Professional Documents
Culture Documents
net/publication/277157959
Human Face Detection by using eigenface method for various pose of human
face
CITATIONS READS
0 369
2 authors, including:
Prihandoko Prihandoko
Universitas Gunadarma
33 PUBLICATIONS 80 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Prihandoko Prihandoko on 12 September 2017.
Gunadarma University
http://www.gunadarma.ac.id
ABSTRACT :
Facial recognition technology applied in biometric recognition systems, search
and indexing of image databases and digital video. Face detection (face detection)
is also one crucial early stage prior to the process of face recognition (face
recognition). Similarly, the application this time, the application is made to make
the process of face detection using the eigen face method based on position, size,
lighting and background. In addition, application performance will be tested in
real conditions and measured using a standard measurement, both in terms of
performance measurement methods and the face database is used. The results
showed that the accuracy of face detection applications is highly dependent on the
amount and type of data.
1
2
NPM : 50405258
Nama : Esty Vidyaningrum
Pembimbing : Prihandoko, S.Kom, MIT, PhD
Tahun Sidang : 2009
Subjek : citra digital,
Judul
PEMBUATAN APLIKASI DETEKSI WAJAH MANUSIA PADA CITRA
DIGITAL
MENGGUNAKAN METODE EIGENFACE UNTUK BERBAGAI
POSE WAJAH MANUSIA
Abstraksi
Teknologi pengenalan wajah makin banyak diaplikasikan dalam system
pengenalan biometrik, pencarian dan pengindeksan database citra dan video
digital. Pendeteksian wajah (face detection) juga merupakan salah satu tahap awal
yang sangat penting sebelum dilakukan proses pengenalan wajah (face
recognition). Begitu pula dengan aplikasi kali ini, aplikasi ini dibuat untuk
melakukan proses pendeteksian wajah menggunakan metode eigenface
berdasarkan posisi,ukuran, pencahayan dan latar belakang. Selain itu juga kinerja
aplikasi akan diuji pada kondisi yang nyata dan diukur menggunakan pengukuran
yang baku, baik dari sisi metode pengukuran kinerja maupun basisdata wajah
yang digunakan. Hasil penelitian menunjukkan bahwa akurasi dari aplikasi
deteksi wajah sangat tergantung pada jumlah dan jenis data.
3
1)
Esty Vidyaningrum
2)
Prihandoko, S.Kom, MIT, PhD
ABSTRAK
1. Pendahuluan
Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat
penting sebelum dilakukan proses pengenalan wajah (face recognition). Proses
Pengenalan wajah sebagai bagian dari sistem persepsi manusia sudah lama menjadi
topik yang terus menerus diteliti oleh para ahli di berbagai bidang antara lain ilmu
Psikologi, Teknik dan Neuroscience. Saat ini, seiring dengan perkembangan ilmu dan
teknologi lainnya seperti intelegensi buatan, mesin pembelajaran dan jaringan syaraf
tiruan serta perkembangan yang sangat cepat di bidang perangkat keras dan perangkat
lunak, maka pengenalan wajah secara otomatis berbantuan komputer telah menjadi
4
bahan penelitian yang menarik perhatian para peneliti di bidang ilmu komputer. Sebagai
salah satu aplikasi dari analisis dan pemahaman citra, topik ini memiliki implementasi
praktis yang jelas dan terlihat dengan nyata.
Pada kasus seperti pemotretan untuk pembuatan KTP, SIM, dan kartu kredit,
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. Namun pada kasus lain sering didapatkan citra
yang berisi lebih dari satu wajah, memiliki latar belakang yang bervariasi, kondisi
pencahayaan yang tidak tentu, dan ukuran wajah yang bervariasi di dalam citra.
Contohnya adalah citra yang diperoleh di bandara, terminal, pintu masuk gedung, pusat
perbelanjaan, dan citra yang didapatkan dari foto di media massa atau hasil rekaman
video.
2. Kajian Pustaka
1. Citra Digital
Citra digital adalah suatu citra f(x,y) yang memiliki koordinat spatial, dan
tingkat kecerahan yang diskrit. Citra yang terlihat merupakan cahaya yang
direfleksikan dari sebuah objek. Fungsi f (x, y) dapat dilihat sebagai fungsi
dengan dua unsur. Unsur yang pertama merupakan kekuatan sumber cahaya
yang melingkupi pandangan kita terhadap objek (illumination). Unsur yang kedua
merupakan besarnya cahaya yang direfleksikan oleh objek ke dalam pandangan
kita (reflectance components). Keduanya dituliskan sebagai fungsi i(x, y) dan r(x,
y) yang digabungkan sebagai perkalian fungsi untuk membentuk fungsi f (x, y).
Fungsi f (x, y) dapat dituliskan dengan persamaan :
f (x, y) = i(x, y)* r(x, y) di mana 0 < i(x, y) < ∞ dan 0 < r(x, y) < 1
Citra digital merupakan suatu matriks yang terdiri dari baris dan kolom,
dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada
citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut. Titik-titik tersebut
dinamakan sebagai elemen citra, atau pixel (picture elemen). [Gonzales and
Woods, 1992].
2. Deteksi Wajah
Bidang-bidang penelitian yang berkaitan dengan pemrosesan wajah
(face processing) adalah:
Pengenalan wajah (face recognition) yaitu membandingkan citra wajah
masukan dengan suatu database wajah dan menemukan wajah yang paling
cocok dengan citra masukan tersebut.
5
3. Pengelompokkan Pola
Pengenalan pola oleh manusia dapat dianggap sebagai masalah
psikofisiologis yang melibatkan sebuah hubungan antara manusia dan
rangsangan fisik. Dengan menggunakan pengetahuan yang telah terekam dalam
ingatannya, manusia dapat mengenali pola yang datang sebagai rangsangan
fisik. Secara sederhana, pengenalan pola dapat didefinisikan sebagai proses
6
4. Metode Eigenface
Suatu citra wajah didefinisikan berada dalam suatu ruang citra (image
space). Citra tersebut dapat ditransformasikan ke citra baru dengan dimensi yang
lebih kecil karena hanya tersusun oleh atribut penting atau ciri-ciri. Citra hasil
transformasi tersebut disebut sebagai vektor ciri dan berada di dalam ruang ciri (
feature space). Salah satu metode yang digunakan pada tahap pre-processing
citra untuk mereduksi suatu citra, yang berada dalam suatu ruang citra adalah
metode Eigenface. Pada dasarnya, metode Eigenface bertujuan untuk
mengekstrak ciri-ciri suatu citra dengan teori Principal Component Analysis
(PCA) atau transformasi Karhunen-Loeve, yaitu menyusun suatu citra baru yang
mengandung hanya informasi-informasi penting dari citra yang lama. Metode ini
bertujuan untuk memaksimalkan total-scatter atau jarak vektor ciri. Jadi informasi
ciri mengenai suatu citra akan disebarkan sehingga bercampur dengan informasi
ciri citra yang lain. Setiap citra dapat direpresentasikan sebagai vektor baris
berdimensi n. Nilai n merupakan dimensi ruang citra, sehingga xi berada di dalam
ruang citra berdimensi n. Matriks kovarian ST atau matriks total-scatter,
didefinisikan sebagai:
T
ST= A A
1
2
Dimana A=
n
Rata - rata vektor citra, dapat diperoleh melalui persamaan berikut:
7
1 N
Xi
n i 1
selisih vektor citra dengan rata-rata vektor adalah :
i xi
mana i = 1...N Transformasi Karhunen-Loeve atau PCA terhadap vektor
citra akan menghasilkan vektor-vektor ciri yang menghasilkan total-scatter :
W ST WT
Dengan W adalah matriks transformasi. Matriks transformasi W yang
dipilih adalah matriks yang dapat dimaksimalkan determinan dari total-scatter
vektor-vektor ciri. Atau :
W = arg max | W ST WT |
= [ w1;w2; . . . ;wm]
Dimana wi, i = 1...m, adalah kumpulan vektor eigen dari ST ( dalam
bentuk vector basis ) yang bersesuaian dengan m nilai eigen terbesar. Vektor -
vektor eigen ini,yang disebut principal components, memiliki dimensi yang sama
dengan citra wajah yaitu n ,sehingga disebut Eigenfaces atau Eigenpictures.
Eigenfaces merupakan vektor - vektor basis dari ruang ciri dimensi-m.
Transformasi citra dari ruang citra dimensi-n ke ruang ciri dimensi-m adalah :
yi = iW T
W T dengan demikian, dapat diperoleh vektor cairi berdimensi m untuk
masing-masing citra. Besarnya nilai m dapat ditentukan melalui persamaan
berikut :
r
di
m =minr iN1
di
i 1
dimana adalah suatu nilai ambang.
1. Mendefinisikan data inputan. Data inputan dapat berupa data set berdimensi
satu, dua atau lebih. Bila data inputan merupakan sebuah citra/ gambar
berukuran N x N maka matriks gambar tersebut dirubah ke dalam bentuk
vektor citra.
2. Menghitung rata-rata keseluruhan vektor citra yang terbentuk.
3. Menghiutng selisih setiap elemen vektor citra dengan rata-rata wajah ( )
denga rumus.
i i
Kemudian bentuklah sebuah matriks yang dibangun dari vektor-vaktor
hasil selisih tersebut.
A = [ i 2 K M ]
4. menghitung matriks kovarian dari matriks A.
5. Menghitung nilai eigen dari matriks kovarian C. Matriks C tersebut berukuran
N2 x N2 ( sangat besar ), maka untk mendapatkan nilai eigen secara lebih
mudah maka kita menghitung nilai eigen dari matriks AT A yang berukuran
lebih kecil. Asumsikan nila eigen dari matriks tersebut adalah dan vektor
eigen adalah vi. Maka untk mencari nilai dan vektor eigen digunakan
persamaan berikut :
ATAvi = μivi
T
Hubungan nilai eigen matriks C (A A ) dengan matriks AT A adalah :
AAvi = AT Avi = μivi > (A AT )Avi = μiAvi > CAvi = μiAvi > Cui = μiui
vektor eigen dari matriks AT A Oleh karena itu, matriks A AT dan matriks AT A
mempunyai nilai eigen yang sama dan vektor eigen yang bersesuaian pula. M
nilai eigen dari matriks ATA merupakan M nilai eigen terbesar dari nilai- nilai
eigen matriks AAT. Semua vektor eigen yang terpilih akan digabungkan menjadi
sebuah matriks V yang disebut eigenfaces.
6. Mereduksi dimendi dari matriks A dengan rumus :
R = V' A
diproses pada pembagian ini minimal harus memiliki daerah dahi dan dagu, dan
maksimal daerah leher terdapat dalam citra wajah tersebut.
Dalam penelitian ini dilakukan perbaikan pada pembagian daerah mulut
untuk mengatasi kekurangan pada penelitian sebelumnya. Penelitian tersebut
melakukan pembagian daerah mulut seperti yang diilustrasikan pada gambar
2.1. sehingga didapatkan daerah yang menunjukkan kemungkinan posisi dari
mulut yang terdapat di tengah-tengahnya, baik secara vertikal maupun secara
horizontal. Sedangkan fitur mulut pada citra wajah dalam penelitian ini tidak
selalu berada di tengah-tengah daerah mulut secara vertikal, karena terdapat
wilayah leher pada sebagian citra daerah mulut yang akan mempengaruhi posisi
fitur mulut terhadap wilayah mulut seperti yang diilustrasikan pada gambar 2.2.
7. Pengenalan Matlab
Matlab adalah perangkat lunak yang dapat digunakan untuk analisis dan
visualisasi data. Matlab didesain untuk mengolah data dengan menggunakan
operasi matriks. Matlab juga mampu untuk menampilkan grafis dan memiliki
bahasa pemrograman yang baik. Matlab yang digunakan pada penulisan ini
adalah Matlab versi 7.0. Untuk menjalankan program Matlab sama seperti
program lainnya. Dari menu program files pilih folder MATLAB. Selanjutnya pada
layar akan muncul antar muka Matlab seperti gambar 2.5. dibawah ini:
Pada antar muka awal MATLAB tersebut terdapat 3 (tiga) jendela utama
yaitu jendela Current Directory, Command Window dan Command History.
1. Current Directory digunakan untuk melihat direktori file tempat bekerja.
2. Command Window digunakan untuk memasukkan perintah program
(command) yang akan dieksekusi.
3. Comman History digunakan untuk melihat perintah program (command)
yang pernah digunakan.
11
4. `Implementasi Aplikasi
Implementasi aplikasi bisa dilihat pada Gambar 3.5. Hasil pengenalan
wajah tergantung data inputan citra yang oleh pengguna dimasukkan ke dalam
basis data. Jika pengguna salah memasukkan class, maka hasil pengenalan
wajah kurang tepat. Misalnya jika pengguna memasukkan inputan citra yang
berbeda pada class yang sama maka hasil pengenalan wajah bisa saja salah.
Oleh karena itu pengguna harus memasukkan citra wajah yang sama ke dalam
satu class.
2. Kelas B
3. Kelas C
Berdasarkan hasil pengujian citra wajah yang dapat dilihat pada table 4.1
maka diketahui bahwa kelas-kelas yang masuk Dalam kategori pengujian citra
wajah yang baik adalah kelas A dengan perolehan 60%, dan untuk kelas yang
masuk dalam kategori sangat baik adalah kelas B dan C dengan perolehan C
sebesar 80% serta kelas B sebesar 100%. Adapun kategori presentase
keberhasilan berdasarkan posisi ditujukan pada table 4.2.
2. Hasil Pengujian 2
Gambar 4.3 menunjukan tampilan pengujian 2, jumlah wajah terdeteksi
adalah 3 dari 3 wajah aslinya, proses identifikasi tepat 100%.
3. Hasil Pengujian 3
Gambar 4.4 menunjukan tampilan pengujian 3, jumlah wajah terdeteksi
adalah 8 dari 9 wajah aslinya, proses identifikasi tepat 80%.
5. Penutup
1. Kesimpulan
Dari hasil penelitian dan pembahasan yang telah dilakukan menunjukkan
bahwa metode eigenface dapat dimanfaatkan untuk mendeteksi wajah manusia
pada citra digital, Dapat dimanfaatkan juga sebagai salah satu tahap praproses
dari pengenalan wajah atau verifikasi wajah, dan Dapat digunakan untuk
mengumpulkan data wajah secara otomatis dari citra yang berisi wajah dengan
berbagai latar belakang dan berbagai variasi posisi.
Pada aplikasi deteksi wajah yang berbasis pada metode eigenface,
maka hasil yang diperoleh sangat dipengaruhi oleh banyaknya citra dan kualitas
16
citra yang digunakan dalam uji coba tersebut. Kualitas citra ini bisa berupa
variasi posisi kepala, kesejajaran, dan pencahayaan. Karena dengan kualitas
citra yang dipakai maka akan mempengaruhi kinerja system aplikasi ini.
2. Saran
Untuk meningkatkan kinerja kerja aplikasi deteksi wajah, dapat diberikan
training lebih lanjut dengan tambahan data yang lebih banyak dan lebih
bervariasi. Pengujian program aplikasi dapat dilakukan dengan menggunakan
simulator yang lain. Untuk pengembangan penelitian ini, selain menampilkan
wajah orang juga bisa menampilkan identitas dan inforrnasi orang tersebut.
1. Daftar Pustaka
[1] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.
Yogyakarta: penerbit Graha ilmu.
[2] Away, G. A. 2006. THE SHORTCUT OF MATLAB PROGRAMMING. Bandung:
Penerbit Informatika.
[3] Dwi Hartanto, Thomas Wahyu dan Y.Wahyu Agung Prasetyo. 2002. Analisis dan
Desain Sistem Kontrol dengan MATLA. Yogyakarta: penerbit Andi.
[4] Hadi, Setiawan. 2004. Sistem Pengenalan Wajah Optimal. Tugas Akhir,
Bandung: Institut Teknologi Bandung.
[5] Krisnadi, A. 2002. Penerapan algoritma genetika untuk penentuan ciri optimal
pada representasi eigenface dalam sistem pengenalan wajah dengan metode
nearest features line. Tugas Akhir, Jakarta: Universitas Indonesia.
[6] Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritma.
Bandung: penerbit Informatika.
[7] Pentland, A. 1991. “Eigenfaces for recognition”. Journal Of Cognitive Neuro-
science. vol. 3. no. 1.
[8] Paulus, Erick. 2007. Cepat Mahir GUI MATLAB. Yogyakarta: penerbit Andi.
[9] Rahmatun, I. 2002. Pengenalan wajah dengan variasi ekspresi dan posisi
menggunakan metode eigenface. Tugas Akhir, Depok: Universitas Gunadarma.
[10] Tanjung, F. 2006. Ekstraksi fitur wajah pada sistem pengenalan wajah. Tugas
Akhir, Depok: Universitas Gunadarma.