Individu dengan penyamaran


MODEL SISTEM

EKSTRAKSI FITUR

Menggunakan filter Log Gabor

Transformasi citra ke dalam domain Fourier,

Menentukan filter Log Gabor,

Transformasi filter Log Gabor ke dalam domainFourier,

Melakukan konvolusi antara citra dengan filter padadomain Fourier dan mengembalikan hasilnya kedalam domain spasial,

Mengambil nilai informasi fase sebagai fitur dari citra.

2/8/2010

5


MODEL SISTEM

Diagram alir ekstraksi fitur

Start

Input:

Citra ternormalisasi

Merepresentasikan citra wajah ke

dalam domain Fourier 2D

(Pers. 2.1)

Menentukan log Gabor wavelet 2D

(Pers. 2.2)

Merepresentasikan filter log Gabor

wavelet ke dalam domain Fourier 2D

Konvolusi sinyal Fourier citra wajah

dan filter

(Pers. 2.3)

Invers hasil konvolusi

(Pers. 2.3)

Tentukan:

phase citra

(Pers. 2.5)

Output:

Fitur phase

Stop


MODEL SISTEM

EKSTRAKSI FITUR (2)

Ekstraksi fitur menggunakan Filter Log Gabor.

Citra ditransformasi

ke domain Fourier

Filter Log Gabor :

2

2

0

2

0

2

0

002

exp

log2

log

exp,

r

r

r

rG

r

Filter ditransformasi

ke domain Fourier

lkGlkIIFTnmIm n

g ,*,ˆ,

1

0

1

0

2

,1

,ˆM

m

N

n

N

nl

M

mkj

enmIMN

lkI

Konvolusi:

nmI

nmInmF

g

g

p,Re

.,Imtan., 1

Fase


MODEL SISTEM

TRANSFORMASI WAVELET 2D

Start

Input:

Fitur phase

Transformasi

wavelet

Output:

Fitur phase

wavelet

Stop


MODEL SISTEM

KLASIFIKASI

Menggunakan Neural Network

Phase citra input dinormalisasi,

Phase ternormalisasi di training menggunakan neuralnetwork sebanyak 10 kali training,

Didapatkan class dari phase.

2/8/2010

6


MODEL SISTEM

NEURAL NETWORK

Multilayer neural network,

Terdiri dari 4 layer: input layer, hidden layer 1, hidden layer 2,

output layerda

Hidden layer 1 memiliki 100 neuron

Algoritma pembelajaran: backpropagation,

Activation function: tansig,

Fungsi pembelajaran network: traingda (mengupdate nilaiweight and bias menurut gradient descent dengan tingkat

pembelajaran adaptif)

Fungsi performansi network: mse

Epoch maksimum: 500000,

Jumlah momentum: 0,9


UJI COBA

SKENARIO I

Uji Keakuratan Metode Dengan Variasi Penyamaran


UJI COBA

SKENARIO I-I:

Ujicoba Variasi Penyamaran menggunakan konvolusi log Gaboruntuk input Transformasi Wavelet

(menggunakan fitur phase)


UJI COBA

ANALISIS SKENARIO I-I

Penyamaran Keakuratan

Jenggot dan kumis 82%

Kacamata 70%

Tutup kepala/ topi 80%

Bibir/ alis/ hidung 71.67%

Kerutan kulit 80%

Campuran 72%

2/8/2010

7


UJI COBA

SKENARIO I-II:

Ujicoba Variasi Penyamaran tanpa menggunakan konvolusi log

Gabor untuk input Transformasi Wavelet

(tanpa fitur phase)


UJI COBA

ANALISIS SKENARIO I-II

Penyamaran Keakuratan

Jenggot dan kumis 22%

Kacamata 15%

Tutup kepala/ topi 23.34%

Bibir/ alis/ hidung 10%

Kerutan kulit 25%

Campuran 12%


UJI COBA

GRAFIK PERBANDINGAN SKENARIO I-I & I-II


UJI COBA

SKENARIO II

Uji Perbandingan Kinerja Metode dengan Metode PCA (Principal

Component Analysis)

Potongan uji coba

Pada skenario ini dilakukan uji coba membandingkan pengenalan

penyamaran wajah dengan metode lain, yaitu Principal Component Analysis

(PCA). Uji coba dilakukan sebanyak 250 kali percobaan. Hasil uji coba dapat

dilihat pada buku Tugas Akhir bagian Lampiran B.

2/8/2010

8


UJI COBA

GRAFIK UJI COBA SKENARIO II

Uji Perbandingan Kinerja Metode dengan Metode PCA (Principal

Component Analysis)


UJI COBA

ANALISIS SKENARIO II

• Metode neural network memiliki prosentase tingkat akurasi

pengenalan 90% sedangkan PCA (Principal ComponentAnalysis) memiliki prosentase tingkat akurasi pengenalan 80%.

• Dapat disimpulkan bahwa pengenalan citra penyamaran wajah

lebih efektif menggunakan metode neural network.


KESIMPULAN DAN SARAN

KESIMPULAN

Perubahan fitur wajah kecuali pada daerah mata, mulut dan hidung,tidak mempengaruhi akurasi. Kinerja metode berkurang saat bagian

penting seperti mata dan mulut ditutup dengan menggunakanaksesoris wajah untuk penyamaran.

Pengenalan menggunakan citra wajah yang terlebih dahulu di ekstraksi

menggunakan transformasi log Gabor lebih akurat, karena filter logGabor menyediakan invariance untuk rotasi dan scaling membuat

phase mengandung informasi yang lebih efektif. Dengan prosentaseidentifikasi keakuratan di atas 70%.

Metode neural network dapat digunakan secara efektif untukmengenali citra wajah yang menggunakan penyamaran dibandingan

dengan metode PCA (Principal Component Analysis).


KESIMPULAN DAN SARAN

SARAN

• Untuk uji coba digunakan dataset dengan variasi yang lebih

banyak, baik berupa citra asli maupun buatan seperti databaseyang digunakan dalam uji coba tugas akhir ini.

• Untuk pengembangan lebih lanjut pengenalan citra penyamaran

wajah, neural network selain sebagai classifier, dapat digunakan

sebagai ekstraktor fitur log Gabor.

2/8/2010

9


DAFTAR PUSTAKA

• [Sin09] Richa Singh, Mayank Vatsa, Afzel Noore. 2009. “Face Recognition withDisguise and Single Gallery Images”. ScienceDirect on Image and Vision

Computing 27 245-257.

• [Hay98] Simon Haykin. 1998. Neural Networks A ComprehensiveFoundation. Prentice Hall International, Inc.

• [Fau94] Laurene Fausett. 1994. Fundamentals of Neural Networks. PrenticeHall International, Inc.

• [Ram04] N. Ramanathan, A.R. Chowdhury, R. Chellappa. 2004. “Facial Similarity

Across Age, Disguise, Illumination, and Pose”. Proceedings of InternationalConference on Image Processing 3 1999-2002.

• [Fie87] D.J. Field. 1987. Relations between the Statistics of Natural Images and

the Response Properties of Cortical Cells. Journal of the Optical Society ofAmerica 4 2379-2394.


DAFTAR PUSTAKA

• [Sil03] P.Q. Silva, A.N.C. Santa Rosa. 2003. “Face Recognition Based onEigeneyes”. Pattern Recognition and Image Analysis 13 (2) 335-338.

• [Del04] Kresimir Delac dan Mislav Grgic. 16-18 June 2004. “A Survey ofBiometric Recognition Methods”. 46th International Symposium Electronicsin Marine, ELMAR-2004, Zadar, Croatia.

• [Gon02] Rafael C. Gonzalez dan Richard E. Woods. 2002. Digital ImageProcessing. New Jersey: Pearson Prentice-Hall, Pearson Education , Inc.

•

• [The06] Sergios Theodoris dan Konstantinos Koutroumbas. 2006. Pattern

Recognition Third Edition. San Diego: Academic Press.

• [Li05] Stan Z. Li dan Anil K. Jain. 2005. Handbook of Face Recognition. NewYork: Springer Science+Business Media, Inc.


DAFTAR PUSTAKA

• [Pal02] C. Palm and T.M. Lehmann. 2002. “Classification of Color Textures byGabor Filtering”. Machine Graphics and Vision 11 (2/3) 195-219.

• [Bel96] P. N. Belhumer, J. Hespanha, dan D, J. Kriegman. “Eigenfaces vs.Fisherfaces: Recognition using class specific linear projection”. ECCV (1) 45-58.

• http://www.iqbiometrix.com/products_faces_40.html

http://www.iqbiometrix.com/products_faces_40.html










2/8/2010

10


ISTILAH

• Filter Gabor merupakan filter linier di mana responsimpulsnya didefinisikan dengan fungsi harmonikdikalikan denhan fungsi Gaussian. Karena adanyaproperti perkalian-konvolusi (teorema Konvolusi),transformasi Fourier dari respons impuls filter Gaboradalah konvolusi dari transformasi Fourier dari fungsiharmonik dan transformasi Fourier dari fungsiGaussian.

FILTER GABOR


ISTILAH

Pada tahap ini dilakukan normalisasi terhadap citra yang

dibangun menggunakan FACES software 4.0 (www.facesid.com)secara manual menggunakan IrfanView. Masing-masing citra di-

cropping dengan ukuran 90x90 piksel pada bagian wajah.

PRAPEMROSESAN CITRA (1)


ISTILAH

PRAPEMROSESAN CITRA (2)

Proses cropping citra


ISTILAH

• Performa menggunakan fitur fase lebih baik daripadaperforma menggunakan fitur amplitude karena fiturfase independen terhadap keseluruhan magnitudo(amplitudo) pada citra wajah dan invarians terhadappencahayaan dan kontras yang tidak dimiliki olehfitur amplitudo.

FITUR PHASE

http://www.iqbiometrix.com/





ppt ta 5105100062 -...

Documents