Deteksi Kedip Mata Berbasis Metode SURF

 

Deteksi Kedip Mata Berbasis Metode SURF Indra Agustian1* 1

Staf Pengajar Program Studi Teknik Elektro FT Universitas Bengkulu, *Email: [email protected]

ABSTRAK This research presents the realtime eye blink detection system based on image processing technique using SURF method. The first process of system is face detection, next, the area resulted from face detection is used for eye detection process, both of detections are supported by Haarcascade Classifier. Eye region resulted from eye detection is optimized for an effective computation process and it is used as region of interest(ROI) for eye blink detection using SURF method. SURF method for eye blink detection leads to a combination of interest point detection and description of eye opened-closed images and matching steps. The experiment and discuss shows that eye blink detection using SURF method his reliable for realtime processing with accuracy 97,6% at normal blink detection and 100% at blink duration detection. Keywords: eye detection, face detection, blink detection, haarcascade classifier, SURF.

1. PENDAHULUAN Salah satu fokus utama penelitian bidang Computer Vision saat ini adalah deteksi gerakan dan gestur tubuh atau sebagian dari bagian tubuh manusia yang dapat dimanfaatkan untuk keperluan bidang HCI (Human-Computer Interface), dan juga biomedis. Deteksi kedip mata merupakan bagian dari gestur wajah yang dapat dimanfaatkan sebagai masukan untuk interaksi manusia dengan komputer, selain itu, deteksi kedip mata dan pola kedipnya bisa dimanfaatkan dalam bidang penelitian kesehatan mata ataupun bidang perilaku manusia. Deteksi kedip mata pada penelitian-penelitian sebelumnya berbasis metode gradient[1][2], SIFT[3], tapis gabor[4]. Penelitian [1] dan [2] menggunakan perbedaan citra antar frame, penelitian [3] menggunakan optical flow tracking fitur yang diperoleh dari metode SIFT. Penelitian [4] melakukan deteksi wajah dan mata menggunakan Haarcascade Classifier[5][6][7], area hasil deteksi mata dijadikan Region of Interest(ROI) deteksi kedip yang dilakukan dengan metode tapis gabor. Berbeda dengan penelitian-penelitian di atas, pada penelitian ini, proses deteksi kedipan mata dilakukan dengan berbasis metode SURF[8]. Berbeda dengan

metode SIFT, deteksi interest point, deskripsi dan pencocokan pada metode SURF dilakukan dengan berdasarkan metode integral image[5][6].

2. TINJAUAN PUSTAKA Penelitian [1] merancang suatu metode klik mouse dengan menggunakan kedip mata dan gerakan alis yang tertangkap kamera. Metode pendeteksian berdasarkan perbedaan atau gradien citra biner antar frame dari masukan kamera. Hasil eksperimen menunjukkan tingkat keakuratan klik sebesar 95.6% dengan deteksi kedip mata, dan 89.0% dengan gerakan alis. Penelitian [2] merancang sistem deteksi kedip mata melalui analisis gerakan berdasarkan metode pada penelitian [1], yaitu gradien antar frame masukan kamera dengan tambahan open-eye template. Deteksi kedip mata pada penelitian ini menghasilkan tingkat akurasi deteksi sebesar 95,3%. Penelitian [3] merancang deteksi kedip mata dari citra sumber dengan tingkat kontras yang rendah mendekati tingkat keterangan infrared. Deteksi kedip mata dilakukan berdasarkan perbedaan citra biner antar frame dengan dukungan optical flow tracking dari fitur yang diperoleh melalui metode SIFT untuk mendapatkan ROI deteksi kedip mata. Pengolahan citra memanfaatkan Graphical Processor Unit (GPU) untuk meningkatkan kinerja waktu komputasi. Tingkat akurasi deteksi kedip mata pada penelitian ini sebesar 97%. Penelitian [4] merancang sistem deteksi kedip mata dengan tapis gabor. Haarcascade classifier digunakan untuk mendeteksi mata, hasil deteksi dijadikan template area mata, selanjutnya area mata ditemukan dengan menggunakan metode template matching dan dilanjutkan dengan tapis gabor untuk mendeteksi kedip mata secara realtime. Tingkat akurasi deteksi kedip mata diklaim mencapai 100%. Penelitian [5][6][7] merancang suatu metode deteksi objek, yang dikenal juga dengan sebutan sistem deteksi Viola-Jones sesuai dengan nama perancangnya, dan ditambahkan beberapa fitur deteksi oleh Lienhart[6]. Classifier dilatih dengan sampel positif yaitu sampel gambar objek yang hendak dideteksi, dan sampel negatif yaitu sampel gambar lain yang bukan merupakan objek target deteksi, sampel negatif dapat diambil gambargambar yang mungkin menjadi latar belakang dari objek target. Kedua sampel positif dan negatif diskala ke 11

Jurnal Amplifierr Vol. 2 No. 2, Noopember 2012

  ukuran yangg sama (Vioola-Jones meengambil ukuuran 24x24). Teknik classifier yanng digunakan adalah cascadde of boosted claassifier padaa fitur Haaar-Like. Casccade classifier terrdiri atas sejuumlah stage yang y menganddung strong classif ifier untuk baggian positif daan weak classsifier untuk bagiaan. Stage diiperoleh darii hasil pelattihan classifier denngan AdaBooost. Fungsi seetiap stage addalah untuk menenntukan apakaah sub-window w yang diberrikan “pasti bukaan obyek yaang hendak dideteksi” atau “mungkin obyek yang hendak h dideteeksi”. Jika subwindow dikllasifikasi “passti bukan obyyek yang henndak dideteksi” maka m bagian tersebut didiiskualifikasi. Dan jika sub-window diklasifikkasi sebagai “mungkin“ obbyek s yang hendakk dideteksi” maka dilannjutkan ke stage selanjutnya. Ini berarti semakin bannyak stage yang y w, semakin beesar kemungkkinan dilewati olehh sub-window sub-window adalah wajah.. m pendetteksi Penelitiian [8] meranncang suatu metode interest poinnt(discrete im mage point) daan desciptor dari suatu suatu citra c sumber, metode ini diiberi nama SU URF (Speeded Up Robust Feeature). SUR RF dikembanggkan dengan berddasarkan padaa 2D Haar wavelet, inteegral image dan matriks m Hessiann. SURF terdiiri atas dua baagian utama yaituu: interest point p detectorr, interest point p descriptor. Data yang diperoleh daari SURF dapat d digunakan untuk penccocokan anntara deskripptorc yang berbeda (descrip iptor deskriptor paada sumber citra matcher). m veektor Bagian Interest point descriptor menyajikan fitur dari piiksel-piksel teetangga untukk masing-maasing interest point. Deskriptor ini i harus mem miliki karakterristik m nilai tetap t khusus, tidakk sensitif terhaadap derau, memiliki atau hampirr tetap terhaddap perubahaan geometri citra ataupun perrubahan phottometric. Baggian pencocookan descriptor veector merupakkan pencocokkkan interest point p antara suattu citra denngan citra lainnya denngan berdasarkan vektor deskkriptor/vektor fitur yang telah t diproses sebeelumnya.

3. MET TODOLOGI Sistem deteksi mata pada penelittian ini diranccang mrograman C++ C dengan IDE menggunakaan bahasa pem Visual Studiio Ultimate 2010 2 dan OpeenCV 2.3 Libbrary pada sistem operasi Winddows 7 Home Basic. Penguujian dilakukan deengan mengguunakan Laptoop Aspire 47550G, prosesor inteel core i5, 2G GB DDR3 Memory, M HD LED L LCD 14.23xx8 inchi2, resoolusi 1366 x 768 7 dan Webbcam Acer Crystall Eye 1.3MP yang terinteggrasi pada lapptop, dengan framee rate operasi rata-rata 10 fps f Sistem deteksi kedipp mata SURF F yang dibanngun pada penelittian ini didahhului oleh pra-proses p detteksi kedip, yang terdiri t atas prroses deteksi wajah w dan detteksi mata, sepertii terlihat pada Gambar 1. 12

Gam mbar 1. Skema utama sistem

Gam mbar 2. Skemaa proses Classiffier

deeteksi

wajah

Haarcascadee

A. Deteksi Wajaah Deteksi wajah dengan Haarcascad de Classifierr men nggunakan variabel v scallefactor = 1.1, 1 variabell min nSize = 2000x200, variabbel minNeig ghbors = 2.. Koo ordinat pusat (x, y) ditentuukan sebesar 0,5 0 kali lebarr dan n 0,4 kali tinnggi area perrsegi empat hasil deteksii Haa arcascade Claassifier. Gam mbar 2 menunjjukkan skemaa detaail proses deteeksi wajah. Hasil detekksi wajah realltime dengan Haarcascadee Cla assifier memiiliki penyimppangan sebesaar ±1 hinggaa ±3 piksel setiapp framenya, ssehingga dipeerlukan suatuu gan ini, yaituu tapiis untuk untuuk menguranggi penyimpang berd dasarkan bessar perbedaann lokasi koo ordinat pusatt wajjah antara frrame sekaranng dan akan n ada responn perg geseran jika nilai n salah sattu atau kedua nilai tersebutt lebiih besar daari ±3. Sehingga ditettapkan nilaii perg geseran ≤ 5 sebagai koonstanta bataas pergeserann untu uk fungsi deteksi d mata,, dengan assumsi bawahh deteeksi kedip mata m dilakukkan untuk wajah w dalam m keaadaan diam.

ISSN: I 2089-20200

 

Gam mbar 5. Antarm muka penggunaa sistem deteksii kedip mata

Gambar 3. Diiagram alir deteksi kedip diimulai dari deteksi maata

y digunakkan untuk detteksi Gambar 4. Skkema SURF yang keedip

B. Deteksi Mata M Diagram m alir pada Gambar G 3 meenunjukkan detail d proses detekssi mata sebeluum deteksi deteksi kedip. Area A hasil deteksi mata digunakkan sebagai ROI R deteksi kedip k masi untuk tuj ujuan mata dengann terlebih daahulu dioptim komputasi yang y lebih efektif. e Nilai variabel-variiabel deteksi kedipp mata dengann Haarcascadde Classifier sama s dengan detekksi wajah. C. Deteksi Kedip K Mata SURF S Deteksii kedip mata dengan SUR RF pada dasarrnya adalah menccari interest point p antara mata m terbuka dan mata tertutuup pada bebberapa lokassi dan orienntasi photomectricc wajah yangg terdeteksi. Langkah L perttama adalah membbandingkan ada a dan tidaknnya interest point p pada keadaaan-keadaan teersebut yang dapat dijaddikan parameter yaang cukup kuuat untuk menndefinisikan mata m terbuka dann tertutup. Untuk U langkkah pertama ini diperkuat deengan membuuat nilai minim mal hessian yang y bisa dikalibrrasi sebelum mengaktivassi proses deteeksi. Skema utam ma SURF yangg digunakan ditunjukkan pada p Gambar 4.

Gam mbar 6. Citra ujji minHessian tterhadap jumlah h interest point

Jika param meter yang diperoleh pada p langkahh perttama belum cukup c kuat, m maka proses dilanjutkan d kee pen ncocokan(matccher) setiap innterest point pada p keadaann yan ng diketahui sebagai s mata tterbuka dan mata m tertutup.. Pro oses pencocokkan dapat ddilakukan den ngan metodee Bru ute force matccher atau Flannn matcher dan d diperbaikii untu uk mengelim minasi pasangaan-pasangan interest i pointt yan ng kurang tepaat dengan mennggunakan jarrak euclidian.. Unttuk melakukaan pencocokaan maka dip perlukan citraa dataabase keadaann mata terbuuka yang diam mbil sebelum m aktiivasi proses deeteksi.

4. HASIL DAN PEMBAHASAN N Deteksi haaarcascade mata dilaku ukan dengann men nggunakan atturan nilai aambang yang diasumsikann dalaam keadaan diam d berdasarrkan pergerak kan koordinatt wak kil wajah, untuk u keperluuan ini digunakan nilaii amb bang pergerakkan koordinat wakil wajah kurang dari 5 sebagai keadaan diam. URF untuk deteksi d kedipp Penggunaann metode SU mem merlukan kaliibrasi nilai aw wal hingga did dapatkan hasill yan ng membedakkan antara mata terbuk ka dan mataa tertu utup. Gambar 5 menunjukkann antarmuka yang terdirii atass panel kaliibrasi awal nilai minHeessian, panell pen ngambilan tem mplate mata tterbuka(citra mata inisial),, sertta tampilan deeteksi. Gambar 7 dan d Tabel 1 m menunjukkan rentang nilaii min nHessian dari citra mataa pada Gamb bar 6 untukk keaadaan mata terrbuka dan terttutup. Dari Taabel 1 terlihatt bah hwa deteksi kedip dapatt berjalan pada p rentangg min nHessian 16443-4000, yaiitu suatu keeadaan tidakk  

133

Jurnal Amplifierr Vol. 2 No. 2, Noopember 2012

 

Gambar 7. Grrafik hasil uji jumlah inteerest point(orddinat) keeadaan mata buka dan tutupp berdasarkan nilai miinHessian(axis)) TABEL 1 JUMLAH INTER REST POINT TERH HADAP NILAI MIINHESSIAN OPTIM MAL UNTUK K DETEKSI KEDIP P DARI CITRA UJII PADA GAMBAR R6

minHesssian 16355 16366 16377 16388 16399 16400 16411 16422 16433 16444 16455 16466 16477 16488 16499 ..... 40000

Interestt Point buka tutup 5 1 5 1 5 1 5 1 5 1 5 1 5 1 5 1 5 1 5 0 5 0 5 0 5 0 5 0 5 0 ..... ..... 2 0

terdapat interest point waaktu mata tertuutup dan minimal t dard matching)). 1 interest poiint saat mata terbuka(standa Pengujiian deteksi kedip mata hanyya dilakukan pada p mata kiri, deengan tingkatt pencahayaann optimal opeerasi haarcascadee(rata-rata 400 4 Lux). Gambar 8(a) menunjukkann kalibrasi aw wal yang diharrapkan, sedanggkan Gambar 8(bb) menunjukkkan hasil penncocokan inteerest point citra mata m yang seddang berlangssung dengan citra mata inisial. m deteksi keedip mata addalah Keadaaan ideal dalam dengan terdeeteksinya sejum mlah pencocookan interest point p (minimal 1)) pada saat mata terbukaa dan tidak ada interest poinnt yang cocok pada saaat mata tertuutup. Gambar 9 menunjukkan m bahwa uji cooba keadaan buka b dan tutup dengan d nilai minHessian 1800 memennuhi 14

Gam mbar 8. Contohh kalibrasi SUR RF dengan min nHessian 12000 dengann (a)mata tertuutup dan (b) mata terbuka,, pasanggan i dan ii addalah mata iniisial dan mataa sekaranng

Gam mbar 9. Pasanggan buka-tutup mata minHessian = 1800,, dengann bagian kanann pasangan citrra mata adalahh inisial((i) dan bagian kkiri adalah citrra sekarang (ii)) masingg-masing: a froontal, b lirik kanan, c lirikk bawah,, d lirik kiri, e liirik atas

  perssyaratan stanndar matchingg untuk digu unakan dalam m deteeksi kedip maata. Untuk bebeerapa keadaann tertentu padaa saat operasii berllangsung bisa saja terjaddi suatu keaadaan deteksii ked dipan mata yang tidak dapat dilaku ukan dengann stan ndard matchhing, sehinggga digunak kan metodee pen ncocokan sebaagai cadangann jika pendeteeksian interestt poin nt saja tidak cukup, c yaitu jiika tidak terdaapat pasangann yan ng ditemukann antara maata inisial dengan d mataa sekarang, maka didefenisikaan bahwa mata m sekarangg dalaam keadaan teertutup (good matching). Gambar 100 menunjukkkan bahwa metode m goodd mattching dengaan berdasarkaan jarak eucclidian dapatt men ndiskualifikassi pasangan interest point yang tidakk sign nifikan. Sehinngga penggunnaan good ma atching dapatt ditu ujukan untukk meminimallisir kemung gkinan masihh terd deteksinya passangan interesst point saat mata m menutup,, dan n pada pengggunaannya akktivasi kedip dengan goodd mattching aktif jika standarrd matching menemukann inteerest point yanng cocok. Peerhatikan Gam mbar 11, jikaa tidaak ada interrest point yaang cocok dengan d goodd mattching maka didefinisikan d bbahwa mata dalam keadaann tertu utup. Hasil ekspeerimen kedip mata normal dan deteksii ked dip mata denngan durasi mata tertutup p pada nilaii min nHessian optiimal 1800 paada pencahay yaan rata-rataa 400 0 Lux ditunjukkkan pada Tabbel 2 dan Tabeel 3.

ISSN: I 2089-20200

  5. KESIMPPULAN

Gambar 10. SStandard matchh dan good match, bagian kanan k p pasangan citra mata adalah innisial(i), dan baagian k adalah citraa sekarang(ii) kiri

Gambar 11. Deteksi D kedip deengan good maatch, (i) citra innisial, ( citra sekaranng (ii)

Sistem deteeksi kedip maata berbasis metode m SURF F ng dirancang terdiri atas tiga proses deteksi, d yaituu yan deteeksi wajah, deteksi mata, ddan deteksi kedip. k Deteksii wajjah dan detteksi kedip mata diranccang dengann men nggunakan metode m Haarccascade Classsifier. Sistem m deteeksi wajah diberikan d tapiis koordinat wakil wajahh den ngan nilai ≤ 5, sehingga pproses detekssi selanjutnyaa berjjalan pada keaadaan wajah tterdeteksi tidaak mengalamii perg geseran karenna fluktuasi ppendeteksian Haarcascacee Cla assifier. Hasill deteksi keddip mata yan ng dilengkapii den ngan standar matching dann good match hing memilikii ting gkat akurasi seebesar 97,6% untuk kedipan n normal, dann 100 0% untuk deteeksi keadaan m mata tertutup dalam durasii 5 deetik, 10 detik dan 15 detik.

 

TABEL 2

REFERE ENSI

DETEKSI KED DIP MATA NORM MAL 2000 28 12 97,6%

Total deteksi kedip Total deteksi kedip positif saalah Total deteksi kedip negatif salah Total akurasi

[2]

TABEL 3 DETEKSI KEDIP MATA DEENGAN KEADAAN N DURASI MATA A TERTUTUP

Durasi mata tertutup Deteksi kedipp positif salah saalah Akurasi

5s 0 100%

10s 0 100%

Grauman,, M. Betke, J. Gips, G. Bradski,, “Communication Via Eye Bliinks - Detection n and Durationn E Analysis in Real Time”, Proceedings of the IEEE Computer Vision and Pattern Recognition Conference, Vol.. 2, 2001 Real Time Eyee Tracking andd Michael Chau, M. Betke, “R Cameras”, Bosston Universityy Blink Detectioon with USB C Computer Scieence Technical R Report No. 200 05-12, 2005 Marc Lalondee, David Byrnss, Langis Gagnon, Normandd Teasdale, Dennis Laurendeaau, “Real-time Eye Blinkk Detection witth GPU-Basedd SIFT Traccking”, Fourthh Canadian Confference, Compuuter and Robot Vision, V 2007. Kohei Aai, Ronny Mardiyannto, “Comparaative Study onn ods for HCI, inn Blink Detectioon and Gaze Esstimation Metho Particular, Gabbor Filter Utilizzed Blink Detecction Method”,, Eighth Interrnational Connference on Informationn Technology: New N Generationss, 2011 P. Viola, M. Jones, “Rapidd Object Detecction Using A Features” IEEE Conference onn Boosted Cascaade of Simple F Computer Visioon and Pattern Recognition, 20 001 P. Viola, J. J. Jones, “Robustt Real-Time Faace Detection”,, J of Com mputer Vision,, ISSN: 0920-International Journal 5691, Vol. 57, No. N 2, hal. 137--154, May 2004 4, R.Lienhart, J.M Maydt, 2002, “A An Extended Set S of Haar-likee Features for Rapid R Object D Detection”, Procceedings of thee International Conference C onn Image Proccessing (ICIP),, IEEE, Rochester, New Yorkk, USA, hal. I-900 I – I-903,, September 20002 Herbert Bay, Andreas A Ess, Tinnne Tuytelaars, Luc Van Gool,, “Speeded-Up Robust Featurres (SURF)”, Elsevier, 20088

[1] K.

15s 0 1000%

k Deteksii kedip positif salah adallah deteksi kedip mata tidak mendeteksi m addanya kedipann pada saat mata m berkedip, deeteksi kedip negatif salahh adalah detteksi kedip mata mendeteksi m addanya kedipaan pada saat mata m tidak berkediip. Dari eksperimen yang y dilakukaan, total akuurasi sistem detekksi kedip maata yang diraancang menccapai 97,6% untukk kedip mata normal n dan 1000% untuk detteksi mata tertutupp dalam durasi 5 detik, 10 detik d dan 15 detik. d Kesalahan deteksi d yang terjadi dapat disebabkan oleh tingkat penncahayaan yaang terkadanng tidak sttabil. Ketidaktepattan mengatur nilai n minHessian pada kalibbrasi awal dapat menyebabkan m sistem detekksi kedip mataa ini tidak berjalann dengan baikk.

[3]

[4]

[5]

[6]

[7]

[8]

155