TATTOO RECOGNITION BASED ON SPEED UP WITH ROBUST FEATURES (SURF)

Tatto Recognition Based on Speed Up with Robust Features (SURF) (Ken Ditha Tania, et al)

TATTOO RECOGNITION BASED ON SPEED UP WITH ROBUST FEATURES (SURF) Ken Ditha Tania*, Aniati Murni Arymurthy**

ABSTRAK Bekas luka, tanda lahir, dan tato semakin banyak digunakan untuk pengidentifikasi tersangka dan korban pada lembaga penegak hukum dan forensik. Khususnya tato, perhatian yang serius telah diberikan karena penggunaanya telah menjadi umum. Orang menggunakan tato untuk membedakan dirinya dari orang lain. Rekaman gambar tato memiliki variasi yang menyebabkan perbedaan dalam gambar tato yang sama sehingga sulit untuk mengenali tato tersebut. Variasi dapat disebabkan oleh perbedaan dalam skala, perbedaan rotasi, tingkat blur, transformasi 3D, dan perbedaan dalam pencahayaan. Dengan demikian perlu dibangun suatu sistem pengenalan yang secara otomatis dapat menangkap variasi ini. Sebelum melakukan proses pengenalan tato, daerah tato harus direlokasi menggunakan Haar cascade classifier. Untuk mencocokkan gambar tato digunakan fitur SURF (Speed Up Robust Features). Kueri berdasarkan suatu contoh gambar dicocokkan dengan gambar-gambar tato pada basis data dengan mengukur tingkat kesamaannya menggunakan metode FLANN (Fast Library for Approximate Nearest neighbors). Kinerja sistem yang dibangun dievaluasi dengan menggunakan basis data gambar tato sebanyak 375 gambar. Tingkat pengenalan sistem yang dihasilkan dapat mencapai akurasi diatas 90% . Kata Kunci : Tato, Haar Cascade Classifier, SURF, FLANN

ABSTRACT TATTOO RECOGNITION BASED ON SPEED UP WITH ROBUST FEATURES (SURF). Scars, Marks, and Tattoos (SMT) are being increasingly used for suspect and victim identification in forensics and law enforcement agencies. Tattoos, in particular, are getting serious attention because of their increasingly prevalence. People use tattoos to differentiate themselves from others. A captured tattoo image has its variations that cause differences in similar tattoo images that make it difficult to recognize these tattoos. Variations can be caused by difference in scale, difference in rotation, degree of blurring, 3D transformation, and difference in lighting. There is a need to build a recognition system for automatic tattoo matching and retrieval invariant to those variations. Before a tattoo image recognition can be performed, the tattoo area should be relocated using the Haar cascade classifier. The tattoo matching and retrieval system is built based on the feature extraction using the * *

Faculty of Computer Science, University of Sriwijaya, email: [email protected] Faculty of Computer Science, University of Indonesia, email:[email protected]

123

Risalah Lokakarya Komputasi dalam Sains dan Teknologi Nuklir 2010, Oktober 2010 (123-140)

SURF method (Speed Up Robust Features). The query by tattoo image example is matched with the tattoo images in a database and their similarity measure is computed using the FLANN method (Fast Library for Approximate Nearest neighbors). The performance of the system is evaluated using a database of 375 tattoo images. The result gives a recognition rate that is higher than 90% correct.

Keywords: Tattoo, Haar Cascade Classifier, SURF, FLANN

PENDAHULUAN

Content-Based Image Retrieval System (sistem CBIR) yang telah dikembangkan pada gambar tato diantaranya adalah Tattoo-ID system [1] dan Tattoo Image Retrieval System [2]. Pada sistem CBIR Tattoo-ID system, fitur yang digunakan adalah fitur low-level yaitu warna, tekstur, bentuk. Teknik matching antara gambar kueri dan gambar pada basis data dilakukan dengan menggunakan metode histogram intersection. Basis data yang digunakan adalah Web-DB. Pada sistem CBIR Tattoo Image Retrieval System, fitur yang digunakan adalah fitur Scale Invariant Feature Transform (SIFT). Teknik matching antara gambar kueri dan gambar pada basis data dilakukan dengan menggunakan Euclidean distance metric. Basis data yang digunakan adalah Web-DB dan MI-DB. Untuk kedua CBIR tato yang telah dikembangkan tersebut, pada kualitas data tato yang buruk terjadi penurunan performansi [2]. Kualitas data yang buruk bisa diakibatkan karena perubahanperubahan pada gambar tato yang menyebabkan perbedaan pada satu gambar tato yang sama. Fitur yang digunakan pada CBIR Tattoo Image Retrieval System adalah fitur SIFT, sedangkan fitur yang akan digunakan pada penelitian ini adalah fitur Speed Up Robust Feature (SURF). SURF telah digunakan dalam aplikasi pengenal objek dan memberikan hasil akurasi yang tinggi. Metode tersebut digunakan pada aplikasi Interactive Museum Guide dan berfungsi untuk memberikan informasi tentang gambar seni yang ada di dalam museum berdasarkan gambar yang ditangkap oleh pengunjung [5]. Fitur SURF mempunyai performa lebih baik dibanding fitur SIFT [3]. Hal ini disebabkan karena SURF menggabungkan informasi gradien dalam sub-patch, atau besar gradien dan arah gradien dihitung untuk masing-masing sub-region pada keypoint (titik penting), sedangkan SIFT tergantung pada orientasi masing-masing gradien dimana besar gradien dan arah gradien dihitung untuk masing-masing keypoint. Hal ini telah membuat SURF kurang sensitif terhadap noise. SURF telah digunakan dalam aplikasi pengenal objek dan memberikan hasil akurasi yang tinggi 124


[5]. Oleh karena itu pada penelitian ini, SURF akan digunakan sebagai fitur untuk mengenali gambar tato.

1.

METODOLOGI

Fitur SURF ini digunakan untuk menentukan keypoint pada objek dalam gambar. Setiap objek pada citra atau gambar kueri dapat diekstrak fitur SURF-nya. Misalnya pada gambar kueri terdapat gambar tato disekitar mata seseorang. Fitur SURF yang akan dihasilkan menunjukkan keypoint pada mata dan tato. Dalam proses matching fitur tato, yang akan dicocokkan hanyalah fitur keypoint yang ada pada bagian gambar tato. Oleh karena itu, perlu dilakukan proses cropping hanya bagian gambar tato saja dari bagian gambar yang menjadi latar belakangnya. Dengan demikian fitur yang diekstrak hanya keypoint yang ada pada gambar tato. Untuk melakukan proses cropping diperlukan metode pendektesian objek tato. Berdasarkan riset OpenCV yang disponsori oleh Intel untuk deteksi objek dengan hasil yang baik adalah dengan menggunakan Haar Cascade Classifier [5]. Pada riset OpenCV Haar Cascade Classifier diterapkan pada aplikasi deteksi wajah. Pada aplikasi deteksi wajah, data pelatihan fitur Haar diambil pada mata, hidung, dan mulut yang letaknya pada kulit. Pada kasus gambar tato, tato juga terletak pada kulit. Oleh karena itu pada penelitian ini penulis akan menggunakan metode tersebut untuk mendeteksi bagian objek tato dari gambar kueri dan melakukan pelatihan dengan fitur tato disekitar daerah kulit menggunakan Haar Cascade Classifier. Berdasarkan rekomendasi dari OpenCV, teknik matching yang baik digunakan untuk fitur SURF adalah Fast Library Approximated Nearest Neighbord (FLANN). Oleh karena itu pada penelitian ini akan menggunakan FLANN sebagai teknik matching untuk gambar tato.

II.1. Modul Deteksi Tato Menggunakan Haar Cascade Classifier Fitur yang digunakan pada modul ini adalah fitur Haar-like features. Fitur ini dilatih dengan menggunakan algoritma Adaboost. Haar-like features merupakan nilai skalar yang merepresentasikan selisih rata-rata intensitas antar dua jendela. Sesudah proses pelatihan dilakukan, sistem melakukan proses testing menggunkan data kueri, hasilnya akan diperoleh Region of Interest (ROI) pada gambar kueri. Keluaran classifier akan memberikan nilai "1" jika pada region tersebut berkemungkinan terdapat objek tato, dan memberikan nilai "0" jika tidak terdapat 125


Gambar 1. Turunan orde dua Gaussian [8].

Gambar 2. Scale space [3].

objek tato. Untuk mencari objek dikeseluruhan gambar dapat dilakukan dengan memindahkan jendela pencarian pada gambar tersebut dan mengecek setiap lokasi gambar dengan menggunakan classifier. Gambar kueri dimasukkan kedalam proses Haar Cascade Classifier untuk mendeteksi gambar kueri tersebut termasuk gambar tato atau gambar bukan tato. Jika gambar kueri bukan gambar tato maka proses terhadap gambar kueri tersebut dihentikan. Jika gambar kueri termasuk gambar tato maka akan dilanjutkan dengan proses berikutnya yaitu proses cropping berdasarkan fitur Haar (Haar-like features) yang dihasilkan saat proses deteksi menggunakan Haar Cascade Classifier. Dari fitur Haar yang dihasilkan dibuat garis terluar yang mengelilingi seluruh fitur Haar tersebut. Ketika garis terluar itu terbentuk maka proses cropping terjadi karena garis terluar yang terbentuk itu memisahkan objek tato dengan bagian gambar latar belakang. Hasil keluaran dari modul ini adalah gambar bagian objek tato yang sudah mengalami proses cropping.

II.2. Modul Ekstraksi Fitur SURF Fitur SURF ini invariant terhadap perubahan skala, rotasi, blurring, pencahayaan, dan transformasi 3D. Agar supaya invarian terhadap skala maka proses pertama yang dilakukan adalah membuat ruang skala (scale space).

II.2.1. Ruang Skala (Scale Space) Scale space dibagi kedalam bilangan octave, dimana satu octave merepresentasikan respon filter yang diperoleh dengan melakukan proses konvolusi 126


gambar masukan dengan filter yang ukurannya bertambah tinggi. Dalam SURF, level paling rendah dalam scale space diperoleh dari output filter 9x9. Filter ini berhubungan dengan nilai Gaussian dengan σ = 1.2. Ketika membuat filter yang lebih besar, ada beberapa faktor yang harus diperhitungkan. Kenaikan ukuran dibatasi oleh panjang dari lobe yang positif atau negatif dari turunan Gaussian orde kedua. Lobe positif direpresentasikan dengan warna kotak putih pada Gambar 1, dan lobe negatif direpresentasikan dengan warna kotak hitam pada Gambar 1. Gambar 1 menunjukkan turunan orde dua Gaussian terhadap x,y, dan xy. Karena kita membutuhkan posisi central pixel tetap, maka kenaikan ukuran pixel minimum 2 (satu pixel untuk setiap sisi), karena ada 3 lobe dimasing-masing filter, maka ukuran kenaikan filter adalah 6. Dengan demikian ukuran filter-filter untuk octave pertama adalah 9 x 9, 15 x 15, 21 x 21, 27 x 27. Untuk setiap octave baru, ukuran kenaikan filter adalah double (dari 6 menjadi 12, menjadi 24, dan menjadi 48), sehingga ukuran filter untuk octave kedua adalah 15, 27, 39, 51. Octave ketiga 27, 51, 75, 99, dan jika ukuran gambar asli masih lebih besar dari ukuran filter maka octave keempat dibuat yaitu dengan ukuran filter 51, 99, 147, dan 195. Gambar 2 menunjukkan contoh scale space.

II.2.2. Lokalisasi Keypoint Dengan Akurat Untuk mencari lokasi keypoint yang invarian terhadap rotasi, dilakukan proses yang terdiri dari tiga langkah[8]. Langkah pertama, menentukan nilai ambang penentuan lokasi apakah keypoint atau tidak. Ketika nilai ambang dinaikan jumlah keypoint yang terdeteksi lebih kecil dan sebaliknya. Oleh karena itu, nilai ambang bisa disesuaikan untuk setiap aplikasi. Langkah kedua, sesudah penentuan nilai ambang dilakukan, selanjutnya proses nonmaxima suppresion dilakukan untuk mencari sekumpulan calon keypoint. Proses tersebut dilakukan dengan membandingkan masing-masing pixel gambar pada scale space dengan 26 tetangga, yang terdiri atas 8 titik di scale asli dan 9 di masing-masing scale diatas dan dibawahnya (total keseluruhan 9+8+9=26). Hasil dari non maxima suppresion adalah keypoint yang dihasilkan gambar. Gambar 3 menunjukkan nonmaxima suppresion. Langkah terakhir, dalam mencari lokasi keypoint yaitu dengan menggunakan interpolasi dengan data yang dekat dengan keypoint. Ini dilakukan dengan mencocokan quadratic 3D yang diajukan oleh Brown [6]. H(x, y, σ) menyatakan determinan Hessian, yang didefinisikan sebagai Persamaan (1) berikut [9].

127


(1)

Gambar 3. Non-maxima suppression [8].

Lokasi ekstrim yang diinterpolasi, = (x, y, σ), ditemukan dengan mencari turunan dari fungsi ini dan diberi nilai nol, yang dapat digambarkan dengan Persamaan (2) berikut.

(2) Jika lebih besar dari 0.5 pada x, y atau arah σ, lokasi perlu disesuaikan lagi dengan melakukan interpolasi lagi. Prosedur ini diulang sampai nilai kurang dari 0.5. Bila interpolasi telah dilakukan beberapa kali tetapi hasilnya tidak memenuhi nilai dibawah 0.5, maka keypoint tersebut di hapus. Keypoint yang tersisa adalah yang stable.

II.2.3. Deskriptor Keypoint dan Proses Matching Deskriptor ditentukan berdasarkan daerah piksel disekitar keypoint. Deskriptor ini menggambarkan distribusi intesitas piksel tetangga di sekitar keypoint, sama halnya dengan informasi gradien yang diekstrak oleh SIFT[7]. Pada SURF dihitung distribusi respon wavelet Haar order pertama dalam arah x dan arah y dan tidak menggunakan gradien seperti yang dilakukan SIFT. Selain itu, SURF menggunakan integral gambar untuk meningkatkan kecepatan proses. Hal tersebut bertujuan untuk mengurangi waktu komputasi pada ekstraksi fitur danpada proses matching fitur, yang juga telah terbukti meningkatkan robust [3]. 128


Proses awal yang dilakukan adalah mencocokkan orientasi yang dihasilkan berdasarkan informasi dari daerah yang berbentuk lingkaran disekitar piksel yang menjadi keypoint. Kemudian membuat daerah berbentuk kotak pada orientasi yang terpilih dan mengekstrak deskriptor SURF dari daerah tersebut. Pada proses selanjutnya, proses matching fitur antara dua gambar dilakukan. Berikut ini dua langkah perhitungan deskriptor keypoint yang akan dijelaskan lebih detail.

II.2.3.1. Pembuatan Orientasi Agar supaya keypoint invarian terhadap rotasi gambar, maka kita harus melakukan identifikasi orientasi yang dihasilkan disekitar keypoint. Untuk tujuan tersebut, langkah pertama yang dilakukan adalah dengan menghitung respon Haar wavelet dalam arah x dan arah y pada daerah piksel tetangga disekitar keypoint yang berbentuk lingkaran yang dengan jarak 6s, dimana s adalah scale dari keypoint yang terdeteksi. Ukuran wavelet ditentukan menjadi 4s. Filtering dipercepat prosesnya dengan integral gambar, dan keluaran yang dihasilkan direpresentasikan sebagai titiktitik dalam ruang dengan respon horizontal sepanjang sumbu axis dan respon vertikal sepanjang sumbu koordinat. Orientasi dominan diperkirakan dengan menghitung jumlah semua respon dalam pergeseran orientasi dengan ukuran window π /3 (seperti ditunjukkan pada Gambar 3), dimana respon horizontal dan vertikal dalam window tersebut dijumlahkan. Dari kedua respon yang dijumlahkan akan menghasilkan sebuah vektor orientasi lokal. Vektor terpanjang mendefinisikan orientasi keypoint. Ukuran pergeseran window merupakan parameter yang harus dipilih secara hati-hati.

Gambar 3. Jendela pergeseran orientasi [3]

129


II.2.3.2. Deskriptor Berdasarkan Jumlah Respon Haar Wavelet Untuk proses ekstraksi deskriptor, langkah pertama yang dilakukan adalah membuat daerah kotak disekitar keypoint, dimana keypoint sebagai pusat dari daerah kotak tersebut, dan orientasinya disekitar orientasi yang ditentukan (seperti yang dijelaskan pada bagian II.2.3.1 dan ditunjukkan pada Gambar 4). Ukuran window yang diambil 20s (yaitu nilai terbaik yang diambil berdasar hasil eksperimen).

Gambar 4. Jendela orientasi perhitungan deskriptor pada skala yang berbeda [3].

Gambar 5. Perhitungan descriptor [3].

Selanjutnya, respon wavelet dx dan dy dijumlahkan untuk masing-masing subregion. Selain memberikan informasi tentang polar dari perubahan intesitas, juga akan dihasilkan jumlah nilai absolut dari respon |dx| dan |dy|. Masing-masing sub-region mempunyai 4 dimensi deskriptor vektor v, yaitu dx ,dy, |dx| dan |dy|. Untuk 4 x 4 subregion, maka panjang vektor deskriptornya adalah 64 [3]. Vektor v dapat dilihat pada Persamaan (3). (3) Respon wavelet juga invarian terhadap pencahayaan, sedangkan sifat invarian terhadap kontras dicapai melalui pembentukan deskriptor kedalam satuan vektor.

II.3. Modul Matching Fitur SURF Menggunakan Teknik FLANN Metode Fast Library Approximated Nearest Neighbor (FLANN) digunakan untuk matching fitur SURF gambar tato kueri yang dimasukkan ke sistem dengan fitur SURF gambar tato yang ada di basis data. Fitur SURF ini terdiri dari keypoint dan descriptor dan berupa vektor. Untuk satu gambar tato di basis data terdapat banyak 130


cluster untuk fitur SURF. Cluster ini dibuat otomatis dengan menggunakan KNN dengan tipe indeks kd tree, dimana KNN ini akan mencari jarak yang paling kecil antara vektor fitur dengan vektor pada cluster. Proses matching fitur gambar kueri dan fitur gambar di basis data, vektor keypoint dan deskriptor pada gambar tato kueri akan dicocokkan nilainya dengan menggunakan KNN search. KNN search mencari cluster pada basis data yang nilai vektor deskriptornya paling dekat jaraknya dengan vektor deskriptor pada gambar tato kueri. Setelah, cluster diperoleh, kemudian akan dicari nilai vektor deskriptor gambargambar pada cluster tersebut yang sama atau paling dekat dengan vektor deskriptor gambar tato kueri. Jika ada yang sama maka ada satu keypoint yang cocok antara kedua gambar tersebut. Selanjutnya, untuk masing-masing gambar pada basis data, dihitung jumlah keypoint yang paling banyak cocok. Jumlah keypoint yang paling banyak cocok merupakan gambar pada basis data yang paling mirip dengan gambar kueri, dan gambar tersebut merupakan gambar keluaran dari sistem CBIR pengenal tato. CBIR pengenal tato ini akan mengembalikan 10 gambar dari basis data yang mempunyai nilai jumlah keypoint paling banyak cocok atau merupakan gambar yang paling mirip dengan gambar kueri.

III.

HASIL Dan ANALISA HASIL EKSPERIMEN

Data-data yang digunakan adalah data asli yang di-downloaded dari website [9] sampai [22] sebanyak 375. Eksperimen yang dilakukan terdiri dari 3 skenario eksperimen, yaitu: • Skenario ke-1: Eksperimen untuk mendapatkan estimator gambar tato dan gambar bukan tato bagi Haar Cascade Classifier; • Skenario ke-2: Experimen untuk membangun basis data gambar tato dan nilai fitur SURF-nya; dan • Skenario ke-3: Experimen untuk evaluasi kinerja pengenalan tato dan kemampuan yang invarian terhadap skala, rotasi, transformasi 3-D, blur, serta pencahayaan.

III.1. Skenario Eksperimen Untuk Deteksi Tato Menggunakan Haar Cascade Classifier Data pelatihan terdiri dari himpunan gambar tato dan himpunan gambar bukan tato. Gambar tato terdiri dari: 131


1. Gambar asli (375 gambar tato); 2. Gambar asli yang dirotasi (375 rotated gambar tato); 3. Gambar yang di-mirrored (375 mirrored gambar tato). Jadi total keseluruhan ada 1125 data tato, ditambah dengan 650 data gambar bukan tato. Program pelatihan dijalankan untuk menghasilkan estimator bagi cascade classifier.

III.2. Skenario Eksperimen Pelatihan Dengan Fitur SURF Data yang digunakan adalah gambar asli (375 gambar tato) yang diekstraksi fitur SURF-nya dan hasilnya disimpan dalam sebuah basis data tato dengan gambarnya.

III.3. Skenario Eksperimen Untuk Testing Fitur SURF (Pengenalan Tato) Untuk melakukan evaluasi kinerja sistem pengenalan tato dengan menggunakan fitur SURF, data kueri yang digunakan adalah data yang ada di basis data, namun sudah mengalami penurunan kualitas. Pada penelitian ini dilakukan percobaan untuk meniru skenario situasi di mana sebuah permintaan gambar tato dari korban dan tersangka kurang dari kualitas yang sempurna (mengalami blur, mempunyai sudut 3D yang berbeda, mengalami perubahan nilai kontras dan brightness, dan mempunyai perbedaan skala dan rotasi saat pengambilan gambar). Gambar-gambar tersebut dapat diperoleh dengan melakukan transformasi terhadap gambar aslinya. Karena kondisi gambar dalam basis data dikumpulkan dalam kondisi yang terkendali pada saat perekaman gambar, mereka dianggap gambar yang lebih berkualitas. Gambar yang diretrieved atau dikembalikan kepada pengguna yang melakukan kueri, dianggap benar ketika gambar yang di-retrieved merupakan salah satu gambar asli yang belum mengalami penurunan kualitas. Dengan demikian untuk proses testing sistem, datanya berbeda dengan data yang ada di basis data (datanya berupa hasil transformasi dari gambar yang ada di basis data). Tujuan proses testing ini selain untuk mengukur kemampuan pengenalan tato, juga untuk menguji apakah metode pengenalan juga berkinerja baik atau invariant terhadap skala, rotasi, 3D, blur, serta pencahayaan. Basis data tato terdiri dari 375 gambar asli. Pada percobaan ini dilakukan 5 perubahan atau 5 varian, yaitu: 1. Kelompok test data pertama (berjumlah 375 gambar) adalah gambar yang mengalami perubahan skala menjadi lebih besar, dari 256 x 256 menjadi 400 x 400; 132


2. Kelompok test data kedua (berjumlah 375 gambar) adalah gambar mengalami perubahan rotasi 90° berlawanan arah dengan jarum jam; 3. Kelompok test data ketiga (berjumlah 375 gambar) adalah gambar mengalami blur sebanyak 2 kali; 4. Kelompok test data keempat (berjumlah 375 gambar) adalah gambar mengalami perubahan transformasi 3D secara acak; 5. Kelompok test data kelima (berjumlah 375 gambar) adalah gambar mengalami perubahan pencahayaan, dengan nilai keredupan -70 atau penerangan +70.

yang yang yang yang nilai

III.4. Pelaksanaan Eksperimen Untuk Testing Sistem Pengenalan Tato Dengan Proses Deteksi Tato Dibawah ini akan dijelaskan alur proses program pengenalan tato ketika dijalankan. Misalnya 1 data dari kelompok test data kedua (gambar yang di-rotated) dijadikan sebagai gambar untuk kueri. • Load data hasil pelatihan yang berupa cascade classifier; • Load data hasil pelatihan dengan fitur SURF (basis data tato); • Untuk menentukan gambar tato dan bukan tato, maka dilakukan pendeteksian pada gambar tato kueri menggunakan cascade classifier. Hasil berupa gambar tato disertai dengan nilai-nilai Haar pada gambar tato; • Dari nilai-nilai Haar tersebut, diambil titik terluar untuk dibuat cropping, sehingga hasil berupa gambar kueri yang sudah mengalami cropping; • Gambar yang mengalami cropping diekstraksi fiturnya menggunakan fitur SURF; • Fitur SURF hasil kueri dicocokkan dengan basis data tato (375 data asli). Selanjutnya, sistem mengeluarkan 10 gambar tato yang ada di basis data yang paling mirip dengan gambar kueri. Tabel 1 menunjukan recognition rate untuk keseluruhan tato, recognition rate dihitung jika gambar pada peringkat pertama yang dikembalikan oleh sistem CBIR yang muncul adalah gambar yang sama dengan gambar kueri. Tabel 2 menunjukan recognition rate untuk tiap-tiap perubahan atau varian yang dilakukan pada data yang ada dalam basis data. Grafik pada Gambar 6 menunjukan recognition rate untuk tiaptiap perubahan atau varian yang dilakukan pada data yang ada dalam basis data. Recognition rate rata-rata adalah 93%; Recognition rate untuk deteksi dengan Haar

133


Cascade Classifier adalah 94%; dan Recognition rate untuk pengenalan tato dengan fitur SURF adalah 99%. Tabel 1. Recognition rate untuk keseluruhan gambar kueri. Keterangan

Jumlah tato

Total tato yang berhasil dikenali dengan fitur SURF

1747

Total tato yang gagal dikenali dengan fitur SURF

10

Total tato yang tidak terdeteksi oleh Haar Cascade Classifier

103

Total tato yang gagal

113

Gambar 6. Recognition rate untuk tiap jenis perubahan kualitas. Tabel 2. Recognition rate untuk tiap-tiap perubahan atau varian gambar kueri. Varian Skala

Rotasi

Blurring

3D

Pencahayaan

Total tato yang berhasil dikenali dengan fitur SURF

370

338

356

353

344

Total tato yang gagal dikenali dengan fitur SURF

2

3

2

2

7

Total tato yang tidak terdeteksi oleh Haar Cascade Classifier

3

34

17

15

24

Total tato yang gagal dikenali dan tidak terdeteksi

5

37

19

17

31

Total tato testing

375

375

375

375

375

Recognition rate (Lihat Gambar 6)

98%

90%

94%

94%

91%

Keterangan

134


III.5.

Pelaksanaan Eksperimen Untuk Testing Sistem Pengenalan Tato Tanpa Proses Deteksi Tato

Pada eksperimen sebelumnya (sub-bagian III.4) proses pengenalan tato dilakukan sesudah proses deteksi tato menggunakan Haar Cascade Classifier. Untuk mengetahui seberapa besar proses deteksi tato dapat membantu meningkatkan nilai akurasi pengenalan tato maka dilakukan eksperimen pengenalan tato tanpa proses deteksi tato. Data gambar asli sebanyak 375 dijadikan gambar kueri. Alur langkahlangkah prosesnya adalah sebagai berikut : • Load data hasil pelatihan dengan fitur SURF (basis data tato); • Gambar kueri diekstraksi fiturnya menggunakan fitur SURF; • Fitur SURF hasil kueri dicocokkan dengan basis data tato. Selanjutnya dikeluarkan 10 gambar tato yang ada basis data yang paling mirip dengan gambar kueri. Recognition rate untuk proses ini dihitung jika gambar pada peringkat pertama yang dikembalikan oleh sistem CBIR adalah gambar yang sama dengan gambar kueri. Hasil gambar yang benar dikenali sebanyak 364 dan gambar yang salah dikenali 11 gambar, sehingga recognition rate yang didapat adalah 97%. Untuk sistem pengenalan tato dengan menggunakan proses deteksi tato (sub-bagian III.4) hasil akurasi bisa mencapai 98%. Hal ini menunjukan proses deteksi tato dapat meningkatkan nilai akurasi proses pengenalan tato.

III.6.

Skenario Eksperimen Testing Sistem Pengenalan Tato Tanpa Proses Cropping

Pada eksperimen sebelumnya (sub-bagian III.4), proses pengenalan tato dilakukan sesudah proses cropping bagian gambar tato berdasarkan fitur Haar yang dihasilkan dari proses Haar Cascade Classifier. Untuk mengetahui seberapa besar proses cropping bagian gambar tato dapat membantu meningkatkan nilai akurasi pengenalan tato maka dilakukan eksperimen pengenalan tato tanpa proses cropping bagian gambar tato. Data gambar tato asli sebanyak 375 dijadikan gambar kueri. Alur langkah-langkah prosesnya adalah sebagai berikut: • Load data hasil pelatihan Haar yang berupa cascade classifier; • Load data hasil pelatihan dengan fitur SURF (basis data tato); • Untuk menentukan gambar tato dan bukan tato, maka dilakukan pendeteksian pada gambar kueri tato berdasarkan cascade classifier. Hasilnya berupa gambar tato beserta nilai-nilai Haar pada gambar tato; 135


• •

Kemudian gambar kueri diekstraksi fiturnya menggunakan fitur SURF; Fitur SURF hasil kueri dicocokkan dengan database tato (375 data asli). Selanjutnya dikeluarkan 10 gambar tato yang ada di basis data yang paling mirip dengan gambar kueri.

Recognition rate untuk proses ini dihitung jika gambar pada peringkat pertama yang dikembalikan oleh sistem CBIR adalah gambar yang sama dengan gambar kueri. Hasil gambar yang benar dikenali sebanyak 364 dan gambar yang salah dikenali 11 gambar sehingga recognition rate yang didapat adalah 97%. Untuk sistem pengenalan tato dengan menggunakan cropping (sub-bagian III.4) hasil akurasi bisa mencapai 98%. Hal ini menunjukkan proses cropping dapat meningkatkan nilai akurasi proses pengenalan tato. Tabel 3. Tabel Perbandingan Recognition Rate Dengan Dan Tanpa Proses Cropping.

III.7.

Keterangan

Recognition Rate

Recognition rate untuk pengenalan dengan fitur SURF sesudah proses Haar Cascade Classifier dan proses cropping

98 %

Recognition rate untuk pengenalan dengan fitur SURF tanpa proses Haar Cascade Classifier

97%

Recognition rate untuk pengenalan dengan fitur SURF tanpa proses cropping

97%

Skenario Eksperimen Untuk Testing Data Bukan Tato

Untuk mengetahui seberapa besar proses deteksi tato menggunakan Haar Cascade Classifier dapat membantu meningkatkan nilai akurasi pengenalan tato maka dilakukan eksperimen data bukan tato sebagai input data testing pada Haar Cascade Classifier. Untuk 10 data bukan tato, Haar Cascade Classifier menghasilkan 4 gambar bukan tato dianggap sebagai bukan tato dan sisanya 6 gambar bukan tato dianggap sebagai gambar tato. 136


•

IV. •

•

•

Data yang digunakan pada pelatihan Haar Cascade Classifier hanya 1125 data (menggunakan tiga posisi dari data yang digunakan yaitu pertama posisi data asli, kedua posisi 90° berlawanan arah jarum jam, ketiga posisi miror horizontal), sedangkan data yang digunakan oleh OpenCV sebanyak lebih dari 3000 data. Proses pelatihan yang hanya menggunakan 1125 data memerlukan waktu 2 x 24 jam, karena keterbatasan spesifikasi perangkat hardware yang digunakan. Penggunaan jumlah data pelatihan yang kurang representatif memang dapat mengakibatkan tidak optimalnya recognition rate.

KESIMPULAN Pada penelitian ini diperoleh hasil recognition rate untuk pengenalan dengan fitur SURF sesudah proses Haar Cascade Classifier dan proses cropping adalah 98%, sedangkan recognition rate untuk pengenalan dengan fitur SURF tanpa proses Haar Cascade Classifier adalah 97%, dan recognition rate untuk pengenalan dengan fitur SURF tanpa proses cropping adalah 97%. Berdasarkan hasil tersebut dapat dikatakan bahwa proses Haar Cascade Classifier dan proses cropping dapat meningkatkan akurasi pengenalan tato. Untuk proses Haar Cascade Classifier dengan data bukan tato belum optimal, yaitu yang bertujuan untuk mengenali gambar tato dan bukan tato. Contohnya untuk kueri menggunakan 10 data bukan tato, sebanyak 6 gambar bukan tato dianggap sebagai gambar tato. Sebaliknya kueri menggunakan 375 gambar tato, seluruhnya berhasil dikenali sebagai gambar tato. Data yang digunakan pada pelatihan Haar Cascade Classifier hanya 1125 data, sedangkan data yang digunakan oleh OpenCV sebanyak lebih dari 3000 data. Penggunaan hanya 1125 data pelatihan telah memerlukan waktu 2 x 24 jam, karena keterbatasan spesifikasi perangkat hardware yang digunakan. Penggunaan jumlah data pelatihan yang kurang representatif memang dapat mengakibatkan tidak optimalnya recognition rate.

REFERENCES

1. JAIN, K., JING, L., and JIN, R., “Tattoo-ID: Automatic tattoo image retrieval for suspect & victim identification”, In Proc. Pacific-Rim Conf. on Multimedia, pp. 256-265, 2007. 137


2. JAIN, K., JING, L., and JIN, R., “Tattoo-ID: Scars, Marks and Tattoos(SMT): Soft Biometric for Suspect and Victim Identification”, In Proc Biometric Consortium Conference and Technology Expo, 2008. 3. BAY, H., TUYTELAARS, T., and VAN GOOL, L., “Speeded-Up Robust Features (SURF)” , Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp. 346--359, 2008. 4. BAY, H., FASEL, B., and VAN GOOL, L., “Interactive museum guide: Fast and Robust Recognition of Museum objects”. In Proceedings of the firstinternational workshop on mobile vision”, May 2006. 5. OpenCV Reference Manual v2.1 March 2010. 6. BROWN, M., and LOWE, D.G., “Invariant features from interest point groups”, British Machine Vision Conference, Cardiff, Wales, pages 656–665, 2002. 7. LOWE, D.G. “Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision”, 60(2):91–110, 2004. 8. Notes on the OpenSURF Library, http://opensurf1.googlecode.com/files/OpenSURF.pdf 9. http://www.jasondunn.com/date/2008/04 10. http://tipdeck.com/tattoo-aftercare-instructions 11. http://nyenoona.wordpress.com/2008/03/16/tattoo-is-a-cultural-sacred-design/ 12. http://tribaltattoogallery.blogspot.com/2010/06/power-of-flower-tribal-tattoo.html 13. http://opticalillusion.wordpress.com/2009/03/31/tattoo-illusion-stitches/ 14. http://www.ebaumsworld.com/pictures/view/119095/ 15. http://nuggets.mu.nu/?p=404 16. http://www.tattoodesignsforgirls.com/flower-tattoo-designs 17. http://free-tattoo-designs-pank.blogspot.com/2009/12/free-tattoo-gallery-withsexy-girl.html 138


18. http://www.fanpop.com/spots/tattoos/images/1186345/title/realistic-tattoo 19. http://www.foundshit.com/skull-ear-tattoo/ 20. http://buddha-tattoo.com/example.html 21. http://www.1st-tattoodesign.co.cc/ 22. http://www.armadaijeka.hr/slike.php?id=1. DISKUSI TRI HANDOYO Bagaimana kemampuan SURF dalam mendeteksi noise pada kulit & sifat kulit yang kontras (warna kulit hitam dengan tato warna yang berlawanan)? KEN DITHA TANIA SURF sangat baik pada kulir manusia apapun karena itu tergantung dari data training yang kita buat atau kita pilih. Misal kulit hitam yang ingin dideteksi kita harus mempunyai warna kulit hitam didatabase agar SURF dapat mendeteksi dengan akurat ANTONIUS DARMA SETIAWAN 1. Konfirmasi riset : apakah mengenali tato dari DB tato atau mengklasifikasikan sebuah gambar tato atau bukan? 1. mengapa clasifiernya menggunakan baris Haar?

139


KEN DITHA TANIA 1. Riset dilakukan dua2nya. Pertama dilakukan pengklasifikasian gambar tato dan bukan tato, kemuadian yang kedua melakukan pengenalan gambar tato. 2. Karena menurut OpenCv Haar Casacade sangat baik saat pendeteksian wajah. Pendeteksian wajah ini melakukan training mata dan hidung pada daerah kulit manusa, karena tato terletak dikulit manusia juga, maka saat training tato pada kulit manusia digunakan metode Haar Casacade

DAFTAR RIWAYAT HIDUP Nama

: Ken Ditha Tania

Tempat & Tanggal Lahir

: Jakarta, 18 Juli 1985

Pendidikan

: Magister Ilmu Komputer - Universitas Indonesia

Riwayat Pekerjaan

: Programer CV. DINAR Palembang : Dosen Tetap Universitas Sriwijaya

Keanggotaan

: Panitia ICACSIS 2009.

140

TATTOO RECOGNITION BASED ON SPEED UP WITH ROBUST FEATURES (SURF)

Recommend Documents