Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009)
ISSN 1907-882X
Deteksi Posisi dan Ekstraksi Fitur Wajah Manusia Pada Citra Berwarna Iping Supriana1)
Yoseph Suryadharma2)
1) Program Studi Teknik Informatika Institut Teknologi Bandung email:
[email protected] 2) Program Studi Teknik Informatika Institut Teknologi Bandung email:
[email protected]
Abstrak Pendeteksian posisi wajah dan ekstraksi fitur wajah merupakan salah satu proses yang sangat penting untuk melakukan proses pengenalan wajah. Pendeteksian posisi wajah merupakan suatu proses untuk mengetahui lokasi wajah pada suatu citra. Ekstraksi fitur wajah merupakan proses pendeteksian posisi fitur-fitur wajah seperti mata dan mulut. Kedua proses tersebut merupakan proses pendahuluan sebelum dilakukan proses yang lebih kompleks pada proses pengenalan wajah. Makalah ini berisi kajian algoritma deteksi posisi dan ekstraksi fitur wajah pada citra berwarna. Deteksi posisi wajah dilakukan dengan memanfaatkan informasi piksel warna kulit dan karakteristik wajah. Ekstraksi fitur wajah dilakukan dengan memanfaatkan pengolahan citra tingkat rendah menggunakan proses pendeteksian tepi menggunakan algoritma smallest univalue segment assimilating nucleus (SUSAN). Algoritma SUSAN tersebut digunakan untuk melakukan ekstraksi fitur mata dan mulut pada suatu citra wajah. Kesimpulan yang didapatkan adalah model warna HSV secara umum bekerja lebih baik daripada model warna kulit RGB. Proses ekstraksi fitur wajah menggunakan SUSAN edge detection mampu mendeteksi batas-b atas fitur wajah dengan cukup baik.
Kata Kunci: deteksi posisi wajah, ekstraksi fitur wajah, SUSAN edge detection wajah. Ketepatan deteksi posisi dan ekstraksi
2. PENDAHULUAN
fitur wajah merupakan suatu hal yang sangat Deteksi posisi dan ekstraksi fitur wajah
penting untuk sistem pengenalan wajah.
merupakan tahap pendahuluan yang sangat
Berbagai penelitian telah dilakukan untuk
penting dalam sistem pengenalan wajah. Deteksi
melakukan deteksi posisi dan ekstraksi fitur
posisi wajah adalah proses untuk mengetahui
wajah pada suatu citra berwarna. Pada penelitian
lokasi wajah pada suatu citra. Deteksi posisi
[2] deteksi posisi wajah dilakukan pada suatu
wajah menjadi sangat penting karena dalam
citra berwarna dengan memanfaatkan informasi
suatu citra wajah dapat muncul di berbagai posisi.
piksel warna kulit dan informasi lubang pada
Ekstraksi
untuk
wajah. Penelitian [4][5] memperkenalkan metode
mengetahui lokasi-lokasi fitur-fitur wajah seperti
ekstraksi pojok fitur-fitur wajah menggunakan
mata dan mulut. Proses ini membantu untuk
algoritma
mengetahui ciri-ciri spesifik dari suatu objek
diperkenalkan sebelumnya pada penelitian [13].
fitur
wajah
adalah
proses
SUSAN
corner
detection
yang
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) Berdasarkan
hasil
penelitian
tersebut,
ISSN 1907-882X
Mask ditempatkan di setiap titik di dalam citra.
penulis mengembangkan suatu sistem deteksi
Setiap
posisi dan ekstraksi fitur wajah. Proses deteksi
dibandingkan nilainya dengan titik tengah mask.
wajah memanfaatkan informasi warna piksel dan
Persamaan
ukuran dimensi wajah. Proses ekstraksi fitur-fitur
pembandingan ini adalah:
titik
wajah dilakukan untuk melakukan ekstraksi fitur mata dan mulut dengan memanfaatkan algoritma
, 0
SUSAN edge detector. Algoritma SUSAN edge karena
algoritma
dalam
yang
1, 0,
mask
kemudian
digunakan
| |
untuk
0 | 0 |
tersebut
r0 adalah posisi nukleus dalam citra, r adalah
membantu dalam menentukan batas-batas fitur
posisi piksel lain di dalam mask, I(r) adalah nilai
wajah secara lebih akurat.
kecerahan piksel, t merupakan nilai ambang
detector
dipilih
di
(threshold) beda kecerahan, c merupakan nilai
3. SUSAN EDGE DETECTION Smallest
Univalue
Segment
Assimilating
Nucleus (SUSAN) adalah algoritma yang dapat digunakan untuk melakukan deteksi fitur suatu
hasil perbandingan. Pembandingan dilakukan untuk setiap piksel di dalam mask dan kemudian dihitung nilai total hasil perbandingan dengan persamaan:
objek dalam suatu citra. SUSAN menggunakan
0
∑
, 0
circular mask untuk mendeteksi tepi (edge) dan pojok (corner) dari suatu objek [13]. Algoritma ini
n merupakan jumlah total piksel yang berada di
membandingkan nilai kecerahan setiap piksel
dalam
area
USAN.
yang terdapat di dalam mask dengan nilai piksel
dibandingkan
dengan
di tengah mask. Piksel titik tengah mask disebut
(threshold) g, yang disebut sebagai geometric
sebagai nucleus. Jumlah piksel yang memiliki
threshold. Nilai g ditetapkan sebagai 3nmax/4.
nilai ‘sama’ dengan nucleus dalam suatu mask
Initial
didefinisikan
menggunakan aturan sebagai berikut:
sebagai
Univalue
Segment
edge
Kemudian, suatu
response
nilai
nilai
n
ambang
dihitung
dengan
Assimilating Nucleus (USAN) area. Pendeteksian tepi atau pojok dari suatu objek merupakan
R r0
pencarian daerah atau titik dalam suatu citra
g n r0 , jika n r0 0, lainnya
yang memilikai USAN area terkecil. Ilustrasi
R( r0 )
algoritma SUSAN dapat dilihat pada gambar 1.
persamaan tersebut terlihat bahwa semakin kecil
merupakan
edge
response.
Dari
area USAN semakin besar edge response.
3. MODEL WARNA KULIT Suatu warna dapat dimodelkan ke dalam beberapa model warna. Model warna digital yang sering digunakan adalah RGB (red, green, blue) Gambar 1. Circular Mask Algoritma SUSAN Pendeteksian tepi suatu objek menggunakan SUSAN memanfaatkan suatu circular mask.
dan HSV (hue, saturation, value). Model warna kulit digunakan untuk memisahkan piksel kulit
Seminnar Nasional Ilmu I Komputerr dan Aplikasiinya – SNIKA A 2009 (26/11//2009)
ISSN 1907-8882X
dan non-kulit. n Be erdasarkan penelitian p [9]], model
te ertutup, dila anjutkan den ngan pembentukan peta a
warna a kulit dalam m representassi RGB adala ah:
lu ubang
(clo osed
skin
map)
dengan
cara a
mengurangka m an peta kuliit tertutup dengan d hasill R > 95 dan d G > 40 dan d B > 20
proses p
max{R,G G,B} – min{R R,G,B} > 15
dilakukan d prroses peme etaan (mapp ping) antara a
|R-G| > 15 1 dan R > G dan R > B
objek o pada peta p lubang d dengan obje ek pada peta a
deng gan R,G,B = [0,255]
kulit k tertutup p. Dengan pertimbang gan bahwa a setiap s
Berda asarkan pen nelitian [9], model warrna kulit dalam m representa asi HSV adalah:
segmentasi
luba ang
w warna
pada
kulit.
peta
Kemudian n
kulit
tertutup p
merepresenta m asikan fitur-ffitur wajah seperti s mata a dan d mulut, setiap s objek pada peta kulit k tertutup p yang y memiliki lubang dikategorika an sebagaii
0 < H < 50 dan 0.23 < S < 0.68
kandidat k wa ajah. Kemud dian setiap objek yang g
d S = [0,1] dengan H = [0,360] dan
dikategorikan d n sebagai kkandidat wajjah dihitung g
el warna HSV V lebih baik dari d model warna w Mode RGB karena dala am model HS SV dipisahkan
ukuran u dime ensinya. Ka andidat yan ng memilikii perbandingan p n panjang d dan lebar maksimal m 1:2 2
n kemurnian warna dan antarra komponen
dikategorikan d n sebagai w wajah. Ilusttrasi prosess
komp ponen intensitas cahaya.
pendeteksian p n posisi wa ajah dapat dilihat d pada a gambar g 2.
4. PROSES DETEKSI D P POSISI WAJAH P Proses detekksi posisi wa ajah diawali dengan melakukan
prosses
segme entasi
warn na
kulit
bih dahulu pada p citra masukan. m Input dari terleb prose es ini adala ah sebuah citra c berwarrna dan outpu utnya merup pakan sebua ah citra bine er. Pada penelitian
ini,
output
untuk
pikse el
kulit Gambarr 2. Proses d deteksi posis si wajah
n dengan wa arna putih da an piksel direpresentasikan a hitam. non-kkulit direpressentasikan dengan warna Prose es segmenta asi warna kullit dilakukan dalam 2 mode el warna yaittu model RG GB dan HSV. Fungsi yang digunakan dalam d proses segmentassi warna a kulit adalah:
5. PROSE ES EKSTRA AKSI FITUR R WAJAH Ekstraksii
fitur
wa ajah
dilaku ukan
untukk
melakukan m deteksi possisi mata dan mulut.. Algoritma A ya ang dipakai adalah SU USAN edge e
1 1,
detection. d Algoritma ini dipakai kare ena SUSAN N edge e
0 0, Selan njutnya dari hasil prosess segmentassi warna kulit tersebut, dilakukan d prroses pembentukan
detection
at dapa
memba antu
untukk
menentukan m batas-batas fitur wajah secara lebih h akurat. a 5.1 5 Ekstraks si Fitur Mata a
p (closed skin n map) deng gan cara peta kulit tertutup erapkan algo oritma closing g dan openin ng pada mene citra tersebut. Setelah pemb bentukan pe eta kulit
Ekstraksii fitur mata dilakukan dengan d cara a menerapkan m
a algoritma
smallestt
univalue e
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) segment assimilating nucleus (SUSAN) pada citra wajah hasil proses deteksi posisi wajah. Algoritma SUSAN digunakan untuk melakukan pendeteksian tepi (edge detection) pada area pencarian mata. Pada kajian ini digunakan algoritma
SUSAN
edge
detection
karena
algoritma tersebut lebih memudahkan untuk mencari batas-batas fitur yang dicari daripada menggunakan SUSAN corner detection. Karena operator SUSAN bekerja pada citra grayscale, citra wajah akan diubah ke dalam representasi grayscale terlebih dahulu sebelum dilakukan
ISSN 1907-882X
1. ukuran lebar bounding box ≥ 1,2 x tinggi bounding box 2. ukuran lebar bounding box ≤ 3,2 x tinggi bounding box 3. ukuran lebar bounding box ≥ 0,125 x lebar area wajah 4. ukuran lebar bounding box ≤ 0,3 x lebar area wajah 5. koordinat titik atas bounding box ≥ 0,25 x tinggi area wajah 6. koordinat titik bawah bounding box ≤ 0,5 x tinggi area wajah
proses ekstraksi fitur mata. Sebelum dilakukan proses ekstraksi, didefinisikan area pencarian
5.2 Ekstraksi Fitur Mulut
fitur mata. Area pencarian fitur mata pada proses ini adalah setengah area bagian atas wajah.
Ekstraksi menerapkan
Area ini dapat dilihat pada gambar 3.
fitur
mulut
algoritma
dilakukan
SUSAN
dengan
pada
area
pencarian mulut. Area pencarian mulut adalah setengah bagian bawah wajah. Area pencarian mulut dapat dilihat pada gambar 4.
Gambar 3. Area pencarian fitur mata Algoritma SUSAN diterapkan pada area pencarian
mata
yang
telah
didefinisikan.
Gambar 4. Area pencarian fitur mulut
Operator SUSAN yang dipakai memiliki ukuran diameter mask 7 piksel. Nilai ambang (threshold)
Algoritma SUSAN diterapkan pada area
yang dipakai untuk mendeteksi fitur mata adalah
pencarian
21. Nilai ambang tersebut dilakukan setelah
Operator SUSAN yang dipakai memiliki ukuran
beberapa percobaan. Operator SUSAN tersebut
diameter mask 7 piksel. Nilai ambang (threshold)
diaplikasikan untuk mendeteksi tepi (edge) pada
yang dipakai untuk mendeteksi fitur mulut adalah
area
5. Nilai ambang tersebut didapatkan setelah
pencarian
mata.
Setiap
edge
object
mulut
yang
didefinisikan.
kemudian dicari minimum bounding box-nya.
melakukan
Proses
melakukan
SUSAN tersebut diaplikasikan untuk mendeteksi
pemeriksaan untuk setiap edge object yang telah
tepi (edge) pada area pencarian mulut. Setiap
terdeteksi. Suatu objek merupakan objek mata
edge object kemudian dicari minimum bounding
jika memenuhi kriteria tertentu. Kriteria suatu
box-nya. Proses berikutnya adalah melakukan
objek dikategorikan sebagai objek mata adalah
pemeriksaan untuk setiap edge object yang telah
sebagai berikut:
terdeteksi. Suatu objek merupakan objek mulut
berikutnya
adalah
beberapa
telah
percobaan.
Operator
Seminnar Nasional Ilmu I Komputerr dan Aplikasiinya – SNIKA A 2009 (26/11//2009)
ISSN 1907-8882X
jika memenuhi kriteria terte entu. Kriteria a suatu
Tabel T 1. Nilai threshold S SUSAN untuk k ekstraksi
objekk dikategorikkan sebagai objek mulutt adalah
fitur mata
sebag gai berikut: 1. ukuran lebar l bound ding box ≥ tinggi bounding g box 2 ukuran le 2. ebar boundin ng box ≤ 6 x tinggi bounding g box 3 ukuran le 3. ebar boundin ng box ≥ 0,2 2 x lebar area waja ah 4 ukuran le 4. ebar boundin ng box ≤ 0,6 6 x lebar
No. N
Nilai Thre eshold
H Hasil
1.
1 19
46 6,67%
2.
2 20
66 6,67%
3.
2 21
93 3,33%
4.
2 22
80 0,00%
5.
2 23
73 3,33%
area waja ah 5 koordinatt titik atas bo 5. ounding boxx ≥ 0,5 x tinggi are ea wajah 6 koordinatt titik bawah bounding 6. g box ≤
Tabel T 2. Nilai threshold S SUSAN untuk k ekstraksi fitur mulut
0,75 x tinggi area wajah No. N
Nilai Threshold T
Hasil
1.
3
4 46,67%
2.
4
6 60,00%
3.
5
7 73,33%
4.
6
6 66,67%
5.
7
6 60,00%
6. HA ASIL EKSPE ERIMEN C Contoh hasil pengujian da ari algoritma a deteksi posissi dan eksttraksi fitur wajah yang telah dijela askan dapat dilihat d pada gambar g 5.
Gambar 5: Ha asil deteksi po osisi dan eksstraksi fitur wajah h D Dari hasil ekstraksi fitur mata dan n mulut,
Tabel T 3. Hassil pengujian deteksi posis si wajah
terliha at bahwa algoritma SUS SAN edge detection d cukup p membantu u untuk mene entukan bata as-batas
No.
fitur mata m dan mu ulut dengan lebih akuratt. Hal ini
1.
sanga at penting ka arena akurassi pendeteksian fitur-
2.
Mode el Warna Seg gmentasi
Hasil
RGB
80,00%
HSV
86,67%
fitur wajah sang gat menenttukan hasil proses ah. Hasil pen ngujian terha adap 15 pengenalan waja an dapat dilih hat pada citra masukan yang digunaka
7. KESIM MPULAN
tabel 1,2, dan 3.
Deteksi posisi ekstrraksi fitur wajah w dapatt dilakukan d
d dengan
me emanfaatkan n
algoritma a
penolahan p c citra tingkatt rendah. Untuk citra a berwarna, b
p proses
detteksi
dapatt
dilakukan n
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) dengan
memanfaatkan
model
warna
kulit.
ISSN 1907-882X
[6] Hjelmas, Erik, Low, Boon Kee. Face
Secara umum, model warna kulit HSV bekerja
Detection: A Survey. Computer Vision and
lebih baik daripada model warna kulit RGB.
Image Understanding, 83, pp. 236-274 (2001).
Keberhasilan proses segmentasi warna kulit sangat
mempengaruhi
keberhasilan
proses
deteksi posisi wajah pada citra berwarna. Untuk
[7] Munir, Rinaldi. Pengolahan Citra Digital. Penerbit Informatika. 2004 [8] Pam, Thang V. dan Worring, Marcel. Face
melakukan proses ekstraksi fitur-fitur wajah
Detection Method A Critical Evaluation. ISIS
seperti mata dan mulut, algoritma SUSAN edge
Technical Report Series, Vol II (2000,
detection cukup membantu untuk menentukan
November).
batas-batas fitur-fitur wajah tersebut dengan
[9] P. Peer, F. Solina. An Automatic Human Face
cukup akurat. Hasil output algoritma ini cukup
Detection Method. Proc. 4th Computer Vision
memadai untuk diproses lebih lanjut untuk
winter Workshop (CVWW), pp. 122-130
keperluan
(1999, Februari).
sistem
biometrik
seperti
sistem
pengenalan wajah.
[10] Rowley, Henry A., Baluja, Shumeet, dan Takeo Kanade. Neural Network-Based Face
DAFTAR PUSTAKA
Detection. IEEE Transactions Pattern Analysis
[1] Agushinta R., D., Suhendra, Adang dan
and Machine Intelligence, Vol. 20, No. 1, pp.
Hendra. Ekstraksi Fitur dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah. National Conference on Computer Science and Information Technology VII. [2] Ahlvers, U., Rajagopalan, Ruben, dan Udo Zolzer. Model-Free Face Detection And Head Tracking With Morphological Hole Mapping.
23-28 (1998, Januari). [11] Russ, Johm C. The Image Processing Handbook 5th Edition. CRC Press. 2007 [12] Singh, Sanjay Kr., dkk. A Robust Skin Color Based Face Detection Algorithm. Tamkang Journal of Science and Engineering, Vol. 6, No. 4, pp. 227-234 (2003). [13] Smith, S., Brady, J. Michael. SUSAN – A
Project Work. Helmut-Schmidt University /
New
Technical University Hamburg. Hamburg,
Processing. International Journal of Computer
2005.
Vision, Vol. 23, No. 1, pp. 45-78 (1997).
[3] Crane, Randy. A Simplified Approach To Image Processing. Prentice Hall. 1997 [4] Gu, H., Su, Guangda, dan Cheng Du. Feature Point Extraction From Faces. Image and Vision Computing NZ. pp. 154-158 (November, 2003). [5] Hess, M., Martinez, Geovanni. Facial Feature Extraction Based On The Smallest Univalue Segment Assimilating Nucleus (SUSAN) Algorithm. Project Work. Universidad de Costa Rica. 2005
Approach
To
Low
Level
Image