TEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP) Eko Wahyudi, Wirawan dan Hendra Kusuma Jurusan Teknik Elektro- FTI , Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111 email:
[email protected] Abstrak - Pada tugas akhir ini digunakan teknik pengenalan wajah dengan pendekatan fitur berdasarkan Local Binary Pattern (LBP), yang diujikan pada citra-citra wajah dengan berbagai variasi pencahayaan dan posisi kepala. Dimana umumya fitur ini digunakan untuk analisa tekstur. LBP merupakan metode untuk mengekstraksi fitur dalam bentuk kode-kode biner yang diperoleh dari proses binary derivative, kode-kode ini kemudian akan dijadikan fitur berdasarkan histogram kode-kode tersebut. Algoritma pengujian yang digunakan pada penelitian tugas akhir ini adalah algoritma Supervised Principal Component Analysis (PCA), subspace Linear Discriminant Analysis (LDA), dan Chi Square. Dimana metode Supervised PCA berfungsi mereduksi vektor fitur LBP, sedangkan metode subspace LDA melakukan proses diskriminant dari hasil algoritma PCA, dan metode Chi Square berfungsi untuk membandingkan distribusi histogram citra training dan citra test. Untuk citra wajah dengan variasi pencahayaan, pengujian dibagi menjadi 4 bagian subset berdasarkan keekstriman pencahayaan. Hasil dari penelitian menunjukkan bahwa dari ketiga metode yang diujikan, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale-B) tingkat terbaik ada pada citra test dengan tingkat pencahayaan yang relatif normal (subset 2) yaitu pada window size 11x13 sebesar 100%, sedangkan untuk variasi posisi kepala (basis data AT&T) ada pada window size 26x30 sebesar 90,71%.
dalam hal ini teknik pengenalan wajah menghadapi permasalahan PIE (Pose, Illumination, and Expression). Faktor PIE menyebabkan penampilan dari citra-citra wajah orang yang sama akan jauh berbeda jika dibandingkan dengan citra wajah orang yang berlainan yang tidak terpengaruh oleh faktor PIE. Algoritma pengenalan wajah dapat dibedakan menjadi dua yaitu berdasarkan pendekatan fitur (featurebased) dan pendekatan penampilan (appearance-based)[4]. Dan dalam penelitian ini digunakan teknik pengenalan wajah berdasarkan pendekatan fitur.
II.
A. Struktur Sistem Pengenalan Wajah Sistem pengenalan wajah merupakan sistem pengenalan pola (pattern recognition) yang terdiri dari 4 modul , 4 modul tersebut antara lain : Modul akuisisi data/sensor, melalui modul ini akan didapatkan citra wajah dari para pengguna. Modul pemrosesan awal (preprocessing), modul ini akan mengekstrak bagian wajah (facial region) kemudian menormalisasi terhadap ukuran serta pencahayaan (photometric normalization). Modul ekstraksi fitur, modul ini bertujuan untuk mendapatkan satu set fitur yang berasal dari bagian wajah yang telah ternormalisasi, dimana satu set fitur tersebut berasal dari bagian wajah yang telah ternormalisasi menggunakan LBP. Modul pencocokan (matching), modul ini akan mencocokkan fitur-fitur yang telah diperoleh dari citra wajah yang diinputkan terhadap template/model yang ada di database sistem untuk pengambilan keputusan tentang identitas pengguna. Struktur sistem pengenalan wajah dibagi menjadi dua tahap yaitu tahap enrollment/registrasi dan tahap pengenalan . Pada tahap enrollment akan dibentuk model atau Template berdasarkan vektor-vektor fitur LBP yang terekstrak dari sejumlah citra training. Kemudian Template-template ini disimpan dalam suatu basis data. Sedangkan pada tahap pengenalan sistem akan memberikan output berupa identitas wajah di basis data yang paling mirip dengan citra test dengan menguji kemiripan fitur vektor (feature vector) dari citra test dan training [5]. Struktur sistem pengenalan wajah ditunjukkan pada gambar 1.
Kata kunci : Pengenalan wajah, Local Binary Pattern(LBP), Supervised PCA, Subspace LDA, dan Chi Square
I.
PENDAHULUAN
Pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, aplikasi dari pengenalan wajah dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), kamus digital serta teknologi cerdas[1]. Permasalahan pada pengenalahan wajah dipengaruhi dari beberapa faktor variabilitas, yaitu variabilitas inter-personal dan variabilitas intra-personal. Variabilitas inter-personal timbul karena proses pengenalan wajah dilakukan pada wajah yang berbeda karena faktor ras dan genetika. Sedang variabilitas intra-personal adalah variasi yang muncul pada wajah yang sama dimana hal ini disebabkan oleh perubahanperubahan internal (deformations) seperti posisi wajah, keberadaan komponen struktural, ekspresi wajah, dan kondisi pencitraan [2][3]. Kondisi eksternal saat pengambilan citra wajah akan sangat mempengaruhi penampilan citra wajah,
1
TEORI PENUNJANG
Nilai desimal dari 8 bit dari ( LBP code ) dapat dinyatakan dalam persamaan berikut: (2) Dan fungsi s(x) didefinisikan sebagai berikut: (3) Fungsi (2) bertujuan untuk menghilangkan variabilitas yang disebabkan oleh iluminasi kontras sehingga citra wajah dengan berbagai variasi pencahayaan akan mendapatkan output yang hampir mirip, seperti terlihat pada gambar 4. Dengan melakukan ekstrasi piksel menggunakan LBP, maka didapatkan suatu nilai matrik baru yang akan dirubah kesuatu histogram untuk memperoleh fitur vektor wajah.
Gambar 1. Diagram fungsional sistem pengenalan wajah. Bagian atas merupakan tahap registrasi/enrollment sedangkan bagian bawah merupakah tahap pengenalan.
B. Histogram Equalization(HE) Histogram Equalization merupakan suatu proses transformasi distribusi harga-harga inteensitas piksel pada citra I(x,y) menjadi distribusi harga intensitas piksel yang merata (uniform), sehingga memperbaiki kekontrasan citra secara keseluruhan. Proses ini bekerja dengan cara meyebarkan harga-harga intensitas piksel yang sering terjadi secara merata pada citra[5]. Citra hasil normalisasi HE ditunjukkan pada gambar 3.
i 0
k 1
inew
k 1 ni i 0 p(i) N
D. Chi Square Chi Square digunakan sebagai classifier dalam ruang fitur. Pengujian pengenalan wajah dilakukan dengan cara menguji kemiripan dari dua buah distribusi, yaitu distribusi dari histogram citra test dan distribusi dari histogram citracitra training. Prinsip dasar Chi Square adalah dengan menghitung nilai minimum dari rata-rata dua histogram citra untuk menentukan kemiripan dari dua citra wajah. [6].
(1) (4)
C. Local Binary Pattern (LBP) E. Principal Componen Analysis (PCA)
Local Binary Pattern (LBP) adalah deskriptor tekstur yang dapat juga digunakan untuk wajah, karena gambar wajah dapat dilihat sebagai sebuah komposisi micro-texture-pattern yaitu suatu operator non parametrik yang menggambarkan tata ruang lokal citra. LBP didefinisikan sebagai perbandingan nilai biner piksel pada pusat citra dengan 8 nilai piksel disekelilingnya. Misal pada sebuah citra berukuran 3x3, nilai biner pada pusat citra dibandingkan dengan nilai sekelilingnya. Dengan cara mengurangkan nilai piksel pada pusat citra dengan nilai piksel disekelilingnya, jika hasilnya lebih atau sama dengan 0 maka biberi nilai 1 dan jika hasilnya kurang dari 0 maka diberi nilai. Setelah itu, menyusun 8 nilai biner searah jarum jam atau sebaliknya dan merubah 8 bit biner kedalam nilai desimal untuk menggantikan nilai piksel pada pusat citra[6] , seperti di ilustrasikan pada gambar 2.
Principal Component Analysis (PCA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemrosesan citra. Prinsip dasar dari algoritma PCA adalah menentukan dan mempertahankan komponen – komponen dari sekumpulan citra yang mempunyai distribusi maksimum. PCA digunakan untuk mendapatkan vektor-vektor atau disebut juga sebagai principal component yang dapat memberikan informasi tentang variance maksimum database wajah. Gabungan dari citra wajah inilah yang dinamakan eigenface. Eigenface-eigenface ini adalah merupakan fitur dari suatu citra wajah yang akan dikenali.
(a)
(b)
Gambar 3. Citra hasil Normalisasi Histogram Equalization, (a).sebelum HE (b).Setelah HE Gambar 2. Local Binary Pattern (LBP)[6]
2
Gambar 4. Citra-citra hasil operasi Local Binary Pattern (LBP) yang menunjukkan ketahanan LBP terhadap variasi pencahayaan [7]
F. Subspace Linear Discriminant Analysis (LDA)
Linear Discriminant Analysis (LDA) bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal yang dapat memaksimumkan penyebaran antar kelas dan meminimumkan penyebaran dalam kelas data wajah. Algoritma LDA memiliki karakteristik perhitungan matriks yang hampir sama dengan PCA. Perbedaan dasarnya adalah pada LDA diusahakan adanya perbedaan yang minimum dari citra dalam kelas. Perbedaan antar kelas direpresentasikan oleh matriks Sb (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks Sw (scatter within class). [9]
Gambar 5. Blok Diagram sistem secara umum
B. Perancangan Data Dalam pengujian ini digunakan dua basis data yaitu Yale-B dan AT&T. citra dari basis data Yale-B dan AT&T dibagi kedalam dua basis data yaitu citra-citra training untuk digunakan pada proses learning serta citra tes untuk proses tes. pengenalan wajah Pada basis data citra training dibagi menjadi dua yaitu basis data citra training dengan variasi pencahayaan diambil dari basis data Yale-B sebanyak 120 citra dari 10 kelas yang berbeda. Untuk variasi posisi wajah (headpose) diambil dari basis data AT&T sebanyak 120 citra dari 40 kelas.
(5)
C. G. Euclidean distance
Ekstraksi fitur LBP
Pengekstrasian fitur dengan mengggunakan LBP dimulai dengan melakukan segmentasi dari citra wajah. Area wajah terlebih dahulu dibagi menjadi daerah yang lebih kecil dengan jumlah blok atau region (5x5) sampai (11x11), sehingga akan didapat tujuh variasi ukuran jendela (window size) LBP dengan ukuran piksel sebesar 26x30, 21x25, 18x21, 16x18, 14x16, 13x15, 11x13. Ekstraksi fitur LBP ditunjukkan seperti gambar 7.
Ruang Euclidean merupakan ruang dengan dimensi terbatas. Dalam ruang tersebut citra wajah direpresentasikan sebagai dua titik yang memiliki koordinat masing-masing. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku. Dimana x adalah citra training, dan y adalah citra input test. Jika dan merupakan dua titik dalam Euclidean ruang –n, maka jarak Euclidean x ke y adalah:
D.
Perencanaan Software
Software yang digunakan untuk simulasi yaitu dengan menggunakan MATLAB versi 7.6. dengan memanfaatkan pembuatan Graphical User Interface (GUI). Alasan menggunakan Matlab karena software ini bekerja berdasarkan matriks yang sesuai dengan tipe data pada citra.
(6)
III. PERANCANGAN SISTEM A. Perencanaan Algoritma Pengujian system pengenalan wajah menggunakan tiga algoritma yaitu supervised PCA, subspace LDA, dan Chi Square. Ketiga algoritma tersebut diujikan pada citra wajah dengan variasi pencahayaan, posisi kepala, dan ekspresi (PIE) dengan menggunakan basis data Yale-B dan AT&T. Diagram blok gambaran sistem secara umum seperti terlihat pada Gambar 5
Gambar 6 Tampilan GUI
3
F.
Perancangan Algoritma LDA
Pengenalan berdasarkan proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini terdiri dari dua tahap yaitu citra wajah yang telah di ekstraksi fitur dengan LBP diproyeksikan ke ruang eigenface yang telah dibentuk oleh PCA dan kemudian vektor-vektor yang telah terproyeksi diproyeksikan kembali menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier. Perbedaan antar kelas direpresentasikan oleh matriks Sb (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks Sw (scatter within class).
IV. PENGUJIAN DAN ANALISIS SISTEM
(a) (b) Gambar 7. (a) Diagram Alir ekstraksi Fitur LBP, (b) Ilustrasi ekstraksi Fitur LBP
Dari hasil semua percobaan pengenalan wajah yang telah dilakukan baik untuk basis data Yale-B maupun AT&T dapat diketahui bahwa dari ketiga metode yang diujikan hasil terbaik tingkat pengenalan wajah dengan mengekstraksi fitur wajah menggunakan fitur LBP adalah menggunakan metode Chi Square, Hasil terbaik kedua menggunakan metode reduksi dimensi Supervised PCA dan yang terakhir menggunakan metode Subspace LDA. Pada basis data Yale–B yang mempunyai variasi pencahayaan yang berbeda-beda, tingkat pengenalan wajah terbaik ada pada fitur yang lebih detail, untuk Supervised PCA dan Subspace LDA tingkat pengenalan terbaik ada pada window size 14x16, sedangkan pada metode Chi Square tingkat pengenalan wajah yang paling baik terdapat pada window size 11x13. Sedangkan untuk basis data AT&T yang mempunyai variasi pose, ekspresi dan aksesoris tingkat pengenalan wajah justru berbanding terbalik dengan jumlah blok LBP yaitu pada window size 26x30, hal ini disebabkan dengan mengekstraksi fitur wajah dengan menggunakan algoritma LBP akan memperjelas perbedaan detail pada wajah yang mempunyai variasi yang besar yang ada pada basis data AT&T yaitu pose, ekspresi dan aksesoris. sehingga dapat dlihat bahwa penggunaan fitur LBP dalam proses pengenalan wajah, lebih tepat digunakan untuk variasi wajah dengan kendala pencahayaan dari pada posisi kepala. Dari hasil pengujian dengan kondisi pencahayaan yang berbeda-beda tingkat pengenalan wajah sampai 100% sedangkan untuk variasi posisi kepala tingkat pengenalan wajah hanya 90,7%. hasil uji untuk variasi pencahayaan di tunjukkan pada gambar 9 untuk (subset II), gambar 10 untuk (subset III), gambar 11 untuk (subset III) dan gambar 12 untuk (subset IV) dan untuk variasi posisi kepala ditunjukkan pada gambar 13.
E. Perancangan Algoritma PCA Algoritma PCA digunakan untuk mereduksi fitur vektor LBP, dan proses pengenalan digunakan algoritma Euclidean Distance. Diagram alir PCA dapat dilihat pada Gambar 8
T T
A 1,2,3,...P
L A.AT L
T
1 P
1 P T i .i P i1
P
T i 1
i
Gambar 8. Diagram Alir Proses Training PCA
4
Gambar 9. Grafik Pengujian fitur LBP pada basis data Yale-B (subset II)
Gambar 11. Grafik Pengujian fitur LBP pada basis data Yale-B (subset IV)
Gambar 10. Grafik Pengujian fitur LBP pada basis data Yale-B (subset III)
Gambar 12. Grafik Pengujian fitur LBP pada basis data Yale-B (subset V)
5
DAFTAR REFERENSI [1]. [2].
[3]. [4].
[5].
[6].
[7].
[8].
Gambar 13. Grafik Pengujian fitur LBP untuk metode PCA, Subspace LDA dan Chi Square pada basis data AT&T.
[9].
V. KESIMPULAN
RIWAYAT PENULIS
Setelah melakukan perencanaan dan pembuatan sistem kemudian dilakukan pengujian dan analisisnya, maka dapat diambil beberapa kesimpulan tentang ketiga metode pengenalan wajah yang diujikan, yaitu sebagai berikut: 1. Dari ketiga algoritma yang diujikan yaitu Supervised PCA, Subspace LDA, dan Chi Square, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale-B) pada subset 2 sebesar 100%, subset 3 sebesar 99,17%, subset 3 sebesar 83,33%, dan untuk subset 4 sebesar 61% sedangkan untuk variasi posisi kepala (basis data AT&T) sebesar 90,71%. 2. Pada basis data Yale-B, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised PCA dan Subspace LDA terjadi pada window size LBP 14x16. Sedangkan untuk algoritma Chi Square tingkat pengenalan terbaik terjadi pada window size LBP 11x13. 3. Pada basis data AT&T, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised PCA dan Chi Square terjadi pada window size LBP 26x30. Sedangkan pada algoritma Subspace LDA terjadi pada window size 21x25. 4. Pengenalan wajah dengan menggunakan fitur LBP lebih sesuai digunakan untuk citra-citra dengan variasi pencahayaan dari pada variasi headpose.
Eko Wahyudi, lahir di Banyuwangi, 28 Januari 1987, merupakan putra pertama dari pasangan Bapak Karyadi dan Ibu Legiyem. Setelah lulus dari SMK Negeri 1 Glagah, Banyuwangi 2005, kemudian melanjutkan studi di Diploma 3, Politeknik Elektronika Negeri Surabaya Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS bidang studi Telekomunikasi Multimedia pada tahun 2008. Selama studi, penulis aktif menjadi asisten praktikum Komunikasi Data dan Pengolahan Sinyal Digital di Laboratorium Multimedia yang diadakan oleh Bidang Studi Telekomunikasi Multimedia.
6
R. Chellappa, C. L. Wilson, and S. Sirohey ‘‘Human and machine recognition of faces, a survey,’’ Proc. IEEE 83, 705–740 (1995). Ming-Hsuan Yang, David J. Kriegman, Narendra Ahuja. Detecting Faces in Images: A Survey. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1, pp. 34–58, Jan 2002. Ming-Hsuan Yang. Recent Advances in Face Detection. ICIP 2003 Tutorial: Advance in Face Processing, 2003. R. Brunelli and T. Poggio, “Face Recognition: Features vs. Templates,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 15, no.10, pp. 1,042-1,053, Oct. 1993. Kusuma. H, Wirawan, Purwanto. D, “Single Scale Retinex dan Histogram Remapping untuk perbaikan recognition rate pada Eigenspace-based Face Recognition”, Seminar on Intelligent Technology and Its applications, Oktober 2010. Timo Ahonen, Abdenour Hadid,and Matti Pietik¨ ainen, “Face Description with Local Binary Patterns:Application to Face Recognition”, vol. 28 no. 12, pp. 2037-2041, December 2006. Yann Rodriguez, “Face Detection and Verification using Local Binary Patterns”, thesis, École Polytechnique Federale De Lausanne, 26 October 2006. Kusuma H, Wirawan, “Appearance-based Face Recognition dengan menggunakan Principal Component Analysis (PCA) dan Nearest Mean Classifier”, Java Journal of Electrical & Electronic Engineering vol. 6 no.1, april 2008 Kusuma H, Wirawan., “Teknik Pengenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis)”, Java Journal of Electrical & Electronic Engineering vol. 6 no.2, Oktober 2008.
