Professional Documents
Culture Documents
Kom
Pendahuluan
Cakupan Sistem Aplikasi . Proses dalam Computer Vision Fungsi Komputer Vision . .
. .
Kesimpulan
Daftar Pustaka
Abstrak
Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem security selain pengenalan retina mata, pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Secara garis besar proses dari aplikasi ini adalah kamera melakukan capture pada wajah. Kemudian didapatkan sebuah nilai R,G,B. Dengan menggunakan pemrosesan awal, dilakukan resize, RGB ke Gray,dan histogram equalisasi untuk perataan cahaya. Katakunci: gambar, pengenalan wajah.
Pendahuluan
Sistem keamanan pada saat ini lebih banyak memanfaatkan tenaga manusia dari pada sistem otomatis. Penggunaan face recognation pada tugas ini adalah untuk mengenali wajah pemilik laptop dan membedakannya dengan wajah pengguna lain. Pengenalan wajah manusia dalam gambaran visual dapat di implementasikan ke dalam banyak aplikasi yang mencakup pengenalan wajah dengan mengisyaratkan pemahaman, pengawasan oleh aplikasi tersebut. Konsep yang memiliki distribusi probabilitas yang tinggi dan dimensi ruang vector untuk mengenali kemungkinan sebuah wajah.
Latar Belakang
Face recognition yang pernah dilakukan oleh Novi menggunakan software SMARTLOGON dengan laptop ASUS Software ini memiliki kemampuan untuk menyamakan sebuah gambar yang belum teridentifikasi dengan salah satu gambar yang ada pada database. Input yang diperlukan pada aplikasi ini adalah berupa citra wajah dengan ukuran dan output aplikasi ini adalah hasil pencocokan informasi byte pixel yang didapat dari hasil pemindaian dengan informasi byte pixel gambar yang ada dalam database . Diharapkan dengan aplikasi ini dapat membuat suatu sistem yang handal dan aman.
Komputer Vision
Komputer Vision adalah bidang Ilmu yang meliputi metode untuk memperoleh, memproses, menganalisis, dan pengertian gambar dan, pada umumnya, tinggi-dimensi data dari dunia nyata untuk menghasilkan informasi numerik atau simbolis, misalnya, dalam bentuk keputusan. Pengembangan dari bidang untuk menduplikasi kemampuan penglihatan manusia secara elektronik mengamati dan memahami gambar. Hal ini berfungsi sebagai menguraikan informasi simbolis dari data citra menggunakan model yang dibangun dengan bantuan geometri, fisika, statistik, dan teori pembelajaran. Aplikasi yang berkisar dari tugas-tugas seperti industri pada sistem mesin yang, mampu memeriksa botol melaju. Pada bagian produksi, untuk penelitian kecerdasan buatan dan komputer atau robot yang dapat memahami dunia di sekitar mereka. Komputer Vision dan bidang visi mesin telah tumpang tindih. Komputer Vision meliputi teknologi inti dari analisa citra otomatis yang digunakan di berbagai bidang. Visi mesin biasanya mengacu pada proses analisa citra otomatis menggabungkan dengan metode lain dan teknologi untuk menyediakan inspeksi otomatis dan bimbingan robot dalam aplikasi industri. Sebagai suatu disiplin ilmu, Komputer Vision berkaitan dengan teori di balik sistem buatan yang mengekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau multi-dimensi data dari scanner medis. Sebagai suatu disiplin teknologi, visi komputer berusaha untuk menerapkan teori dan model untuk pembangunan sistem visi komputer.
Pengendalian proses (misalnya, sebuah robot industri). Navigasi (misalnya oleh kendaraan otonom atau mobile robot). Mendeteksi peristiwa (misalnya, untuk pengawasan visual atau orang menghitung). Mengorganisir informasi (misalnya, untuk pengindeksan database foto dan gambar urutan). Pemodelan benda atau lingkungan (misalnya, analisis citra medis atau topografis model). Interaksi (misalnya, sebagai input ke perangkat untuk interaksi manusia komputer). Otomatis inspeksi (misalnya dalam aplikasi manufaktur).
Pada kebanyakan aplikasi visi komputer praktis, komputer adalah pra-diprogram untuk menyelesaikan tugas tertentu, tetapi metode didasarkan pada pembelajaran yang sekarang menjadi semakin umum.
1. Image Acqusition Image Acqusition pada manusia dimulai dengan mata, kemudian informasi visual diterjemahkan ke dalam suatu format yang kemudian dapat dimanipulasi oleh otak. Senada dengan proses di atas, computer vision membutuhkan sebuah mata untuk menangkap sebuah sinyal visual.
Umumnya mata pada computer vision adalah sebuah kamera video. Kamera menerjemahkan sebuah scene atau image Kemudian sinyal listrik ini diubah menjadi bilangan biner yang akan digunakan oleh komputer untuk pemrosesan. Keluaran dari kamera adalah berupa sinyal analog, dimana frekuensi dan amplitudonya (frekuensi berhubungan dengan jumlah sinyal dalam satu detik, sedangkan amplitude berkaitan dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman (brightness) pada scene. Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu, memindainya dan membaginyamenjadi ratusan garis horizontal yang sama. Tiaptiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut. Karena komputer tidak bekerja dengan sinyal analog, maka sebuah analogtodigital converter (ADC), dibutuhkan untuk memproses semua sinyal tersebut oleh komputer. ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner Prodi Informatika Reg.b - Kriptografi
Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses.
2. Image Processing
Tahapn berikutnya computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data binary tersebut. Image processing membantu peningkatan dan perbaikan kualitas image, sehingga dapat dianalisa dan di olah lebih jauh secara lebih efisien. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signaltonoise ratio = s/n). Sinyalsinyal tersebut adalah informasi yang akan merepresentasikan objek yang ada dalam image. Sedangkan noise adalah segala bentuk interferensi, kekurang pengaburan, yang terjadi pada sebuah objek. 3. Image Analysis Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik utama dari objek melalui suatu proses investigasi. Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fiturfitur spesifik dan karekteristiknya. Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan batasbatasan objek dalam image. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik. Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya. 4. Image Understanding Ini adalah langkah terakhir dalam proses computer vision, yang mana sprsifik objek dan hubungannya di identifikasi. Pada bagian ini akan melibatkan kajian tentang teknikteknik artificial intelligent. Understanding berkaitan dengn template matching yang ada dalam sebuah scene. Metoda ini menggunakan program pencarian (search program)dan teknik penyesuaian pola (pattern matching techniques).
Pemanfaatan facerecognition
Berikut adalah penjelasan tentang perancangan system secara keseluruhan. Pertama adalah berikut proses untuk perancangan dalam melakukan pengenalan wajah pada system Intelligent home security. Tahap - tahap tentang pengenalan wajah seperti yang ditunjukkan pada bagan.
Gambar bagan pengenalan wajah pada system facerecognition facerecognition dengan menggunakan metode Principal Component Analysis (PCA) yang digunakan untuk mereduksi dimensi Untuk mengahasilkan vector basis orthogonal yang disebut eigenface. Dewi AR memanfaatkan teknologi biometrik pada kehidupan untuk mengidentifikasi dan mengenal karakteristik wajah manusia. Penelitian ini mengembangkan sistem yang memisahkan citra wajah ke dalam komponen wajah, kemudian mengekstraksinya ke dalam fitur mata, hidung, mulut, dan batas wajah pada citra diam tunggal yang diambil dari posisi tampak depan. Antara tiap komponen diukur jaraknya, kemudian dikombinasikan dengan fitur lainnya untuk membentuk semantic wajah.
Titik-titik kontur tersebut diukur menggunakan kode numerik, disebut faceprint, yang disimpan dalam database. Untuk mendapatkan hasil yang efektif dan akurat, foto wajah yang diambil harus benar-benar menghadap kamera, dengan toleransi yang minim terhadap perbedaan cahaya dan mimik wajah dari gambar yang terdapat dalam database.
Kesimpulan
Kelebihan Bermanfaat dalam hal keamanan sehingga dapat dijadikan salah satu opsi menggunakan keamanan dengan sistem pengenal wajah Fleksibel dan dapat dioperasikan oleh publik. Tingkat kepekaan terhadap scan wajah dapat di atur. Kekurangan Terdapat beberapa faktor yang menyebabkan proses analisis tekstur ini tidak dapat bekerja, misalnya pantulan cahaya dari kacamata, atau foto wajah yang menggunakan kacamata matahari. Faktor penghambat analisis lainnya adalah rambut panjang yang menutupi bagian tengah wajah, pencahayaan yang kurang tepat (yang mengakibatkan foto wajah menjadi kelebihan atau kekurangan cahaya), serta resolusi yang rendah (foto diambil dari kejauhan).
Daftar Pustaka
http://blog.zakwannur.com/2009/01/face-recognition.html [1] A.R. Dewi, Ekstraksi Fitur dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah, Makalah Skripsi Universitas Gunadarma, Jakarta, 2005. [2] H. A. Rowley, S. Baluja, and T. Kanade, Neural network-based face detection, IEEE Trans. PAMI, vol. 20, pp. 2338, Madison, USA, January 1998 [3] Ika made, Face Recognition dengan Menggunakan Metode Principal Component Analysis (PCA), Makalah Skripsi Universitas Gunadarma, Jakarta, 2003. [4] Jelita Raisa, Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Wajah Seseorang, Tugas Akhir Politeknik Elektronika Negeri Surabaya Institut Sepuluh Nopember, Surabaya, 2008. [5] Kouma Jean-Paul, Intelligent home security system, Tesis Ume university, Swedia, 2006. [6] Mukti Garilbaldy W, Implementasi Algoritma Fractal Neighbour Distance untuk Face Recognition , Makalah Skripsi Institut Teknologi Bandung, Bandung, 2006. [7] Prasetyo Eri, Rahmatun Isna, Desain Variasi Wajah dengan Variasi Ekspresi dan Posisi Menggunakan Metode Eigenface, Makalah Skripsi Universitas Gunadarma, Jakarta, 2005. [8] Rinaldi Munir, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit Informatika , Bandung , 2004. [9] Reference manual OpenCv, 2001. [10] Active WebCam Software Manual (Copyright PY Software, (www.pysoft.com) [11] Bluekid, (http://derindelimavi.blogspot.com/2008/05/yz-tanma-2.html ) [12] Digital Camera,(http://www.bhinneka.com/bhindexpc) [13] Romdhani s. Face Recognition Using Principal Component Analysis, http://eeapp.elec.gla.ac.uk/~romdhani/pca_doc/pca_doc_toc.htm [14] Seeing with OpenCv, (http://www.cognotics.com/opencv/servo_2007_series/part_5/index.htm ) [15] Webcam, (http://id.wikipedia.org/wiki/Webcam)