IMPLEMENTASI ALGORITMA AFFINE SCALE INVARIANT FEATURE TRANSFORM UNTUK PENGENALAN WAJAH PADA CITRA SKETSA SKRIPSI
Disusun Oleh : Mukhlis NIM : 108091000062
PROGRAM SARJANA (S1) KOMPUTER PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2015
IMPLEMENTASI ALGORITMA AFFINE SCALE INVARIANT FEATURE TRANSFORM UNTUK PENGENALAN WAJAH PADA CITRA SKETSA
SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer Pada Program Studi Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta
Disusun Oleh : Mukhlis NIM : 108091000062
PROGRAM SARJANA (S1) KOMPUTER PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2015
i
ii
iii
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, Juni 2015
Mukhlis
iv
Nama
: Mukhlis
Program Studi : Teknik Informatika Judul
: Implementasi Algoritma Affine Scale Invarirant Feature Transform Untuk Pengenalan Wajah Pada Citra Sketsa ABSTRAK
Skripsi ini membahas penggunaan algoritma Affine Scale Invariant Feature Transform dalam mengekstraksi ciri khusus (feature) yang terdapat dalam citra sketsa dan foto. Dari ciri feature tersebut akan dicari kecocokkan antara citra sketsa dan foto. Sehingga foto hasil identifikasi dapat memiliki wajah yang sama atau setidaknya mirip dengan wajah pada citra sketsa. Hasil dari penelitian ini menunjukkan bahwa metode Affine Scale Invariant Feature Transform dapat mengidentifikasi feature dengan baik, ini terlihat dari banyaknya feature yang dihasilkan. Hasil pencocokkan dari sample yang digunakan menunjukkan bahwa metode Affine Scale Invariant Feature Transform dapat digunakan untuk mengidentifikasi wajah pada citra sketsa. Kata Kunci : Pengolahan Citra, Pengenalan Wajah, Citra Sketsa, Scale Invariant, ASIFT
v
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT atas segala karunia, rahmat dan kekuatan, juga segala petunjuk dan kemudahan sehingga penulis dapat menyelesaikan penulisan skripsi ini. Shalawat serta salam selalu kita haturkan kepada junjungan kita Nabi besar Muhammad SAW beserta keluarganya, para sahabatnya, dan para pengikutnya. Skripsi ini berjudul ”Implementasi Algoritma Affine Scale Invariant Feature Transform Untuk Pengenalan Wajah Pada Citra Sketsa”, yang disusun untuk memenuhi salah satu syarat dalam menyelesaikan program S1 pada Program Studi Teknik Informatika di Universitas Islam Negeri Syarif Hidayatullah Jakarta. Pada kesempatan yang berbahagia ini, penulis mengucapkan terima kasih kepada: 1.
Ibu A. Hanifa Setianingrum, M.Si. selaku Pembimbing I dan Bapak Victor Amrizal, M.Kom selaku Pembimbing II, yang senantiasa meluangkan waktu ditengah-tengah berbagai kesibukan dan aktifitasnya untuk membimbing penulis dalam menyelesaikan skripsi ini.
2.
Ibu Arini, ST., MT. selaku Ketua Program Studi Teknik Informatika, Bapak Feri Fahrianto, M.Sc. selaku Sekretaris Program Studi Teknik Informatika, dan Bapak Dr. Agus Salim, M.Si., selaku Dekan Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
vi
3.
Pimpinan Perpustakaan Utama dan Perpustakaan Fakultas Sains dan Teknologi yang telah memberikan fasilitas untuk mengadakan studi kepustakaan.
4.
Kepada semua dosen Program Studi Teknik Informatika yang telah membimbing penulis untuk menambah wawasan mengenai pengetahuan di bidang teknik informatika.
5.
Umi dan Abi yang selalu memberikan dukungan kepada penulis berupa moril, materil, semangat, kasih sayang, dan doa yang tiada hentinya.
6.
Sanak Famili yang turut memberikan motivasinya kepada penulis.
7.
Teman-teman TI B 2008, TI Software Engineering 2008, dan TI UIN 2008 yang telah berjuang bersama dalam menempuh pendidikan di Prodi Teknik Infomatika, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
8.
Akhirnya, penulis berharap semoga skripsi ini dapat bermanfaat. Saran dan kritik untuk kesempurnaan skripsi ini dapat disampaikan melalui email
[email protected]. Jakarta, 20 Mei 2015
Mukhlis 10809100006
vii
DAFTAR ISI
HALAMAN JUDUL ...................................................................................... i LEMBAR PENGESAHAN SKRIPSI .......................................................... ii LEMBAR PENGESAHAN UJIAN .............................................................. iii LEMBAR PERNYATAAN ........................................................................... iv ABSTRAK ...................................................................................................... v KATA PENGANTAR .................................................................................... vi DAFTAR ISI ................................................................................................... viii DAFTAR GAMBAR ...................................................................................... xi DAFTAR TABEL .......................................................................................... xiii BAB I PENDAHULUAN ............................................................................... 1 1.1.
Latar Belakang................................................................................. 1
1.2.
Rumusan Permasalahan ................................................................... 2
1.3.
Batasan Masalah .............................................................................. 2
1.4.
Tujuan Penelitian ............................................................................. 3
1.5.
Manfaat Penelitian ........................................................................... 3
1.6.
Sistematika Peneliatian .................................................................... 4
BAB II LANDASAN TEORI ........................................................................ 5 2.1.
Pengolahan Citra Digital ...................................................................... 5
2.2.
Scale Infariant Feature Transform(SIFT) ........................................... 6
2.1.1. Pencarian Nilai Ekstrema pada Skala Ruang .................................. 7
viii
2.1.2. Penentuan Keypoint ......................................................................... 9 2.1.3. Penentuan Orientasi ......................................................................... 11 2.1.4. Deskriptor Keypoint ......................................................................... 12 2.3.
Affine Transformation .......................................................................... 13
2.4.
Affine Scale Invariant Feature Transform ........................................... 14
2.3.1. Algoritma ASIFT ............................................................................. 16 2.5.
Matlab .................................................................................................. 17
2.6.
Metode Prototyping ............................................................................. 19
2.7.
Falase Acceptance Rate(FAR), False Rejection Rate(FRR) dan Equal Erorr Rate(EER) ........................................................................ 23
BAB III METODOLOGI PENELITIAN .................................................... 24 3.1.
Metode Pengumpulan Data .................................................................. 24
3.1.1. Studi Pustaka ................................................................................... 24 3.1.2. Penelitian Sejenis............................................................................. 25 3.2.
Metode Pengembangan Prototipe ........................................................ 26
3.2.1 Pengumpulan Kebutuhan................................................................. 27 3.2.1.1 Analisa Sistem ................................................................................ 27 3.2.1.2 Identifikasi Masalah ....................................................................... 27 3.2.1.3Usulan Penyelesaian Masalah ........................................................ 27 3.2.1.4Kebutuhan Perangkat Lunak dan Perangkat Keras ......................... 27 3.2.2 Membangun Prototype .................................................................... 28 3.2.2.1. Desain Image Processing ......................................................... 28 3.2.2.2. Desain Interface........................................................................ 29
ix
3.2.3 Mengkodekan System ..................................................................... 29 3.2.4 Pengujian aplikasi ............................................................................ 29 3.3.
Kerangka Berfikir................................................................................. 30
BAB IV PEMBAHASAN DAN HASIL ....................................................... 31 4.1.
Pengumpulan Kebutuhan ..................................................................... 31
4.1.1. Analisa Sistem ................................................................................. 31 4.1.2. Identifikasi Masalah ........................................................................ 32 4.1.3. Usulan Penyelesaian Masalah ......................................................... 32 4.1.4. Kebutuhan perangkat Lunak dan Perangkat Keras.......................... 32 4.2.
Membangun Prototype ......................................................................... 33
4.2.1. Desain Image Processing ................................................................ 33 4.2.2. Desain Interface............................................................................... 42 4.3.
Mengkodekan Sistem ........................................................................... 44
4.4.
Pengujian Prototipe .............................................................................. 62
BAB V PENUTUP .......................................................................................... 67 5.1.
Kesimpulan........................................................................................... 67
5.2.
Saran ..................................................................................................... 67
DAFTAR PUSTAKA ..................................................................................... LAMPIRAN ....................................................................................................
x
DAFTAR GAMBAR
Gambar 2.1 Diagram Difference-of-Gaussian ................................................. 8 Gambar 2.2 Ilustrasi pencarian maksimum atau minimum lokal dari citra DoG .................................................................................................................. 9 Gambar 2.3 Deskriptor dari perhitungan besar gradien dan orientasi serta gambar lingkaran Gaussian (kiri) dan gambar deskriptor keypoint (kanan) .... 12 Gambar 2.4 Keypoint yang diperoleh dari suatu citra menggunakan SIFT ..... 13 Gambar 2.5. Model kamera proyektif u = S1G1Au0. A adalah mengubah sebuah proyektif planar (Homography). G1 adalah anti-aliasing Gaussian filtering. S1 adalah sampling CCD .................................................................. 14 Gambar 3.1.1 Alur Kerangka Berpikir............................................................. 30 Gambar 4.1 Contoh citra hasil pengkaburan(blurring) 1S.jpg dengan ukuran 828x1164, 414x582, 207x291,103x145............................................... 35 Gambar 4.2 Contoh citra hasil pengkaburan(blurring) 1F.jpg dengan ukuran 2048x1536, 1024x768, 512x384, 256x192.......................................... 36 Gambar 4.3 Contoh citra blurring menjadi citra DoG ..................................... 37 Gambar 4.4 Contoh Mencari Ekstrema dalam citra DoG ................................ 38 Gambar 4.5 Contoh Histogram Orientasi......................................................... 39 Gambar 4.6 Contoh pemberian finger print pada keypoint .............................. 40 Gambar 4.7 Memasukkan orientasi pada hitogram lingkaran ......................... 40 Gambar 4.8 gradient orientasi yang mengalami pembobotan gaussian ........... 41 Gambar 4.9 Gambar Interface Halaman Utama .............................................. 43
xi
Gambar 4.9 Desain Interface Halaman Utama ................................................ 43 Gambar 4.10 Desain Interface Inisialisasi ....................................................... 43 Gambar 4.11 DesainInterface Identifikasi Sketsa ............................................ 44
xii
DAFTAR TABEL
Tabel 3.1. Tabel Perbandingan Studi Literatur Sejenis.................................... 25 Tabel 4.1. Tabel Spesifikasi Kebutuhan Perangkat Keras ............................... 32 Tabel 4.2. Perangkat Lunak Yang Digunakan ................................................. 33 Tabel 4.3 Hasil Matching Keypoint ................................................................. 42 Tabel 4.4 Jumlah Keypoint Citra Sketsa .......................................................... 62 Tabel 4.5 Jumlah Keypoint Citra Foto ............................................................. 64 Tabel 4.6 Hasil Pengujian FER dan FRR ........................................................ 65 Tabel 4.7 Jumlah Match Keypoint Citra Sketsa dan Foto ................................ 66
xiii
BAB I PENDAHULUAN
1.1.
Latar Belakang Dewasa ini banyak terjadi kejahatan, yang terkadang pelaku kriminal tidak
dapat ditangkap setelah kejadian terjadi. Polisi dapat mengidentifikasi pelaku kejahatan dari keterangan saksi atau dari kamera pengawas. Wajah pelaku kejahatan dapat dibuat sketsa wajahnya berdasarkan dari informasi tersebut. Sketsa wajah tersebut dianalisa sehingga didapatkan foto wajah dari pelaku kejahatan tersebut. Untuk mempermudah dalam menganalisa sketsa wajah dibutuhkan sistem yang dapat mengidentifikasi sketsa sehingga didapatkan foto wajah yang cocok. Citra sketsa dan citra foto memiliki dua perbedaan yang terletak pada tekstur dan bentuknya. Perbedaan tekstur antara citra sketsa dan citra foto terjadi karena pembuatan citra sketsa secara manual yang biasanya menggunakan pensil atau pulpen. Sedangkan perbedaan bentuk terjadi karena bentuk dari citra sketsa yang dibuat merupakan penggambaran dari informasi deskriptif mengenai wajah pelaku. Ada beberapa metode yang dapat digunakan untuk mengatasi masalah ini salah
satunya
adalah
menggunakan
metode
Scale
Invariant
Feature
Ttransform(SIFT). Dalam tugas akhir yang dibuat oleh saudara Yuwono dari Universitas Kristen Maranatha, beliau menggunakan metode SIFT untuk menngenali wajah
1
2
dari citra input berupa sketsa. Dalam penelitiannya beliau mengungkapkan bahwa metode SIFT dapat digunakan untuk mendeteksi wajah pada citra sketsa. Penulis menemukan modifikasi dari metode SIFT yang bernama metode Affine Scale Invariant Feature Transform (ASIFT).
Metode ASIFT ini
menambahkan factor sudut pandang yang mendefinisikan orientasi axis dari kamera. Metode ini dapat mengidentifikasi fiture yang telah mengalami distorsi affine yang besar dengan mengukurnya menggunakan parameter baru yaitu transisi kemiringan. Metode ini diklaim lebih baik dalam proses ekstraksi fiture. Oleh karena itu penulis ingin membuat protype aplikasi untuk menguji apa metode ASIFT dapat menganalisa wajah pada citra sketsa. 1.2.
Rumusan Permasalahan Masalah yang akan dibahas pada penelitian ini adalah sebagai berikut: 1.
Bagaimana cara identifikasi pengenalan ciri sketsa wajah dan foto wajah?
2.
Bagaimana Hasil Identifikasi dan pencocokan sketsa wajah dan foto wajah menggunakan ASIFT?
1.3.
Batasan Masalah Dalam Tugas Akhir ini, terdapat batasan-batasan masalah yang dibahas sebagai berikut : 1.
Input Sketsa wajah menggunakan tipe Viewed Sketch
2.
Dalam proses pencocokan wajah, hanya digunakan foto dan sketsa yang memiliki pose wajah menghadap ke depan (frontal view),
3
tingkat pencahayaan normal, dan tidak menggunakan aksesoris apapun. 3.
Menggunakan lima pasang citra dan sketsa wajah, karena running time proccess analisa pengenalan wajah maka penulis hanya menggunakan lima pasang sample citra.
4.
Format file citra yang digunakan adalah .jpg
5.
Pengenalan
wajah
ini
dilakukan
dalam
simulasi
dengan
menggunakan MATLAB 6.
Sketsa wajah dan foto wajah dimasukkan menggunakan scanner ke dalam komputer.
1.4.
Tujuan Penelitian 1.
Melakukan identifikasi sketsa wajah dan foto wajah menggunakan metode ASIFT.
2. 1.5.
Melakukan pencocokkan antara sketsa wajah dan foto wajah.
Manfaat Penelitian 1.
Menambah
pengetahuan penulis, terutama mengenai proses
pengenalan wajah. 2.
Dapat menjadi refrensi untuk membuat aplikasi pengenalan wajah dari citra masukan berupa sketsa.
4
1.6.
Sistematika Penelitian Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut : Bab I. Pendahuluan Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah, identifikasi masalah, tujuan, pembatasan masalah, dan sistematika penulisan dari tugas akhir ini. Bab II. Landasan Teori Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan digunakan
untuk
merancang
protipe
aplikasi
pengenalan
wajah
menggunakan metode Affine Scale Invariant Feature Transform dengan citra masukan berupa citra sketsa wajah. Bab III. Metodologi Penelitian Pada bab ini akan dibahas penjelasan tentang desain perancangan protype perangkat lunak untuk pengenalan wajah menggunakan metode Affine Scale Invariant Feature Transform dengan citra masukan berupa citra sketsa wajah. Bab IV. Pembahasan dan Hasil Bab ini berisi proses yang penulis lakukan dalam membuat protype pengenalan wajah pada citra sketsa dan hasil pengujian dari dari sample sketsa. Bab V. Kesimpulan dan Saran Bab ini berisi tentang kesimpulan dari hasil pengujian program dan saransaran yang diperlukan untuk pengembangan di masa mendatang.
BAB II
LANDASAN TEORI
2.1.
Pengolahan Citra Digital Ada dua prinsip daerah aplikasi pengolahan citra digital, peningkatan
informasi piktoral untuk interpretasi manusia, dan pengolahan data citra digital untuk
penyimpanan,
transmisi,
dan
representasi
bagi
peralatan
presepsi(preception). Satu dari aplikasi citra digital yang pertama adalah industri surat kabar, ketika citra pertama kali dikirim dengan kabel kapal selam antara London dan New York. Pengenalan sistem transmisi kabel laut Bartlane pada awal tahun 1920 mengurangi waktu yang dibutuhkan untuk mentransmisikan citra melintasi atlantik lebih dari satu minggu sampai kurang dari tiga jam. Awalnya sistem Bartlane dapat mengkodekan citra dalam lima perbedaan level keabuan. Kemampuan ini ditingkatkan menjadi 15 level pada tahun 1929 (Prasetyo, 2011). Walaupun sistem Bartlane diliputi oleh citra digital, proses yang dilakukan tidak dipandang sebagai hasil pengolahan citra digital karena komputer tidak digunakan dalam pembuatannya.pengolahan citra digital erat kaitannya dengan perkembangan komputer digital. Nyatanya, citra difital membutuhka banyak tempat penyimpanan (storage) dan kekuatan komputasi (Prasetyo, 2011)
5
6
.Komputer
pertama
yang
cukup
kuat
untuk
melakukan
pekerjaanpengolahan cita digital muncul pada tahun 1960. Bekerja menggunakan teknik komputer untuk meningkatkan citra dari sebuah tempat penelitian dimulai oleh Jet Propulsion Laboratory(Pasadena, California) pada tahun 1964 ketika gambar bulan ditransmisikan oleh Ranger 7 yang kemudian diproses oleh komputer untuk menyempurnakan bermacam - macam jenis distorsi citranya (Prasetyo, 2011). 2.2.
Scale Infariant Feature Transform(SIFT) Pada tahun 1999, David G. Lowe seorang peneliti dari University of
British Columbia memperkenalkan suatu metode baru dalam ekstraksi fiture dari suatu citra. Metode ekstraksi fiture ini disebut sebagai Scale Invariant Fiture Transform(SIFT). Dengan menggunakn SIFT ini, suatu citra akan di ubah menjadi vektor fiture lokal yang kemudian akan digunakan sebagai pendekatan dalam mendeteksi objek yang dimaksud. Sebagai metode ektraksi fiture pada pengenalan objek, SIFT ini memiliki kelebihan – kelebihan sebagai berikut : 1.
Hasil ektraksi fiture bersifat invariant sebagian terhadap ukuran, translasi dan rotasi dua dimensi.
2.
Hasil ekstraksi fiture bersifat invariant sebagian terhadap perubahan iluminasi dan perubahan sudut pandang tiga dimensi.
3.
Mampu meng-ekstrak banyak keypoint dari citra yang tipikal
4.
Hasil ekstraksi fitur benar – benar mencirikan secara khusus (distincsive)
7
Dengan kelebihan – kelebihan tersebut, penggunaan metode SIFT banyak dikembangkan untuk aplikasi pengenalan objek. Secara garis besar, alur proses yang berjalan pada metode SIFT terdiri empat tahap, yaitu : 1.
Mencari Nilai Ekstrema Pada Skala Ruang
2.
Menentukan Keypoint
3.
Penentuan Orientasi
4.
Descriptor keypoint
Setelah melalui tahapan tersebut maka akan diperoleh fiture – fiture lokal yang digunakan sebagai descriptor dari suatu objek. 2.1.1. Pencarian Nilai Ekstrema pada Skala Ruang Pencarian nilai ekstrim maximum dan minimum pada skala ruang merupakan tahap awal dalam penentuan
keypoint dari suatu citra. Dengan
menggunakan fungsi Gaussian, citra pada skala ruang dapat didefinisikan sebagai fungsi L(x,y,σ), yang diperoleh dari hasil konvolusi skala – variable Gaussian, G(x,y,σ), dengan citra masukan I(x,y), sehingga diperoleh (Lowe, 2004) : L(x,y,σ) = G(x,y,σ) * I(x,y)................................................................... (2.1) dimana * adalah operasi konvolusi antara x dan y dan G(x,y,σ) adalah skala variable Gaussian (Lowe, 2004): G(x,y,σ) =
(
)/
..................................................................(2.2)
Citra hasil Difference-of-Gaussian, D(x, y, σ), diperoleh dengan melakukan operasi konvolusi pada citra masukan dengan filter Difference-ofGaussian, maka (Lowe, 2004):
8
D(x, y, σ) = G(x,y,kσ) - G(x,y,σ) * I(x,y) = L(x,y,kσ) - L(x,y,σ)............................................................(2.3) Dari persamaan (2.3) terlihat bahwa citra hasil Difference-of-Gaussian sebenarnya merupakan selisih antara citra hasil pengkaburan Gaussian dengan nilai skala k yang berbeda. Proses ini diilustrasikan sebagai berikut:
Gambar 2.1 Diagram Difference-of-Gaussian (Lowe, 2004)
Citra hasil konvolusi kemudian dikelompokan berdasarkan octave (satu octave setara dengan penggandaan besarnya nilai σ), nilai k ditetapkan di awal sehingga diperoleh jumlah citra kabur yang sama pada setiap octave serta diperoleh citra hasil DoG yang sama untuk setiap octave. Setelah diperoleh citra DoG pada setiap octave, maka langkah selanjutnya ialah mencari kandidat keypoint. Kandidat keypoint dideteksi sebagai titik maksimum dan minimum lokal dari citra hasil DoG. Untuk mencari nilai
9
maksimum atau minimum lokal maka masing – masing piksel pada citra hasil DoG akan dibandingkan dengan 8 piksel disekitarnya yang berada pada skala yang sama dengan 9 piksel yang bersesuaian dengannya pada skala yang berbeda. Jika pixel tersebut merupakan maksimum atau minimum lokal, maka pixel tersebut akan dijadikan sebagai kandidat keypoint.
Gambar 2.2 Ilustrasi pencarian maksimum atau minimum lokal dari citra DoG (Lowe, 2004)
2.1.2. Penentuan Keypoint Setelah kandidat keypoint ditemukan melalui tahapan pencarian nilai ekstrim, maka langkah selanjutnya adalah untuk menyeleksi keypoint. Dimana setiap kandidat keypoint yang dianggap sangat rentan terhadap gangguan(noise) akan dihilangkan, yaitu kandidat keypoint yang memiliki nilai kontras yang rendah dan kandidat keypoint yang kurang jelas dan terletak sepanjang tepi. Untuk menghilangkan keypoint dengan nilai kontras yang rendah, maka digunakan langkah – langkah sebaga berikut :
10
1.
Dengan menggunakan deret taylor pada fungsi skala ruang D(x, y, σ) yang kemudian digeser sehingga titik asal berada pada titik sample, berikut ini adalah fungsi deret Tylor (Lowe, 2004): D(x) = D+
x+ x
x ........................................................................(2.4)
Dimana D dan penurunannya dilihat dari titik sample, dan x = ( , , ) adalah offset dari titik ini. 2.
Lokasi dari nilai ekstrim x , diambil dengan menurunkan persamaan sebelumnya terhadap x, sehingga didapatkan fungsi (Lowe, 2004): x=−
3.
.......................................................................................(2.5)
Fungsi nilai ekstrim D(x), diperoleh dengan men-substitusikan persamaan 2.5 ke persamaan 2.4 sehingga menghasilkan persamaan berikut (Lowe, 2004) : x .....................................................................................(2.6)
D(x) = D+
Pada SIFT ini, semua nilai ekstrim | D(x) | yang bernilai kurang dari 0,03 akan dihilangkan. Untuk menghilangkan keypoint yang kurang jelas pada tepi makan digunakan persamaan berikut (Lowe, 2004) : a
( ) ( )
<
(
)
................................................................................... .(2.7)
dimana H merupakan matrix Hessian 2x2 dan r merupakan ambang batas dari kecekungan inti yang diperbolehkan. Pada SIFT ini, semua keypoint yang memiliki nilai r lebih besar dari 10 akan dihilangkan.
11
2.1.3. Penentuan Orientasi Pada tahap ini, masing – masing keypoint yang diperoleh akan diberikan suatu orientasi yang tetap berdasarkan sifat – sifat lokal pada citra. Dengan adanya proses ini maka keypoint yang diperoleh dapat direpresentasikan relatif terhadap orientasi ini sehingga keypoint yang dihasilkan tidak terpengaruh terhadap adanya rotasi pada citra. Untuk menentukan orientasi dari masing – masing keypoint maka dilakukan perhitungan terhadap besarnya gradient dan sudut arah orientasi. Adapun perhitungan terhadap besar nilai gradient, m(x,y), dan arah orientasi θ(x,y), dilakukan menggunakan persamaan berikut (Lowe, 2004) : m(x,y) = ( ( + 1, ) − ( − 1, )) + ( ( , + 1) − ( , − 1)) θ(x,y) =
(2.8)
(( ( , + 1) − ( , − 1))⁄( ( + 1, ) − ( − 1, ))) (2.9)
2.1.4. Deskriptor Keypoint Pada proses ini, masing – masing keypoint yang telah diorientasikan akan diberikan pencirian khusus(descriptor). Proses ini bertujuan untuk mendapatkan keypoint yang invariant terhadap perubahan itensitas cahaya atau perubahan sudut padang tiga dimensi. Descriptor akan diukur sebagai suatu histogram orientasi pada wilayah pixel dengan ukuran 4x4. Nilai orientasi diperoleh dari citra Gaussian yang memiliki skala terdekat dengan skala keypoint yang akan dihitung. Keypoint yang diperoleh
invariant terhadap orientasi, maka koordinat dari descriptor dan
gradient orientasi akan di rotasi relatif terhadap orientasi dari keypoint.kemudian fungsi pembebanan Gaussian, dengan besar nilai σ satu setengah kali dari besar
12
jendela deskriptor, akan digunakan sebagai pembebanan pada setiap besaran nilai dari titik sample.
Gambar 2.3 Deskriptor dari perhitungan besar gradien dan orientasi serta gambar lingkaran Gaussian (kiri) dan gambar deskriptor keypoint (kanan) (Lowe, 2004)
Descriptor keypoint pada gambar diatas menunjukan adanya 8 arah pada masing – masing histogram orientasi dengan panjang masing- masing anak panah sesuai dengan besar nilai dari histogram asal. Selanjutnya descriptor keypoint yang telah diperoleh akan dinormalisasi untuk mengatasi pengaruh perubahan cahayan. Setelah melalui tahapan – tahapan tersebut, maka pada hasil akhir akan diperoleh suatu citra dengan keypoint yang invariant terhadap berbagai macam perubahan, seperti yang ditunjukan pada gambar berikut ini :
13
Gambar 2.4 Keypoint yang diperoleh dari suatu citra menggunakan SIFT (Lowe, 2004)
Keypoint ini yang kemudian menjadi fiture – fiture lokal pada suatu citra dan akan di cocokan dengan keypoint – keypoint yang terdapat pada citra lain untuk menyesuaikan dengan objek yang tersedia pada database image. 2.3.
Affine Transformation Transformasi affine adalah semua transformasi yang mempertahankan
collinearity (semua titik yang berada pada letak tertentu tetap pada letaknya meski telah ditransformasi) dan rasio dari jarak (misalnya, titik tengah pada bagian garis tetap menjadi titik tengan setelah transformasi). Affine Transformation sering disebut juga Affinity (Weisstein) Geometric contraction, expansion, dilation, reflection, rotation, shear, similarity transformations, spiral similarities, dan translation merupakan Affine Transformation. Sebuah contoh tertentu menggabungkan rotasi dan ekspansi transformasi rotasi-pembesaran (Weisstein):
14
=
− 0 − 0
−
=
( − 0) + ( − 0) +
−
( − 0) ( − 0)
Persamaan dipisahkan akan menjadi (Weisstein): =( = (−
) +( ) +(
) − ( 0 ) + ( 0
+ 0 − 0
) )
Persamaan diatas dapat diubah menjadi (Weisstein) : = =
− +
+ +
dimana
= =−
Faktor skala s didefinisikan sebagai berikut (Weisstein): =
+
dan arah rotasi adalah (Weisstein): = 2.4.
− Affine Scale Invariant Feature Transform Affine Scale Infariant Feature Transform atau yang biasa disebut ASIFT
ini adalah framework yang digunakan untuk mengektraksi fiture dari suatu citra. ASIFT pertama kali dipublikasikan oleh Guoshen Yu dan Jean-Michel Morel dalam jurnal yang berjudul ‘ASIFT: An Algorithm for Fully Affine Invariant Comparison’ pada tahun 2011 (Guoshen & Morel, 2011). ASIFT mensimulasikan tiga parameter: skala, sudut pandang dari longitude kamera dan sudut pandang latitude (yang sejajar dengan tilt) dan menormalkan sisanya (translasi dan rotasi). Skala dan perubahan orientasi sumbu kamera adalah tiga parameter simulasi. Tiga lainnya, rotasi dan translasi, yang
15
dinormalisasi. Lebih detailnya, ASIFT mensimulasikan dua parameter kamera sumbu, dan kemudian mengimplementasikan SIFT yang mensimulasikan skala dan menormalkan rotasi dan translasi. Implementasi dua resolusi ASIFT akan digunakan, karena memiliki sekitar dua kali kompleksitas rutin SIFT tunggal. ASIFT menggunakan translation tilt untuk mengevaluasi performa dari pengenalan affine. Translition tilt mengukur tingkat perubahan sudut pandang dari satu sudut pandangan ke sudut pandang yang lain.
Gambar. 2.5. Model kamera proyektif u = S1G1Au0. A adalah mengubah sebuah proyektif planar (Homography). G1 adalah anti-aliasing Gaussian filtering. S1 adalah sampling CCD (Guoshen & Morel, 2011).
16
2.3.1. Algoritma ASIFT Proses algoritma ASIFT dilakukan melalui langkah – langkah sebagai berikut (Guoshen & Morel, 2011): 1.
Setiap gambar diubah dengan mensimulasikan semua distorsi affine mungkin disebabkan oleh perubahan orientasi sumbu optik kamera dari posisi frontal. Distorsi ini tergantung pada dua parameter: longitude φ dan laitude θ. Gambar mengalami rotasi dengan sudut φ dan tilts dengan parameter t = 1 / | cos θ | (tilt dari paramater t yang mengikuti arah x adalah operasi u (x, y) → u (tx, y)). Untuk gambar digital, tilts dilakukan oleh directional tsubsampling. Oleh karena itu dipererlukan sebuah aplikasi filter antialiasing di arah sumbu x, yaitu konvolusi yang terdapat dalam Gaussian dengan standar deviasi c√
− . Dengan nilai c = 0,8
adalah nilai yang ditunjukkan dalam untuk memastikan kesalahan aliasing sangat kecil. Rotasi dan tilts ini dilakukan untuk jumlah yang terbatas dan kecil dari sudut latitude dan longitude, langkahlangkah sampling parameter ini memastikan bahwa gambar simulasi tetap sama dengan tampilan lain yang mungkin dihasilkan oleh nilai-nilai lain dari φ dan θ . 2.
Semua gambar simulasi dibandingkan dengan algoritma Scale Invariant Feature Transform(SIFT). SIFT dapat diganti dengan metode matching invarian kesamaan lainnya. (Ada banyak varian seperti SIFT).
17
3.
Metode SIFT memiliki kriteria eliminasi perbandingan yang salah. Oleh karena itu, umumnya meninggalkan perbandingan yang salah, bahkan dalam pasangan gambar yang tidak memiliki kesamaan scene.
ASIFT,
dengan
membandingkan
banyak
kesamaan(matching), oleh karena itu dapat mengumpulkan banyak kecocokan(match) yang salah. Hal ini penting untuk menyaring perbandingan ini. Kriteria
yang digunakan
adalah bahwa
perbandingan harus sesuai dengan geometri epipolar. Digunakan metode ORSA dengan tujuan penyesuaian perbandingan(matching) sesuai dengan geometri epipolar, yang dianggap sebagai metode yang paling dapat diandalkan, lebih baik dari prosedur RANSAC klasik. ORSA hanya digunakan untuk menyaring perbandingan yang diberikan oleh kedua SIFT dan ASIFT. Dengan demikian, hal itu
mungkin
terjadi
bahwa
dua
gambar
tidak
memiliki
perbandingan yang tersisa sama sekali. Ini tidak berarti bahwa tidak ada perbandingan ASIFT, mungkin semua perbandingan dihilangkan karena bertentangan dengan geometri epipolar. 2.5.
Matlab Cleve Moler, ketua departemen ilmu komputer di University of New
Mexico, mulai mengembangkan MATLAB pada akhir 1970-an (Cleve, 2004). (Simarta, 2010) (Kristanto, 2014) (Silajaya, 2014) Ia dirancang untuk memberikan murid-muridnya akses ke LINPACK dan EISPACK tanpa mereka harus belajar Fortran. Segera menyebar ke universitas lain dan menemukan audiens yang kuat
18
dalam komunitas matematika yang diterapkan. Jack kecil, seorang insinyur, yang terkena itu selama kunjungan Moler dibuat untuk Stanford University pada tahun 1983. Menyadari potensi komersialnya, ia bergabung dengan Moler dan Steve Bangert. Mereka menulis ulang MATLAB di C dan mendirikan MathWorks pada tahun 1984 untuk melanjutkan perkembangannya. Ini perpustakaan ditulis ulang dikenal sebagai JACKPAC. Pada tahun 2000, MATLAB ditulis ulang untuk menggunakan satu set baru dari perpustakaan untuk matriks manipulasi, LAPACK. MATLAB pertama kali diadopsi oleh para peneliti dan praktisi di bidang teknik kontrol, Little khusus, tapi dengan cepat menyebar ke banyak domain lainnya. Sekarang juga digunakan dalam pendidikan, khususnya pengajaran aljabar linear, analisis numerik, dan populer di kalangan ilmuwan yang terlibat dalam pengolahan citra (Cleve, 2004). MATLAB (matrix laboratory) adalah multi-paradigma lingkungan komputasi numerik dan bahasa pemrograman generasi keempat. Dikembangkan oleh MathWorks, MATLAB memungkinkan manipulasi matriks, merencanakan fungsi dan data, implementasi algoritma, pembuatan antarmuka pengguna, dan berinteraksi dengan program yang ditulis dalam bahasa lain, termasuk C, C ++, Java, Fortran dan Python. Meskipun MATLAB ditujukan terutama untuk komputasi numerik, sebuah kotak peralatan opsional menggunakan mesin simbolik MuPAD, memungkinkan akses ke kemampuan komputasi simbolik. Paket tambahan, Simulink,
19
menambahkan simulasi multi-domain grafis dan Desain Model Berbasis untuk sistem dinamis dan tertanam. 2.6.
Metode Prototyping
Prototyping adalah proses pembuatan model sederhana software yang mengijinkan pengguna memiliki gambaran dasar tentang program serta melakukan pengujian awal. Prototyping memberikan fasilitas bagi pengembang dan pemakai untuk saling berinteraksi selama proses pembuatan, sehingga pengembang dapat dengan mudah memodelkan perangkat lunak yang akan dibuat. Prototyping merupakan salah satu metode pengembangan perangat lunak yang banyak digunakan.
Kunci agar model Prototype ini berhasil dengan baik adalah dengan mendefinisikan aturan-aturan main pada saat awal, yaitu user dan pengembang harus setuju bahwa Prototype dibangun untuk mendefinisikan kebutuhan.
Gambar 2.6. Model Prototyping
20
Proses-proses tersebut dapat dijelaskan sebagai berikut:
1. Pengumpulan
kebutuhan: developer dan
klien
bertemu
dan
menentukan tujuan umum, kebutuhan yang diketahui dan gambaran bagian-bagian yang akan dibutuhkan berikutnya; 2. Perancangan:
perancangan
dilakukan
cepat
dan
rancangan
mewakili semua aspek software yang diketahui, dan rancangan ini menjadi dasar pembuatan Prototype; 3. Evaluasi Prototype: klien mengevaluasi Prototype yang dibuat dan digunakan untuk memperjelas kebutuhan software.
Terdapat tiga pendekatan utama Prototyping, yaitu (Simarta, 2010):
1. THROW-AWAY Prototype dibuat dan dites. Pengalaman yang diperoleh dari pembuatan Prototype digunakan untuk membuat produk akhir (final), kemudian Prototype tersebut dibuang (tak dipakai). 2. EVOLUTIONARY Pada metode ini, prototype tidak dibuang tetapi digunakan untuk iterasi desain berikutnya. Dalam hal ini, sistem atau produk yang sebenarnya dipandang sebagai evolusi dari versi awal yang sangat terbatas menuju produk final atau produk akhir..
Untuk memodelkan sebuah perangkat lunak, metode Prototyping memiliki tahapan-tahapan di dalam proses pengembangannya. Tahapan inilah yang
21
menentukan keberhasilan dari sebuah software. Pengembang perangkat lunak harus memperhatikan tahapan dalam metode Prototyping agar software finalnya dapat diterima oleh pemakai. Dan tahapan-tahapan dalam Prototyping tersebut adalah sebagai berikut :
1. Pengumpulan kebutuhan Pemakai dan pengembang bersama-sama mendefinisikan format seluruh perangkat lunak, mengidentifikasikan semua kebutuhan, dan garis besar sistem yang akan dibuat. 2. Membangun Prototyping Membangun Prototyping dengan membuat perancangan sementara yang berfokus pada penyajian kepada pemakai (misalnya dengan membuat input dan format output). 3. Evaluasi Protoptyping Evaluasi ini dilakukan oleh user apakah Prototyping yang sudah dibangun sudah sesuai dengan keinginan user. Jika sudah sesuai maka langkah keempat akan diambil. Jika tidak, maka Prototyping direvisi dengan mengulang langkah 1, 2 , dan 3. 4. Mengkodekan Sistem Dalam tahap ini Prototyping yang sudah disepakati diterjemahkan ke dalam bahasa pemrograman yang sesuai. 5. Menguji system
22
Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, harus dites dahulu sebelum digunakan. Pengujian ini dilakukan dengan White Box, Black Box, Basis Path, pengujian arsitektur dan lain-lain. 6. Evaluasi Sistem Pemakai mengevaluasi apakah sistem yang sudah jadi sudah sesuai dengan yang diharapkan. Jika sudah, maka langkah ketujuh dilakukan, jika belum maka mengulangi langkah 4 dan 5. 7. Menggunakan Sistem Perangkat lunak yang telah diuji dan diterima pemakai siap untuk digunakan.
Keunggulan dan Kelemahan Prototyping adalah sebagai berikut :
A. Keunggulan Prototyping : 1. Adanya komunikasi yang baik antara pengembang dan pemakai. 2. Pengembang dapat bekerja lebih baik dalam menentukan kebutuhan user. 3. User berperan aktif dalam pengembangan system. 4. Lebih menghemat waktu dalam pengembangan sistem. 5. Penerapan menjadi lebih mudah karena user mengetahui apa yang diharapkannya B. Kelemahan Prototyping : 1. User terkadang tidak melihat atau menyadari bahwa perangkat lunak yang ada belum mencantumkan kualitas perangkat lunak secara
23
keseluruhan dan juga belum memikirkan kemampuan pemeliharaan untuk jangka waktu lama. 2. Pengembang biasanya ingin cepat menyelesaikan proyek. Sehingga menggunakan algoritma dan bahasa pemrograman yang sederhana untuk membuat Prototyping agar lebih cepat selesai tanpa memikirkan lebih lanjut bahwa program tersebut hanya merupakan cetak biru sistem . Hubungan user dengan komputer yang disediakan mungkin tidak mencerminkan teknik perancangan yang baik. 2.7.
Falase Acceptance Rate(FAR), False Rejection Rate(FRR) dan Equal Erorr Rate(EER) Sistem biometrik yang baik seharusnya dapat menghasilkan output yang
diharapkan dari input. Namun tidak dapat dipungkiri bahwa sistem yang dibuat menghasilkan output tidak sesuai dengan yang diharapkan. Ini terjadi karena ada kesalahan penerimaan kandidat hasil, karena ada data yang bukan seharusnya menjadi output memiliki nilai kecocokan melebihi threshold. Dalam biometrik terdapat suatu sistem penilaian untuk mengukur kesalahan penerimaan output yang dinamakan dengan False Acceptance Rate. Selain itu terkadang sistem justru menolak data yang seharusnya menjadi output, karena data tersebut memiliki nilai kecocokan kurang dari threshold. Kesalahan ini diukur dengan False Rejection Rate . Threshold terbaik dapat didapatkan dari nilai yang dimiliki oleh titik keseimbangan antara FAR dan FRR, titik ini disebut Equal Erorr Rate(EER) (Putri, Agung, & Sa'adah, 2014).
BAB III METODOLOGI PENELITIAN
Pada bab ini peneliti akan menejelaskan mengenai metodologi penelitian yang digunakan beserta tahap – tahap yang akan dilakukan didalam penelitian.
3.1.
Metode Pengumpulan Data Pengumpulan data merupakan langkah yang penting untuk metode ilmiah,
karena pada umumnya data yang dikumpulkan digunakan untuk menguji hipotesis yang telah dirumuskan. Teknik pengumpulan data yang sering digunakan antara lain: 3.1.1. Studi Pustaka Studi pustaka yang dilakukan oleh penulis dengan mencari dan mempelajari teori-teori yang dapat dijadikan landasan atau kerangka berpikir bagi penelitian yang akan dilakukan sehingga penyusunan laporan skripsi ini dapat lebih terarah. Teori-teori tesebut diperoleh dari literatu tertulis, dimana literatur tersebut perlu dicari sebanyak mungkin agar dapat dibandingkan satu dengan yang lainnya. Adapun sumber studi kepustakaan ini adalah buku-buku mengenai image processing, metode pengembangan sistem, matlab sebagai dasar bahasa pemprograman, jurnal tentang algoritma Affine Scale Invariant Fiture Transpose(ASIFT) atau algoritma yang lain tetapi untuk identifikasi sketsa seperti Scale Invariant Fiture Transpose(SIFT), Multiscale Markov Random Field (MMRF), Modified Local Binary Patterns(MLBP), dan sumber-sumber 24
25
lainnya yang berhubungan erat dengan permasalahan yang diambil baik berupa buku ataupun paper. 3.1.2. Penelitian Sejenis Penulis mencari penelitian – penelitian yang berkaitan mengenai identifikasi wajah sebelumnya telah dilakukan oleh peneliti lain. Berikut ini beberapa penjelasan singkat mengenai literature-literatur yang relevan dengan topik yang diteliti oleh penulis :
Tabel 3.1. Tabel Perbandingan Studi Literatur Sejenis
Nama Yuwono jurusan teknik elektro Universitas Kristen Maranatha
Alvin Silajaya Jurusan teknik elektro, Universitas Kristen Maranatha
Judul Penelitian Kelebihan Kekurangan 1. Algoritma PERBANDINGAN 1. Hasil perbandingan SIFT hanya TEKNIK SCALE dapat menemukan INVARIANT menunjukkan sedikit FEATURE keypoint TRANSFORM bahwa dengan pada sketsa (SIFT) DAN teknik SIFT maupun MULTISCALE sketsa dapat foto LOCAL BINARY diidentifikasi PATTERN lebih baik (MLBP) DALAM daripada PENGENALAN menggunakan WAJAH MLBP DENGAN CITRA 2. Tingkat MASUKAN keakurasian BERUPA dalam SKETSA identifikasi sketsa mencapai 80,3% PENGENALAN 1. Menggunakan 1. Tingkat WAJAH algoritma keakurasian DENGAN CITRA reduksi data tertinggi MASUKAN Local dalam BERUPA CITRA Discriminant identifikasi SKETSA WAJAH Analysis dan sketsa hanya SEBAGAI HASIL Principal 60% dengan SINTESIS Component menggunaka DENGAN Analysis n metode TEKNIK Principal
26
MULTISCALE MARKOV RANDOM FIELD (MRF)
3.2.
Component Analysis dalam reduksi datanya.
Metode Pengembangan Prototyping
Pada metode pengembangan simulasi ini penulis menggunakan metode prototyping. Adapun alasan kenapa penulis menggunakan metode pengembangan prototyping ini, sebagai berikut:
1. Sistem yang dibuat bukan berupa aplikasi namun masih berupa prototype aplikasi untuk membuktikan penggunaan ASIFT dalam identifikasi sketsa. 2. Ada tekanan untuk implementasi secepatnya, disini karena penulis menginginkan program simulasi ini bisa jadi secepatnya sehingga tidak terlalu menghabiskan banyak dana dan waktu.
Adapun langkah-langkah yang digunakan dalam pengembangan prototyping yang akan dibuat, sebagai berikut:
3.2.1 Pengumpulan Kebutuhan Tahap awal pengembangan prototyping diawali dengan pengumpulan kebutuhan. Pada tahap ini penulis melakukan analisis kebutuhan dan mengidentifikasi segala kebutuhan. Dari analisis tersebut dapat ditetapkan tujuan
27
perancangan, pengajuan usulan solusi yang dapat diterima. Tahapannya adalah sebagai berikut :
3.2.1.1 Analisa Sistem Pada tahap ini penulis akan membahas mengenai analisa sistem pada identifikasi sketsa wajah yang dilukis dengan foto wajah yang telah disimpan selama ini, yang dilakukan pada lembaga – lembaga terkait.
3.2.1.2 Identifikasi Masalah Pada tahap ini penulis menjelaskan masalah yang terjadi pada sistem.
3.2.1.3 Usulan Penyelesaian Masalah Pada tahap ini penulis menjelaskan mengenai usulan penggunaan metode Affine Scale Invaraiant Feature Transform untuk identifikasi sketsa wajah.
3.2.1.4 Kebutuhan Perangkat Lunak dan Perangkat Keras Pada tahapan ini penulis membuat spesifikasi dari aplikasi simulasi yang penulis buat dari kebutuhan hardware dan kebutuhan dari software yang penulis gunakan untuk membuat prototype. Pembuatan spesifikasi ini bertujuan untuk memudahkan dalam melakukan analisa kemampuan yang sesuai dengan kebutuhan.
3.2.2 Membangun Prototype Didalam prototyping melakukan perancangan sementara yg berupa format input dan output berikut adalah tahapan yg akan dilakukan:
28
3.2.2.1Desain Image Processing Pada tahap ini penulis akan menjelaskan mengenai proses image processing yang penulis terapkan dalam pengenalan wajah pada sketsa menggunakan algoritma Affine Scale Invariant Feature Transform. Adapun tahapan yang penulis lakukan adalah :
1.
Image Acquisition Pada tahap ini penulis akan menjelaskan bagaimana penulis memperoleh data citra yang di butuhkan dalam proses pengenalan wajah pada citra sketsa.
2.
Feature Extraction Pada tahap ini penulis akan menjelaskan mengenai proses dalam mendapatkan ciri ciri khusus pada citra sketsa maupun pada citra foto menggunakan algoritma Affine Scale Infariant Feature Transform.
3.
Recognition Pada tahap ini penulis akan menjelaskan mengenai proses dalam mengenali citra sketsa untuk mendapatkan citra foto yang cocok, dengan mencocokkan ciri ciri khusus pada citra sketsa dengan ciri ciri khusus pada citra foto.
29
3.2.2.2 Desain Interface Pada tahap ini, penulis melakukan perancangan terhadap user interface dari prototype. Untuk tampilan antar muka, penulis melakukan perancangan GUI (Graphical User Interface).
3.2.3 Mengkodekan Sistem Pada tahap ini, semua rancangan yang sudah dirancang diatas akan dikodekan kedalam program dengan menggunakan tools untuk membangun simulasi ini. Tools yang dipakai adalah Matlab 8.03 untuk membangun prototype ini.
3.2.4 Pengujian Prototype Prototype aplikasi ini diuji apakah protype ini dapat menganalisa wajah dari citra masukan berupa sketsa. Pada tahap ini akan didapatkan nilai nilai keypoint dan kecocokan antara citra masukan dengan citra hasil identifikasi.
30
3.3.
Kerangka Berfikir
Gambar 3.1. Alur Kerangka Berpikir 1
BAB IV PEMBAHASAN DAN HASIL
Pada perancangan prototype aplikasi ini penulis melakukan perancangan dengan menggunakan metode pengembangan Prototyping. Prototyping adalah proses pembuatan model sederhana software yang mengijinkan pengembang memiliki gambaran dasar tentang program serta melakukan pengujian awal. Prototyping memberikan fasilitas bagi pengembang dan pemakai untuk saling berinteraksi selama proses pembuatan, sehingga pengembang dapat dengan mudah memodelkan perangkat lunak yang akan dibuat. Prototyping merupakan salah satu metode pengembangan perangat lunak yang banyak digunakan. Berikut ini adalah langkah-langkah yang penulis lakukan dalam melakukan prancangan dengan menggunakan metode prototyping, sebagai berikut : 4.1.
Pengumpulan Kebutuhan Pada tahapan penggumpulan kebutuhan peneliti melakukan dengan
beberapa tahapan seperti berikut ini: 4.1.1. Analisa Sistem Data yang digunakan dibagi menjadi dua bagian. Pertama adalah kumpulan citra foto yang telah ada didalam komputer. Kedua adalah citra sketsa yang dibuat berdasarkan informasi yang didapatkan. Data citra sketsa akan dicocokkan dengan data citra foto sampai ditemukan wajah yang sama atau setidaknya mirip pada citra foto dengan wajah pada citra sketsa.
31
32
4.1.2. Identifikasi Masalah Setelah melakukan analisa masalah yang ditemukan adalah sebagai berikut : 1.
Sulitnya mengidentifikasi wajah dari citra sketsa yang telah dibuat untuk mendapatkan wajah yang sama yang ada didalam komputer. Terutama apabila citra yang akan dibandingkan banyak jumlahnya.
2.
Sketsa dan foto memiliki dua perbedaan yang mencolok yaitu, tekstur dan bentuknya.
4.1.3. Usulan Penyelesaian Masalah Dibuat sebuah sistem yang akan mengidentifikasi wajah pada citra sketsa sehingga didapatkan foto yang sesuai dengan citra sketsa yang diidentifikasi. Menggunakan metode Affine Scale Invariant Feature Transform untuk mengatasi perbedaan tekstur dan bentuk pada sketsa dan foto. 4.1.4. Kebutuhan Perangkat Lunak dan Perangkat Keras
Perangkat
Keras
yang
akan
digunakan
untuk
membangun
prototype adalah sebagai berikut:
Tabel 4.1. Tabel Spesifikasi Kebutuhan Perangkat Keras
Jenis Laptop atau Komputer Laptop Samsung 275E4E
Spesifikasi AMD E2-2000 APU(1,8 GHz), 4GB RAM, 500 GB HDD, Amd Radeon HD 7340 Grapics, Generic PnP Monitor, Synaptic PS/2 Port TouchPad.
33
Kebutuhan
untuk
perangkat
lunak
yang
akan
penulis
gunakan
adalah : Tabel 4.2. Perangkat Lunak Yang Digunakan
Nama Perangkat Lunak Sistem Operasi Windows 7 Ultimate 32bit Matlab 8.03
Borlan C++ 5.02
4.2.
Fungsi Sebagai interface antara pengguna dan komputer. Sebagai tools untuk membuat serta menjalankan program simulasi yang dibuat. Sebagai tools untuk menganalisa algoritma Affine Scale Invariant Feature Transform(ASIFT).
Membangun Prototype Pada tahapan ini akan dilakukan desain untuk prototype yang akan dibuat
dengan beberapa tahapan yaitu tahapan desain image processing dan desain interface. Berikut ini adalah penjelasan tentang desain yang penulis lakukan, sebagai berikut : 4.2.1. Desain Image Processing Pada tahapan ini akan dilakukan desain untuk proses image processing yang dibutuhkan untuk mengenali wajah pada sketsa. Berikut ini adalah tahapan sampai recognition(pengenalan) beserta penjelasan untuk mempermudah dalam membangun prototype yang akan dibuat : 1.
Image Acquisition Pada image acquisition ini digunakan sepuluh citra, lima citra foto dan
lima citra sketsa berekstensi .jpeg. Citra digunakan sebagai input dalam proses
34
pengenalan. Citra foto telah ada di dalam komputer, citra sketsa dimasukkan ke dalam komputer menggunakan scanner. 2.
Feature Extraction Pada feature extraction digunakan metode Affine Scale Invariant Feature
Transform(ASIFT). Tahap ini diawali dengan menentukan citra sketsa yang akan diidentifikasi yang dipilih oleh user. Citra sketsa yang dipilih dan citra foto yang pertama akan digandakan, citra yang digandakan akan dikaburkan(blur) dengan beberapa tingkat pengkaburan(blurring). Pengkaburan ini dilakukan berulang dengan citra yang ukurannya setengah dari citra sebelumnya. Citra hasil pengkaburan(blurring) dengan ukuran yang sama tapi berbeda tingkat pengkaburannya dihitung perbedaan kekaburannya(blur) yang biasa disebut dengan Different of Gaussian(DoG). Langkah ini dilakukan untuk semua citra yang dikaburan(blurred) dengan semua ukuran citra dan hasilnya berupa citra DoG. Setiap pixel Citra DoG dibandingkan dengan 3x3 pixel tetangga pada citra tersebut dan 3x3 pixel pada posisi yang sama dengan pixel yang akan dibandingkan plus 3x3 pixel tetangganya pada citra DoG sebelum dan Citra DoG setelahnya. Jadi setiap pixel dibandingkan dengan 26 pixel, apabila pixel tersebut paling besar atau paling kecil pixel tersebut menjadi keypoint.
35
Gambar 4.1 Contoh citra hasil pengkaburan(blurring) 1S.jpg dengan ukuran 828x1164, 414x582, 207x291,103x145
36
Gambar 4.2 Contoh citra hasil pengkaburan(blurring) 1F.jpg dengan ukuran 2048x1536, 1024x768, 512x384, 256x192
37
Gambar 4.3 Contoh citra blurring menjadi citra DoG
38
Gambar 4.4 4. Contoh Mencari Ekstrema dalam citra DoG
Keypoint yang terletak pada tepi(edge) dan terletak pada wilayah dengan tingkat pencahayaan yan rendah akan disingkirkan. Keypoint yang tersisa akan dicari gradient magnitude dan gradient orientasi dari pixel disekitarnya disekitarnya. Lalu akan dibuat histogram dari gradient magnitude dan gradient orientasi tersebut tersebut. Didalam histogram ini, 360 derajat orientasi dipecah menjadi 36 grafik batang (masing
39
masing 10 derajat). Misalnya arah gradient pada titik tertentu adalah 15,5 derajat, maka gradient garis akan masuk ke 10-19 derajat diagram batang. Banyaknya “jumlah” yang dimasukan pada diagram batang tergantung dari magnitude dari gradient pada point tersebut. Setelah dilakukan terhadap semua pixel disekitar keypoint, histogram akan memiliki ketinggian pada angka tertentu.
Gambar 4.5 Contoh Histogram Orientasi
Dari contoh histogram diatas grafik pada nilai gradient 20-29 menjadi maksimum orientasi yang dimiliki oleh pixel disekitar keypoint. Semu grafik gradient dari orientasi yang memiliki nilai lebih dari 80% dari maksimum orientasi dikonversi menjadi keypoint yang baru. Keypoint yang baru ini memiliki lokasi dan scale yang sama dengan keypoint yang asli. Tapi orientasinya sesuai dengan ketinggian yang lain. Selanjutnya pemberian identitas khusus(finger print) pada keypoint, ini dilakukan dengan membuat 16x16 kotak disekitar keypoint. 16x16 kotak ini dikelompokkan menjadi kotak 4x4.
40
Gambar 4.6 Contoh pemberian finger print pada keypoint
Setiap kotak 4x4, dihitung gradient magnitudes dan orientasinya. Orientasi ini diletakkan pada grafik lingkaran yang dibagi menjadi 8.
Gambar 4.7 Memasukkan orientasi pada hitogram lingkaran
Gradient Orientasi yang berada pada range 0-44 derajat dimasukkan dalam wilayah(bin) pertama, 45-89 dimasukkan ke dalam wilayah(bin) selanjutnya dan selanjutnya. Banyaknya jumlah yang dimasukkan kedalam wilayah(bin) tergantung dari magnitude dari gradient dan jaraknya dari keypoint. Jadi gradient yang jaraknya jauh dari keypoint akan menambahkan bobot yang kecil kedalam
41
histogram. Ini dilakukan dengan
menggunakan fungsi pembobotan gaussian,
fungsi ini menghasilkan sebuah gradient yang akan dikalikan dengan magnitude dari orientasi, sehingga didapatkan magnitude yang telah mendapatkan bobot. Semakin jauh, smakin kecil nilai bobot dari magnitude.
Gambar 4.8 gradient orientasi yang mengalami pembobotan gaussian
3.
Recognition Pada recognition ini keypoint pada sketsa dan foto yang akan dihitung
perbedaannya, keypoint yang memiliki perbedaan terkecil dianggap cocok. Hasil pencocokkan keypoint yang memiki pasangan lebih dari satu baik dari satu ke banyak maupun dari banyak ke satu akan dihapus.Hasil pencocokkan keypoint yang memiliki letak pixel yang berbeda (proses matching yang salah) akan dihapus. Maka akan didapatkan keypoint yang cocok antara sketsa dan Foto. Citra foto yang memiliki kecocokkan keypoint yang terbanyak dan memiliki jumlah kecocokkan diatas treeshold dianggap sebagai citra foto yang memiliki kemiripan wajah paling besar dengan citra sketsa. Citra foto tersebut akan ditampilkan sebagai citra hasil identifikasi citra sketsa.
42
Tabel 4.3 Hasil Matching Keypoint
Nama Sketsa
Sketsa
1S.jpg
Nama Foto
Foto
1F.jpg
Jumlah Keypoint Match
56 keypoint
4.2.2. Desain Interface Pada tahap ini, penulis melakukan perancangan terhadap user interface dari aplikasi protype ini. Untuk tampilan antar muka penulis melakukan perancangan GUI (Graphical User Interface). Berikut ini rancangan interface yang akan dibangun : 1.
Halaman Utama Ini adalah halaman awal dari sumulasi dan juga merupakan halaman navigasi utama. Berikut ini adalah desain dari halaman utama:
43
Gambar 4.9 Desain Interface Halaman Utama
2.
Halaman Inisialisasi Halaman ini berisi kebutuhan informasi awal untuk menjalankan program simulasi. Berikut ini adalah desain dari halaman inisialisasi :
Gambar 4.10 Desain Interface Inisialisasi
44
3.
Halaman Identifikasi Sketsa Pada halaman ini akan dilakukan identifikasi sketsa sehingga didapatkan
citra foto yang seharusnya memiliki wajah yang sama dengan sketsa. Berikut ini adalah desain untuk halaman Identifikasi :
Gambar 4.11 Desain Interface Identifikasi Sketsa
4.3.
Mengkodekan Sistem Pada tahap ini, semua rancangan simulasi yang telah disepakati dikodekan
kedalam program dengan menggunakan tools untuk mebuat simulasinya. Tools yang dipakai adalah Matlab 8.03 untuk mebuat simulasi identikasi sketsa. Sedangkan algoritma ASIFT yang peneliti pakai telah dibuat sebelumnya oleh Jean-Michel Morel dan Guoshen Yu menggunakan bahasa C, jadi pada tahap ini peneliti akan menganalisa kode bahasa C yang telah mereka buat. Berikut ini adalah tahapan identifikasi sketsa yang telah dikodekan :
45
1.
Penerapan Pengkodean Matlab untuk Inisialisasi Proses inisialisasi dilakukan untuk menentukan kebutuhan awal sistem
simulasi. Proses ini sangatlah penting apabila ada kesalahan pada proses ini maka sistem simulasi tidak akan berjalan dengan semestinya.Berikut ini adalah kode Matlab untuk inisialisasi :
function SketsaPath_Callback(hObject, eventdata, handles)
function SketsaPath_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
function SketsaPathBtn_Callback(hObject, eventdata, handles) SketPath = uigetdir; if ischar(SketPath) set(handles.SketsaPath,'String',SketPath); end handles.SketPath = SketPath; guidata(hObject, handles);
Potongan program diatas digunakan untuk mengambil pathfolder yang berisi lima citra sketsa, lalu diletakkan pada edit box di dalam interface inisialisasi. function FotoPath_Callback(hObject, eventdata, handles)
function FotoPath_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function FotoPathBtn_Callback(hObject, eventdata, handles) FotPath = uigetdir; if ischar(FotPath) set(handles.FotoPath,'String',FotPath); end handles.FotPath = FotPath; guidata(hObject, handles);
46
Potongan program diatas digunakan untuk mengambil path folder yang berisi lima citra foto, lalu diletakkan pada edit box di dalam interface inisialisai. function pushbutton3_Callback(hObject, eventdata, handles) HasilMatcPath = handles.HasilMatcPath; SketPath = handles.SketPath; FotPath = handles.FotPath; ImageFiles = dir(FotPath); Train_Number = 0; for i = 1:size(ImageFiles,1) if not(strcmp(ImageFiles(i).name,'.')|strcmp(ImageFiles(i).nam e,'..')|strcmp(ImageFiles(i).name,'Thumbs.db')) Train_Number = Train_Number + 1; % Number of all images in the training database end end save requirement.mat SketPath FotPath Train_Number HasilMatcPath close(gcf);
Potongan program diatas digunakan untuk menyimpan hasil konfigurasi pada tahap inisialisai kedalam file requirement.mat, lalu menutup intarface inisialisasi. function pushbutton4_Callback(hObject, eventdata, handles) close(gcf);
Potongan program diatas digunakan untuk membatalkan konfigurasi pada inisialisasi, lalu menutup interface inisialisasi.
2.
Proses Pengkodean Identifikasi Sketsa Prose identifikasi sketsa dilakukan melalui beberpa tahapan, yaitu: 1.
Penerapan Pengkodean Matlab untuk Input Citra Sketsa Pada proses ini user akan memasukkan nama citra sketsa dan sistem akan mencari citra yang sesuai dengan input. Berikut ini adalah kode Matlab Input Sketsa :
47
load requirement.mat axes(handles.axes2); clear gca; %sket = strcat(SketPath); [FileName,PathName,FilterIndex] = uigetfile({'*.jpg'},'Select Sketsa',SketPath); handles.NamaFile=FileName; handles.PathName=PathName; guidata(hObject,handles); if isequal(FileName,0) disp('User selected Cancel') else axes(handles.axes2); clear gca; set(gca,'ytick',[]); set(gca,'xtick',[]); axes(handles.axes2); handles.Citra.RGB = imread([PathName FileName]); image(handles.Citra.RGB), set(gca,'ytick',[]); set(gca,'xtick',[]); guidata(hObject,handles);
Potongan program diatas digunakan untuk mengambil masukkan nama citra sketsa. Lalu citra sketsa dan citra foto akan diambil dari folder database citra sketsa maupun database citra foto. 2.
Penerapan Pengkodean C++ untuk Algoritma ASIFT Algoritma ASIFT memiliki beberapa tahapan yang dilakukan, berikut ini adalah kode dari tahapan – tahapan dari algoritma ASIFT beserta analisa dari kode tersebut:
48
void OctaveKeypoints(flimage & image,float octSize, keypointslist& keys,siftPar &par) { int size_blur = par.Scales+3; int size_dogs = par.Scales+2; flimage *blur =new flimage[size_blur]; flimage *dogs =new flimage[size_dogs]; float sigmaRatio =(float) pow(2.0,1.0/(double) par.Scales);
blur[0]= flimage(image); float prevSigma = par.InitSigma; for(int i =1; i < par.Scales +3; i++){ if(DEBUG) printf("Convolving scale: %d \n", i); blur[i]= flimage(blur[i-1]); float increase = prevSigma*(float)sqrt((double)(sigmaRatio*sigmaRatio-1.0)); gaussian_convolution( blur[i].getPlane(), blur[i].getPlane(), blur[i].nwidth(), blur[i].nheight(), increase); prevSigma *= sigmaRatio; } for(int i =0; i < par.Scales +2; i++){ dogs[i]= flimage(blur[i]); combine(dogs[i].getPlane(),1.0f, blur[i+1].getPlane(),-1.0f, dogs[i].getPlane(), dogs[i].nwidth()* dogs[i].nheight()); } image = blur[par.Scales]; if(DEBUG) printf("Looking for local maxima \n"); FindMaxMin(dogs, blur, octSize, keys,par); delete[] blur; delete[] dogs; }
Potongan coding diatas digunakan untuk membentuk citra pada skala ruang dengan menggunakan Different of Gaussian.
49
voidFindMaxMin( flimage* dogs, flimage* blur, float octSize, keypointslist& keys,siftPar &par) { int width = dogs[0].nwidth(), height = dogs[0].nheight(); flimage map(width,height,0.0f); flimage grad(width,height,0.0f); flimage ori(width,height,0.0f); for(int s =1; s < par.Scales+1; s++){ if(DEBUG) printf("************************scale: %d\n", s); compute_gradient_orientation(blur[s].getPlane(), grad.getPlane(), ori.getPlane(), blur[s].nwidth(), blur[s].nheight()); assert(par.BorderDist >=2); float val; int partialcounter =0; for(int r = par.BorderDist; r < height - par.BorderDist; r++) for(int c = par.BorderDist; c < width - par.BorderDist; c++){ val = dogs[s](c,r); if(fabs(val)>0.8* par.PeakThresh) { if(LocalMaxMin(val, dogs[s-1], r, c)&& LocalMaxMin(val, dogs[s], r, c)&& LocalMaxMin(val, dogs[s+1], r, c)&& NotOnEdge(dogs[s], r, c, octSize,par)) { partialcounter++; if(DEBUG) printf("%d: (%d,%d,%d) val: %f\n",partialcounter, s,r,c,val); InterpKeyPoint( dogs, s, r, c, grad, ori, map, octSize, keys,5,par); }
} } } }
50
Potongan coding diatas digunakan untuk menentukan kandidat keypoint yang merupakan hasil dari pencarian nilai maksimum lokal pada citra hasil Different of Gaussian. if(
fabs(offset[0])>1.5|| fabs(offset[1])>1.5|| fabs(offset[2])>1.5|| fabs(peakval)< par.PeakThresh)
{ if(DEBUG) printf("Point not well localized by FitQuadratic\n"); par.noncorrectlylocalized++; return; }
Potongan coding diatas digunakan untuk menghilangkan keypoint yang memiliki nilai kontras yang rendah. intNotOnEdge(flimage& dog,int r,int c,float octSize,siftPar &par) { float H00 = dog(c,r-1)-2.0* dog(c,r)+ dog(c,r+1), H11 = dog(c-1,r)-2.0* dog(c,r)+ dog(c+1,r), H01 =((dog(c+1,r+1)- dog(c-1,r+1))-(dog(c+1,r-1)dog(c-1,r-1)))/4.0; float
det = H00 * H11 - H01 * H01, trace = H00 + H11;
if(octSize <=1) return(det > par.EdgeThresh1 * trace * trace); else return(det > par.EdgeThresh * trace * trace); }
Potongan coding diatas digunakan untuk menghilangkan keypoint yang kurang jelas pada tepi.
51
voidAssignOriHist( const flimage& grad,const flimage& ori,float octSize, float octScale,float octRow,float octCol,keypointslist& keys,siftPar &par) { int bin, prev, next; float distsq, dif, gval, weight, angle, interp; int tmp_size = par.OriBins; float*hist =newfloat[tmp_size]; float radius2, sigma2; int row =(int)(octRow+0.5), col =(int)(octCol+0.5), rows = grad.nheight(), cols = grad.nwidth(); for(int i =0; i < par.OriBins; i++) hist[i]=0.0; float sigma = par.OriSigma * octScale; int radius =(int)(sigma *3.0); int rmin = MAX(0,row-radius); int cmin = MAX(0,col-radius); int rmax = MIN(row+radius,rows-2); int cmax = MIN(col+radius,cols-2); radius2 =(float)(radius * radius); sigma2 =2.0*sigma*sigma;
52
for(int r = rmin; r <= rmax; r++){ for(int c = cmin; c <= cmax; c++){ gval = grad(c,r); dif =(r - octRow); distsq = dif*dif; dif =(c - octCol); distsq += dif*dif; if(gval >0.0&&
distsq < radius2 +0.5){ weight = exp(- distsq / sigma2);
/* Ori is in range of -PI to PI. */ angle = ori(c,r); bin =(int)(par.OriBins *(angle + PI +0.001)/(2.0* PI)); assert(bin >=0&& bin <= par.OriBins); bin = MIN(bin, par.OriBins -1); hist[bin]+= weight * gval; } } } for(int i =0; i <6; i++) SmoothHistogram(hist, par.OriBins); float maxval =0.0; for(int i =0; i < par.OriBins; i++) if(hist[i]> maxval) maxval = hist[i];
for(int i =0; i < par.OriBins; i++){ prev =(i ==0? par.OriBins -1: i -1); next =(i == par.OriBins -1?0: i +1); if(
hist[i]> hist[prev]&& hist[i]> hist[next]&& hist[i]>= par.OriHistThresh * maxval ){ interp = InterpPeak(hist[prev], hist[i],
hist[next]); angle =2.0* PI *(i +0.5+ interp)/ par.OriBins PI; assert(angle >=-PI
&&
angle <= PI);
if(DEBUG) printf("angle selected: %f \t location: (%f,%f)\n", angle, octRow, octCol); ; } } delete[] hist; }
53
Potongan program diatas digunakan untuk menentukan orientasi pada masing – masing keypoint yang telah mengalami penyaringan sebelumnya. voidKeySample( float index[IndexSize][IndexSize][OriSize], keypoint& key, const flimage& grad,const flimage& ori,float scale,float row,float col,siftPar &par) { float rpos, cpos, rx, cx; int irow =(int)(row +0.5), icol =(int)(col +0.5); float sine =(float) sin(key.angle), cosine =(float) cos(key.angle); float
spacing = scale * par.MagFactor;
float radius =1.414* spacing *(IndexSize +1)/2.0; int iradius =(int)(radius +0.5); for(int i =-iradius; i <= iradius; i++){ for(int j =-iradius; j <= iradius; j++){ rpos =((cosine * i - sine * j)-(row - irow))/ spacing; cpos =((sine * i + cosine * j)-(col - icol))/ spacing; rx = rpos + IndexSize /2.0-0.5; cx = cpos + IndexSize /2.0-0.5; if(
rx >-1.0&& rx <(float) IndexSize && cx >-1.0&& cx <(float) IndexSize ) AddSample( index, key, grad, ori, irow + i, icol + j, rpos, cpos, rx, cx,par); } } } void AddSample( float index[IndexSize][IndexSize][OriSize], keypoint& key, const flimage& grad,const flimage& orim, float r,float c,float rpos,float cpos,float rx,float cx,siftPar &par) {
54
if(r <0|| return;
r >= grad.nheight()||
c <0||
c >= grad.nwidth())
sigma = par.IndexSigma *0.5* IndexSize, weight = exp(-(rpos * rpos + cpos * cpos)/(2.0* sigma * sigma)), mag = weight * grad((int)c,(int)r float
float
ori = orim((int)c,(int)r)-
key.angle;
if(par.IgnoreGradSign){ while(ori > PI ) ori -= PI; while(ori <0.0) ori += PI; }else{ while(ori >2.0*PI) ori -=2.0*PI; while(ori <0.0) ori +=2.0*PI; } PlaceInIndex(index, mag, ori, rx, cx,par); } void PlaceInIndex( float index[IndexSize][IndexSize][OriSize], float mag,float ori,float rx,float cx,siftPar &par) { int orr, rindex, cindex, oindex; float rweight, cweight, oweight; float*ivec; float oval = OriSize * ori /(par.IgnoreGradSign ? PI :2.0*PI);
int ri =(int)((rx >=0.0)? rx : rx -1.0), ci =(int)((cx >=0.0)? cx : cx -1.0), oi =(int)((oval >=0.0)? oval : oval -1.0); float rfrac = rx - ri, cfrac = cx - ci, ofrac = oval - oi; assert( ri >=-1&& ri < IndexSize && oi >=0&& oi <= OriSize && rfrac >=0.0&& rfrac <=1.0);
55
for(int r =0; r <2; r++){ rindex = ri + r; if(rindex >=0&& rindex < IndexSize){ rweight = mag *((r ==0)?1.0- rfrac : rfrac); for(int c =0; c <2; c++){ cindex = ci + c; if(cindex >=0&& cindex < IndexSize){ cweight = rweight *((c ==0)?1.0- cfrac : cfrac); ivec = index[rindex][cindex]; for(orr =0; orr <2; orr++){ oindex = oi + orr; if(oindex >= OriSize) oindex =0; oweight = cweight *((orr ==0)?1.0ofrac : ofrac); ivec[oindex]+= oweight; } } } } }
Pototngan program diatas digunakan untuk memberikan ciri khusus untuk keypoint yang telah melalui proses orientasi. 3.
Penerapan Pengkodean C++ untuk Algoritma Matching Proses matching dilakukan untuk menyamakan nilai – nilai keypoint yang terdapat pada citra foto dengan keypoint pada citra foto. Berikut ini adalah pengkodean proses Matching : Potongan coding dibawah ini digunakan untuk menentukan jumlah keypoint yang memiliki kecocokan antara citra satu dengan citra kedua
56
#pragma omp parallel for private(tt) for(int tt =1; tt <= num_tilt1; tt++) { float t = t_min * pow(t_k, tt-1); float t1 = t; float t2 =1; int num_rot1; if( tt ==1) { num_rot1 =1; } else { num_rot1 = round(num_rot_t2*t/2); if( num_rot1%2==1) { num_rot1 = num_rot1 +1; } num_rot1 = num_rot1 /2; }
float delta_theta = PI/num_rot1; #pragma omp parallel for private(rr) for(int rr =1; rr <= num_rot1; rr++) { float theta = delta_theta *(rr-1); theta = theta *180/ PI; keypointslist keypoints1 = keys1[tt-1][rr-1]; #pragma omp parallel for private(tt2) for(int tt2 =1; tt2 <= num_tilt2; tt2++) { float t_im2 = t_min * pow(t_k, tt2-1); float t_im2_1 = t_im2; float t_im2_2 =1; int num_rot1_2; if( tt2 ==1) { num_rot1_2 =1; } num_rot1_2 = num_rot1_2 +1; } num_rot1_2 = num_rot1_2 /2; }
57
else { num_rot1_2 = round(num_rot_t2*t_im2/2); if( num_rot1_2%2==1) { num_rot1_2 = num_rot1_2 +1; } num_rot1_2 = num_rot1_2 /2; } float delta_theta2 = PI/num_rot1_2; #pragma omp parallel for private(rr2) for(int rr2 =1; rr2 <= num_rot1_2; rr2++) { float theta2 = delta_theta2 *(rr2-1); theta2 = theta2 *180/ PI; keypointslist keypoints2 = keys2[tt2-1][rr2-1]; matchingslist matchings1; compute_sift_matches(keypoints1,keypoints2,matchings1,siftpara meters); if( verb ) { printf("t1=%.2f, theta1=%.2f, num keys1 = %d, t2=%.2f, theta2=%.2f, num keys2 = %d, num matches=%d\n", t, theta,(int) keypoints1.size(), t_im2, theta2,(int) keypoints2.size(),(int) matchings1.size()); } if( matchings1.size()>0) { matchings_vec[tt-1][rr-1][tt2-1][rr2-1]= matchingslist(matchings1.size()); Minfoall_vec[tt-1][rr-1][tt2-1][rr21].resize(matchings1.size()); for(int cc =0; cc <(int) matchings1.size(); cc++) { matchings_vec[tt-1][rr-1][tt2-1][rr2-1][cc]= matchings1[cc]; vector
Minfo_1match(6); Minfo_1match[0]= t1; Minfo_1match[1]= t2; Minfo_1match[2]= theta; Minfo_1match[3]= t_im2_1; Minfo_1match[4]= t_im2_2; Minfo_1match[5]= theta2; Minfoall_vec[tt-1][rr-1][tt2-1][rr2-1][cc]= Minfo_1match; } }}}}
58
for(tt =1; tt <= num_tilt1; tt++) { t = t_min * pow(t_k, tt-1); if( t ==1) { num_rot1 =1; } else { num_rot1 = round(num_rot_t2*t/2); if( num_rot1%2==1) { num_rot1 = num_rot1 +1; } num_rot1 = num_rot1 /2; } for( rr =1; rr <= num_rot1; rr++) { for(tt2 =1; tt2 <= num_tilt2; tt2++) { t_im2 = t_min * pow(t_k, tt2-1); if( t_im2 ==1) { num_rot1_2 =1; } else { num_rot1_2 = round(num_rot_t2*t_im2/2); if( num_rot1_2%2==1) { num_rot1_2 = num_rot1_2 +1; } num_rot1_2 = num_rot1_2 /2; } for( rr2 =1; rr2 <= num_rot1_2; rr2++) { for( cc=0; cc <(int) matchings_vec[tt-1][rr-1][tt2-1][rr21].size(); cc++) { matchings.push_back(matchings_vec[tt1][rr-1][tt2-1][rr2-1][cc]); Minfoall.push_back(Minfoall_vec[tt1][rr-1][tt2-1][rr2-1][cc]); } }}}}
Potongan coding diatas digunakan untuk memasukkan hasil keypoint yang cocok kedalam vektor satu dimensi.
59
if( matchings.size()>0) { matchingslist matchings_unique; vector< vector> Minfoall_unique; unique_match1(matchings, matchings_unique, Minfoall, Minfoall_unique); matchings = matchings_unique; Minfoall = Minfoall_unique; if( verb ) { printf("The number of unique matches is %d \n",(int) matchings.size()); } matchings_unique.clear(); Minfoall_unique.clear(); clean_match2(matchings, matchings_unique, Minfoall, Minfoall_unique); matchings = matchings_unique; Minfoall = Minfoall_unique; matchings_unique.clear(); Minfoall_unique.clear(); clean_match1(matchings, matchings_unique, Minfoall, Minfoall_unique); matchings = matchings_unique; Minfoall = Minfoall_unique;
Potongan coding diatas digunakan untuk menghapus hasil match yang dilakukan berulang saat simulasi berlangsung, menghapus hasil match dimana satu keypoint pada citra satu memiliki lebih dari satu keypoint yang cocok pada citra kedua atau sebaliknya.
60
for( cc =0; cc <(int) matchings.size(); cc++) { Match match1_coor; match1_coor.x1 = matchings[cc].first.x; match1_coor.y1 = matchings[cc].first.y; match1_coor.x2 = matchings[cc].second.x; match1_coor.y2 = matchings[cc].second.y; match_coor.push_back(match1_coor); } std::vector index; int t_value_orsa=10000; int verb_value_orsa=0; int n_flag_value_orsa=0; int mode_value_orsa=2; int stop_value_orsa=0; float nfa = orsa((w1+w2)/2,(h1+h2)/2, match_coor, index, t_value_orsa, verb_value_orsa, n_flag_value_orsa, mode_value_orsa, stop_value_orsa); if( nfa < nfa_max ) { matchings_unique.clear(); Minfoall_unique.clear(); for( cc =0; cc <(int) index.size(); cc++) { matchings_unique.push_back(matchings[(int)index[cc]]); Minfoall_unique.push_back(Minfoall[(int)index[cc]]); } matchings = matchings_unique; Minfoall = Minfoall_unique; cout <<"The two images match! "<< matchings.size()<<" matchings are identified. log(nfa)="<< nfa <<"."<< endl; } else { matchings.clear(); Minfoall.clear(); cout <<"The two images do not match. The matching is not significant: log(nfa)="<< nfa <<"."<< endl; }
Potongan coding diatas digunakan untuk menghapus pencocokan keypoint yang salah menggunakan epipolar geomertric filtering.
61
4.
Penerapan Pengkodean Matlab untuk Seleksi dan Hasil Proses ini dilakukan untuk menseleksi hasil dari keypoint matching nilai matching terbesar dan memiliki nilai lebih dari treeshold akan menjadi citra wajah hasil identifikasi. Berikut ini adalah kode proses seleksi dan hasil : fid = fopen('matchings.txt','r'); i =1; tline = fgetl(fid); A{i}= tline; while ischar(tline) i = i+1; tline = fgetl(fid); A{i}= tline; end fclose(fid); matchK = str2num(A{1}); if (matchK>matchTst&&matchK>TreesHold) matchTst = matchK; ImgRsltNm = ImgName; End if(matchTst>0) image = strcat(TrainDatabasePath,'\',ImgRsltNm,'.jpg'); images = imread(image); figure,imshow(images); title('Equivalent Image'); disp(strcat('Matched image is : ',ImgRsltNm)) fprintf('Found %d matches.\n', matchTst); else fprintf('Image not found.\n');
Proses diawali dengan pembacaan matching.txt yang berisi nilai – nilai match dari keypoint antara sketsa dan foto. Diambil nilai jumlah keypoint match dari file tersebut lalu dilakukan perbandingan dengan nilai jumlah matching sebelumnya. Setelah mendapat nilai jumlah
62
match terbesar dan memiliki treeshold lebih dari 50 maka foto akan ditampilkan dan menjadi hasil identifikasi sketsa.
4.4.
Pengujian Prototype Selanjutnya penulis menguji prototype aplikasi identifikasi wajah pada citra sketsa menggunakan metode ASIFT dapat menghasilkan hasil identifikasi ciri dari sketsa dan foto. Hasil pengenalan wajah pada sketsa dapat menunjukkan foto yang sama atau setidaknya mirip dengan sketsa.
1.
Daftar Jumlah Keypoint yang Ditemukan Pada Sketsa Mengggunakan Metode ASIFT Tabel 4.4 Jumlah Keypoint Citra Sketsa
Jumlah Keypoint Nama Sketsa
Sketsa yang Terdeteksi
1S.jpg
8078
2S.jpg
8663
63
3S.jpg
7539
4S.jpg
8614
5S.jpg
7836
64
2.
Daftar Jumlah Keypoint yang Ditemukan Pada Foto Mengggunakan Metode ASIFT Tabel 4.5 Jumlah Keypoint Citra Foto
Jumlah Keypoint Nama Foto
Foto yang Terdeteksi
1F.jpg
7991
2F.jpg
10445
3F.jpg
8845
4F.jpg
11599
65
8621
5F.jpg
3.
Hasil Pengujian False Acceptance Rate(FAR) dan False Rejection Rate(FRR) Tabel 4.6 Hasil Pengujian FER dan FRR
Threshold yang Digunakan
FAR
FRR
30
0,12
0
40
0,04
0
50
0
0
60
0
0,2
70
0
0,6
Berdasarkan hasil pengujian FER dan FRR yang telah penulis lakukan maka akan didapatkan titik Equal Eror Rate(EER) berada pada threshold 50. Maka threshold yang penulis gunakan untuk prototype ini adalah 50.
66
4.
Hasil Pengenalan Sketsa Menggunakan Metode ASIFT Tabel 4.7 Jumlah Match Keypoint Citra Sketsa dan Foto
Nama
Foto yang
Jumlah Keypoint
Sketsa
dikenali
Match
1S.jpg
1F.jpg
56 keypoint
Benar
2S.jpg
2F.jpg
77 keypoint
Benar
3S.jpg
3F.jpg
104 keypoint
Benar
4S.jpg
4F.jpg
66 keypoint
Benar
5S.jpg
5F.jpg
68 keypoint
Benar
Benar/Salah
BAB V PENUTUP
5.1.
Kesimpulan Berdasarkan penelitian yang telah penulis lakukan metode Affine Scale
Invariant Feature Transform (SIFT) dapat mengidentifikasi ciri khusus (feature) dari citra sketsa dan foto dengan baik, ini terlihat dari banyaknya feature yang dihasilkan. Dari lima sample citra sketsa yang diidentifikasi hasil foto yang di dapatkan merupakan wajah dari sketsa.
5.2.
Saran
1.
Untuk memaksimalkan kinerja proses perlu dicari algoritma yang dapat memepercepat analisa wajah menggunakan ASIFT.
2.
Gunakan fariasi algoritma SIFT lain yang dapat digunakan untuk menganalisa wajah dari citra sketsa.
67
Daftar Pustaka
Cleve, M. (2004, December). "The Origins of MATLAB". Dipetik Juli 1, 2015, dari Mathwoks: http://www.mathworks.com/company/newsletters/articles/the-origins-ofmatlab.html Guoshen, Y., & Morel, J. M. (2011). ASIFT: An Algorithm for Fully Affine Invariant Comparison. Image Processing On Line . Kristanto, Y. (2014). Perbandingan Teknik Scale Invariant Feature Transform (SIFT) dan Multiscale Local Binary Pattern (MLBP) dalam Pengenalan Wajah dengan Citra Masukan Berupa Citra Sketsa Wajah. Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. 5-15. Prasetyo, E. (2011). Pengolahan Citra Digital dan Aplikasinya mengggunakan Matlab. Yogyakarta: Andi. Putri, G., Agung, T., & Sa'adah, S. (2014). Analisis dan Implementasi Scale Invariant Feature Transform (SIFT) pada Sistem Autentikasi Menggunakan Pembuluh Vena. Rachman, A., & Romi. (2010). Analisis Penggunaan Scale Invariant Feature Transform Sebagai Metode Ekstraksi Fitur Pada Pengenalan Jenis Kendaraan.
Silajaya, A. (2014). Pengenalan Wajah Dengan Citra Masukan Berupa Citra Sketsa Wajah Sebagai Hasil Sintesis Dengan Teknik Multiscale Markov Random Field (MRF). Simarta, J. (2010). Rekayasa Perangkat Lunak. Yogyakarta: Andi. Weisstein, E. W. (t.thn.). "Affine Transformation.". Dipetik July 05, 2015, dari MathWorld--A Wolfram Web Resource: http://mathworld.wolfram.com/AffineTransformation.html
Lampiran – Lampiran
Lampiran 1. SK Dosen Pembimbing
Lampiran 2. Tampilan Prototype Aplikasi Pengenalan Wajah Pada Citra Sketsa
1. Tampilan Halamna Utama
2. Tampilan Identifikasi Sketsa
3. Tampilan Inisialisasi
4. Tampilan Help
5. Tampilan About
Lampiran 3. Source Code Prototype Aplikasi Pengenalan Wajah Pada Citra Sketsa
Source Code Home.m function varargout = Home(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Home_OpeningFcn, ... 'gui_OutputFcn', @Home_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before Home is made visible. function Home_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Home (see VARARGIN) % Choose default command line output for Home handles.output = hObject;
CitraLogo = imread('C:\Users\Mukhlis L\Documents\MATLAB\Hasil Match\logo.png'); imshow(CitraLogo); % Update handles structure guidata(hObject, handles);
% UIWAIT makes Home wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = Home_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;
% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) SelectReq;
% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) IdenSketsa;
% --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) Help;
% --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) % hObject handle to pushbutton4 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) About;
% --- Executes on button press in pushbutton5. function pushbutton5_Callback(hObject, eventdata, handles) % hObject handle to pushbutton5 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close(gcf);
function varargout = SelectReq(varargin) % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @SelectReq_OpeningFcn, ... 'gui_OutputFcn', @SelectReq_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before SelectReq is made visible. function SelectReq_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to SelectReq (see VARARGIN) % Choose default command line output for SelectReq handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes SelectReq wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = SelectReq_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;
Source Code SelectReq.m
function SketsaPath_Callback(hObject, eventdata, handles)
% --- Executes during object creation, after setting all properties. function SketsaPath_CreateFcn(hObject, eventdata, handles) % hObject handle to SketsaPath (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
% --- Executes on button press in SketsaPathBtn. function SketsaPathBtn_Callback(hObject, eventdata, handles) % hObject handle to SketsaPathBtn (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) SketPath = uigetdir; if ischar(SketPath) set(handles.SketsaPath,'String',SketPath); end handles.SketPath = SketPath; guidata(hObject, handles);
function FotoPath_Callback(hObject, eventdata, handles) % hObject handle to FotoPath (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of FotoPath as text % str2double(get(hObject,'String')) returns contents of FotoPath as a double
% --- Executes during object creation, after setting all properties. function FotoPath_CreateFcn(hObject, eventdata, handles) % hObject handle to FotoPath (see GCBO)
% eventdata % handles called
reserved - to be defined in a future version of MATLAB empty - handles not created until after all CreateFcns
% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end
% --- Executes on button press in FotoPathBtn. function FotoPathBtn_Callback(hObject, eventdata, handles) % hObject handle to FotoPathBtn (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) FotPath = uigetdir; if ischar(FotPath) set(handles.FotoPath,'String',FotPath); end handles.FotPath = FotPath; guidata(hObject, handles); % --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) % hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) SketPath = handles.SketPath; FotPath = handles.FotPath; ImageFiles = dir(FotPath); Train_Number = 0; for i = 1:size(ImageFiles,1) if not(strcmp(ImageFiles(i).name,'.')|strcmp(ImageFiles(i).name,'..')|s trcmp(ImageFiles(i).name,'Thumbs.db')) Train_Number = Train_Number + 1; % Number of all images in the training database end end save requirement.mat SketPath FotPath Train_Number close(gcf);
% --- Executes on button press in pushbutton4. function pushbutton4_Callback(hObject, eventdata, handles) close(gcf);
Source Code IdenSketsa.m function varargout = IdenSketsa(varargin) % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @IdenSketsa_OpeningFcn, ... 'gui_OutputFcn', @IdenSketsa_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before IdenSketsa is made visible. function IdenSketsa_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to IdenSketsa (see VARARGIN) % Choose default command line output for IdenSketsa handles.output = hObject; % Update handles structure guidata(hObject, handles); axes(handles.axes2); clear gca; set(gca,'ytick',[]); set(gca,'xtick',[]); axes(handles.axes3); clear gca; set(gca,'ytick',[]); set(gca,'xtick',[]);
% UIWAIT makes IdenSketsa wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = IdenSketsa_OutputFcn(hObject, eventdata, handles) varargout{1} = handles.output;
% --- Executes on button press in SketBtn. function SketBtn_Callback(hObject, eventdata, handles) load requirement.mat axes(handles.axes2); clear gca; %sket = strcat(SketPath); [FileName,PathName,FilterIndex] = uigetfile({'*.jpg'},'Select Sketsa',SketPath); handles.NamaFile=FileName; handles.PathName=PathName; guidata(hObject,handles); if isequal(FileName,0) disp('User selected Cancel') else axes(handles.axes2); clear gca; set(gca,'ytick',[]); set(gca,'xtick',[]); axes(handles.axes2); handles.Citra.RGB = imread([PathName FileName]); image(handles.Citra.RGB), set(gca,'ytick',[]); set(gca,'xtick',[]); guidata(hObject,handles); %disp(['User selected', fullfile(PathName, FileName)]) end
% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) matchTst = 0; load requirement.mat ImageName = handles.NamaFile; file_img1 = strcat(SketPath,'\',ImageName); for i=1:5 ImgName = int2str(i); %file_img1 = strcat(SketPath,'\',ImgName,'.jpg'); file_img2 = strcat(FotPath,'\',ImgName,'.jpg'); imgOutVert = 'imgOutVert.png';
imgOutHori = 'imgOutHori.png'; matchings = 'matchings.txt'; keys1 = 'keys1.txt'; keys2 = 'keys2.txt'; flag_resize = 0; demo_ASIFT(file_img1, file_img2, imgOutVert, imgOutHori, matchings, keys1, keys2, flag_resize); fid = fopen('matchings.txt','r'); i = 1; tline = fgetl(fid); A{i} = tline; while ischar(tline) i = i+1; tline = fgetl(fid); A{i} = tline; end fclose(fid); matchK = str2num(A{1}); if matchK>matchTst matchTst = matchTst+matchK; ImgRsltNm = ImgName; end
end if (matchTst>0) images = strcat(FotPath,'\',ImgRsltNm,'.jpg'); axes(handles.axes3); image(imread(images)); grid off; axis off; %figure,imshow(images); %title('Equivalent Image'); disp(strcat('Matched image is : ',ImgRsltNm)) fprintf('Found %d matches.\n', matchTst); else fprintf('Image not found.\n'); end
% --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles) close (gcf);
