IMPLEMENTASI SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL TESIS

)

Program Studi Magister Ilmu Komputer Jurusan Ilmu-Ilmu Matematika dan Ilmu Pengetahuan Alam

diajukan oleh Setyo Nugroho No. Mahasiswa : 18661/I-4/1445/02

Kepada PROGRAM PASCASARJANA UNIVERSITAS GADJAH MADA YOGYAKARTA DESEMBER 2003

D.Sc. tanggal…………………… . M. Agus Harjoko.Usulan Penelitian IMPLEMENTASI SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL yang diajukan oleh Setyo Nugroho No. Mahasiswa : 18661/I-4/1445/02 telah disetujui oleh: Pembimbing Drs. Ph.

IMPLEMENTASI SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL 1. dan interaksi manusia dengan komputer. Dalam bidang penelitian pemrosesan wajah (face processing). Sistem pengenalan wajah digunakan untuk membandingkan satu citra wajah masukan dengan suatu database wajah dan menghasilkan wajah yang paling cocok dengan citra tersebut jika ada. LATAR BELAKANG Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan. sistem keamanan kontrol akses area terbatas. konferensi video. antara lain untuk sistem pengenalan biometrik (yang dapat juga dikombinasikan dengan fitur biometrik yang lain seperti sidik jari dan suara). Sedangkan autentikasi wajah (face authentication) digunakan untuk menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya. sistem pencarian dan pengindeksan pada database citra digital dan database video digital. Bidang penelitian yang juga berkaitan dengan pemrosesan wajah adalah lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra. pendeteksian wajah manusia (face detection) adalah salah satu tahap awal yang sangat penting di dalam proses pengenalan wajah (face recognition). penjejakan wajah (face tracking) untuk memperkirakan lokasi suatu wajah dalam video 1 .

Selain itu juga pada citra yang didapatkan dari foto di media massa atau hasil rekaman video. SIM. 1998) Pada kasus tertentu seperti pemotretan untuk pembuatan KTP. dan pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia (Yang.secara real time. pintu masuk gedung. dan ukuran wajah yang bervariasi di dalam citra. dan kartu kredit. Namun pada kasus lain sering didapatkan citra yang berisi lebih dari satu wajah. terminal. Contohnya adalah citra yang diperoleh di bandara. citra yang didapatkan umumnya hanya berisi satu wajah dan memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehingga deteksi wajah dapat dilakukan dengan lebih mudah. memiliki latar belakang yang bervariasi. Pada kasus tersebut pada umumnya wajah yang ada di dalam citra memiliki 2 . Gambar 1. Contoh hasil pendeteksian wajah yang dilakukan oleh Rowley (Rowley. dan pusat perbelanjaan. kondisi pencahayaan yang tidak tentu. 2002).

maka proses selanjutnya yaitu pengenalan wajah dapat dilakukan dengan lebih mudah. Keluaran dari sistem adalah posisi dari subcitra yang berisi wajah yang berhasil dideteksi. PERUMUSAN MASALAH Masalah deteksi wajah dapat dirumuskan sebagai berikut: dengan masukan berupa sebuah citra digital sembarang. Dengan sistem pendeteksi wajah yang akurat. 2. dan jika ada maka sistem akan memberitahu berapa wajah yang ditemukan dan di mana saja lokasi wajah tersebut di dalam citra.bentuk latar belakang yang sangat bervariasi. Penelitian ini akan difokuskan pada masalah pendeteksian wajah. 3 . 1998). sistem akan mendeteksi apakah ada wajah manusia di dalam citra tersebut. Gambar 1 menunjukkan contoh hasil pendeteksian wajah yang dilakukan oleh Rowley (Rowley.

4. dan tidak terhalangi sebagian oleh objek lain. Pada tesis ini penulis akan mencoba mengimplementasikan sistem pengenalan wajah dengan jaringan syaraf tiruan multi-layer perceptron dengan algoritma pelatihan back-propagation. dan dengan metode statistik dan wavelet (Schneiderman. dengan distribusi Gaussian dan clustering (Sung dan Poggio. 1997). 1998). 2000). dengan support vector machine (Osuna et al. dengan jaringan syaraf tiruan dan arbitrasi (Rowley et al. PEMBATASAN MASALAH Pada sistem deteksi wajah ini diberikan pembatasan masalah sebagai berikut: • Citra masukan yang digunakan adalah hitam putih dengan 256 tingkat keabuan (grayscale).. • Metode yang dipakai adalah jaringan syaraf tiruan multi-layer perceptron dengan algoritma pelatihan back-propagation. 1991).3. KEASLIAN PENELITIAN Penelitian tentang deteksi wajah dan pengenalan wajah telah dilakukan sebelumnya. 1994).. Kemudian akan dilakukan penelitian pada 4 . dalam posisi tegak. • Wajah yang akan dideteksi adalah wajah yang menghadap ke depan (frontal). antara lain dengan menggunakan metode Eigenface (Turk dan Pentland.

Untuk itu kami akan membuat suatu program aplikasi sistem pendeteksi wajah yang dapat dijalankan pada personal komputer.pengaruh berbagai parameter yang digunakan terhadap unjuk kerja dari sistem. Parameter-parameter yang digunakan misalnya jumlah unit dan bobot koneksi pada hidden layer. dan pengaruh berbagai parameter yang digunakan terhadap unjuk kerja pengklasifikasi jaringan syaraf tiruan. 5 . banyaknya data pelatihan. MANFAAT PENELITIAN Hasil penelitian ini diharapkan dapat digunakan sebagai langkah awal untuk membangun sistem pemrosesan wajah yang menyeluruh. dan susunan dari jaringan syaraf tersebut. misalnya deteksi kendaraan. Dengan penyesuaian tertentu. yang bisa diaplikasikan pada sistem pengenalan wajah atau verifikasi wajah. kemudian melakukan pelatihan pada sistem tersebut. Program aplikasi yang dibuat juga dapat dijadikan bahan untuk penelitian lebih lanjut di bidang yang berkaitan. pemakaian momentum. pejalan kaki. bahan produksi. dan melakukan evaluasi terhadap unjuk kerjanya. metode yang digunakan mungkin dapat juga dimanfaatkan untuk sistem deteksi objek secara umum yang tidak hanya terbatas pada wajah. Dari hasil penelitian ini juga diharapkan dapat diperoleh pemahaman yang lebih baik terhadap jaringan syaraf tiruan. besarnya learning rate. dan sebagainya. 5.

Digitalisasi dari koordinat spasial citra disebut dengan image sampling. TINJAUAN PUSTAKA Citra didefinisikan sebagai fungsi intensitas cahaya dua-dimensi f(x. dan nilai f pada suatu titik (x. sedangkan digitalisasi dari gray level citra disebut dengan gray-level quantization. Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf biologis dengan berdasarkan asumsi bahwa: 6 . Citra digital adalah citra dengan f(x.6. dan nilai elemen matriks tersebut menunjukkan gray level di titik tersebut (Gonzalez.y) dimana x dan y menunjukkan koordinat spasial.y) yang nilainya di-digitalisasi-kan (dibuat diskrit) baik dalam koordinat spasialnya maupun dalam gray levelnya. TUJUAN PENELITIAN Penelitian bertujuan untuk membuat suatu desain dan implementasi sistem deteksi wajah dengan masukan berupa citra digital sembarang. Sistem ini akan menghasilkan subcitra yang berisi wajah-wajah yang berhasil dideteksi. Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf biologis. Citra digital dapat dibayangkan sebagai suatu matriks dimana baris dan kolomnya merepresentasikan suatu titik di dalam citra.y) sebanding dengan tingkat kecerahan (gray level) dari citra di titik tersebut. 7. 1992).

2 hidden unit. dan 1 output unit.2 w2.1 Y1 v1 Z X2 w2.(1) Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron. (3) Fungsi aktivasi pada neuron. yaitu pola hubungan antara neuron-neuron. 7 . Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat. Contoh jaringan syaraf tiruan dengan 2 input unit.2 Y2 v2 Gambar 2. X1 w1. 2 hidden unit. yaitucara penentuan nilai bobot pada penghubung. (4) Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output. Jaringan syaraf digolongkan menjadi berbagai jenis berdasarkan pada: (1) Arsitektur. (2) (3) Sinyal dilewatkan antar neuron melalui penghubung. (2) Algoritma training.1 w1. dan 1 output unit. Gambar 2 menunjukkan contoh jaringan syaraf sederhana dengan 2 input unit.

Dalam hal ini terdapat dua label kelas. (Fausett. 8 . 1994). hanya tahap pertama yang diperlukan untuk menggunakan jaringan syaraf tiruan yang dihasilkan. yaitu: (1) Input nilai data pelatihan sehingga diperoleh nilai output (2) Propagasi balik dari nilai error yang diperoleh (3) Penyesuaian bobot koneksi untuk meminimalkan nilai error Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan. yaitu wajah dan non-wajah (Sung.Salah satu algoritma jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan. Deteksi objek dapat dipandang sebagai masalah klasifikasi pola dimana dari input yang berupa citra masukan akan ditentukan output berupa label kelas dari input tersebut. 1996).

• Melakukan pelatihan pada sistem dengan training data set yang telah disiapkan sebelumnya. • Menyiapkan training data set yang akan digunakan untuk proses pembelajaran dari sistem. dan jaringan syaraf tiruan. METODE PENELITIAN Metode yang akan digunakan dalam penelitian ini terdiri dari langkahlangkah berikut: • Melakukan studi kepustakaan terhadap berbagai referensi yang berkaitan dengan penelitian yang dilakukan. Topik-topik yang akan dikaji antara lain meliputi: pengenalan pola. Unjuk kerja pada sistem pendeteksi wajah diukur dengan menghitung detection rate dan false positif rate. kemudian membuat program aplikasinya. • Melakukan pengujian unjuk kerja sistem. dan histogram equalization (Sung. • Merancang sistem pendeteksi wajah dengan jaringan syaraf tiruan. 9 . pengolahan citra digital. Data wajah yang digunakan akan melalui praproses berupa resizing menjadi 20x20 pixel. pendeteksian wajah.8. pendeteksian objek secara umum. 1996). masking.

Springer. Digital Image Processing. Moreira. Hjelmas. R. Computer Vision and Image Understanding. IDIAP Technical Report. Gonzalez.. Fundamentals of Neural Networks: Architectures. Prentice-Hall Inc. E. and Applications. R. LeCun. 1994. Bottou. 83. B. Neural Networks: tricks of the trade. 1995. L.K. Low. Haykin.E.B. JADWAL PENELITIAN Bulan / tahun No. 236-274. USA. Muller. DAFTAR PUSTAKA L. 2001.R. USA. K. S. 10 . Fiesler. 1998. E.9. “Face Detection: A Survey”. Woods. pp. Neural Networks: A Comprehensive Foundation. Addison-Wesley Publishing Company. 1994. Y. Fausett. Orr. 1992.C. 1 2 3 4 5 6 7 Kegiatan Pengumpulan Referensi Studi Kepustakaan Penulisan Proposal Persiapan Data Pembuatan Sistem/Program Pengujian Sistem Penulisan Laporan Tesis Okt 03 Nop 03 Des 03 Jan 04 Fep 04 Mar 04 Apr 04 10. Macmillan College Publishing Company. Neural Networks with Adaptive Learning Rate and Momentum Terms. G. USA. Algorithms. M. “Efficient BackProp”.

sas.html R. 2000. Turk. IEEE Trans. T. “Learning and Example Selection for Object and Pattern Detection”. R. Pentland. Schneiderman. Baluja. IEEE Trans. Osuna.S. no. Pattern Analysis and Machine Intelligence. John Wiley & Sons. Sung. M. IEEE Conf. IEEE Conf. “Neural Network-Based Face Detection”. vol.com/pub/neural/ FAQ. Structural and Neural Approach. T. “A Statistical Approach to 3D Object Detection Applied to Faces and Cars”. Technical Report AI Memo 1521.. Schneiderman. 1994. 1. Kanade. CMU-RI-TR-00-06. T. Kriegman. 24. 1997. 1991.1. 2000. H. Kanade. Freund. K. Pattern Recognition: Statistical. URL: ftp://ftp. vol. “Eigenfaces for Recognition”. Schalkoff. Girosi. 2002. 11 . F. Proc.K. Pattern Analysis and Machine Intelligence. 20. 1992.E.K. K. Ahuja. no. “Detecting Faces in Images: A Survey”. ed. Yang. Massachusetts Institute of Technology AI Lab. Neural Network FAQ. no. W. 1. S. 1998. 3. 1996. Robotics Institute Carnegie Mellon University. Computer Vision and Pattern Recognition vol. Sung. “Training Support Vector Machines: An Application to Face Detection”. Cognitive Neuroscience. Poggio. Sarle. vol. N. H. AITR 1572. Massachusetts Institute of Technology AI Lab. “A Statistical Approach to 3D Object Detection Applied to Faces and Cars”. 1. Proc. Computer Vision and Pattern Recognition 1997.H. A. Rowley. “Example-Based Learning for View-Based Human Face Detection”. 2002. D. H. J. M. USA.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.