Teknik pengenalan wajah berbasis fitur local binary pattern (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 (Head Pose)• Pencahayaan (Ilumination)• Ekspresi (Expression)

2

Latar Belakang• Proses pengenalan wajah dipengaruhi oleh faktor‐faktor variabilitas inter‐personal dan intra‐personal .

• Algoritma pengenalan wajah dapat dibedakanmenjadi 2 bagian yaitu berdasarkan pendekatan fitur(feature‐based) dan pendekatan penampilan(appearance‐based).

3

Skenario Pengenalan Wajah

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 tiap‐tiap 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 ‐ Yale‐B92x112 ‐ AT&T

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

7

Basis Data• Variasi pencahayaan menggunakan basis data Yale‐B.

• Variasi posisi kepala menggunakan basis dataAT&T.

8

Blok Sistem 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 LBPLBP diperoleh dari proses Binary Derivatives.

Dan fungsi 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 rata‐rata dua distribusi.(distribusi histogram citra)

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 siku‐siku.

17

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

18

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

LBP‐PCA 98.33 97.5 99.17 99.17 99.17 99.17 99.17LBP‐LDA 96.67 99.17 99.17 97.5 97.5 98.33 99.17CHI SQUARE 99.17 99.17 99.17 99.17 100 100 100HE‐LBP‐PCA 97.5 98.33 99.17 99.17 99.17 99.17 99.17HE‐LBP‐LDA 98.33 99.17 98.33 99.17 99.17 98.33 99.17HE‐CHI SQUARE 100 99.17 99.17 100 100 100 100

95

96

97

98

99

100

Ting

kat p

engena

lan (%)

Ukuran Jendela LBP

LBP‐PCA LBP‐LDA CHI SQUARE HE‐LBP‐PCA HE‐LBP‐LDA HE‐CHI SQUARE

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

19

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

LBP‐PCA 55 66.67 75.83 77.5 83.33 76.67 80LBP‐LDA 53.33 67.5 69.17 74.17 71.67 65.83 73.33CHI SQUARE 74.17 87.5 87.5 93.33 95.83 95 99.17HE‐LBP‐PCA 60 66.67 75.83 79.17 87.5 80 87.5HE‐LBP‐LDA 67.5 74.17 75 77.5 83.33 74.17 80HE‐CHI SQUARE 75 90 85.83 94.17 97.5 92.5 99.17

50556065707580859095100

Ting

kat p

engena

lan (%)

Ukuran Jendela LBP

LBP‐PCA LBP‐LDA CHI SQUARE HE‐LBP‐PCA HE‐LBP‐LDA HE‐CHI SQUARE

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

20

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

LBP‐PCA 35.83 35.83 48.33 40.83 55.83 42.5 47.5LBP‐LDA 43.33 46.67 42.5 53.33 52.5 45 46.67CHI SQUARE 40 55.83 55 65.83 73.33 74.17 80HE‐LBP‐PCA 45.83 49.17 59.17 50.83 63.33 59.17 55HE‐LBP‐LDA 50 50.83 55 64.17 73.33 50 65HE‐CHI SQUARE 43.33 55.83 59.17 69.17 77.5 70 83.33

30

40

50

60

70

80

90

100

Ting

kat p

engena

lan (%)

Ukuran Jendela LBP

LBP‐PCA LBP‐LDA CHI SQUARE HE‐LBP‐PCA HE‐LBP‐LDA HE‐CHI SQUARE

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

21

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

LBP‐PCA 12.5 12.5 15.83 12.5 23.33 14.17 17.5LBP‐LDA 17.5 15 16.67 22.5 24.17 18.33 14.17CHI SQUARE 16.67 21.67 25 35.83 42.5 41.67 61.67HE‐LBP‐PCA 18.33 20 37.5 24.17 43.33 35.83 28.33HE‐LBP‐LDA 24.17 30.83 35 38.33 51.67 31.67 57.5HE‐CHI SQUARE 17.5 19.17 28.33 31.67 44.17 40.83 50

0

10

20

30

40

50

60

70

Ting

kat Pen

gena

lan (%)

Ukuran Jendela LBP

LBP‐PCA LBP‐LDA CHI SQUARE HE‐LBP‐PCA HE‐LBP‐LDA HE‐CHI SQUARE

Hasil Percobaanvariasi Headpose – [Basis data AT&T]

22

26x30 21x25 18x21 16x18 14x16 13x15 11x13LBP‐PCA 87.14 85.71 83.93 82.86 80.36 80.36 77.86LBP‐LDA 85.00 87.86 84.64 81.43 80.36 78.93 72.86CHI SQUARE 90.71 89.29 88.93 86.43 85 85 82.14

70

80

90

100Ting

kat P

engena

lan (%

)

Ukuran Jendela LBP

LBP‐PCA LBP‐LDA CHI SQUARE

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 Yale‐B) 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 Yale‐B, 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 citra‐citra dengan variasi pencahayaan dari pada variasiheadpose.

23

Saran• Metode Local Binary pattern masih dapatdikembangkan dengan beberapa metode lainselain metode LBP standar, seperti uniformLBP, rotation‐invariant LBP atau uniform rotation‐invariant LBP.

• Pengujian dapat dilakukan dengan basis data yang lain seperti FERET.

• Ekstraksi fitur LBP juga dapat digabungkandengan metode pengenalan wajah selain PCA danLDA seperti Canonical Correlation Analysis (CCA) atau Support Vector Machine (SVM). 

24

25