Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
PENERAPAN METODE DETEKSI BULUMATA UNTUK PENINGKATAN AKURASI PENGENALAN PERSONAL BERBASIS CITRA IRIS Andi Patombongi*, Rully Soelaiman ** Program Pasca Sarjana Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Kampus Keputih Sukolilo Surabaya 60111 Email:
[email protected]*,
[email protected]**
ABSTRAK Untuk meningkatkan akurasi pengenalan personal berbasis citra iris, salah satu yang perlu dilakukan adalah mendeteksi bulumata dan menghilangkannya untuk ekstraksi fitur-fitur dari citra iris. Untuk menyelesaikan masalah ini, maka dalam penelitian ini diusulkan sebuah metode untuk mendeteksi bulumata berdasarkan nilai fokus iris dan menghilangkan daerah bulumata yang terdeteksi untuk ekstraksi fitur-fitur iris. Penelitian ini memiliki beberapa kelebihan dari penelitian-penelitian sebelumnya. Pertama, karena deteksi bulumata berdasarkan nilai fokus iris maka keakuratan pengenalan iris tidak dipengaruhi oleh citra yang mengalami efek blurring. Kedua, akurasi dari identifkasi dan verifikasi citra iris akan meningkat karena daerah yang terdeteksi sebagai bulumata akan dihilangkan untuk ekstraksi fitur-fitur dari citra iris. Dari hasil percobaan yang dilakukan menunjukkan bahwa akurasi dari pengenalan iris dengan menerapkan pendeteksian bulumata meningkat lebih dari 1,75% ketika dibandingkan dengan akurasi pengenalan iris tanpa menerapkan pendeteksian bulumata. Kata Kunci: pengenalan iris, nilai fokus iris, deteksi blumata
PENDAHULUAN Untuk meningkatkan keakuratan dari metode pengenalan iris telah banyak penelitian dilakukan, seperti mendeteksi daerah bulumata yang dianggap noise (yang menutupi daerah iris) pada iris. Penelitian-penelitian yang telah dilakukan diantaranya, Daugman (Daugman, 2003, 2004) memperkenalkan metode untuk mendeteksi bulumata tetapi algoritma dan akurasinya tidak ditunjukkan secara detail, algoritma deteksi bulumata juga telah diusulkan oleh Kong dan Zhang (Kong dan Zhang, 2001), Kong (Kong, 2003) dan Libor Masek (Masek, 2003) menggunakan sebuah 1D Gabor filter untuk mendeteksi separable eyelashes (bulumata yang terpisah dan mudah dibedakan dari bulumata lainnya) dan window 5 x 5 untuk mendeteksi multiple eyelashes (bulumata yang saling tindih). Namun, semua penelitian tersebut menggunakan fixed treshold untuk mendeteksi bulumata terhadap kondisi fokus citra dan tidak menunjukkan kinerja yang baik ketika mendeteksi bulumata khususnya ketika terjadi efek blurring pada citra. Penelitian-penelitian tersebut juga belum diuji pada algoritma pengenalan iris. Berdasarkan dari permasalahan-permasalahan yang ada pada penelitianpenelitian yang disebutkan diatas, maka penelitian ini mengusulkan sebuah algoritma untuk mendeteksi bulumata berdasarkan nilai fokus iris, treshold yang digunakan bergantung pada nilai fokus iris agar keakuratan dari pendeteksian bulumata tidak dipengaruh oleh efek blurring citra. Daerah bulumata yang telah terdeteksi tidak akan digunakan untuk ekstraksi fitur-fitur iris agar dapat meningkatkan keakuratan verifikasi dan identifikasi citra iris
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
METODE DETEKSI BULUMATA YANG DIGUNAKAN Deteksi Daerah Iris Untuk mendeteksi daerah iris dan kelopak mata digunakan integrodifferential operator (Daugman, 2003, 2004). Namun metode ini telah dimodifikasi untuk mengoptimalkan keakuratannya, diantaranya mendeteksi boundary pupil terlebih dahulu sebelum mendeteksi boundary iris dan perbaikan yang lainnya adalah integral garis lingkaran hanya dihitung pada boundary kiri dan kanan saja dan meminimalkan perhitungan integral garis pada bagian atas lingkaran seperti diilustrasikan pada Gambar 1.
Gambar 1. Convolution Kernel Untuk Mengukur Nilai Fokus Iris
Persamaan integrodifferential pada persamaan 1. akan dioptimalkan menjadi persamaan 2., sehingga perhitungan nilai integral boundary terbagi menjadi 3 bagian seperti ditunjukkan pada persamaan 3, persamaan 4. dan persamaan 5.
max ( r , x0 , y0 ) G (r )
I ( x, y ) ds r r , x0 , y0 2r
(1)
max ( r , x0 , y0 ) G (r )
(int 1 int 2 int 3) r
(2)
dimana int 1 =
I ( x, y ) ds ( / 16)r r , x0 , y0
(3)
int 2 =
I ( x, y ) I ( x, y ) ds ds (19 / 16)r (14 / 16)r r , x0 , y0 r , x0 , y0
(4)
int 3 =
r , x0 , y 0
I ( x, y ) I ( x, y ) ds ds 2 r (29 / 16)r r , x0 , y 0
(5)
Deteksi Kelopak Mata Untuk mendeteksi kelopak mata digunakan digunakan linear hough transform dan deteksi tepi dengan canny edge detection (Masek, 2003). Mengukur Nilai Fokus Iris Untuk mengukur nilai fokus maka digunakan sebuah (5 x 5) pixel convolution kernel untuk membedakan antara focus dan defocus iris image. convolution kernel yang digunakan sama dengan metode yang digunakan oleh Kang (Kang, 2007).
ISBN : 978-979-99735-7-3 C-8-2
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
Deteksi Multiple Eyelashes Tahap-tahap pendeteksian multiple eyelashes ditunjukkan pada Gambar 2. Posisi awal untuk mendeteksi multiple eyelashes adalah garis paling atas dari daerah pendeteksian bulumata atau bulumata yang telah terdeteksi. Jika titik (x,y) yang meupakan pusat dari lokal window terhubung dengan garis atas daerah pencarian bulumata atau bulumata yang terdeteksi maka bulumata dideteksi dengan menggunakan mean (µ L) dan standar deviasi ( ) terhadap level gray di lokal window yang dintujukkan pada persamaan 7. Jika titik (x,y) tidak terhubung dengan garis atas daerah pencarian bulumata maka titik (x,y) digerakkan secara horisontal. Ukuran window dan treshold (T1) ditentukan oleh ukuran skor fokus (F) seperti pada Tabel 1.
Gambar 2. Diagram alur Deteksi Multiple Eyelashes L G ,
L T1 , I ( x, y ) L
(6) dimana µ L , µ G , berturut-turut merepresentasikan mean dari intensitas gray di lokal window, mean dari keseluruhan daerah iris dan standar deviasi intensitas gray di lokal window. I(x,y) adalah checking point (pusat window). T1 adalah nilai threshold yang ditentukan pada Tabel 1. Tabel 1. Treshold dan Ukuran Window Untuk Pendeteksian Multiple Eyelashes
No
Kondisi (F adalah nilai fokus iris)
Threshold (T1)
Ukuran window (pixels)
F 45
13 12 8 5
11 x 11 11 x 11 15 x 15 17 x 17
1 2 3 4
35 F 45 30 F 35 F 30
Deteksi Separable Eyelashes Posisi awal untuk mendeteksi separable eyelashes adalah garis paling atas dari daerah pendeteksian bulumata atau bulumata yang telah terdeteksi. Jika R yang meupakan pusat dari Convolution Kernel terhubung dengan garis atas daerah pencarian bulumata atau bulumata yang terdeteksi maka bulumata dideteksi dengan menggunakan convolution kernel yang dipilih dari Gambar 5 dengan mencari manakah nilai Q yang terbesar dari perkalian intensitas dari pusat convolution kernel dengan convolution kernel tersebut. Jika R tidak terhubung dengan garis atas daerah pencarian bulumata
ISBN : 978-979-99735-7-3 C-8-3
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
maka R digerakkan secara horisontal. Jika convolution kernel telah dipilih maka akan dihitung nilai L , L , dan G jika persamaan 8. tidak terpenuhi maka maka R atau checking point digerakkan secara horisontal. Sebaliknya, jika persamaan 8. terpenuhi sepuluh kali (karena pada umumnya bulumata mempunyai sifat continuity) maka R atau checking point adalah separable eyelashes. Jika persamaan 8. belum terpenuhi sebanyak sepuluh kali maka checking point (R) di alihkan ke (S) pada Gambar 3.
Gambar 3. Convolution Kernel Untuk Mendeteksi Separable Eyelashes : (a) untuk mendeteksi bulumata dengan arah vertikal (b) untuk mendeteksi bulumata dengan arah horisontal. Q L,
L G , L T2 ,
(7)
I ( R) L
dimana L dan L adalah standar deviasi dan mean dari convolution kernel pada Gambar 3. G merupakan mean dari keseluruhan iris, T2 merupakan treshold yang ditentukan berdasarkan nilai fokus citra pada Tabel 2. Tabel 2. Treshold dan Ukuran Window Untuk Pendeteksian Separable Eyelashes
No
Kondisi (F adalah nilai fokus iris)
Threshold (T2)
N pixels
F 45
7 6 5 2
1 2 3 4
1 2 3 4
35 F 45 30 F 35 F 30
HASIL PERCOBAAN Untuk menguji keakuratan dari sistem yang telah dibangun maka perlu untuk membandingkan atau menghitung nilai hammning distance dari semua citra mata dari database CASIA V.1 yang berjumlah 756 citra mata dari orang berkebangsaan cina sebanyak 108 orang, tiap orang memiliki 7 citra yang dibagi dalam 2 season, season kedua diambil setelah satu bulan dari pengambilan citra season pertama, season pertama berjumlah 3 citra dan season kedua berjumlah 4 citra. Tabel 3. merupakan penggunakan database pada percobaan.
ISBN : 978-979-99735-7-3 C-8-4
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009 Tabel 3. Penggunaan Database Casia V.1 Data database CASIA V.1 data training Perbandingan intra-class Perbandingan inter-class
Jumlah 756 citra 108 x 2 = 216 citra 11 x 108 = 1188 perbandingan 12 x 107 x 108 = 138.672 perbandingan
Nilai Fokus Iris Nilai fokus iris digunakan sebagai parameter untuk mendeteksi bulumata, merupakan proses blurr dengan menggunakan Gaussian Mask dengan beragam derajat blurring (Gonzalez and Woods, 2002). dan akan dilihat perubahan nilai fokusnya. Deteksi Bulumata Hasil dari pendeteksian bulumata ditunjukkan pada Gambar 4. dari file 008_1_3 pada CASIA database V.1.
Gambar 4. Hasil Deteksi Bulumata
Dapat dilihat dari hasil yang didapatkan pada Gambar 4. bahwa semakin besar derajat blurring yang diberikan pada citra tidak begitu mempengaruhi dari hasil pendeteksian bulumata. Pengujian Percobaan ini diuji pada prosesor dualcore 1,73 GHz, dan memori 1 GB. Tabel 4. menunjukkan waktu rata-rata eksekusi dari tiap proses pengenalan iris. Untuk ekstraksi fitur iris akan digunakan 1D Log Gabor Filter (D.Field, 1987). dengan titik pusat frekuensi / centre wavelength (f0) 18 dan bandwidth ( ) 9 dengan 1 filter, centre wavelength dan bandwidth dan jumlah filter yang digunakan berdasarkan penelitian Libor Masek (Masek, 2003) untuk meningkatkan keakuratan pengenalan iris. Untuk matching citra akan digunakan metode Hamming Distance (Daugman , 2004).
ISBN : 978-979-99735-7-3 C-8-5
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
Tabel 4. Waktu Eksekusi Dari Masing-Masing Proses Proses Deteksi Daerah Iris Deteksi Kelopak Mata Menghitung Nilai Fokus Deteksi Multiple Eyelashes Deteksi Separable Eyelashes Normalisasi Iris Ekstraksi Fitur Iris Matching Citra Jumlah
Waktu Rata-Rata(Detik) 17.383 0.13333 0.0046296 2.3648 7.987 0.078704 0.014815 0.103 28,0692786
Gambar 5. merupakan distribusi intra-class dan distribusi inter-class tanpa menerapkan metode pendeteksian bulumata dan juga menunjukkan daerah yang saling overlap dari distribusi intra-class dan distribusi inter-class yang merupakan error dari sistem. Setelah distribusi intra-class dan distribusi inter-class didapatkan maka selanjutnya akan ditentukan threshold yang optimal sehingga didapatkan nilai FAR (False Accept Rate) dan FRR (False Reject Rate) yang optimal atau mendekati nol.
Gambar 5. Histogram Intraclass Dan Interclass Hamming Distance Tanpa Menerapkan Metode Deteksi Bulumata
Gambar 6 merupakan distribusi intra-class dan distribusi inter-class dengan menerapkan metode pendeteksian bulumata dan juga menunjukkan daerah yang saling overlap dari distribusi intra-class dan distribusi inter-class yang merupakan error dari sistem
Gambar 6. Histogram Intraclass Dan Interclass Hamming Distance dengan Menerapkan Metode Deteksi Bulumata
ISBN : 978-979-99735-7-3 C-8-6
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009 Tabel 5. Hasil Percobaan
Hasil Maksimum intraclass Mean intraclass Standar deviasi intraclass Minimum interclass Mean interclass Standar deviasi interclass Decidability index Threshold False Reject Rate (FRR) False Accept Rate (FAR)
Tanpa Deteksi Bulumata 0.4723 0.3469 0.0485 0.3849 0.4711 0.0102 5.0113 0.4458 2.0202 2.0401
Dengan Deteksi Bulumata 0.4517 0.3107 0.0432 0.3924 0.4683 0.0104 7.0906 0.4302 0.2525 0.2531
Tabel 5. menunjukkan hasil dari penelitian ini yang membandingkan antara pengenalan personal berbasis citra iris dengan menerapkan metode pendeteksian bulumata dan tanpa menerapkan metode pendeteksian bulumata. Tabel 6. Perbandingan Dengan Metode yang Telah ada
Penulis, Tahun (Sanchez-Reillo, 2001) (Tisse, 2002) (Ma, 2002) (Ma, 2003) (Ma, 2004) (Krichen, 2004 ) (Takano, 2004) (He, 2006) (Thornton, 2007) (Nabti, 2007) (Kang, 2007 ) Metode yang diusulkan
Database
Hasil FRR(% FAR(%) )
200 + citra
3,6
3,6
300+ citra 1088 citra 2255 citra 2255 citra 700 visible-light citra Citra dari 10 individu 1200 citra CASIA database CMU database, 2000+ citra 756 CASIA V.1 756 CASIA V.1
0 0,1 0,1 0,29 0 0
11 0,83 0,97 0,29 0,57 26
1,32
1,32
0,39
0,39
0,4 0,364
0,4 0,364
756 CASIA V.1
0.2531
0.2525
Tabel 6. merupakan perbandingan hasil percobaan dari metode yang diusulkan dengan metode yang telah ada, semakin kecil nilai FAR dan FRR maka keakuratan dari pengenalan personal berbasis citra iris akan semakin baik. Hasil percobaan yang dilakukan oleh Tisse (Tisse, 2002), Krichen (Krichen, 2004 ) dan Takano (Takano, 2004) menghasilkan nilai 0% untuk FAR namun mereka tidak mempertimbangkan nilai FRR sehingga nilai FRR yang mereka hasilkan sangat besar. Dari metode yang diusulkan didapatkan nilai FAR 0.2531 % dan FRR 0,2525, hasil ini lebih baik jika dibandingkan dari metode yang telah ada seperti ditunjukkan pada Tabel 6.
ISBN : 978-979-99735-7-3 C-8-7
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
KESIMPULAN Dari hasil percobaan yang telah dilakukan dengan menggunakan metode deteksi bulumata diperoleh FAR = 0,2531 % dan FRR = 0,2525 %, hasil ini menunjukkan bahwa akurasi dari pengenalan iris dengan menerapkan pendeteksian bulumata meningkat lebih dari 1,75 %, juga lebih baik jika dibandingkan dengan metode yang telah ada sebelumnya. Karena metode yang digunakan berdasarkan nilai fokus iris maka hasil pendeteksian bulumata lebih akurat jika derajat blurring semakin besar. Nilai False Accept Rate dan False Reject Rate yang diperoleh dalam penelitian ini menunjukkan Metode yang diusulkan sangat akurat untuk pengenalan personal berbasis citra iris, nilai False Accept Rate dan False Reject Rate yang mendekati nol tidak terlepas dari proses segmentasi iris yang sangat baik khususnya pada penerapan integrodifferential operator yang telah dioptimalkan. Waktu eksekusi seluruh proses pengenalan iris adalah 28,07 detik dan proses terlama adalah pada proses deteksi daerah iris yang memerlukan waktu rata-rata 17,383 detik. Untuk penelitian mendatang kami merencanakan untuk mengefisienkan waktu eksekusi pada proses deteksi daerah iris, dan menggunakan metode deteksi kelopak mata yang lebih baik, yaitu mendeteksi boundary kelopak mata yang sebenarnya. DAFTAR PUSTAKA Daugman, J.G. (2004), How Iris Recognition Works, IEEE Trans. Circuits Systems Video Technol, 14 (1), 21–30. Gonzalez, R.C., Woods, R.E. (2002), Digital Image Processing 2/E, Prentice Hall. Kang, J.K., Park, K.R., A robust eyelash detection based on iris focus assessment, Pattern Recognition Letters, 28, 1630-1639. Kong, W.K., Zhang, D. (2001), Accurate Iris Segmentation Based On Novel Reflection And Eyelash Detection Model, In: Proc. Internat. Symposium on Intelligent Multimedia, Video and Speech Processing, pp. 263–266. Kong, W.K. (2003), Detecting Eyelash And Reflection For Accurate Iris Segmentation, Internat. J. Pattern Recognition Artif. Intell, 17 (6), 1025–1034. Masek, L. (2003), Recognition Of Human Iris Patterns For Biometric Identification, Technical Report, The School of Computer Science and Software Engineering, The University of Western Australia. Soelaiman, R. “Pengenalan Personal Berdasarkan Iris Menggunakan Metode Characterizing Key Local Variations”. Nabti, M., Bouridane, A., (2007), An effective and fast iris recognition system based on a combined multiscale, Pattern Recognition, 41, 868-879.
ISBN : 978-979-99735-7-3 C-8-8
