Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp.
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
MENU UTAMA
PENDAHULUAN
TINJAUAN PUSTAKA METODOLOGI PENELITIAN UJI COBA dan PEMBAHASAN PENUTUP
Pendahuluan
Wajah merupakan bagian dari tubuh manusia memainkan peranan vital dengan menunjukan identitas dan emosi. Oleh karena itu wajah digunakan sebagai indikasi pengenalan seseorang. Seiring dengan perkembangan teknologi yang begitu pesat, pengenalan seseorang sekarang juga bisa dilakukan oleh komputer. Salah satu metode yang bisa digunakan untuk pengenalan wajah dengan akurasi pengenalan yang cukup tinggi (di atas 90%) adalah menggunakan metode Adjacent Pixel Intensity
Difference Quantization (APIDQ) Histogram Generation.
Rumusan Masalah Permasalahan yang ingin dikaji dalam penelitian ini sebagai berikut : Bagaimana merancang dan mengimplementasikan low pass filtering citra pada pengolahan citra. Bagaimana mengimplementasikan metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation dan jarak Euclid untuk pengenalan wajah. Bagaimana merancang algoritma untuk proses ekstraksi vektor fitur citra wajah menggunakan metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation dan pengenalan menggunakan jarak Euclid.
Batasan Masalah Permasalahan yang dibahas di sini dibatasi pada :
Citra inputan berukuran sama. Pencahayaan pada citra inputan relatif sama. Latar belakang (background) citra inputan 1 warna. Rentang waktu pengambilan citra wajah input dengan citra wajah yang ada di database adalah 5 tahun atau rentang waktu yang memungkinkan bentuk wajah tidak berubah terlalu jauh. Ukuran citra wajah tidak terlalu besar (di bawah 200 piksel untuk panjang ataupun lebarnya). Citra wajah yang dipakai adalah citra wajah yang di dalamnya terdapat semua bagian wajah dan memenuhi minimal 70% bagian citra. Citra inputan yang dipakai adalah citra wajah dari database wajah AT&T Laboratories Cambridge dan dari database wajah University of Essex. Sistem pengenalan wajah dengan metode Adjacent Pixel Intensity Difference Quantization (APIDQ)Histogram Generation ini diimplementasikan menggunakan software Matlab 7.6.0.
Tujuan Penelitian Tujuan dari penelitian ini adalah : Mengimplementasikan low pass filtering citra pada pengolahan citra. Mengimplementasikan metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation untuk ekstraksi vektor fitur wajah dan jarak Euclid untuk pengenalan wajah.
Manfaat Penelitian Manfaat dari penelitian ini adalah : Program pengenalan wajah ini dapat dikembangkan menjadi sistem pengenalan wajah secara real-time. Dapat digunakan sebagai referensi untuk penelitian pada sistem pengenalan wajah selanjutnya.
Tinjauan Pustaka Studi Penelitian Penelitian mengenai pengenalan wajah : Hingga saat ini saat ini banyak sekali metode yang telah dikembangkan untuk pengenalan wajah. Diantaranya adalah menggunakan Linear Discriminant Analysis (LDA), Principal Component Analysis (PCA), Independent Component Analysis (ICA), Elastic Bunch Graph Matching (EBGM), dan masih banyak lagi yang lainnya. Bagian terpenting dari metode – metode ini dalah bagaimana cara mendapatkan suatu ciri dari wajah (vektor fitur wajah) yang baik untuk pengenalan wajah. Salah satu metode yang baik untuk mendapatkan vektor fitur wajah adalah dengan mencari perbedaan dengan pixel terdekatnya. Metode ini disebut dengan metode APIDQ Histogram Generation.
Tinjauan Pustaka (Lanjut) Metode APIDQ Histogram Generation Metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Langkah Pengenalan Wajah Menggunakan APIDQ Histogram Generation
Tinjauan Pustaka (Lanjut)
Grayscaling adalah teknik yang digunakan untuk mengubah citra berwana menjadi bentuk grayscale. Tujuan dari proses grayscaling adalah untuk mereduksi matriks penyusun citra dari 3 matrik menjadi 1 matrik untuk mempermudah pemrosesan selanjutnya.
Low-pass filtering sangat penting untuk mereduksi gangguan frekuensi tinggi dan mengekstrak komponen frekuensi rendah yang paling efektif untuk pengenalan.
Tinjauan Pustaka (Lanjut)
Dalam APID, untuk setiap pixel dari sebuah citra masukan, akan dicari perbedaan intensitas piksel horizontal yang berdekatan dan perbedaan intensitas piksel vertikal berdekatan yang akan dihitung dengan rumus di bawah ini
Kemudian diubah ke dalam koordinat polar :
Tinjauan Pustaka (Lanjut)
Proses Kuantisasi menggunakan 8 tingkat di sumbu-θ dan 8 tingkat di sumbu-r (total 50) seperti yang terlihat pada gambar di bawah ini.
Dari hasil kuantisasi inilah yang akan di-generate histogramnya dan menjadi fitur wajah yang akan disimpan di database.
Tinjauan Pustaka (Lanjut) Jarak Euclid Jarak Euclid adalah suatu nilai yang didapatkan ketika mengukur seberapa jauhnya titik dengan titik yang lainnya, misalkan titik . Dengan kata lain jarak Euclid adalah panjang garis lurus yang menghubungkan dua buah titik dan dalam suatu ruang Euclid. Panjang garis antara dua buah titik dapat dihitung sebagai berikut.
Metodologi Penelitian Proses Pengerjaan Tugas Akhir ini terbagi menjadi tiga bagian besar, yaitu : 1. Pengolahan Citra Digital 2. Pencarian Vektor Fitur Citra Wajah 3. Pengenalan Wajah dengan Jarak Euclid Sedangkan untuk proses pengujian menggunakan data wajah dari AT&T Laboratories Cambridgedan University of Essex. •Citra wajah diambil dari data yang tersedia dimana terdapat 40 data wajah dari AT&T Laboratories Cambridge dan 40 data wajah dari University of Essex dengan masing – masing data sebanyak 10 pose berbeda. •Dari 10 pose pada masing – masing pose akan diambil 5 pose wajah untuk diambil vektor fitur citranya dan dimasukkan ke dalam database. •Kemudian sisa data yang tidak disimpan ke dalam database akan diujikan terhadap sistem. •Sehingga akan didapatkan sebuah output yang terdiri dari citra wajah yang dikenali serta nama folder dimana wajah yang dikenali tersebut disimpan.
Metodologi Penelitian (lanjut) Pengolahan Citra Digital Alur proses pengolahan citra yang telah dikerjakan digambarkan sebagai berikut :
Metodologi Penelitian (lanjut) Ekstraksi Vektor Fitur Citra Wajah Pada proses ini yang akan dimasukkan ke database meupakan hasil dari generate histogram daerah kuantisasi bernilai 0 sampai dengan 49. Hasil generate inilah yang disebut sebagai vektor fitur citra wajah. Proses dari ekstraksi vektor fitur wajah dapat dilihat pada gambar di bawah ini.
Metodologi Penelitian (lanjut) Pengenalan dengan Jarak Euclid Jarak Euclid dapat digunakan untuk mengetahui kedekatan antar data. Ini berarti jarak Euclid pasti juga bisa digunakan untuk mengetahui kedekatan antara data wajah yang satu (input) dengan data wajah yang lainnya (database). Data vektor fitur wajah merupakan data dengan nilai numerik. Tentunya akan sangat mudah mencari jarak Euclid dari data – data ini. Proses dari pengenalan wajah ini dapat dilihat pada gambar di bawah ini.
Uji Coba dan Pembahasan Pengujian Masing-Masing Proses dari Sistem
Proses dalam sistem ini terdiri dari : Proses Pengolahan Citra 1. Pengujian Grayscaling 2. Pengujian Lowpass Filteing Proses Ekstraksi Vektor Fitur Wajah Proses Trainning dan Testing
Uji Coba dan Pembahasan (lanjut) Pengujian Gryascaling Pada proses ini citra akan dibuat lmenjadi grayscale. Dengan begitu, matrik penyusun citra ebih sederhana menjadi 1 matrik saja. Dengan menyisakan hanya 1 matrik saja, maka proses selanjutnya akan lebih cepat.
Pengujian Lowpass Filtering Setelah mengalami proses grayscaling, citra wajah akan diperhalus dengan mengurangi gradasi intensitas yang tinggi dari citra.
Uji Coba dan Pembahasan (lanjut) Pengujian Ekstraksi Vektor Fitur Citra Wajah Ukuran matrik penyusun citra yang dihasilkan dari proses lowpass filtering masih berukuran besar. Karena itu tidaklah mungkin matrik ini yang dipakai untuk pengenalan. Dengan proses ekstraksi vektor fitur wajah, matrik penyusun citra ini akan diubah menjadi matrik yang berukuran kecil yakni 1 x 50. Dengan matrik yang kecil ini, sangatlah mudah untuk mencari kedekatan jarak antara matrik yang satu dengan matrik yang lainnya. Matrik inilah yang kemudian disebut sebagai vektor fitur citra wajah.
Uji Coba dan Pembahasan (lanjut) •
Uji Coba Pengenalan Wajah
Pengujian ini dilakukan menggunakan dua data untuk uji coba. Data yang pertama adalah data wajah dari AT&T Laboratorium Cambridge. Sedangkan data yang kedua adalah dari data wajah University of Essex. Proses uji coba ini menggunakan data citra wajah sebanyak 40 data wajah dari AT&T Laboratorium Cambridge dan 40 data wajah daru University of Essex dimana masing - masing wajah terdapat 10 macam citra wajah dengan pose yang berbeda - beda sehingga keseluruhan terdapat 800 citra wajah. Dari masing - masing data wajah kemudian diambil 5 citra wajah (citra wajah dengan nama file nomor ganjil) yang kemudian disimpan di database wajah. Sementara sisanya akan digunakan sebagai test akurasi pengenalan wajah.
maka persentase akurasi pengenalan wajah menggunakan metode APIDQ histogram generation dan jarak euclid dengan data dari AT&T Laboratorium Cambridge sebesar 97% dan dengan data data wajah University of Essex adalah sebesar 100 %.
Penutup Kesimpulan : Dari hasil uji coba yang telah dilakukan dapat diambil beberapa kesimpulan sebagai berikut : 1. Penggunaan metode APIDQ Histogram Generation untuk ekstraksi vektor fitur citra wajah dan jarak Euclid untuk proses pengenalan memberikan hasil yang sangat baik. Dengan data uji data wajah AT&T Laboratories Cambridge keberhasilan pengenalan mencapai 97%, sedangkan data wajah University of Essex 100%. 2.
Rancangan algoritma pengolahan citra, ekstraksi vektor fitur citra wajah, dan pengenalan dengan jarak Euclid terdekat berhasil diimplementasikan ke dalam sebuah sistem yang dapat melakukan pengenalan terhadapa citra wajah.
3.
Semakin sedikit variasi ekspresi wajah dari data uji akan semakin baik pula akurasinya terhadap pengenalan wajah.
Saran : Dari hasil yang telah dicapai dalam penelitian tugas akhir ini, terdapat beberapa hal yang perlu dipertimbangkan untuk melakukan pengembangan pada penelitian ini, diantaranya sebagai berikut : 1. Proses pengenalan wajah ini dilakukan secara offline. Untuk pengembangan selanjutnya akan lebih baik jika pengenalan dilakukan secara online (real time). 2.
Untuk dapat melakukan pengenalan wajah secara real time diperlukan deteksi daerah wajah ( face detection) pada proses akuisisi citra wajah.
Daftar Pustaka 1. Ahmad, Usman.,(2005), Pengolahan Citra Digital dan Teknik Pemrogramannya.Yogyakarta : Graha Ilmu. 2. AT&T Laboratories Cambridge, The Database of Faces, http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html 3. Basuki, Ahmad, Jozua F. Palandi, dan Fatchurrohman, (2005), Pengolahan Citra Digital Menggunakan Visual Basic. Yogyakarta : Graha Ilmu. 4. “Comparing face recognition against other types authentication methods”, http://ww.titanium-tech.com
of
biometric
5. Lee, Feifei., Koji Kotani, Qiu Chen, dan Tadahiro Ohmi (2009). Face Recognition Using Adjacent Pixel Intensity Difference Quantization Histogram. International Journal of Computer Science and Network 9 (2009) 147 – 154. 6. Sigit, R. , Basuki, A. , Ramadijanti, N. (2005). Step by Step Pengolahan Citra Digital. Yogyakarta : CV. Andi Offset. 7. University of Essex, Collection of Facial http://cswww.essex.ac.uk/mv/allfaces/faces94.html
Images:
Faces94,
Terimah Kasih Sekian
