ppt ta 5105100062 -...
TRANSCRIPT
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.
08 Februari 2010 Tugas Akhir – CI1599 2
LATAR BELAKANG (1)
Aplikasi daftar pengamatan penyeberangan perbatasan dan teroris
08 Februari 2010 Tugas Akhir – CI1599 3
LATAR BELAKANG (2)
Overview sederhana dari proses keamanan perbatasan
dan departemen dan lembaga yang terlibat
08 Februari 2010 Tugas Akhir – CI1599 4
LATAR BELAKANG (2)
Jenis data yang termasuk dalam daftar pengamatan
2/8/2010
2
08 Februari 2010 Tugas Akhir – CI1599 5
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.
08 Februari 2010 Tugas Akhir – CI1599 6
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.
08 Februari 2010 Tugas Akhir – CI1599 7
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.
08 Februari 2010 Tugas Akhir – CI1599 8
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.
08 Februari 2010 Tugas Akhir – CI1599 9
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.
08 Februari 2010 Tugas Akhir – CI1599 10
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.
08 Februari 2010 Tugas Akhir – CI1599 11
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.
08 Februari 2010 Tugas Akhir – CI1599 12
BIOMETRIC
OPERASI SISTEM BIOMETRIK
2/8/2010
4
08 Februari 2010 Tugas Akhir – CI1599 13
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
08 Februari 2010 Tugas Akhir – CI1599 14
BIOMETRIC
PENGENALAN CITRA WAJAH
Permasalahan
Resolusi/ Kualitas
Orientasi
Skala
Penyamaran
Pencahayaan
Masa berlaku citra Perubahan fisiologis akibat pertumbuhan
Perubahan fisiologis akibat penuaan
08 Februari 2010 Tugas Akhir – CI1599 15
MODEL SISTEM
CITRA PENYAMARAN WAJAH
• Menggunakan citra wajah yang menggunakanpenyamaran
Individu asli Individu dengan penyamaran
08 Februari 2010 Tugas Akhir – CI1599 16
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
08 Februari 2010 Tugas Akhir – CI1599 17
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
08 Februari 2010 Tugas Akhir – CI1599 18
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
08 Februari 2010 Tugas Akhir – CI1599 19
MODEL SISTEM
TRANSFORMASI WAVELET 2D
Start
Input:
Fitur phase
Transformasi
wavelet
Output:
Fitur phase
wavelet
Stop
08 Februari 2010 Tugas Akhir – CI1599 20
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
08 Februari 2010 Tugas Akhir – CI1599 21
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
08 Februari 2010 Tugas Akhir – CI1599 22
UJI COBA
SKENARIO I
Uji Keakuratan Metode Dengan Variasi Penyamaran
08 Februari 2010 Tugas Akhir – CI1599 23
UJI COBA
SKENARIO I-I:
Ujicoba Variasi Penyamaran menggunakan konvolusi log Gaboruntuk input Transformasi Wavelet
(menggunakan fitur phase)
08 Februari 2010 Tugas Akhir – CI1599 24
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
08 Februari 2010 Tugas Akhir – CI1599 25
UJI COBA
SKENARIO I-II:
Ujicoba Variasi Penyamaran tanpa menggunakan konvolusi log
Gabor untuk input Transformasi Wavelet
(tanpa fitur phase)
08 Februari 2010 Tugas Akhir – CI1599 26
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%
08 Februari 2010 Tugas Akhir – CI1599 27
UJI COBA
GRAFIK PERBANDINGAN SKENARIO I-I & I-II
08 Februari 2010 Tugas Akhir – CI1599 28
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
08 Februari 2010 Tugas Akhir – CI1599 29
UJI COBA
GRAFIK UJI COBA SKENARIO II
Uji Perbandingan Kinerja Metode dengan Metode PCA (Principal
Component Analysis)
08 Februari 2010 Tugas Akhir – CI1599 30
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.
08 Februari 2010 Tugas Akhir – CI1599 31
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).
08 Februari 2010 Tugas Akhir – CI1599 32
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
08 Februari 2010 Tugas Akhir – CI1599 33
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.
08 Februari 2010 Tugas Akhir – CI1599 34
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.
08 Februari 2010 Tugas Akhir – CI1599 35
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
2/8/2010
10
08 Februari 2010 Tugas Akhir – CI1599 37
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
08 Februari 2010 Tugas Akhir – CI1599 38
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)
08 Februari 2010 Tugas Akhir – CI1599 39
ISTILAH
PRAPEMROSESAN CITRA (2)
Proses cropping citra
08 Februari 2010 Tugas Akhir – CI1599 40
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