DETEKSI FITUR WAJAH MANUSIA TANPA MARKER AKTIF MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

Transkripsi

1 DETEKSI FITUR WAJAH MANUSIA TANPA MARKER AKTIF MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Muliyadi 1), Tulus 2), F. Fahi 3) Jurusan Teknik Elektro Politeknik Negeri Lhokseuawe 1) Jl. B. Aceh-Me KM. 280,3 Buketrata-Lhokseuawe, Tel. (0645)42670 Fakultas MIPA Universitas Suatera Utara 2) Jl. Bioteknologi No. 1 Kapus USU Pag Bulan, Me, Suatera Utara Jurusan Teknik Elektro Universitas Suatera Utara 3) Jl. Alaater Kapus USU Me Indonesia Telepon +6261( ), Fax +6261( ) Eail : uliyadipnl@yahoo.co 1), tulus@usu.ac.id 2), fahin@usu.ac.id 3) Abstrak Motion capture dengan enggunakan arker aktif yang ada saat ini ebutuhkan perangkat pakaian khusus yang dipakai oleh aktor yang engakibatkan aktor sulit untuk elakukan gerakan-gerakan yang kopleks. Hal ini keungkinan ada bagian arker yang terlepas atau tidak tertangkap oleh kaera sehingga epengaruhi hasil capture. Dala penelitian ini akan Menggunakan Metode Principal Coponent Analysis (PCA) untuk endeteksi fitur fitur wajah yang eliputi alis, ata, hitung, ulut lengkungan wajah. tanpa enggunakan arker akan tetapi dengan enggunakan titik landark pada setiap fitur-fitur wajah, yang nantinya dapat eberikan kontribusi pada big penelitian facial otion capture pada dunia aniasi serta gae developent sehingga akan eperudah para kreator dala ebuat aniasi yang realistis sebagaiana gerakan aslinya atau alai dari Aktor tanpa enggunakan pakaian khusus atau arker. Kata kunci : Principal Coponent Analysis, Fitur fitur wajah anusia, ficial otion capture, arker aktif, landark, gae developent. 1. Pendahuluan Dala big aniasi, otion capture adalah salah satu cara yang dipakai para kreator aniasi untuk engabil gerakan yang dapat diterapkan dala pebuatan aniasi, sehingga gerakan yang didapatkan lebih alai [1]. Penggunaan Motion capture sekarang sangat luas, isalnya untuk enganiasikan karakter dala fil, industri gae, analisa bio ekanik lain lain [2]. Penggunaan teknologi ini ebutuhkan biaya yang ahal, sehingga tidak seua industri aniasi industri gae dapat enggunakannya [3]. Motion capture dengan enggunakan arker aktif yang ada saat ini ebutuhkan perangkat pakaian khusus yang dipakai oleh aktor yang engakibatkan aktor sulit untuk elakukan gerakan yang kopleks, akibatnya ada bagian arker yang terlepas atau tidak tertangkap oleh kaera sehingga epengaruhi hasil capture nya [1]. Penelitian ini enerapkan suatu etode yang dapat eperudah dala pebuatan aniasi aupun gae dengan elakukan deteksi fitur fitur wajah untuk endapatkan gerakan ekspresi wajah tanpa enggunakan arker aktif akan tetapi dengan enggunakan titik landark pada setiap fitur-fitur wajah. Untuk eteksi fitur fitur wajah, pada penelitian ini enggunakan etode Principal Coponent Analisis (PCA) [4]. Dala elakukan penelitian ini ada beberapa faktor yang harus diperhatikan saat pengabilan gabar yang dijadikan sebagai data traning untuk proses deteksi fitur fitur wajah, diantaranya sebagai berikut: 1. Posisi : Posisi wajah relatif terhadap kaera yang bervariasi, dapat engakibatkan oklusi (tupang tindih) sebagian atau seluruh fitur wajah (isalnya profil, upside-down 45 derajat). [6] 2. Kehadiran koponen struktural lainnya : seperti jenggot, kuis kacaata lainlain. 3. Perubahan Ekspresi wajah : Munculnya perubahan wajah secara langsung dipengaruhi oleh kondisi tertentu. 4. Terhalangnya sebagian wajah oleh bendabenda lainnya seperti bayangan pencahayaan. 5. Rotasi big wajah. Berdasarkan latar belakang asalah aka tujuan yang ingin dicapai pada penelitian ini adalah sebagai berikut : 1. Untuk endedeteksi fitur fitur wajah anusia. 2. Menggantikan arker fisik yang selaa ini digunakan dala proses pengabilan gerakan aktor, khususnya pada wajah DTE FT USU

2 2. Metode Penelitian Penelitian ini diulai dari proses pengabilan iage untuk dijadikan sebagai data pelatihan, selanjutnya elakukan pelatihan data dengan cara eberi landark pada fitur fitur wajah yang disebut dengan landark file. Setelah proses pelatihan selesai dilakukan aka tahap berikutnya adalah elakukan penyelarasan data untuk enghitung rata-rata dari kupulan data landark yang telah diberikan pada fitur fitur wajah dengan dengan enggunakan principal coponen analisis (PCA) [4]. Principal vectors sebagai arah deforasi erupakan proses optialisasi untuk endapatkan arah titik landark wajah yang telah dirata ratakan sehingga proses pebentukan odel fitur wajah dari data landark yang telah diberikan pada asing fitur dapat terbentuk, proses ini disebut dengan tringulasi [5]. Gabar.1 Diagra Proses Pelatihan Deteksi fitur fitur Wajah 2.1 Principal Coponent Analysis (PCA) Principal Coponent Analysis (PCA) adalah teknik reduksi diensi yang uu digunakan pada aplikasi peorosesan citra sinyal processing [4]. Untuk ewakili benda yang apu terdeforasi, baik dala 2D 3D. Tujuan utaa dari PCA adalah untuk peadatan data atau pengurangan diensi. Koponen yang tidak berkorelasi diberi naa Principal Coponent, yang terbukti sesuai dengan nilai-nilai eigen terbesar eigen vektor dari atrik varianskovarians dari data sapel. [4] Gabar 2 PCA dari distribusi Gaussian ultivariat [4] Subu panjang enunjukkan arah sebaran titik dengan varians terbesar segkan subu pendek enunjukkan luas sebaran titik, untuk subu panjang dijadikan sebagai koponen utaa (Principal Coponent) keudian baru subu yang pendek. Principal Coponent Analysis (PCA) erupakan teknik linier untuk eproyeksikan data vektor yang berdiensi tinggi ke vektor yang epunyai diensi lebih rendah, Principal Coponent Analysis (PCA) lebih banyak digunakan untuk keperluan ektraksi fitur gabar, diana julah diensi dari gabar jauh lebih besar dibandingkan dengan julah data sapel yang digunakan. Untuk elakukan proyeksi sapel vektor dari gabar pelatihan, seua gabar pelatihan disusun dala bentuk vektor baris. Jika julah data pelatihan adalah sebanyak, aka diensi vektornya adalah xn [10]. Apabila vektor gabar pelatihan epunyai diensi xn tersebut diortogonalisasi dengan enentukan eigenvector eigenvalue, aka diensinya akan berubah enjadi x, diana <n. Pengurangan diensi yang sangat signifikan ini akan sangat ebantu untuk epercepat proses koputasi saat elakukan klasifikasi fitur. Sebelu klasifikasi fitur dilakukan aka akan dilakukan penyelesaian eigenface untuk data pelatihan. Model atrik data pelatihan dapat ditulis dala persaaan (1) X X x, x, X = X x, x, x, x, x, x, x, x, x, x, x, x, x,...(1) x, jika n>> diana n erupakan diensi gabar, adalah julah gabar yang dilatih. Berdasarkan persaaan (1) aka rata-rata seluruh data sapel dapat dihitung dengan enggunakan persaaan (2). Hasil -17- DTE FT USU

3 persaaan (2) erupakan vektor yang berbasis nilai rata-rata, karena julah diensi adalah n, aka nilai rata-rata seluruh data adalah (μ, μ, μ,, μ ). μ = x, + x, + x, + + x, = x, = (μ, μ, μ,, μ )...(2) Nilai rata-rata nol (zero ean) dari suatu sapel data dapat dihitung dengan engurangkan nilai asing-asing data sapel dengan rata-rata data julah seluruh data sapel. Persoalannya adalah diensi yang tidak saa antara data sapel (xn), segkan diensi dari rata-rata seluruh data sapel (1x). Oleh karena itu perlu disaakan diensinya dengan enggandakan rata-rata seluruh data wajah sebanyak, sehingga rata-rata seluruh data sapel epunyai diensi (xn). Matrik rata-rata gabar data sapel yang telah digandakan sebanyak kali dapat ditulis enggunakan persaaan : μ, μ, μ, μ, μ, μ, μ, μ, μ = μ, μ, μ, μ,...(3) μ, μ, μ, μ, Dan nilai dari μ,, μ,, μi,,, μ, pada baris ke i = nilai baris ke i + 1 berlaku j, j 1,2,3,,, 1, aka hasil persaaan (2.3) dapat digunakan untuk enghitung zero ean. Zero ean data dapat diodelkan enggunakan persaaan (4) [4]. φ, = x, μ...(4) Det (λi C) = 0...(7) Eigenvector yang bersesuaian dengan nilai terbesar dari eigenvalue epunyai ciri yang paling doinan, segkan nilai eigenvector yang bersesuaian dengan eigenvalue yang paling kecil epunyai ciri paling tidak donian [4]. 2.2 Diskripsi Model Fitur Pada penelitian ini seua fitur wajah akan diberikan landark akan dideteksi pada saat pengujian. Fitur yang akan dideteksi eliputi alis kanan kiri, ata kanan kiri, hidung, ulut lengkungan wajah Fitur Alis Mata Alis ata terletak diatas ata, fitur tersebut akan dipakai sebagai fitur pertaa yang akan diberikan landark, julah landark yang diberikan adalah sebanyak epat titik, untuk encirikan secara geoetris dari fitur alis ata kanan kiri Gabar. 2. Alis ata yang akan diberikan landark untuk pencirian fitur wajah Fitur Mata Fitur ata erupakan suatu indera anusia yang sangat unik berbeda antara satu orang dengan yang lain. Tapi secara bentuk irip, naun struktur geoetrisnya pasti berbeda. Untuk ewakili bentuk dari fitur ata, pada penelitian ini diberikan sejulah landark untuk asing-asing ata. Untuk tiap tiap ata diberikan ena titik landark. C =... (5) c(x, x ) c(x, x ) c(x, x ) c(x,x ) c(x,x ) c(x, x ) c(x, x ) c(x, x ) c(x, x ) Untuk endapatkan ciri dari suatu data sapel yang di representasikan dala bentuk atrik, aka dihitung eigenvector eigenvalue dari atrik konvarian. Jika C adalah atrik bujur sangkar dengan ukuran sebarang >1, aka vektor tidak nol Λ pada R n disebut eigenvector dari C jika CΛ suatu penggandaan skalar dari Λ, ditunjukan pada persaaan (10). Skala λ tersebut sebagai eigenvalue dari C Λ disebut sebagai eigenvector dari C yang berpaan terhadap λ, untuk endapatkan eigenvector eigenvalue, aka dapat ditunjukan pada persaaan CΛ = λλ... (6) Gabar 3 Fitur ata yang akan berikan landark sebagai pencirian fitur wajah Fitur hidung Lokasi fitur hidung dapat diteukan pada bagian tengah tulang hidung serta pada bagian kanan kiri bagian bawah hidung pada bagian tersebut akan diberikan epat titik pada bagian tengah tulang hidung lia titik pada bagian bawah hidung. CΛ = λ Λ (λi C)Λ = DTE FT USU

4 Gabar 4 Fitur hidung yang akan diberikan landark Fitur ulut Mulut setiap orang juga epunyai bentuk yang sangat unik, oleh karena itu ulut juga dapat digunakan sebagai fitur pebeda ciri seseorang. Pada bagian fitur ulut ini akan diberikan dua puluh (20) landark pada bagian bibir atas,bawah bagia dala, Ilustrasi dari bentuk pose ulut deforable teplatenya dapat dilihat pada gabar 5 Gabar 5 Fitur ulut yang akan diberi landark Fitur lengkungan wajah Kelengkungan wajah setiap orang juag berbeda, keungkinan sangat kecil untuk berubah, Pada bagian fitur lengkungan wajah ini akan diberikan 17 landark, diulai dari sisi kanan wajah, dagu sisi kiri wajah Gabar 6 Lengkungan wajah yang akan diberi landark sebagai pencirian fitur wajah 2.2 Pelatihan data landark Untuk elakukan proses pelatihan, pertaa-taa dicari terlebih dahulu rata-rata landark untuk setiap data pelatihan. Rata-rata landark untuk seua data pelatihan tersebut dapat ditulis dengan enggunakan persaaan (3.1) (3.2) [12] xt = x, + x, + x, + + x, = x, = (xt, xt, xt,,,, xt )...(8) yt = y, + y, + y, + + y, = y, = (yt,, yt yt,,,, yt )...(9) Berdasarkan persaaan (8) (9) aka akan didapatkan nilai rata-rata landark dala bentuk vektor sejulah landark yang digunakan pada data pelatihan. Proses selanjutnya adalah enentukan ratarata keseluruhan landark dari seluruh data pelatihan enggunakan persaaan : XT = xt, + xt, + xt, + + xt, n =,...(10) YT = yt, + yt, + yt, + + yt, n =,...(11) Dari hasil perhitungan persaaan (10) (11) xt yt dengan i 1 n aka nilai titik tengan rata-rata untuk x y setiap landark dapat dihitung berdasarkan nilai tengah rata-rata aksiu iniu dapat dituliskan persaaan : xt = ( )( )...(12) xt = ( )( )...(13) j, j 1,2,3,4,, i, i 1,2,3,4,,, aka jarak koordinat data pelatihan ke j pada landark ke i adalah hasil pengurangan landark data pelatihan dengan nilai rata-rata landark ke I yang disebut sebagai zero ean, dapat enggunakan persaaan :...(14) xv, = xt, xt yv, = yt, yt...(15) Hasil perhitungan persaaan (14) (15), j, j 1,2,3,4,, dapat dicari nilai yang iniu aksiu ke I enggunakan persaaan: σxmin = in (xv, )...(16) σxmax = ax (xv, )...(17) σymin = in (yv, )...(18) σymax = ax (yv, )...(19) Variasi landark data pelatihan, dapat dihitung enggunakan persaaan : -19- DTE FT USU

5 σx, = σx, + vx,...(20) σy, = σy, + vy,...(21) Dan rata-rata variasi landark ke I pada data pelatihan dapat dihitung enggunakan persaaan :. σx = σy =,,...(22)...(23) Berdasarkan persaaan (20), (21), (22), (23), aka nilai titik tengah zero ean untuk setiap landark ke i baru dapat ditulis dala persaaan: δx = ( ) δy = ( ) [12]....(24)...(25) 2.3 Inisialisasi shape Sebelu proses deteksi ulti fitur dilakukan aka perlu diestiasi terlebih dahulu untuk eletakkan inisialisasi shape, hal ini bertujuan untuk eletakkan shape dekat dengan fitur yang akan dedeteksi. Estiasi posisi inisialisasi shape dilakukan berdasarkan nilai rata-rata dari seluruh data pelatihan. Seluruh landark dijulahkan dengan rata-rata variasi landark ke I pada data pelatihan, dengan enggunakan persaaan (3.19) (3.20) berikut ini. XLI = XT + σx...(26) YLI = YT + σy...(27) Persaaan tersebut erupakan justifikasi dari seluruh data pelatihan dengan epertibangkan rata-rata variasi pada landark ke i dari sebaran landark data pelatihan, sehingga shape awal dari proses pencarian dapat endekati fitur yang dideteksi. Distribusi titik titik erupakan prosses pebentukan bentuk fitur setelah diberikan landark, titik tengah ditunjukan dengan garis warna hita erupakan urutan landark yang dihubungkan sesuai dengan noor urutan nya.[12] Gabar 7 Distribusi titik yang digunakan sebagai data pelatihan Pada proses ini, seua shape diperlukan sebagai satu kesatuan. Pergerakan shape dipengaruhi oleh julah landark pada seua data pelatihan, ratarata aksiu iniu pada setiap landark, gradient data pelatihan, rata-rata aksiu iniu untuk setiap landark baru. Untuk setiap pasangan landark pada data pelatihan disibolkan enggunakan XYT i, untuk landark x disibolkan xt i, y disibolkan yt i, landark bergerak berdasrkan nilai gradient garis aksial. Jika suatu landark pada data pelatihan dengan koordinat (xt, yt), ditranslasi asing-asing sebesar t x t y aka akan enghsilkan koordinat baru (xt, yt ), aka hasil translasi dapat ditulis enggunakan persaan: xt = xt + t...(28) yt = yt + t...(29) Jika landark pada data pelatihan dengan koordinat (xt, yt) diskalakan sebesar s x s y enghasilkan koordinat baru (xt,yt ). [12] 3. Hasil Pebahasan Setelah elakukan proses training aka hasil penggabungan dari seua fitur-fitur wajah yang eliputi alis kanan alis kiri, ata kanan ata kiri, hidung, ulut lengkungan wajah dengan total julah landark adalah 66 titik landark. Gabar 8 Distribusi landark setelah proses pelatihan Penabahan julah data training sangat berpengaruh terhadap besarnya error, dala pengujian ini akan encari koposisi julah data besar iterasi yang terbaik untuk dijadikan sebagai data acuan. Faktor besarnya error juga dipengaruhi oleh data awal pada saat proses ditraining, bila data yang ditraining antara satu file dengan file yang lain engalai pergerakan yang terlalu besar atau pada saat peberian landark tidak akurat aka error yang dihasilkan enjadi lebih besar. Untuk data training 25 sapai dengan 50 pada setiap proses iterasi enghasilkan error yang relatif besar bila dibandingkan dengan proses iterasi untuk data training 75, segkan untuk data training100 sapai 130 enghasilkan error yang relative lebih kecil stabil bila dibandingkan data training Pergerakan shape -20- DTE FT USU

6 Pyraid Paraeter Model and Siultaneously Landark Moveent,International Journal of Coputer Science and Network Security, VOL.9 No.9 Septeber 2009 [8] Thanh Nguyen Duc, Tan Nguyen Huu, Luy Nguyen Tan. Facial Expression Recognition Using Aa Algorith Division of Autoatic Control, Ho Chi Minh University of Technology, Vietna,National key lab for Digital Control & Syste Engineering, Vietna, Gabar 4.1. Grafik persentase error pada setiap penabahan data training julah iterasi. 3. Penutup Berdasarkan uji coba analisa hasil pengujian aka dapat disipulkan sebagai berikut : 1. Metode Principal Coponent Analisis (PCA) dapat digunakan untuk erekonstruksi fitur wajah berupa titik landark. 2. Principal Coponent Analisis (PCA) akan berkerja secara optiu jika enggunakan traning sebanyak 75 data training. 3. Dengan etode ini dapat enggantikan arker fisik yang selaa ini digunakan dala otion capture dapat diterapkan pada dunia aniasi, gae, serta pada aplikasi lain dibig koputer vision. 4. Daftar Pustaka [1] Atthariq. Facial Motion Capture using Active Appearance Models Method Master's thesis, Electrical Engineering, Multiedia Intelegent Network Sepuluh Nopeber Institute Of Technology, [2] Michel Gleicher and Nicola Ferrier, Evaluting Vedio Based Motion Capture, Proceedings of Coputer Aniation, [3] Sukoco, Teknologi Motion Capture untuk Pebuatan Fil Aniasi 3D, speed 10 Edisi Web Febuari 2011, ISSN: [4] I.T. Jolliffe. Principal Coponent Analysis. Springer, Aberdeen, UK, 2nd edition, April [5] Gower, John C. and Dijksterhuis, Gart B.: Procrustes Probles, Oxford University Press, [6] Esty Vidyaningru and Prihandoko. Huan Detection by using eigenface ethod for various pose of huan face, Faculty of Industrial Technologi, Gunadara, 2009 [7] Arif Muntasa, Mochhaad Hariadi, Mauridhi Hery Purnoo. A New Forulation of Face Sketch Multiple Features Detection Using -21- DTE FT USU