PENGENALAN CITRA PENYAMARAN WAJAH MENGGUNAKAN METODE NEURAL NETWORK Prisma Yogiswari1 – Rully Soelaiman2 Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, 60111, Indonesia 1
[email protected],
2
[email protected]
Abstrak – Pengenalan wajah, salah satunya dapat diaplikasikan untuk keperluan operasional sistem peradilan kriminal atau hukum. Sistem pengenalan wajah harus dapat mengidentifikasi individu yang dengan sengaja mengubah penampilan dan fitur wajahnya menggunakan penyamaran untuk mengelabuhi penegak hukum dan publik agar sulit diringkus. Metode yang digunakan dalam tugas akhir ini adalah neural network. Citra wajah dengan penyamaran dikonvolusi dengan filter log Gabor. Dilakukan ekstraksi terhadap hasil konvolusi ini untuk mendapatkan fitur fase dari tekstur wajah. Fitur fase lalu ditransformasi menggunakan wavelet dan diklasifikasikan dengan classifier neural network. Kinerja dari metode diujicobakan menggunakan database citra wajah buatan yang terdiri dari berbagai macam penyamaran. Uji coba kinerja metode dilakukan dengan memberikan citra masukan untuk dideteksi dengan berbagai macam penyamaran, serta uji coba pembandingan performansi terhadap metode lain, yaitu Principal component Analysis (PCA). Dalam uji coba tersebut, metode yang dikemukakan menunjukkan kinerja yang baik, yaitu dengan persentase tingkat akurasi identifikasi ratarata untuk semua penyamaran di atas 70% dan terbukti lebih akurat dibanding dengan metode PCA. Kata Kunci : pengenalan wajah, penyamaran wajah, transformasi log Gabor wavelet, fitur phase, neural network.
I. PENDAHULUAN Sistem pengenalan wajah saat ini meng-capture wajah dari individu yang kooperatif dalam sebuah lingkungan yang terkontrol sebagai bagian dari proses pendaftaran wajah. Oleh karena itu, memungkinkan untuk mengontrol pencahayaan, iluminasi, ekspresi, pose, background, dan kualitas citra wajah Permasalahan yang berhubungan dengan keperluan operasional dari sistem penegakan hukum, memerlukan sistem pengenalan wajah yang lebih tangguh lagi dari sistem pengenalan wajah saat ini. Sistem pengenalan wajah harus dapat mengidentifikasi individu yang menyembunyikan identitas menggunakan penyamaran, secara sengaja mengubah penampilan dengan berkedok sebagai orang lain, untuk mengelabuhi penegak hukum dan publik agar tetap sulit diringkus.
metode neural network dibandingkan dengan metode lain, yaitu Principal Component Analysis (PCA). Hasil eksperimen menunjukkan bahwa kinerja dari metode pengenalan wajah yang dikemukakan lebih baik dari metode PCA. 1.1. Sistem Pengenalan Citra Wajah Pengenalan wajah merupakan permasalahan pengenalan pola visual. Wajah sebagai objek tiga dimensi digambarkan dengan berbagai macam iluminasi, pose, ekspresi, dan sebagainya untuk diidentifikasi berdasarkan citra dua dimensi dari wajah tersebut. Sebuah sistem pengenalan wajah secara umum terdiri dari empat tahap sebagai berikut [Li05]: 1. Deteksi wajah (lokalisasi) 2. Face Alignment 3. Ekstraksi fitur 4. Pencocokan
Untuk mengatasi permasalahan pengenalan pada wajah yang menggunakan penyamaran, metode pengenalan wajah yang ada, antara lain neural network, dikembangkan. Penelitian terdahulu yang mempelajari kemiripan wajah terhadap beberapa variasi, termasuk penyamaran, telah dilakukan oleh Chellappa et al [Ram04]. Pada tugas akhir ini, dikemukakan metode neural network yang digunakan sebagai classifier fitur phase yang telah dioperasikan dengan transformasi wavelet. Metode diujicobakan menggunakan database citra penyamaran wajah buatan untuk membuktikan performansi metode neural network yang baik apabila digunakan dalam kasus penyamaran yang bervariasi. Untuk lebih jelas dalam memperihatkan keakuratan,
Gambar 1. Sistem Pengenalan Wajah Secara Umum
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|1
1.1.1. Tahap Preprocessing Lokalisasi dan normalisasi merupakan tahap preprocessing sebelum pengenalan wajah (ekstraksi fitur wajah dan pencocokan) dilakukan. Deteksi wajah memisahkan area wajah dari background. Dalam kasus video, wajah yang terdeteksi perlu dilacak menggunakan komponen face tracking. Deteksi wajah menyediakan perkiraan kasar dari lokasi dan skala dari setiap wajah yang dideteksi. Face alignment (normalisasi) ditujukan pada pencapaian lokalisasi dan normalisasi wajah yang lebih akurat. Komponen wajah, seperti mata, hidung, mulut dan garis bentuk wajah, ditempatkan berdasarkan titiktitik lokasi. Input citra wajah dinormalisasi dengan memperhatikan properti geometrik (ukuran, pose, ekspresi, dan sebagainya), menggunakan transformasi atau pembentukan geometri. Wajah biasanya lebih lanjut dinormalisasi dengan memperhatikan properti fotometrik (iluminasi dan gray scale).
Sebuah alternatif untuk fungsi Gabor adalah fungsi Log-Gabor yang dikemukakan oleh Field [1987]. Filter-filter Log-Gabor dapat dikonstruksikan dengan bandwidth yang berubah-ubah dan bandwitdth dapat dioptimalkan untuk menghasilkan sebuah filter dengan luasan spasial yang minimal. Filter Gabor tidak dapat menyusun fungsi Gabor dari bandwidth luas yang berubah-ubah dan masih mempertahankan komponen DC yang cukup kecil pada filter even-symmetric. Kesulitan ini dapat terlihat jika fungsi transfer dari sebuah filter Gabor even-symetric pada domain frekuensi diamati. Fungsi transfer adalah jumlah dua Gaussian yang berpusat pada plus dan minus frekuensi pusat. Jika standar deviasi dari Gaussian-Gaussian ini menjadi lebih dari sepertiga frekuensi pusat bagian akhir dari dua Gaussian akan mulai overlap atau menindih secara berlebihan pada asalnya, menghasilkan komponen DC nonzero.
1.1.2. Tahap Ekstraksi fitur Setelah wajah dinormalisasi secara geometrik dan fotometrik, ekstraksi fitur dilakukan. Fitur yang merupakan hasil ekstraksi dari citra wajah ternormalisasi menyediakan informasi efektif yang berguna untuk membedakan antara wajah dari orang yang berbeda, tetap dengan memperhatikan variasi geometrik dan fotometrik. 1.1.3. Tahap Pencocokan Untuk pencocokan wajah, vektor fitur yang diekstrak dari input wajah ternormalisasi dicocokkan dengan wajah-wajah yang telah didaftarkan dalam database; menghasilkan output berupa identitas wajah ketika suatu kecocokan ditemukan dengan cukup pasti atau sebaliknya mengindikasikan suatu wajah yg tidak dikenali. Hasil pengenalan wajah sangat bergantung pada fitur yang diekstrak untuk merepresentasikan pola wajah dan metode klasifikasi yang digunakan untuk membedakan wajah-wajah. Oleh karena itu, lokalisasi dan normalisasi wajah adalah dasar untuk mengekstrak fitur-fitur yang efektif.
Gambar 2. Fungsi transfer sebuah filter Gabor even-symetric bandwidth tinggi. Dua Gaussian yang membentuk fungsi overlap pada asalnya, menghasilkan komponen DC yang signifikan.
Pada situasi yang membatasi dimana frekuensi pusat sama dengan tiga standar deviasi, bandwidth akan menjadi kira-kira satu oktaf. Hal ini dapat dilihat sebagai berikut: untuk sebuah Gaussian, titik dimana nilainya jatuh pada setengah maksimum adalah pada kira-kira plus dan minus satu standar deviasi, titik-titik ini mendefinisikan frekuensi perpotongan. Sehingga, frequensi perpotongan atas dan bawah akan menjadi kira-kira 4σ dan 2σ secara berturut-turut, memberikan sebuah bandwidth satu oktaf. Batasan pada bandwidth ini berarti bahwa dibutuhkan banyak filter-filter Gabor untuk memperoleh jumlah spektrum yang luas.
1.2. Filter log Gabor Filter Gabor merupakan sebuah pilihan tradisional untuk memperoleh informasi frekuensi yang terlokalisasi. Filter-filter Gabor menawarkan lokalisasi simultan terbaik dari informasi spasial dan frekuensi. Akan tetapi, filter Gabor memiliki dua keterbatasan utama. Bandwidth maksimum sebuah filter Gabor terbatas pada sekitar satu oktaf dan filter-filter Gabor tidak optimal jika digunakan untuk mencari informasi spektral yang luas dengan lokalisasi spasial yang maksimal.
Filter Log Gabor diaplikasikan pada domain frekuensi untuk mengekstrak fitur dari suatu citra. Karena ekstraksi fitur dilakukan pada domain frekuensi, maka citra ditransformasi ke dalam bentuk Fourier dua dimensi:
Iˆk , l
M 1 N 1
I m, ne MN 1
m n j 2 k l M N
m 0 n 0
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|2
Filter Log Gabor dapat ditulis dalam domain spasial (radial) dan orientasi (angular) sebagai berikut: r 2 log 0 2 r0 G r0 , 0 exp exp 2 2 2 r 2 log r0
di mana
0
r merupakan sudut orientasi filter, 0
merupakan frekuensi radial pusat, dan r secara berurutan merupakan angular sigma dan radial sigma dari Gaussian. Bentuk filter Log Gabor ditransformasikan ke dalam domain Fourier untuk kemudian dikonvolusi dengan dengan bentuk Fourier citra. Output Invers dari Fourier Transform menghasilkan matriks bilangan kompleks I g m, n IFT Iˆk , l * Gk , l m n yang mengandung informasi amplitudo dan fase yang digunakan sebagai fitur.
Re I m, n Im I m, n Im I g m., n Fp m., n tan 1 Re I m, n g
FA m, n
2
2
g
g
1.3. Transformasi Wavelet 2D
Nilai filter diskret H dan G bisa dilihat pada Tabel 2 Selanjutnya masing-masing detil horisontal dan vertikal didapatkan dengan:
Wh m, n, s Wv m, n, s
1
s 1
s
Fp m, n, s Gs , D , Fp m, n, s D, Gs .
Keterangan dari masing-masing berikut: 1. D merupakan Dirac impulsnya sama dengan sebaliknya. 2. Fp H , L merupakan
notasi adalah sebagai filter yang respons 1 pada 0 dan 0 jika konvolusi baris dan
kolom secara terpisah dari phase 3.
s ,
F p dengan
filter satu dimensi H dan L . Gs , H s adalah filter diskret yang didapatkan dari peletakan nilai 0 pada 2s 1 di antara koefisien berurutan H dan G . variabel
ini
berkaitan
dengan
diskritisasi,
wavelet modulus maxima pada tepi tidak mempunyai amplitudo yang sama pada semua skala sehingga harus berada dalam model kontinu. Koefisien mengganti proses s diskritisasi ini.
Dekomposisi wavelet menyediakan perkiraan citra yang sangat baik untuk analisis multilevel. Selain itu, metode ini menyediakan informasi yang sangat berguna tentang fitur tekstur dengan menggunakan detil horisontal dan vertikal.
Tabel 1 menampilkan koefisien menunjukkan nilai filter
s
G dan H .
Tabel 1. Koefisien normalisasi Untuk mendapatkan dekomposisi wavelet, digunakanlah sepasang filter diskret H , G [Mal92].
Wv m, n, s ,
dan
Penjelasannya adalah sebagai berikut.
Wh m, n, s .
Fp m, n, s
merupakan citra yang dihaluskan (smoothing) pada skala s dan akan digunakan untuk dekomposisi pada skala selanjutnya.
Wv m, n, s dan Wh m, n, s
merupakan dua komponen vektor gradien dari citra yang dianalisis Fp m, n masing-masing pada arah horisontal dan vertikal.
s (s S ) di mana S adalah jumlah skala atau dekomposisi, citra Fp m, n Pada setiap skala
dihaluskan dengan low-pass filter: s 0,
Fp m, n, s 1 Fp m, n, s H s , H s (2.6)
s , untuk
s 5, s 1 s
H merupakan low pass filter dan G adalah high pass s , algoritma ini filter. Pada setiap skala mendekomposisi fitur phase Fp m, n menjadi Fp m, n, s ,
dan Tabel 2
n H G
1 1,50
2 1,12
3 1,03
4 1,01
5 1,00
Tabel 2. Respon terhadap filter H dan G -3 -2 -1 0 1 2 0,125 0,375 0,375 0,125 -2,0 2,0
3
1.4. Multilayer Neural Network Multilayer neural network meimiliki satu atau lebih hidden layer, yang node komputasinya disebut hidden neuron atau hidden unit. Fungsi dari hidden neuron adalah untuk berada di antara input eksternal dan network output dalam beberapa cara berguna. Dengan menambahkan satu atau lebih hidden layer, network memungkinkan untuk mengekstrak statistik orde tinggi. Dalam pengertian yang agak longgar, network memperoleh perspektif global terlepas dari konektivitas lokalnya karena set tambahan koneksi synaptic dan dimensi ekstra dari interaksi-interaksi neural. Kemampuan hidden
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|3
neuron untuk mengekstrak statistic order tinggi sangat berharga apabila ukuran input layer besar. Y1
…
Yk
…
Ym
weight
w 1
ZZ
…
ZZj
…
1
ZZ p weight
v 1
Z1
…
Zh
…
n
z _ in h u oh xi u ih , i 1
aplikasikan activation function untuk menghitung sinyal output z h f z _ in h , dan kirim sinyal-sinyal output ini ke unit pada hidden layer kedua. Step 5: Setiap hidden unit ZZ j , j 1,..., p :
Hitung sinyal input n
zz _ in j voj z h vhj ,
Zq
h 1
weight
u 1
X1
…
Xi
…
Xn
Gambar 3. Multilayer Neural Network
1.4.1. Backpropagation Jaringan backpropagation dapat digunakan untuk memecahkan masalah dalam berbagai hal. Aplikasi yang menggunakan jaringan tersebut dapat ditemukan secara nyata dalam setiap bagian yang menggunakan jaringan saraf untuk masalah yang memecahkan pemetaan pada sekumpulan input yang diberikan untuk menspesifikasikan output target. Dalam kasus dengan jaringan saraf umumnya, masalahnya adalah untuk melatih jaringan untuk mencapai keseimbangan antara kemampuan untuk merespon secara benar pola input yang digunakan untuk latihan (memorization) dan kemampuan untuk memberikan respon yang baik pada input yang mirip, namun tidak sama dengan yang digunakan dalam latihan (generalization). Berikut ini adalah algoritma pembelajaran backpropagation (pada multilayer neural network dengan dua layer hidden unit, Z dan ZZ) [Fau94]: Step 0: Inisialisasi weight (Set pada nilai random yang kecil) Step 1: Saat stopping condition adalah false, lakukan Step 2-11 Step 2: Untuk setiap pasangan training, lakukan Step 3-10 Feedforward: Step 3: Setiap input unit (Xi, i = 1, …, n): menerima sinyal masukan xi Sebarkan sinyal input ke hidden unit. Step 4: Setiap hidden unit Z h , h 1,..., q : Hitung sinyal input, dikalikan dengan weight dan dijumlahkan serta ditambahkan dengan biasnya
aplikasikan activation function untuk menghitung sinyal output zz j f zz _ in j ,
dan kirim sinyal-sinyal output ini ke unit pada output unit. Step 6: Setiap output unit Yk , k 1,..., m : Jumlahkan berbobot
sinyal
input
p
y _ in k wok zz j w jk , j 1
dan aplikasikan activation function untuk menghitung sinyal outputnya
y k f y _ in k
Error dari backpropagation: Step 7: Setiap output Yk , k 1,..., m :
unit
Hitung errornya
ek t k y k .
Untuk pola training saat ini, kalikan dengan derivative dari activation function (seperti dalam bentuk y k ) untuk mendapatkan
k ek f y _ in k ,
hitung bentuk weight correction (digunakan untuk w jk meng-update) nantinya)
w jk k zz j ,
hitung bentuk bias correction (digunakan untuk meng-update w0 k nantinya)
w0 k k ,
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|4
dan kirim
ZZ
j
k
, j 1,..., p
Step 8: Setiap
ZZ
ke hidden unit
hidden
unit
Jumlahkan input berbobot dari unit-unit pada layer di atasnya untuk mendapatkan m
_ in j k w jk
,
k 1
kalikan dengan derivative dari activation functionnya (seperti dalam bentuk zz j ) untuk mendapatkan
j _ in j f zz _ in j , hitung bentuk weight correction (digunakan untuk meng-update v hj nantinya)
vnj j Z n , hitung bentuk bias correction (digunakan untuk meng-update v 0 j nantinya)
v0 j j ,
j
ke hidden unit
Z h , h 1,..., q Step 9:
Setiap
hidden
Z h , h 1,..., q :
unit
Jumlahkan input berbobot dari unit-unit pada layer di atasnya untuk mendapatkan p
_ in h j vhj , j 1
kalikan dengan derivative dari activation functionnya (seperti dalam bentuk z h ) untuk mendapatkan
h _ in h f z _ in h , hitung bentuk weight correction (dilakukan untuk meng-update v ij nantinya)
uih h xi ,
dan hitung bentuk bias correction (digunakan untuk meng-update v 0 j nantinya)
v0 j j
unit
j 0,..., p; k 1,..., m :
j , j 1,..., p :
dan kirim
Update weight dan bias: Step 10: Setiap output
Update weight dan biasnya w jk new w jk old w jk Setiap hidden unit
ZZ j
h 0,..., q; j 1,..., p: Update weight dan biasnya vhj new vhj old vhj Setiap hidden unit
i 0,..., n; h 1,..., q :
Zh
Update weight dan biasnya uih new uih old uih Step 11: Uji stopping condition 1.5. Principal Component Analysis Metode Principal Components Analysis (PCA) pada umumnya merupakan salah satu metode statistik yang sering dipakai apabila dihadapkan pada kasus yang melibatkan lebih dari satu variabel dan antar variabel tersebut berkorelasi (dependen). Secara sederhana, PCA bertujuan untuk menyederhanakan variable yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menangkap variasi total di dalam kumpulan wajah yang melalui proses training menjelaskan variasi tersebut dengan variabel yang sedikit. Suatu observasi yang dijabarkan dengan variabel yang sedikit akan lebih mudah untuk ditangani dan dimengerti daripada jika dijabarkan dengan variabel yang banyak. Hal ini tidak hanya akan mengurangi kompleksitas dan waktu komputasi, tetapi juga mengatur skala setiap variabel sesuai dengan kedudukan dan kepentingan relatifnya dalam menjabarkan observasi tersebut. Diasumsikan bahwa PCA dibentuk dari suatu wajah, tetapi secara umum akan lebih mudah dipahami apabila wajah tersebut telah diproyeksikan pada sebuah vektor. Di mana PCA akan menghitung komponen utama (principal component) dari suatu kumpulan wajah yang diinputkan dalam tahap pelatihan (training image). Komponen utama ini merupakan nilai – nilai karakteristik yang menghasilkan suatu model baru yang disebut karakteristik wajah (eigenfaces). Suatu vektor citra direpresentasikan melalui basis optimal yang diberikan oleh ruang eigen. Ruang eigen sendiri dibentuk dari nilai-nilai eigen yang tidak nol (nonzero eigenvalues) dari matriks kovarian seluruh citra tersebut. Basis yang dibentuk oleh ruang eigen tersebut dapat digunakan untuk mereduksi dimensi dengan melakukan transformasi linier dari suatu ruang berdimensi tinggi ke ruang yang berdimensi lebih rendah. Untuk menghindari error dan information loss yang tinggi, penentuan dimensi yang lebih rendah dilakukan dengan memilih sejumlah nilai eigen yang terbesar dari ruang berdimensi tinggi tersebut.
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|5
Metode PCA dapat dinyatakan sebagai berikut: Terdapat himpunan citra sample sebanyak N {x1, x2, …, xN} yang menempati ruang berdimensi-n, dan diasumsikan tiap-tiap citra tersebut merupakan anggota dari satu kelas citra c {X1, X2,…, Xc}. Selanjutnya, akan dilakukan transformasi linier yang memetakan citra asal pada ruang berdimensi-n pada ruang ciri (feature space) berdimensi-m, dengan m < n. Vektor ciri yang baru dinyatakan dengan
yk m
didefinisikan
dengan transformasi linier sebagai berikut :
Sebelum proses akuisisi citra wajah dilakukan, terlebih dahulu citra wajah dinormalisasi untuk mendapatkan area wajah dan menyeragamkan ukuran citra pada dataset ( 90 90 ) dengan proses cropping pada empat titik piksel yang sama. Citra wajah frontal dengan format pgm yang telah dinormalisasi di-grayscale-kan. Kemudian, citra grayscale tersebut digunakan dalam proses ekstraksi. 2.2. Tahap Ekstraksi Fitur
yk W T xk , k 1,2,..., N dengan
2.1. Tahap Preprocessing
W nm merupakan matriks orthonormal.
Jika matriks total scatter (matriks kovarian) ST didefinisikan sebagai N
ST ( xk )( xk )T k 1
dimana N : jumlah citra sample µ : mean dari seluruh sample citra Setelah dilakukan transformasi linier W T , maka matriks scatter dari vektor ciri tersebut dapat dinyatakan dengan WTSTW. Metode Principal Component Analysis, akan menentukan proyeksi Wopt yang dapat memaksimumkan determinan dari matriks total scatter sample yang diproyeksikan tersebut. Sehingga,
Pada tahap ini dilakukan ekstraksi fitur dari suatu citra. Langkah-langkah tahap ekstraksi fitur adalah sebagai berikut: 1. Citra grayscale ditransformasi ke dalam domain Fourier, 2. Menentukan filter log Gabor , 3. Filter log Gabor tersebut ditransformasi ke dalam domain Fourier, 4. Melakukan konvolusi antara citra grayscale dengan filter log Gabor pada domain Fourier dan mengembalikan hasilnya ke dalam domain spasial, 5. Mengambil nilai informasi amplitude dan nilai informasi fase sebagai fitur dari citra.
Wopt arg max W T S T W Wopt w1 dimana
W
w2 wm
{wi | i 1,2,...m} merupakan
himpunan
vektor eigen dari ST yang berdimensi-n bersesuaian dengan m nilai eigen terbesar.
yang
Sesungguhnya total matriks scatter ST adalah hasil penjumlahan dari matriks scatter dalam class (withinclass scatter matrix) SW dan matriks scatter antar class (between-class scatter matrix) SB [2]. Dengan demikian kekurangan utama yang terlihat adalah kedua matriks scatter akan dimaksimalkan bersama-sama. Padahal yang diinginkan adalah hanya memaksimalkan SB, sedangkan SW sebisa mungkin diminimalkan agar anggota didalam satu class dapat terkumpul penyebarannya.
II. PENGENALAN CITRA PENYAMARAN WAJAH MENGGUNAKAN METODE NEURAL NETWORK Secara garis besar, proses pengenalan wajah ini memiliki tiga tahap utama yaitu preprocessing citra wajah, ekstraksi fitur, dan klasifikasi.
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|6
2.3. Tahap Klasifikasi
Start
Pada tahap ini dilakukan klasifikasi citra testing yang digunakan sebagai input aplikasi. Klasifikasi menghasilkan nomor class dimana citra testing dikenali. Langkah-langkah tahap klasifikasi adalah sebagai berikut: 1. Citra testing diinputkan ke dalam aplikasi, 2. Dikonvolusi dengan filter log Gabor menghasilkan fitur phase (Persamaan 3.x), 3. Dilakukan transformasi wavelet pada phase, 4. Fitur phase terlebih dahulu dinormalisasi kemudian ditraining menggunakan neural network (Persamaan 3.x), 5. Setelah mencapai epoch yang ditentukan = 500000 atau error yang ditentukan = 0.000000001 atau 10-8, training dihentikan (Persamaan 3.x), 6. Didapatkan output berupa ID nomor class.
Input: Citra ternormalisasi
Merepresentasikan citra wajah ke dalam domain Fourier 2D
Menentukan log Gabor wavelet 2D
Merepresentasikan filter log Gabor wavelet ke dalam domain Fourier 2D
Konvolusi sinyal Fourier citra wajah dan filter
Start
Invers hasil konvolusi
Input: Citra testing
Tentukan: phase citra
Konvolusi dengan filter log Gabor
Output: Fitur phase
Transformasi wavelet
Stop
Gambar 4. Diagram Alir ekstraksi fitur Pada proses ini akan menghasilkan output berupa fitur phase. Setelah phase ditemukan, dilakukan transformasi wavelet terhadap phase. Hasilnya akan digunakan sebagai data inputan untuk tahap selanjutnya, yaitu tahap klasifikasi.
Normalisasi
Training dengan Neural Network Tidak
Target tercapai Start
Ya Input: Fitur phase
Output: ID class
Transformasi wavelet
Stop
Gambar 6. Diagram Alir klasifikasi neural network Output: Fitur phase wavelet
III. UJI COBA DAN EVALUASI
Stop
Gambar 5. Diagram Alir ekstraksi fitur (2)
Uji coba dan evaluasi akan dilakukan dengan membandingkan antara sistem pengenalan wajah menggunakan fitur phase dan tanpa menggunakan fitur phase dan membandingkan metode pengenalan wajah
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|7
dengan metode lain yaitu Principal Component Analysis (PCA). Evaluasi akan dilakukan dengan mengukur persentase keakuratan identifikasi dari dua uji coba. Dataset yang digunakan adalah dataset citra penyamaran wajah buatan yang dibuat menggunakan software “Faces – The Ultimate Composite Picture” 4.0. 3.1. Uji Coba dan Evaluasi Keakuratan Metode dengan Variasi Penyamaran
Kinerja terbaik dari metode dalam Tugas Akhir ini adalah pada variasi jenggot/ kumis, tutup kepala/ topi, dan kerutan kulit. Untuk sisanya menunjukkan kinerja yang kurang bagus. Hal ini dikarenakan hanya ada sedikit daerah pada wajah yang berubah dan sisa wajah mengkontribusikan pada pengenalan yang benar. Untuk penyamaran dengan kacamata, daerah mata serta pengubahan bibir, alis, dan hidung, keakuratan uji coba menurun. Gambar 7 berikut merupakan grafik perbandingan antara skenario I-I dengan skenario I-II.
Pada skenario ini dilakukan uji coba dengan menggunakan citra input yang berbeda-beda untuk memperoleh hasil berupa rasio keakuratan. Variasi yang akan dilakukan antara lain variasi jenggot dan kumis, variasi kacamata, vatiasi tutup kepala/ topi, variasi bibir/ alis/ hidung, variasi kerutan kulit, dan variasi campuran. Tabel 3. Menggunakan fitur phase Jenis Penyamaran Rasio keakuratan berdasarkan percobaan Variasi jenggot dan kumis 82% dari 50 percobaan Variasi kacamata 70% dari 20 percobaan Variasi tutup kepala/ topi 80% dari 30 percobaan Variasi bibir/ alis/ hidung 71.67% dari 60 percobaan Variasi kerutan kulit 80% dari 20 percobaan Variasi campuran 72% dari 50 percobaan Tabel 4. Tanpa menggunakan fitur phase Jenis Penyamaran Rasio keakuratan berdasarkan percobaan Variasi jenggot dan kumis 22% dari 50 percobaan Variasi kacamata 15% dari 20 percobaan Variasi tutup kepala / topi 23.34% dari 30 percobaan Variasi bibir/ alis/ hidung 10% dari 60 percobaan Variasi kerutan kulit 25% dari 20 percobaan Variasi campuran 12% dari 50 percobaan Dari tabel di atas dapat disimpulkan bahwa pengenalan menggunakan fitur phase lebih baik dibandingkan dengan tanpa menggunakan fitur phase. Oleh karena itu, pada Tugas Akhir ini sangat ditekankan ekstraksi fitur phase pada citra input baik citra untuk dideteksi maupun citra dalam database. Fitur-fitur yang digunakan sebagai inti dari pengenalan ini terletak pada bagian mata, hidung, dan mulut. Sehingga ketika area tersebut tertutup atau mengalami perubahan, keakuratan metode ini akan semakin mengecil nilainya.
Gambar 7. Diagram Alir klasifikasi neural network 3.2. Uji Coba dan Evaluasi Perbandingan Kinerja Metode dengan Metode Principal Component Analysis (PCA) Pada skenario ini dilakukan uji coba membandingkan pengenalan penyamaran wajah dengan metode lain, yaitu Principal Component Analysis (PCA). Uji coba dilakukan sebanyak 250 kali percobaan. Hasil uji coba dapat dilihat pada buku Tugas Akhir bagian Lampiran B. Dari 250 kali percobaan yang dapat dilihat pada tabel 5, dapat dihitung prosentase identifikasi keakuratan pengenalan dari masing-masing metode. Metode neural network memiliki prosentase tingkat akurasi pengenalan 90.8% sedangkan Principal Component Analysis (PCA) memiliki prosentase tingkat akurasi pengenalan 80%. Dapat disimpulkan bahwa pengenalan citra penyamaran wajah lebih efektif menggunakan metode neural network. Gambar 8 menunjukkan perbandingan prosentase tingkat akurasi pengenalan menggunakan neural network dengan Principal Component Analysis (PCA).
Gambar 8. Diagram Alir klasifikasi neural network
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|8
IV. KESIMPULAN Kesimpulan yang dapat diambil dari tugas akhir ini adalah sebagai berikut: 1. Perubahan fitur wajah kecuali pada daerah mata, mulut, dan hidung, tidak mempengaruhi akurasi. Kinerja metode berkurang saat bagian penting seperti mata, mulut, dan hidung ditutup dengan menggunakan aksesoris wajah untuk penyamaran. 2. Pengenalan menggunakan citra wajah yang terlebih dahulu di ekstraksi menggunakan transformasi log Gabor lebih akurat, karena filter log Gabor menyediakan invariance untuk rotasi dan scaling membuat fitur phase mengandung informasi yang lebih efektif. Dengan prosentase identifikasi keakuratan di atas 70%. 3. Metode neural network dapat digunakan secara efektif untuk mengenali citra wajah yang menggunakan penyamaran dibandingan dengan metode Principal Component Analysis (PCA).
[Gon02]Rafael C. Gonzalez dan Richard E. Woods. 2002. Digital Image Processing. New Jersey: Pearson Prentice-Hall, Pearson Education , Inc. [The06] Sergios Theodoris dan Konstantinos Koutroumbas. 2006. Pattern Recognition Third Edition. San Diego: Academic Press. [Li05]
Stan Z. Li dan Anil K. Jain. 2005. Handbook of Face Recognition. New York: Springer Science+Business Media, Inc.
[Pal02] C. Palm and T.M. Lehmann. 2002. “Classification of Color Textures by Gabor Filtering”. Machine Graphics and Vision 11 (2/3) 195-219. [Bel96] P. N. Belhumer, J. Hespanha, dan D, J. Kriegman. “Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection”. ECCV (1) 45-58. http://www.iqbiometrix.com/products_faces_40.html
REFERENSI [Sin09] Richa Singh, Mayank Vatsa, Afzel Noore. 2009. “Face Recognition with Disguise and Single Gallery Images”. ScienceDirect on Image and Vision Computing 27 245-257. [Hay98]Simon Haykin. 1998. Neural Networks A Comprehensive Foundation. Prentice Hall International, Inc. [Fau94] Laurene Fausett. 1994. Fundamentals of Neural Networks. Prentice Hall International, Inc. [Ram04]N. Ramanathan, A.R. Chowdhury, R. Chellappa. 2004. “Facial Similarity Across Age, Disguise, Illumination, and Pose”. Proceedings of International Conference on Image Processing 3 1999-2002. [Fie87] D.J. Field. 1987. Relations between the Statistics of Natural Images and the Response Properties of Cortical Cells. Journal of the Optical Society of America 4 2379-2394. [Sil03] P.Q. Silva, A.N.C. Santa Rosa. 2003. “Face Recognition Based on Eigeneyes”. Pattern Recognition and Image Analysis 13 (2) 335338. [Del04] Kresimir Delac dan Mislav Grgic. 16-18 June 2004. “A Survey of Biometric Recognition Methods”. 46th International Symposium Electronics in Marine, ELMAR-2004, Zadar, Croatia.
Pengenalan Citra Penyamaran Wajah Menggunakan Metode Neural Network
|9