You are on page 1of 12

GRAFIKA KOMPUTER H.Hengky Anra, ST, M.

Kom

Komputer Vision Kelompok 8 Face Recognition Novi Nuari D05109025
Yandanika D05109030 Khairul Akmal D05109007

PRODI TEKNIK INFORMATIKA REGULER B UNIVERSITAS TANJUNGPURA

Prodi Informatika Reg.b - Kriptografi

Contoh Aplikasi Komputer Vision …………………………………………………………. Prodi Informatika Reg. …………………………………………………………. Daftar Pustaka …………………………………………………………. Definisi Komputer Vision …………………………………………………………. Pendahuluan Komputer Vision ………………………………………………………….Kriptografi .b . Cakupan Sistem Aplikasi …………………………………………………………. ………………………………………………………….Daftar Isi: Abstrak …………………………………………………………. Facerecognition (Pengenalan Wajah) Pemanfaatan Facerecognition Facerecognition 3D …………………………………………………………. Proses dalam Computer Vision Fungsi Komputer Vision …………………………………………………………. Contoh Penerapan Facerecognition …………………………………………………………. Kesimpulan …………………………………………………………. …………………………………………………………. …………………………………………………………. ………………………………………………. Langkah Langkah Software dalam Mengenal Wajah Manfaat Facerecognition ………………………………………………………….

Pengenalan wajah manusia dalam gambaran visual dapat di implementasikan ke dalam banyak aplikasi yang mencakup pengenalan wajah dengan mengisyaratkan pemahaman. 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. pengawasan oleh aplikasi tersebut.B. pengenalan wajah. Katakunci: gambar.G. Secara garis besar proses dari aplikasi ini adalah kamera melakukan capture pada wajah.Abstrak Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem security selain pengenalan retina mata. Prodi Informatika Reg. Kemudian didapatkan sebuah nilai R. Penggunaan face recognation pada tugas ini adalah untuk mengenali wajah pemilik laptop dan membedakannya dengan wajah pengguna lain. dilakukan resize.b .Kriptografi . 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 . Dengan menggunakan pemrosesan awal. RGB ke Gray. Konsep yang memiliki distribusi probabilitas yang tinggi dan dimensi ruang vector untuk mengenali kemungkinan sebuah wajah. Pendahuluan Sistem keamanan pada saat ini lebih banyak memanfaatkan tenaga manusia dari pada sistem otomatis. pengenalan sidik jari dan iris mata. Diharapkan dengan aplikasi ini dapat membuat suatu sistem yang handal dan aman.dan histogram equalisasi untuk perataan cahaya. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu.

pandangan dari beberapa kamera. Pada bagian produksi. Hal ini berfungsi sebagai menguraikan informasi simbolis dari data citra menggunakan model yang dibangun dengan bantuan geometri. tinggi-dimensi data dari dunia nyata untuk menghasilkan informasi numerik atau simbolis. Sebagai suatu disiplin teknologi. misalnya. fisika. 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.b . Komputer Vision berkaitan dengan teori di balik sistem buatan yang mengekstrak informasi dari gambar. menganalisis. untuk penelitian kecerdasan buatan dan komputer atau robot yang dapat memahami dunia di sekitar mereka. Data gambar dapat mengambil banyak bentuk. Komputer Vision meliputi teknologi inti dari analisa citra otomatis yang digunakan di berbagai bidang. Pengembangan dari bidang untuk menduplikasi kemampuan penglihatan manusia secara elektronik mengamati dan memahami gambar. atau multi-dimensi data dari scanner medis. mampu memeriksa botol melaju. seperti urutan video. Prodi Informatika Reg. pada umumnya.Komputer Vision Komputer Vision adalah bidang Ilmu yang meliputi metode untuk memperoleh. Sebagai suatu disiplin ilmu. memproses. dan teori pembelajaran. dalam bentuk keputusan. Aplikasi yang berkisar dari tugas-tugas seperti industri pada sistem mesin yang.Kriptografi . visi komputer berusaha untuk menerapkan teori dan model untuk pembangunan sistem visi komputer. statistik. dan pengertian gambar dan. Komputer Vision dan bidang visi mesin telah tumpang tindih.

Definisi Komputer Vision Komputer Vision adalah ilmu dan teknologi pada mesin yang dapat melihat. Cakupan Sistem Aplikasi Sub-domain Komputer Vision termasuk adegan rekonstruksi. untuk pengindeksan database foto dan gambar urutan). Interaksi (misalnya. dan gambar restorasi . Prodi Informatika Reg. Mendeteksi peristiwa (misalnya. belajar.Kriptografi . sebuah robot industri). Navigasi (misalnya oleh kendaraan otonom atau mobile robot). tetapi metode didasarkan pada pembelajaran yang sekarang menjadi semakin umum. analisis citra medis atau topografis model). Otomatis inspeksi (misalnya dalam aplikasi manufaktur). pengenalan obyek . di mana yang di lihat dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Contoh aplikasi visi komputer mencakup system :        Pengendalian proses (misalnya. untuk pengawasan visual atau orang menghitung).b . Mengorganisir informasi (misalnya. video pelacakan . acara deteksi. sebagai input ke perangkat untuk interaksi manusia komputer). komputer adalah pra-diprogram untuk menyelesaikan tugas tertentu. Pemodelan benda atau lingkungan (misalnya. gerak estimasi . pengindeksan. Pada kebanyakan aplikasi visi komputer praktis.

Tiap‐tiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut.Proses dalam Computer Vision Sebuah komputer yang menyerupai kemampuan manusia dalam menangkap sinyal visual (humansight) dilakukan dalam empat tahapan proses dasar : Proses penangkapan citra/gambar (image acquisition). Karena komputer tidak bekerja dengan sinyal analog. sedangkan amplitude berkaitan dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman (brightness) pada scene. analisa data citra (image analysis) dan proses pemahaman data citra (image understanding) Fungsi Komputer Vision     Proses penangkapan citra/gambar (image acquisition) Proses pengolahan citra (image processing) Analisa data citra (image analysis) Proses pemahaman data citra (image understanding) 1.Kriptografi .b . dibutuhkan untuk memproses semua sinyal tersebut oleh komputer. dimana frekuensi dan amplitudonya (frekuensi berhubungan dengan jumlah sinyal dalam satu detik. Kamera menerjemahkan sebuah scene atau image Kemudian sinyal listrik ini diubah menjadi bilangan biner yang akan digunakan oleh komputer untuk pemrosesan. maka sebuah analog‐to‐digital converter (ADC). ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner Prodi Informatika Reg. Senada dengan proses di atas. Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu. Image Acqusition Image Acqusition pada manusia dimulai dengan mata. kemudian informasi visual diterjemahkan ke dalam suatu format yang kemudian dapat dimanipulasi oleh otak. memindainya dan membaginyamenjadi ratusan garis horizontal yang sama. Umumnya mata pada computer vision adalah sebuah kamera video. computer vision membutuhkan sebuah mata untuk menangkap sebuah sinyal visual. proses pengolahan citra (image processing). Keluaran dari kamera adalah berupa sinyal analog.

Sedangkan noise adalah segala bentuk interferensi. Pada bagian ini akan melibatkan kajian tentang teknikteknik artificial intelligent. Image processing membantu peningkatan dan perbaikan kualitas image.Kriptografi . Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan batas‐batasan objek dalam image. Image Analysis Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik utama dari objek melalui suatu proses investigasi. Sinyal‐sinyal tersebut adalah informasi yang akan merepresentasikan objek yang ada dalam image. yang terjadi pada sebuah objek. kekurang pengaburan. 4. Metoda ini menggunakan program pencarian (search program)dan teknik penyesuaian pola (pattern matching techniques). sehingga dapat dianalisa dan di olah lebih jauh secara lebih efisien. Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fitur‐fitur spesifik dan karekteristiknya. 3. Prodi Informatika Reg. Image Processing Tahapn berikutnya computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data binary tersebut.b . Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya. yang mana sprsifik objek dan hubungannya di identifikasi. Image Understanding Ini adalah langkah terakhir dalam proses computer vision.Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik. Understanding berkaitan dengn template matching yang ada dalam sebuah scene. 2. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal‐to‐noise ratio = s/n).

Beberapa contoh Aplikasi komputer vision Berikut ini adalah beberapa contoh Aplikasi Komputer Vision :      Citra Digital Scanner Webcam Barcode Facerecognition Face recognition (pengenal wajah) Face recognition adalah teknologi dari komputer yang memungkinkan kita untuk mengidentifikasi atau memverifikasi wajah seseorang melalui sebuah gambar digital. Tahap . Pertama adalah berikut proses untuk perancangan dalam melakukan pengenalan wajah pada system Intelligent home security.b . Misalnya mencocokkan lekuk hidung. Pemanfaatan facerecognition Berikut adalah penjelasan tentang perancangan system secara keseluruhan. Prodi Informatika Reg. mata.Kriptografi . dagu dsb.tahap tentang pengenalan wajah seperti yang ditunjukkan pada bagan. Caranya ialah dengan mencocokkan tekstur lekuk wajah kita dengan data wajah yang tersimpan di database.

Untuk mendapatkan hasil yang efektif dan akurat. Penelitian ini mengembangkan sistem yang memisahkan citra wajah ke dalam komponen wajah. Prodi Informatika Reg. Antara tiap komponen diukur jaraknya. Langkah langkah software dalam mengenali wajah manusia  Deteksi – pengambilan foto wajah manusia yang dilakukan dengan men-scan foto 2D secara digital atau menggunakan video untuk mengambil foto wajah 3D.  Analisis Tekstur Wajah – kemajuan dalam software face recognition adalah penggunaan biometrik kulit.  Verifikasi atau Identifikasi – verifikasi adalah pencocokkan satu berbanding satu. software akan menentukan posisi. hidung. mulut. kemudian mengekstraksinya ke dalam fitur mata. yang merepresentasikan setiap wajah.  Penjajaran – saat berhasil mendeteksi wajah. kemudian dikombinasikan dengan fitur lainnya untuk membentuk semantic wajah. misalnya foto wajah yang diambil dicocokkan dengan database. disebut faceprint. dengan toleransi yang minim terhadap perbedaan cahaya dan mimik wajah dari gambar yang terdapat dalam database.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. yang disimpan dalam database. dan batas wajah pada citra diam tunggal yang diambil dari posisi tampak depan. ukuran.  Representasi – template tersebut diterjemahkan ke dalam sebuah kode unik.  Pengukuran – software mengukur lekukan yang ada di wajah menghasilkan sebuah template. foto wajah yang diambil harus benar-benar menghadap kamera.Kriptografi . Titik-titik kontur tersebut diukur menggunakan kode numerik. atau keunikan tekstur kulit untuk meningkatkan akurasi hasil pencocokkan.b . dan sikap kepala.  Pencocokan – jika foto wajah yang telah direpresentasikan dan ketersediaan foto wajah membandingkannya dengan gambar yang ada dalam database. Dewi AR memanfaatkan teknologi biometrik pada kehidupan untuk mengidentifikasi dan mengenal karakteristik wajah manusia.

 Dapat juga digunakan sebagai aplikasi yang ditargetkan untuk pengguna tertentu yaitu skenario kejahatan terorganisir serius  menggali potensi pengenalan wajah pada rentang (menggunakan LIDAR) Contoh penerapan facerecognition Contoh penerapan facerecognition menggunakan software : Gambar : Menggunakan: Google picasa Prodi Informatika Reg.Kriptografi .  Pelacak wajah seseorang melalui CCTV (3D mugshot capture)  Pengidentifikasian wajah seseorang yang menyamar  analisis video otomatis dan identifikasi Forensik  menggabungkan pendekatan kognitif dengan pengembangan antarmuka pengguna yang biasanya dilakukan menggunakan CCTV misalnya dalam mencari buronan.dan sebagainya pengganti password .pc.b .Manfaat face recognition  Alat pengamanan di mall atau ditempat umum  Sebagai pengamanan di hp.

 Faktor penghambat analisis lainnya adalah rambut panjang yang menutupi bagian tengah wajah. Prodi Informatika Reg.Kriptografi .  Tingkat kepekaan terhadap scan wajah dapat di atur. serta resolusi yang rendah (foto diambil dari kejauhan). Kekurangan  Terdapat beberapa faktor yang menyebabkan proses analisis tekstur ini tidak dapat bekerja. atau foto wajah yang menggunakan kacamata matahari. pencahayaan yang kurang tepat (yang mengakibatkan foto wajah menjadi kelebihan atau kekurangan cahaya).b . misalnya pantulan cahaya dari kacamata.Contoh software untuk login windows Gambar Login dengan Windows Kesimpulan Kelebihan  Bermanfaat dalam hal keamanan sehingga dapat dijadikan salah satu opsi menggunakan keamanan dengan sistem pengenal wajah  Fleksibel dan dapat dioperasikan oleh publik.

uk/~romdhani/pca_doc/pca_doc_toc. “Desain Variasi Wajah dengan Variasi Ekspresi dan Posisi Menggunakan Metode Eigenface”. 2003. Dewi. 2006. Makalah Skripsi Institut Teknologi Bandung.htm ) [15] Webcam.html ) [12] Digital Camera. Penerbit Informatika . “Intelligent home security system”. 2005. 23–38. “Face Recognition dengan Menggunakan Metode Principal Component Analysis (PCA)”. [6] Mukti Garilbaldy W. “Pengolahan Citra Digital dengan Pendekatan Algoritmik”.R. Bandung. Jakarta.com/opencv/servo_2007_series/part_5/index.Kriptografi . S. [10] Active WebCam Software Manual (Copyright PY Software. 20. “Face Recognition Using Principal Component Analysis”.ac.Daftar Pustaka http://blog.com/2009/01/face-recognition.com/2008/05/yz-tanma-2. Makalah Skripsi Universitas Gunadarma. [4] Jelita Raisa. Tugas Akhir Politeknik Elektronika Negeri Surabaya Institut Sepuluh Nopember.cognotics.blogspot. Madison. 2004. Jakarta. A. Swedia.html [1] A. [8] Rinaldi Munir. USA. (www. (http://www. 2008. Makalah Skripsi Universitas Gunadarma. January 1998 [3] Ika made. Kanade.com/bhindexpc) [13] Romdhani s.elec. http://eeapp. 2001. and T. PAMI. [7] Prasetyo Eri. pp.” IEEE Trans. [2] H.org/wiki/Webcam) Prodi Informatika Reg. Baluja.htm [14] Seeing with OpenCv.wikipedia. [9] Reference manual OpenCv. Bandung . Rowley. [5] Kouma Jean-Paul.pysoft. “Ekstraksi Fitur dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah”.bhinneka.(http://www. vol. 2006. “Implementasi Algoritma Fractal Neighbour Distance untuk Face Recognition ” . (http://derindelimavi.gla. (http://id. Jakarta. Rahmatun Isna. Tesis Umeå university.b . ”Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Wajah Seseorang”.zakwannur. Makalah Skripsi Universitas Gunadarma. “Neural network-based face detection.com) [11] Bluekid. Surabaya. 2005.