Prosiding SNM 2014 Pemodelan Wajah 3D, hal xx-xx
1
ESTIMASI PARAMETER FACEGEN MODELER UNTUK UNTUK 3D FACEGENERATING KHAS INDONESIA SETIAWAN HADI1, DIAN NURSANTIKA2 1 Program Studi Teknik Informatika UNPAD,
[email protected], 2 VISILab UNPAD,
[email protected].
Abstrak. Wajah manusia dapat dimodelkan secara matematis sebagai sebuah fungsi dari variabel atau parameter yang jumlahnya sangat banyak dan bervariasi. Pada makalah ini akan dibahas sebagian parameter-parameter tingkat tinggi pada perangkat pemodelan wajah 3D FaceGen Modeler yang berpengaruh terhadap pen-generate-an wajah manusia. Selanjutnya dilakukan eksperimen untuk meneliti parameter-parameter (termasuk nilainya) yang berpengaruh terhadap pemodelan wajah khas orang Indonesia. Tingkat akurasi penelitian ditentukan melalui evaluasi yang dilakukan 10 evaluator dengan cara melakukan komparasi visual secara manual yang berbasis pada pengetahuan yang dimiliki masing-masing yang bersifat umum. Kata kunci : wajah, Indonesia, pemodelan, parameter, 3D, FaceGen.
1. Pendahuluan Sampai saat ini penelitian tentang wajah dalam konteks biometrik, pemodelan dan aplikasinya masih menarik perhatian para peneliti. Hal ini ditunjukkan dengan adanya artikel-artikel relevan yang dipublikasikan dalam jurnal dan konferensi ilmiah [1,2,3]. Kondisi ini menunjukkan bahwa topik penelitian tentang wajah masih up-to-date karena masih ada permasalahan yang belum tergali dan belum terselesaikan [4]. Penelitian tentang wajah dalam lingkup informatika (grafika komputer dan visi komputer), mencakup berbagai hal antara lain pemodelan wajah dan analisis wajah termasuk didalamnya adalah ekspresi wajah, aging system, pengenalan gender serta hal-hal lain yang menyangkut ekstraksi informasi yang terkandung dalam wajah [5]. Pada makalah ini akan dipaparkan pemodelan wajah dalam konteks pen-generate-an wajah Indonesia berdasarkan estimasi nilai parameter wajah 3D. Wajah virtual yang dihasilkan [6], walaupun secara mendalam dapat dievaluasi menggunakan konsep Golden Ratio [7,8] , akan dievaluasi secara visual melalui perbandingan dengan pengetahuan evaluator.
S. HADI DAN D. NURSANTIKA
2. Hasil Penelitian 2.1 Representasi Wajah Wajah dapat dimodelkan sebagai sebuah fungsi yang mengandung nilai-nilai parameter yang cukup banyak dan bervariasi. Model wajah dapat direpresentasikan sebagai sebuah kombinasi linier dari wajah netral [9] dan sejumlah metrik wajah. Metrik wajah didefinisikan sebagai sebuah vektor yang mendeformasi wajah dalam hal tertentu misalnya membuat wajah semakin lebar, membuat hidung semakin besar, membuat bibir semakin tipis dan sebagainya. Secara matematis, geometri wajah dapat dimodelkan sebagai sebuah vektor
S (v1T ,, vnT )T , dimana
vi ( X i , Yi , Z i )T (i 1,n) adalah
verteks, dan metrik wajah adalah sebuah vektor M (v1 ,, vn ) T dimana
vi (X i , Yi , Z i )T . Apabila diberikan sebuah wajah netral, dan sebuah himpunan m metrik wajah M j (v0jT ,, vnjT ) T maka ruang linier geometrik wajah dapat ditentukan sebagai m
S S 0 c j M j 1
j
dimana
c j [l j , u j ]
c j adalah koefisien metrik wajah, sedangkan l j dan u j adalah nilai sahih (valid) dari c j . Pada Gambar 1 diberikan contoh wajah netral, wajah wireframe dan komposisi titik-titik fitur wajah yang bisa dijadikan acuan dalam mengenerate wajah.
Gambar 2.1. Wajah Netral [9], Wajah Wireframe [6] dan Feature Points [10].
3
Estimasi Parameter Facegen Modeler untuk 3D Face Generating Khas Indonesia
`Wajah netral mengandung 194 verteks dan 360 segitiga. Secara umum terdapat 65 metrik wajah. Wajah wireframe, yang di-generate melalui FaceGen Modeler, mengandung 6.292 verteks dan 6152 poligon. Total titiktiitk fitur yang dicontohkan pada Gambar 1 adalah sebanyak 83 yang merupakan hasil penelitian dari Microsoft [10]. 2.2 Algoritma Pemodelan Wajah 3D Pada literatur banyak dijumpai metode-metode pemodelan wajah 3D. Metode yang digunakan secara umum adalah dengan memanfaatkan titik-titik fitur sebagai acuan serta secara ideal menggunakan 3 buah citra netral yang diambil dari posisi frontal, samping kiri dan samping kanan (lihat Gambar 2.2). Memang penggunaan satu citra wajah 2D untuk menghasilkan wajah 3D masih mungkin dilakukan namun hasilnya kurang memuaskan.
Gambar 2.2 Contoh Pengambilan Posisi Objek Wajah 2D [6]
Algoritma yang umum digunakan untuk memodelkan wajah 3D dari wajah 2D adalah sebagai berikut: 1. Akuisi data wajah 2. Lakukan rekonstruksi dan reposisi (pose recovery) 1. Algoritma deteksi pojok 2. Penentuan posisi kepala 3. Rekonstruksi 3D 4. Pencocokan model (model fitting) 3. Generate tekstur 1. Penentuan gerakan kepala 2. Generate citra silindris 3. Image blending 4. Diperoleh wajah dengan tekstur 3D
Ilustrasi langkah-langkah algoritma di atas dapat dilihat di [10]. 2.3 FaceGen Modeler FaceGen adalah perangkat lunak pemodelan wajah 3D yang mampu men-generate wajah dari data 3D mesh. Agar diperoleh wajah 3D sesuai dengan yang diinginkan, FaceGen dilengkapi dengan parameter-parameter sedemikian rupa yang mampu melakukan proses morph dan modifikasi wajah secara bebas baik untuk parameter global antara lain ras, gender, usia, maupun parameter yang lebih detil khususnya dalam hal ekspresi wajah dan posisi elemen-elemen wajah. Dari sisi pengolahan citra, FaceGen juga memiliki fasilitas pengaturan view, mode shading dan pencahayaan serta pengaturan posisi kamera. Secara
umum
parameter-parameter
pada
FaceGen
dapat 3
S. HADI DAN D. NURSANTIKA
dikelompokkan menjadi beberapa kelompok yaitu parameter:
Generate, memiliki opsi-opsi antara lain untuk pen-generate-an etnik, pengaturan gender, umur, proses morphing antar ras dan sebagainya View, memiliki opsi-opsi antara lain untuk pengaturan shading, tekstur, latar belakang dan pencahayaan Camera, memiliki opsi-opsi antara lain untuk pengaturan posisi horizontal dan vertikal dari kamera Shape, memiliki opsi-opsi pengaturan posisi dan bentuk elemen wajah antara lain bentuk alis, pipi, dagu, hidung dan elemen-elemen wajah lainnya. Pengaturan bisa dilakukan secara simetrik maupun asimetrik dengan interval nilai -10 sampai dengan 10 Texture, memiliki opsi-opsi pengaturan tekstur elemen wajah antara lain ketebalan alis, penambahan elemen janggut dan kumis dan pengaturan ketebalannya, pengaturan warna bibir (lipstik) dan sebagainya Morph, memiliki opsi-opsi yang berkaitan dengan ekspresi wajah misalnya marah, tersenyum, lebar mata dan posisi bibir saat mengucapkan sebuah suku kata
Selain parameter di atas, masih terdapat beberapa parameter lain misalnya Generic, Tween dan Photofit yang menambah kemampuan FaceGen dalam membuat wajah 3D. 2.4 Pen-generate-an Wajah Dalam men-generate wajah, FaceGen memiliki 4 ras dasar yang ditentukan berdasarkan pada data geografis, yaitu Afrika, Eropa, Asia Tenggara dan India Timur, sebagaimana diilustrasikan pada Gambar 2.3.
Gambar 2.3 Hasil Generate Wajah (kiri ke kanan) : Ras Afrika, Eropa, Asia Tenggara dan India Timur
Dari hasil penelaahan dapat diambil kesimpulan bahwa tidak semua parameter memberikan tingkat signifikansi yang tinggi dalam hal penentuan ras. Parameter yang sangat berpengaruh dalam hal ini adalah parameter shape dan texture. Sebagai ilustrasi, untuk ke-empat ras di atas nilai-nilai parameter shape dan texturenya dapat dilihat pada Tabel 2.1.
Estimasi Parameter Facegen Modeler untuk 3D Face Generating Khas Indonesia
5
Tabel 2.1 Parameter Default Pen-generate-an Wajah 3D
PARAMETER SHAPE Brow Ride Cheekbones Cheeks Chin Eyes Face Forehead Head Jaw Mouth
NILAI-NILAI OPSI 1.94, -1.75, -0.93 -0.62, 0.05, 1.28 -1.21, -0.06 0.67, 0.44, -0.89, -0.03, -0.83, -0.67, 1.09 -2.17, 0.61, 1.17, -0.24 -0.25, 3.22, 0.19, -0.11, 2.38, 0.74, 0.60 -0.26, -3.20, -0.04 0.39 -0.89, 0.47, 0.14, -0.74 0.27, 1.19, 0.33, -0.45, 1.39, 1.58, 0.88, 0.62, 0.21, -1.1, 1.36, 0.54
Nose
0.23, 1.29, 0.12, 0.69, -1.6, 1.56, 1.46, 0.48, -1.02, -1.26, 0.67, -1.06, 2.01, 0.23, 0.31
Temple TEXTURE Beard Cheekblush Eyesocket Eyebrows Eyelids Eyeliner Eyeshadow Eyewhites Eyes Lips Lipstick Naso Labial Line Nares Nose Skin
-1.60 1.08, 1.02, 1.24, -0.61, -0.49, 0.67 -0.64 -0.13, -0.02 -0.03, -0.13, 1.00, -0.98, 0.89, -0.53, 0.07, -1.17, -2.43 3.81, -1.07 1.35 1.27 -0.39 0.7, -0.7 -0.74 0.39, -1.21 -0.54 -0.13 1.2 0.33, -0.09, -1.33, 2.04, 1.05
2.5 Data Wajah Khas Indonesia Berdasarkan parameter dan opsi yang tersedia dalam FaceGen, maka di-generate 40 data yang diasumsikan sebagai data wajah khas Indonesia (DWI). Karakteristik global data yang di-generate berdasarkan karakteristik geografis, dapat dilihat pada Tabel 2.2.
5
S. HADI DAN D. NURSANTIKA
Tabel 2.2 Karakteristik Global Data Wajah 3D yang Di-generate
RAS GEOGRAFIS Asia Tenggara GENDER Pria Wanita 20 20 KARAKTER Tipikal/Normal 40
USIA, P/W 20 35 50 65 5/5 5/5 5/5 5/5 KESIMETRISAN WAJAH Simetris 40
Data tersebut disimpan dalam bentuk sebuah file parameter yang apabila dipanggil kembali (load) akan mengisi nilai-nilai parameter dan kemudian memproses dan menampilkan kembali (merekonstruksi) gambar/citra wajah sesuai dengan nilai parameter yang bersangkutan. Algoritma untuk men-generate data yang diperlukan untuk penelitian dituliskan sebagai berikut: Tentukan: etnik South Kesimetrisan Typical
East
Asian,
Karakter
Untuk setiap Gender ke-i dimana i bernilai Wanita, lakukan
Typical,
Pria dan
Untuk setiap Usia ke-j dimana j bernilai 20, 35, 50, 65, lakukan
Generate Wajah Indonesia F(Gender ke-i, Usia ke-j), sebanyak n buah, dimana n adalah banyaknya data yang diperlukan. Dalam penelitian ini diambil n=5 Simpan data parameter dan gambar dengan format gender-usia-nomor, misalnya P-3002 artinya parameter Pria dengan Usia 30 dan Data ke-2
2.6 Evaluasi Data Penelitian oleh Evaluator Untuk mengetahui kinerja pen-generate-an wajah 3D khas Indonesia dilakukan eksperimen yang melibatkan 10 evaluator. Proses evaluasi dilakukan dengan memberikan tampilan dari 40 wajah 3D yang dihasilkan secara acak dan evaluator akan menentukan keputusan berdasarkan background knowledge yang dimilikinya. Contoh data yang dievaluasi ditunjukkan pada Gambar 2.4. Elemen-elemen keputusan evaluator mekanisme penelitian di atas adalah : 1. Wajah Indonesia atau bukan 2. Jenis gender: Pria atau Wanita 3. Slot usia: 20, 35, 50 atau 65
yang
dihasilkan
berdasarkan
Estimasi Parameter Facegen Modeler untuk 3D Face Generating Khas Indonesia
7
Gambar 2.4 Sebagian Data Yang Dievaluasi
Dari hasil evaluasi dilakukan pengolahan data untuk memperoleh tingkat akurasi dari evaluasi. Pengukuran tingkat akurasi evaluasi dilakukan secara sederhana dengan membandingkan secara biner hasil evaluasi dengan data parameter yang dihasilkan dari proses pen-generate-an wajah. Pengukuran kinerja ini hanya menghasilkan dua nilai diskrit saja yaitu sesuai dan tidak sesuai. Adapun hasil pengukuran kinerja dari proses evaluasi yang dilakukan terhadap data yang tersedia adalah sebagai berikut: Tabel 2.4 Kalkulasi Kinerja Evaluasi Data 3D Wajah Khas Indonesia
Evaluator 1 2 3 4 5 6 7 8 9 10 Rata2 %
Wajah Indonesia Tidak Sesuai Sesuai 32 8 35 5 32 8 34 6 30 10 31 9 33 7 34 6 32 8 33 7 32.6 7.4 81.50% 18.50%
Tingkat Akurasi Gender Tidak Sesuai Sesuai 30 10 30 10 29 11 33 7 29 11 31 9 32 8 35 5 32 8 25 15 30.6 9.4 76.50% 23.50%
Usia Sesuai 20 19 23 22 21 25 24 15 23 26 21.8 54.50%
Tidak Sesuai 20 21 17 18 19 15 16 25 17 14 18.2 45.50%
7
S. HADI DAN D. NURSANTIKA
3. Kesimpulan Berdasarkan kegiatan penelitian dan eksperimen yang dilakukan maka dapat disimpulkan beberapa hal sebagai berikut: 1. Wajah khas Indonesia dalam bentuk 3D dapat di-generate menggunakan FaceGen Modeler dengan mengatur parameter dan nilai opsi yang tersedia 2. Berdasarkan evaluasi dari 10 evaluator, tingkat akurasi yang diperoleh dari pen-generate-an wajah khas Indonesia menggunakan FaceGen Modeler relatif cukup tinggi. 3. Tidak semua parameter dan opsi-opsi dalam parameter, digunakan dalam penelitian ini. Untuk perluasan, bisa dimanfaatkan parameter dan opsi-opsi lain misalnya pengaturan letak, ukuran dan bentuk dari elemen-elemen dalam wajah 4. Parameter wajah khas Indonesia yang tersimpan sebagai data tekstual dapat digunakan sebagai acuan dasar untuk melakukan penelitian lebih lanjut, misalnya dalam penentuan ekspresi, disguisi serta rekonstruksi wajah dan faktor-faktor lain yang mempengaruhi wajah. 5. Untuk memperkuat penerapan penelitian ini, pengetahuan fundamental tentang metode yang digunakan baik secara umum maupun yang ada dalam FaceGen Modeler merupakan hal yang penting untuk dilakukan. Ucapan terima kasih. Penulis mengucapkan terimakasih kepada Jurusan Matematika yang telah mendukung penulisan makalah ini dan mempresentasikannya dalam Seminar Nasional Matematika 2014.
Referensi [1] Klontz, J.C., Jain, A.K., 2013, A Case Study of Automated Face Recognition: The Boston Marathon Bombing Suspects", IEEE Computer, November , 2013. [2] ____, Biometrics Research Group, http://biometrics.cse.msu.edu/pubs/face.html [3] Hadi, S., Ahmad, A. S., Suwardi, I. S. and Wazdi, F., 2006, Human Face Cropping in Digital Image, Prosiding SITIA [4] Jain, A.K., 50 Years of Biometric Research: Almost Solved, The Unsolved, and Unexplored, The International Conf. on Biometrics, Madrid, Spain, 2013 [5] Katsikitis, M. (Editor), 2002, The Human Face: Measurement and Meaning, Kluwer Academic Pub. [6] _______, FaceGen Modeller, 2013, Singular Inversions Canada [7] Schwind, V. 2011, The Golden Ratio in 3D human face modeling [8] McDonnell, R. and McNamara, 2012, A., Application of the Golden Ratio to 3D Facial Models [9] Zhang, Z., Image-Based Modeling of Objects and Human Faces, Microsoft Research, Proceedings of SPIE Conference Videometrics and Optical Methods for 3D Shape Measurement, 2001 [10] Widanagamaachchi, W.N. and Dharmaratne, A.T., 3D Face Reconstruction from 2D Images: A Survey, Proceedings of IEEE Digital Image Computing: Techniques and Applica tions Conference (DICTA), Canberra, Australia, 2008.
