Pendeteksian dan Penangkapan Gerakan Fitur Wajah Secara 3D menggunakan Active Appearance Models (AAM)

1

Seminar Nasional dan ExpoTeknik Elektro 2012

Pendeteksian dan Penangkapan Gerakan Fitur Wajah Secara 3D menggunakan Active Appearance Models (AAM) Atthariq 1)

Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh-Medan Km 280 Buketrata - Lhokseumawe, Aceh 24301 Indonesia email : [email protected]

ABSTRAK Pendeteksian gerakan dan pelacakan fitur wajah biasanya menggunakan bantuan penanda khusus yang ditempatkan pada bagian dari fitur-fitur wajah, sehingga membuat aktor menjadi risih dalam proses pengambilan gerak yang diterapkan dalam dunia animasi baik game atau film animasi. Facial motion capture tanpa penanda atau markerless adalah salah satu teknik baru yang dalam Computer Vision. Dalam penelitian ini metode yang digunakan adalah Active Appearance Models (AAM), yang bertujuan untuk mendeteksi dan melacak sekumpulan fitur wajah, macam-macam ekspresi dan pose dari wajah manusia, orientasi wajah dan pergerakannya. Citra yang digunakan dalam penelitian ini tentunya harus memiliki informasi kedalaman yang merupakan representasi citra 3D, oleh karena itu menangkap citra wajah dalam penelitian ini digunakan kamera stereo. Kamera stereo dalam penelitian ini diganti dengan perangkat kamera yang menyediakan informasi depth dari sebuah citra digital. Data depth dari cirta berupa data point cloud yang terdiri dari koordinat XYZ yang merupakan representasi dunia 3D, yang kemudian dapat diterapkan untuk menggerakan model wajah 3D, sehingga gerakan yang dihasilkan lebih alami, yang pada akhirnya dapat dipakai pada game dan dunia animasi.

Kata Kunci: facial motion capture, AAM, point cloud, model wajah 3D, markerless, computer vision.

1. Pendahuluan Teknologi Markerless yang diterapkan pada fitur wajah seperti hidung, sudut-sudut bibir dan mata,alis dan kemudian melacaknya untuk keperluan animasi dan lainnya merupakan teknologi yang telah dibahas dan didemonstrasikan di CMU[11], IBM [12], menggunakan model-model active appearance, sebagai komponen utama Cootes, Gareth Edwards dan Chris Taylor[2][3], analisis pelacakan eigen, model deformasi permukaan dan teknik lain untuk melacak fitur wajah yang diinginkan dari frame

ke frame. Teknologi ini jauh lebih sedikit rumit, bila dibandingkan dengan teknik menggunakan marker. Masalah mendasar di komputer grafik adalah pembangunan geometris model 3D yang konsisten dengan dunia nyata, terutama gerakan dari model yang terlihat tidak alami sebagai mana gerakan asli. Pendeteksian gerakan khususnya ekspresi wajah merupakan hal yang sangat penting dalam dunia animasi hal ini bertujuan untuk meningkatkan kualitas dari sebuah gerakan model 3D sehingga gerakan model tersebut terlihat alami dan ini juga akan membantu para creator film atau game, karena dengan ini dapat mengurangi pekerjaan mereka dalam pembuatan animasi.

2. Dasar Teori 2.1 Kinect Kinect didasarkan pada teknologi software yang dikembangkan secara internal oleh RARE, anak perusahaan dari Microsoft Game Studios yang dimiliki oleh Microsoft, dan berbagai teknologi kamera oleh pengembang PrimeSense, yang menafsirkan informasi 3D scene dari cahaya terstruktur terus-diproyeksikan inframerah .Sistem scanner 3D yang disebut Light Coding menggunakan sebuah varian dari rekonstruksi 3D berbasis gambar. Sensor Kinect adalah sebuah bar horizontal terhubung ke basis yang kecil dengan pivot bermotor dan dirancang untuk diposisikan memanjang di atas atau di bawah layar video. Perangkat ini memiliki "kamera RGB, sensor kedalaman dan mikrofon multi-array",[13].

bahwa model yang terlatih pada bentuk wajah frontal mampu menggambarkan wajah di mana semua landmark wajah frontal terlihat. Secara matematis, sebuah bentuk 2D dapat digambarkan oleh vektor xi, dimana x dan y adalah koordinat dari data titik landmark: 𝑋𝑖 = 𝑥1 , 𝑥2 , … , 𝑥𝑁 , 𝑦1 , 𝑦2 , … , 𝑦𝑁

(1)

dimana N merupakan jumlah dari titik landmark.

Gambar 1. Mengukur kedalaman dengan pola cahaya, sebagai suatu data citra yang terpisah. (Courtesy of PrimeSense)

2.2 Active Appearance Models AAM merupakan metode pembelajaran statistik, yang dilatih dari sebuah kelas obyek non-rigid dalam hal ini wajah. AAM bekerja dengan fitting model untuk sebuah parameter gambar suatu optimasi pencari jenis objek. Tujuan dari pencarian ini adalah untuk mencapai deskripsi parameter obyek dalam gambar. AAM memiliki sekumpulan model template deformable, dan dapat dipahami sebagai metode pencocokan template yang canggih. AAM dibagi dalam tiga bagian dari keseluruhan langkah dalam metode ini: 1. Penyelarasan data shape 2. Pembangkitan sebuah model parameter dari data statistik 3. Prosedur pencarian data sebenarnya, "template matching". Metode AAM ini dirancang untuk tujuan segmentasi citra dan formulasi umum, sehingga berlaku untuk dua dimensi. Tetapi meskipun metode yang dijelaskan disini adalah untuk pemodelan wajah 2D, perlu diperhatikan bahwa hal itu setidaknya pada dasarnya juga berlaku untuk di setiap jenis objek, dalam jumlah dimensi yang lebih[12]. 2.2.1 Shapes Sebuah shape 2D didefinisikan sebagai titik 2D dan sisi yang menggambarkan struktur spasial suatu objek. Secara teori, jumlah titik dan sisi mungkin tak terbatas, sementara secara praktis vertex yang dipilih sedemikian rupa dengan ukuran tertentu pada beberapa tingkat resolusi untuk menggambarkan shape. Berkaitan dengan kelompok bentuk dalam hal ini wajah manusia, landmark diperkenalkan. Secara umum, landmark, atau titik-titik fitur seperti yang sering disebut, adalah titik dari kelengkungan wajah yang berisi data koordinat (x,y). Untuk segitiga landmark sudut segitiga untuk wajah, sudut mata, hidung, sudut mulut, titik sepanjang alis mata, perlu diperhatikan di sini untuk menggambarkan objek rigid dan non-rigid bila landmark konsisten. Dalam AAM ini mengimplikasikan

Dalam membentuk sebuah geometri biasanya translasi, rotasi dan skala dianggap sebagai hal independent. Artinya, dua membentuk yang sama jika salah satu dari mereka dengan kombinasi translasi rotasi dan scaling bisa ditransformasikan dalam bentuk yang lain. Untuk mendapatkan model dari sekumpulan bentuk normalisasi AAM menerapkan metode analisis Procrustes. Dalam statistik, analisis Procrustes adalah bentuk analisis bentuk statistik yang digunakan untuk menganalisis distribusi sekumpulan bentuk. Tujuannya adalah untuk mendapatkan penempatan yang sama dan ukuran, dengan meminimalkan ukuran perbedaan bentuk yang disebut Procrustes jarak antara objek. Menyesuaikan kedua bentuk dengan menggunakan metrik Procrustes melakukan langkah-langkah sebagai berikut: 1. Menterjemahkan setiap shape dengan mengurangi shape pusat gravitasi (center of gravity , COG) dari semua i dalam titik N shape. 𝑥, 𝑦 = dimana 𝑥, 𝑦 =

𝑥𝑖 − 𝑥 , 𝑦𝑖 − 𝑦 1

1

𝑖

𝑁

𝑥𝑖 , 𝑁

(2)

𝑖 𝑦𝑖

2. Setiap skala bentuk, xk, untuk ukuran unit dengan L2normal. 𝑥𝑖" , 𝑦𝑖" =

1 𝑥𝑘

𝑥𝑖′ , 𝑦𝑖′

(3)

dimana 𝑥𝑘 =

𝑖

𝑥𝑖2 , 𝑦𝑖2

(4)

Menghapus komponen rotasi antara dua bentuk sedikit lebih kompleks. Adapun teknik berikut ini, dengan menggunakan dekomposisi nilai singular (SVD), yang disarankan oleh[2]: 1. Mengatur kedua bentuk, x1 dan x2, dinormalisasi sebagaimana yang dijelaskan pada langkah 1 dan 2. 2. Menghitung SVD dari 𝑥1𝑇 𝑥2 , 𝑉𝐷𝑈 𝑇 3. Rotasi matrix yang secara optimal pada x1, x2: 𝑉𝑈 𝑇 =

𝑐𝑜𝑠(𝜃) −𝑠𝑖𝑛(𝜃) 𝑠𝑖𝑛 (𝜃) 𝑐𝑜𝑠(𝜃)

(5)

Untuk menyesuaikan sekumpulan bentuk pendekatan iteratif sebagai berikut ini: 1. Pilih sebuah bentuk sembarang untuk diestimasi menjadi bentuk rat-rata. 2. Sejajarkan setiap bentuk yang tersisa untuk bentuk maksud sebagainana yang dijelaskan langkah-langkah sebelumnya. 3. Menghitung ulang estimasi rata-rata dari bentuk yang sesuai. 4. Pada iterasi pertama, maka orientasi perkiraan rata-rata baru diperbaiki, sehingga rotasi sesuai dengan perkiraan rata baru ada di rata-rata nol. 5. Kurangi estimasi rata baru dari perkiraan rata lama. Jika perbedaan berada di atas nilai threshold ulangi langkah 2. Metode AAM mengandalkan model parameter yang dapat menggambarkan bentuk antar-kelas dan variasi tekstur. Bagian utama yang membangun appearance model adalah principal component analysis (PCA). PCA melakukan sebuah eigen-analisis dari matrix kovarians dari vektor pelatihan yang sesuai bentuk dan tekstur yang didefinisikan oleh bentuk-bentuk dalam citra pelatihan. Eigen vector yang diperoleh dalam analisis ini menggambarkan variasi bentuk dan tekstur. Jika xk adalah vektor shape dengan panjang N, dan M adalah jumlah sampel bentuk dari class, maka himpunan inimerupakan bentuk pelatihan yang dijelaskan oleh matrix NxM adalah bentuk rata-rata kovarians data shape, set tersebut kemudian dinyatakan dengan matrix NxN. 𝑆 = 𝑥1 − 𝑥 𝑥2 − 𝑥 … 𝑥𝑀 − 𝑥 , dimana 1

𝑥=𝑀

𝑀 𝑘=0 𝑥𝑘

1

𝑠

(6) (7)

= 𝑁 𝑆𝑆 𝑇

(8)

Φ𝑆 𝜆𝑠

(9)

1

𝑠𝑁

𝛷𝑠 dan 𝜆𝑠 adalah kumpulan bentuk eigenvectors yang disusun sebagai kolom dalam sebuah matriks dan Eigenvalues masing-masing ditempatkan pada elemen diagonal dari matriks diagonal. Eigenvectors ini merupakan dasar ortogonal baru N-dimensi untuk data shape, di mana varians dimaksimalkan. Dengan mengatur sekumpulan Eigenvectors sesuai dengan Eigenvalues masing-masing dan membuang Eigenvectors dengan signifikansi mendekati nol, maka dimensi ruang baru mungkin akan jauh berkurang. Untuk itu perlu diperhatikan bagaimana turunan bentuk baru, x, dapat dihasilkan dengan menerapkan parameter vektor Ndimensi bs: 𝑥 = 𝑥 + 𝛷𝑠 𝑏𝑠

(10)

Parameter bs, dapat diartikan sebagai bobot yang menentukan seberapa banyak masing-masing bentuk mode yang harus di turunan untuk model baru. 2.2.2 Texture Model Dalam AAM, tekstur didefinisikan sebagai sekumpulan nilai intensitas pixel di objek dibingkai oleh bentuk landmark. Seperti halnya shape, variasi tekstur juga dapat dimodelkan dengan menggunakan PCA. Langkahlangkah mendapatkan arah vektor yang menggambarkan tekstur dari objek ini agak lebih rumit dibandingkan dengan shape, karena vektor tersebut pasti secara spasial konsisten atas semua gambar pelatihan. Ini digunakan untuk tujuan warping. Warping pada dasarnya adalah transformasi dari satu konfigurasi spasial menjadi yang lain. Salah satu cara untuk membangun acuan spasial antara sampel pelatihan adalah dengan triangulasi delaunay titik landmark di masing-masing gambar. Dengan melapiskan mesh segitiga atas tekstur, posisi setiap piksel dapat digambarkan sebagai kombinasi linier berbobot dari tiga landmark yang merupakan segitiga yang mengelilingi pixel. Dengan warping tekstur dari semua objek salah satu mesh menjadi acuan, suatu himpunan spasial yang konsisten, bentukdinormalisasi, tekstur dapat diperoleh. Hal ini memungkinkan untuk perhitungan data statistik mean dan varian. Untuk lebih lanjut tentang warping mengacu pada[2]. Setiap tekstur diatur dalam sebuah vektor dengan ukuran K, dimana K adalah jumlah pixel dalam daerah yang ditutupi oleh shape acuan. Dengan mengurangi mean dan memasukkan semua vektor tekstur menjadi matriks KxM , G, dimana M adalah jumlah sampel tekstur, PCA dapat diterapkan sebagaimana yang dijelaskan sebelumnya. Hasilnya adalah dasar matriks ortogonal, 𝛷𝑔 , mode intensitas tekstur yang dapat dikendalikan oleh vektor parameter bg: g = g + 𝛷g 𝑏g

(11)

Karena jumlah piksel dalam tekstur yang detil tidak akan menjadi kecil, dimensi ruang tekstur sering jauh lebih tinggi dari jumlah sampel tekstur. Dalam hal ini teorema Eckart-Young dapat diterapkan, untuk jauh mengurangi dimensi tersebut. Trik dari teorema Eckart-Young terletak pada perhitungan matriks kovarian 𝑔. Memiliki, G 1

𝑇 matriks, dari dimensi KxM, 𝑔𝑙𝑎𝑟𝑔 = 𝑀 𝐺𝐺 . akan memiliki dimensi KxK. Sehingga dapat menghitung 1 𝑇 𝑔𝑠𝑚𝑎𝑙𝑙 = 𝑀 𝐺 𝐺. dimensi MxM. Teorema Eckart-Young kemudian menunjukkan bahwa

𝑔𝑙𝑎𝑟𝑔

=𝐺

𝑔𝑠𝑚𝑎𝑙𝑙

(12)

2.2.3 Combined Model Untuk lebih lanjut menghilangkan redundansi serta mengkombinasikan shape model dan tekstur menjadi salah satu appearance model memiliki parameter yang compact. Penggunaan PCA yang diterapkan pada vektor parameter, bs dan bg, menggambarkan objek pelatihan. Dasar ortogonal baru, 𝛷𝑐 , yang dapat dikendalikan oleh vektor parameter, c, dengan demikian diperoleh: 𝑏 = 𝛷𝑐 ⋅ 𝑐

(13)

Untuk mengimbangi perbedaan di satuan antara vektor parameter (salah satu berada di dalam koordinat 2D, dengan yang lain dalam nilai intensitas grayscale), bobot matriks, Ws dikalikan dengan parameter bentuk, bs. Model yang lengkap dapat digambarkan dalam cara berikut: 𝑏=

𝑊𝑠 𝑏𝑠 𝑊𝑠 Φ𝑇𝑠 𝑥 − 𝑥 = 𝑏𝑔 Φ𝑔𝑇 𝑔 − 𝑔

Φ = Φ 𝑐𝑠 ∙ 𝑐 = Φ𝑐 ∙ 𝑐 𝑐𝑔

(14)

Suatu cara untuk memperkirakan bobot, Ws yang diajukan oleh [3]. Bobot tersebut harus menormalisasi kisaran piksel yang koordinatnya nilai-nilai dan nilai-nilai intensitas pixel. rentang informasi Ini dijelaskan oleh variasi, yang sudah dihitung di atas, sebagai Eigenvalues shape dan data tekstur. Oleh karena itu, 𝑊𝑠 = 𝑟. 𝐼 Dimana 𝑟=

𝜆𝑔 𝜆𝑠

,

𝜆𝑔 =

𝑖 𝜆𝑔𝑖 ,

𝜆𝑠 =

𝑖 𝜆𝑠𝑖

(15)

Untuk semua yang diberikan himpunan parameter model, c, bentuk dan tekstur yang sekarang dapat dihasilkan oleh; 𝑥 = 𝑥 + Φ𝑠 𝑊𝑠−1 Φ𝑐,𝑠 ∙ 𝑐 dan 𝑔 = 𝑔 + Φ𝑔 Φ𝑐,𝑔 ∙ 𝑐 dimana Φ𝑐,𝑠 Φ𝑐 = Φ𝑐,𝑔

(16) (17) (18)

2.3 Animasi wajah Animasi sebuah wajah adalah proses baik langsung maupun tak langsung, yang memanipulasi posisi dari titiktitik vertex polyangon itu setelah beberapa waktu. Beberapa metode bisa digunakan untuk tujuan ini. Dalam animasi-animasi yang memiliki parameter, sejumlah

kendali parameter mengontrol ekspresi-ekspresi wajah. Tool yang menerapkan animasi jenis ini sering mewakili parameter-paremeter sebagai serangkaian penggeser, yang bisa diatur oleh pembuat animator untuk menghasilkan ekspresi yang diinginkan. Cara lain yang sering digunakan adalah animasi berdasarkan otot, dimana sebuah model fisik bisa menggambarkan hubungan antara otot-otot dan permukaan wajah. Untuk merinci bagaimana tiap otot-otot mengembang dan mengecil, titik-titik puncak dari kulit bisa dimanipulasi. Metode yang paling sering digunakan dalam animasi adalah interpolasi antara ekspresi-ekpresi kunci. Letak dari semua titik-titk puncak dispesifikasikan untuk serangkaian kerangka-kunci. Setelah itu, ekspresi wajah bisa dihasilkan degan menginterpolasi kerangka-kunci tersebut, dalam hal ini menginterpolasi posisi dari titik-titik puncak di dalam kerangka-kunci. Di penelitian ini, digunakan metode yang dinamakan animasi penampilan, animasi penampilan bergantung pada informasi yang didapatkan dengan cara mengukur gerakan-gerakan wajah manusia, misalnya lewat kamera. informasi yang didapatkan kemudian digunakan untuk mengontrol karakter grafis. Metode ini juga dikenal sebagai kendali model, dengann membuat hubungan antara ekspresi netral dari wajah sebuah puppet dan ekspresi netral dari wajah model puppet, maka model wajah dapat dikendalikan, seperti ini bisa dilihat pada Gambar 5. Sebuah pemetaan dari ciri khas wajah manusia yang telah diekstrak untuk menghubungkan titk-titk dalam wajah model dapat dibangun. Namun, karena jumlah ciri khas yang didapat dari wajah manusia mungkin lebih kecil daripada jumlah titik-titk yang membentuk model wajah. Faktor pelemah bisa diterapkan terhadap titk-titk puncak yang berkaitan degan titik fitur tertentu, berdasarkan jarak antara titik puncak yang berhubungan langsung dengan titik fitur [7][8].

3. Penelitian Terkait Facial motion capture adalah bidang yang ada di perhubungan visi komputer dan animasi. Menggabungkan kepiawan dan teknik dari kedua domain ini terutama penerapan dalam dunia 3D semakin realistis selama beberapa dekade terakhir. Charles Darwin telah melakukan percobaan ekspresi emosi manusia dan hewan pada tahun 1872[4]. Lebih dari 100 tahun kemudian, pada tahun 1978, Ekman dan Friesen menerbitkan karya mereka di Facial Action Coding System (FACS)[5], yang mengurai semua ekspresi wajah menjadi serangkaian tindakan primitif atau unit. Sejak saat itu mulai berkembang penelitian yang berhubungan dengan ekpresi wajah dan perubahan bentuk dari wajah yang diterapkan pada dunia film dan game animasi pada sekarang ini. Film animasi pendek Tony de Peltrie pada tahun 1985

memberikan landmark pada animasi wajah 3D. Animasi wajah 3D, yang didasarkan pada photogrammetric digital ekspresi wajah manusia, yaitu melihat banyak gambar foto yang digunakan untuk menentukan permukaan 3D wajah aktor manusia. Landmark lainnya di animasi wajah 3D adalah Tin Toy (1988) dari studio animasi Pixar dan Casper (1995).

4. Metode Pengambilan Data Dalam penelitian ini pada percobaan awalnya menggunakan dataset yang telah disediakan di Carnegie Mellon University Robotics Institute 5000 Forbes Avenue Pittsburgh, PA 15213, yang umumnya telah menjadi data acuan para peneliti dalam melakukan penelitian pada bidang ini. Dataset wajah yang disediakan pada situs ini sangat banyak dan juga telah disediakan data landmark untuk setiap gambar wajah akan tetapi masih dalam bentuk data landmark 2D. Tetapi dalam penelitian ini juga akan membuat data set yang akan mempresentasikan data 3D dari fitur-fitur wajah.

format data RGB, yang kedua dalam format data kedalaman atau data depth dari suatu citra, tetapi data depth ini masih terlalu besar untuk diproses maka dibutuhkan proses penyerderhanaan data dengan mengambil data pada bagian-bagian tertentu dari wajah. Dalam proses capture ini proses penyimpanan harus bersamaan agar dalam proses pengambilan data fitur-fitur wajah lebih mudah. Setelah proses capture selesai maka selanjutnya pemberian landmark pada fitur-fitur wajah (alis kiri, alis kanan, mata kiri, mata kanan, hidung, mulut dan lingkar wajah) . Untuk setiap landmark akan memiliki informasih data XYZ. Data-data landmark ini nanti yang akan direkonstruksi menjadi wireframe wajah 3D dan setelah itu diproses untuk diterapkan pada model wajah puppet 3D.

5. Hasil Dan Pembahasan

Gambar 3. Blok diagaram animasi model wajah 3D

Gambar 2. Titik-titik koordinat 2D yang didefinisikan dalam ruang koordinat gambar RGB (dalam resolusi 640 x 480) yang dicapture oleh sensor Kinect. Kemudian di mapping kemodel wajah 3D untuk dapat digerakkan

Pelacakan menggunakan sistem koordinat Kinect untuk mendapatkan hasil pelacakan dalam 3D. Sumbu Z menunjukan jarak objek terhadap kamera atau kedalaman sebuah citra, sumbu Y mengarah ke atas dan kebawah sedangkan sumbu X menunjukan arak kiri dan kanan. Unit pengukuran ini dalam meter untuk terjemahan dan derajat untuk sudut rotasi. Model ini yang nantinya akan ditempatkan pada citra wajah 2D yang di capture oleh kamera KINECT, sehingga dengan ini dapat memperbaiki derajat kebebasan dari sebuah objek wajah. 4.1 Pengambilan data wajah Data fitur wajah merupakan komponen penting di dalam penelitian ini, untuk mendapakan data fitur-fitur dari wajah pertama sekali perlu melakukan proses capture dengan menggunakan kamera KINECT kemudian menyimpan hasilnya dalam dua format pertama dalam

Data-data yang didapat dari fitur-fitur wajah kemudian akan dimappingkan ke model wajah 3D (puppet). Tetapi sebelumnya telah melakukan proses training AAM yang bertujuan untuk menentukan/ prediksi gerakan fiturfitur wajah. Pada proses ini masih berupa data 2D yang diterapkan pada data gambar wajah 2D. Setelah proses AAM selesai maka selanjutnya dari data-data landmark yang sebelumnya telah didapat, diterapkan untuk mengerakan model gambar 5.

REFERENSI [1] R. Hartley and A. Zisserman (2000), Multiple View Geometry in Computer Vision. Cambridengane: UK, Cambridengane Univ. Press. [2] T.F. Cootes and C.J Taylor. Statistical models of appearance for computer vision, 2004. [3] T. F. Cootes and C. J. Taylor. Active appearance models. In IEEE Transactions on Pattern Analysis and Machine Intelligence, pages 484{498. Springer, 1998. [4] Charles Darwin. Expression of the Emotions in Man and Animals. John Murray, London,United Kingdom, 1872. [5] P. Ekman and W. Friesen. Facial action coding system: A technique for the measurement of facial movement. 1978. Gambar 4. Hasil fitting rigid model wajah 3D hadap depan, kiri, kanan dan atas

[6] Donald Shepard. A two-dimensional interpolation function for irregularly-spaced data. In Proceedings of the 1968 23rd ACM national conference, pages 517{524, New York, NY, USA, 1968. ACM. [7] Frederic I. Parke and Keith Waters. Computer Facial Animation. A. K. Peters, Ltd.,Natick, MA, USA, 1996. [8] Frederic Ira Parke. A parametric model for human faces. PhD thesis, 1974. [9] Dominik Sibbing, Martin Habbecke and Leif Kobbelt. Markerless Reconstruction and Synthesis of Dynamic Facial Expressions, 2010.

Gambar 5 Model wajah 3D (puppet), yang akan digerakan menggunakan kinect

[10] S. Baker, R. Gross, and I. Matthews. Lucas-kanade 20 years on: A unifying framework: Part 4, 2004. Technical Report CMU-RI-TR-04-14, Robotics Institute, Carnegie Mellon University.

6. Kesimpulan Proses penangkapan gerakn wajah secara 3D ini memperbaiki hasil penagkapan gerak secara 2D karena sudut penangkapan menjadi semakin besar, pada 2D sudut penagkapan mulai dari -30o dampai dengan 30o sedangkan dengan proses pengkapan secara 3D sudut penangkapan gerakan menjadi lebih besar yaitu -90o sampai 90o. Proses mapping dari data pelatihan yang diambil secara 3D dengan menggunakan KINECT tidak perlu dilakukan secara keseluruhan tetapi cukup beberapa titik landmark yang digunakan sebagai titik kontrol pengerak objek model wajah 3D ini berkaitan dengan percepatan proses, dengan menggunakan data yang sedikit akan mempercepat proses.

[11] Matthews and S. Baker. Active appearance models revisited. IJCV, 60(2):135–164, 2004. [12] Ying-li Tian Lisa Brown Arun Hampapur Sharat Pankanti Andrew Senior and Ruud Bolle “Real World Real-time Automatic Recognition of Facial Expressions”. Exploratory Computer Vision Group, IBM T. J. Watson Research Center. [13] "PrimeSense,Ltd.|FAQ".Primesense.com. http://www.primesense.com