Program Aplikasi Penangkapan Estimasi Pose. Wajah Menggunakan Metode Active Appearance. Model dengan Kinect

Transkripsi

1 Program Aplikasi Penangkapan Estimasi Pose Wajah Menggunakan Metode Active Appearance Model dengan Kinect Randy Adhitama Binus University, Jalan KH. Syahdan No. 9 Palmerah, Jakarta 11480, Indonesia volance_eternity@yahoo.co.id ABSTRACT Human face pose detection works by identifying a person face s shape. The purpose of this program is to create a program that can accurately identify a person s face from various face position. Design uses Rapid Application Development (RAD) as more important in terms of technique and allows development team to create a complete functional system within a very short period of time. This design method uses Active Appearance Model (AAM) to identify a person s face shape and Post from Orthography and Scaling with Iteration (POSIT) to determine the position of a person s face. Kinect is used because it s very high quality sensors that available at considerably low cost. The result achieved from the application design is the identification of a person s face and the position of a person s face.(ra) Tags: AAM, POSIT, Kinect.

2 ABSTRAK Pendeteksian pose wajah manusia ini bekerja dengan cara mengidentifikasi bentuk wajah seseorang. Tujuan dari perancangan program ini adalah membuat program yang dapat mengidentifikasi wajah seseorang dari berbagai posisi wajah secara akurat. Perancangan menggunakan metode Rapid Application Development (RAD) karena lebih mementingkan segi teknik dan memungkinkan tim pengembangan menciptakan sistem fungsional yang utuh dalam periode waktu yang sangat pendek. Perancangan ini menggunakan metode Active Appearance Model (AAM) untuk mengidentifikasi bentuk wajah seseorang dan Post from Orthography and Scaling with Iteration (POSIT) untuk menentukan posisi wajah seseorang. Kinect digunakan karena sensor dengan kualitas sangat tinggi tersedia dengan biaya yang kecil. Hasil yang dicapai dari perancangan aplikasi ini adalah identifikasi wajah seseorang dan posisi wajah seseorang.(ra) Kata kunci: AAM, POSIT, Kinect. PENDAHULUAN Perkembangan pesat IT saat ini telah banyak menggantikan tugas manusia. Lebih efektif, efisien, cepat, murah, menjadi pertimbangan mengapa komputer dijadikan sebagai alternatif untuk menggantikan pekerjaan yang biasa dikerjakan oleh manusia. Dari sekian banyak pekerjaan yang dapat dikerjakan itu, salah satunya adalah pendeteksian wajah manusia. Pendeteksian wajah manusia ini bekerja dengan cara mengidentifikasi bentuk wajah seseorang. Walaupun saat ini sudah banyak aplikasi untuk pendeteksian wajah seperti ini, namun kebanyakan dari aplikasi tersebut tidak dapat menangkap posisi wajah secara tepat. Hal ini disebabkan aplikasi tersebut tidak menggunakan titik tumpu untuk mengetahui sudut wajah gambar yang ditangkap. Masalah seperti ini biasanya terjadi apabila komputer hanya menangkap sebagian bentuk wajah seseorang secara kurang jelas. Selain itu juga aplikasi yang berkembang saat ini kebanyakan masih memerlukan manualisasi untuk melakukan training data terhadap objek. Karena itu merasa perlu mengembangkan aplikasi yang secara otomatis dapat menangkap pose wajah seseorang dari berbagai sudut yang ditentukan. Menurut (Martins, 2008) aplikasi interaksi wajah untuk Human Computer Interface (HCI) adalah sebuah masalah penting. Pengetahuan tentang pose wajah, yaitu posisi dan orientasi, dan kemampuan untuk mengenali identitas, serta ekspresi wajah mereka yang hadir, memungkinkan membangun sistem interaktif pintar seperti: pengenalan ekspresi wajah, estimasi kondisi mental, teleconference, pengetahuan tentang arah tatapan, kompresi video, dll. Menurut (Voit, 2007) mengestimasikan orientasi kepala seseorang dari banyak arah tergantung pose kepala dari sebuah penglihatan kamera atau menggunakan semua penglihatan kamera untuk mencetak sesuatu yang lebih stabil dan hipotesis gabungan.

3 Penelitian ini mampu menghasilkan sebuah aplikasi perangkat lunak yang dapat mendeteksi wajah seseorang dan mengestimasikan pose wajah secara akurat. Untuk mengetahui pose wajah secara akurat digunakan oritentasi kepala objek terhadap sensor kamera. Computer vision adalah ilmu yang bertujuan untuk mendiskripsikan dunia dalam bentuk satu atau lebih citra dan melakukan rekonstruksi properti-properti yang ada seperti bentuk, iluminasi, dan distribusi warna (Szeliski, 2011, p. 3). Active Apperance Models (AAM) adalah sebuah template berbasis statistik metode pencocokan, dimana variabilitas bentuk dan tekstur ditangkap dari sebuah perwakilan training set. Principal Component Analysis (PCA) dalam bentuk dan tekstur data memungkinkan untuk membuat model parameterisasi wajah yang menggambarkan penuh dengan kualitas foto sebenarnya wajah yang telah ditraining seperti tidak terlihat. Pose from Orthography and Scaling with Iterations (POSIT) (DeMenthon & Davis, 1995) adalah algoritma yang sangat cepat dan iteratif juga akurat untuk menemukan pose 6DOF (orientasi dan translasi) pada model 3D atau tempat dengan hal pada kamera yang diberikan kumpulan gambar 2D dan titik yang berhubungan objek 3D. The head pose estimation ditampilkan menggunakan POSIT. Sebagai model 3D, model kaku anthopometric 3D pada kepala manusia yang digunakan, lihat gambar 2.24, karena itu adalah model kaku yang paling cocok menggambarkan permukaan wajah 3D pada beberapa individu. Ini didapatkan oleh frontal laser 3D scan pada model fisik, memilih titik 3D yang equivalent pada prosedur anotasi AAM menciptakan model 3D yang tipis. METODE PENELITIAN Metode yang digunakan untuk penelitian ini adalah sebagai berikut : 1. Melakukan studi pustaka Penulis mencari sumber permasalahan dari artikel, maupun literatur di internet yang berhubungan dengan topic penelitian. Penulis kemudian mempelajari dan memahami permasalahan yang ditemukan. Setelah itu penulis mencari materi dari sumber buku maupun internet, hal-hal yang berhubungan dengan topik permasalahan untuk dapat memecahkannya. 2. Metode perancangan Tahapan perancangan dalam penulisan ini dibagi menjadi beberapa tahap, yaitu: a. Perancangan aplikasi untuk menampilkan detail estimasi pose wajah antara sensor dengan objek. b. Rancangan desain sesuai dengan storyboard. HASIL DAN BAHASAN Evaluasi subjektif terhadap user dilakukan pada bulan Agustus Evaluasi dilakukan dengan cara memberikan kesempatan pada responden untuk menguji kasus kemudian meminta responden untuk menilai setiap kasus yang berhubungan dengan aplikasi ini. Evaluasi dilakukan terhadap 10 orang responden tanpa ketentuan tertentu. 1. Kuesioner Deteksi Face Mask Prosedur deteksi Face Mask : Letakkan Kinect pada posisi sensor kamera berhadapan langsung dengan wajah. Jarak kurang lebih 1.5m. Pastikan berada di ruang yang leluasa. Gerakkan kepala perlahan hingga face mask muncul.

4 1. Apakah prosedur deteksi Face Mask mudah dilakukan? Tabel 1 Sangat mudah 5 50% Mudah 5 50% Cukup 0 0% Sulit 0 0% Sangat sulit 0 0% Gambar 1 Dari kuesioner yang diperoleh sebanyak 50% responden menyatakan bahwa deteksi Face Mask sangat mudah dilakukan dan 50% menyatakan mudah dilakukan. Maka dapat disimpulkan bahwa prosedur deteksi Face Mask mudah dilakukan. 2. Apakah proses deteksi Face Mask cepat? Tabel 2 Sangat cepat 4 40% Cepat 6 60% Cukup 0 0%

5 Lambat 0 0% Sangat lambat 0 0% Gambar 2 Dari kuesioner yang diperoleh sebanyak 60% responden menyatakan bahwa proses deteksi Face Mask sangat cepat dan 40% menyatakan cepat. Maka dapat disimpulkan bahwa prosedur proses deteksi Face Mask sangat cepat. 2. Kuesioner Automatic Capture Prosedur Automatic Capture: Selesaikan prosedur deteksi Face Mask. Klik tombol Capture Type hingga berubah menjadi Automatic Capture Lakukan pose wajah netral Lakukan percobaan posisi yaw-35, 0 dan Apakah prosedur Automatic Capture mudah dilakukan? Tabel 3 Sangat mudah 2 20% Mudah 8 80% Cukup 0 0% Sulit 0 0%

6 Sangat sulit 0 0% Gambar 3 Dari kuesioner yang diperoleh sebanyak 20% responden menyatakan bahwa prosedur Automatic Capture sangat mudah dilakukan dan 80% menyatakan mudah dilakukan. Maka dapat disimpulkan bahwa prosedur prosedur Automatic Capture mudah dilakukan. 2. Apakah proses Automatic Capture cepat? Tabel 4 Sangat cepat 2 20% Cepat 8 80% Cukup 0 0% Lambat 0 0% Sangat lambat 0 0%

7 Gambar 4 Dari kuesioner yang diperoleh sebanyak 20% responden menyatakan bahwa proses Automatic Capture sangat cepat dan 80% menyatakan cepat. Maka dapat disimpulkan bahwa proses Automatic Capture cepat. 3. Kuesioner Manual Capture Prosedur Manual Capture: Selesaikan prosedur deteksi face mask. Klik tombol Capture Type hingga berubah menjadi Manual Capture Lakukan pose wajah netral Lakukan percobaan posisi roll 20 dan pitch Apakah proses Manual Capture mudah dilakukan? Tabel 5 Sangat mudah 6 60% Mudah 3 30% Cukup 1 10% Sulit 0 0% Sangat sulit 0 0%

8 Gambar 5 Dari kuesioner yang diperoleh sebanyak 60% responden menyatakan bahwa proses Manual Capture sangat mudah dilakukan, 30% menyatakan mudah dan 10% menyatakan cukup. Maka dapat disimpulkan bahwa proses Manual Capture sangat mudah dilakukan. 2. Apakah proses Manual Capturing cepat? Tabel 6 Sangat cepat 6 60% Cepat 2 20% Cukup 2 20% Lambat 0 0% Sangat lambat 0 0%

9 Gambar 6 Dari kuesioner yang diperoleh sebanyak 60% responden menyatakan bahwa proses Manual Capture sangat cepat, 20% menyatakan cepat dan 20% menyatakan cukup. Maka dapat disimpulkan bahwa proses Manual Capture sangat cepat. SIMPULAN DAN SARAN Berdasarkan hasil analis evaluasi dari kuesioner yang diperoleh maka dapat diambil kesimpulan sebagai berikut : 1. Gabungan metode Active Appearance Model dan Post from Orthography and Scaling with Iterations mampu mendeteksi wajah dan menentukan sudut. 2. Jika proses pendeteksian Face Mask dilakukan sesuai prosedur yang benar, maka proses deteksi Face Mask akan mudah dan sangat cepat untuk dilakukan. 3. Jika proses Automatic Capture dilakukan sesuai prosedur yang benar, maka proses Automatic Capture akan mudah dan cepat untuk digunakan. 4. Jika proses Manual Capture dilakukan sesuai prosedur yang benar, maka proses Manual Capture akan sangat cepat dan sangat mudah untuk digunakan. Saran-saran untuk penggunaan dan pengembang aplikasi ini: 1. Penggunaan aplikasi disarankan berada di tempat dengan intensitas cahaya yang cukup. 2. Pada penelitian selanjutnya disarankan mengintegrasikannya dengan database untuk mengenali objek. 3. Pada penelitian selanjutnya disarankan memvisualisasikan bentuk Head Pose Estimation pada camera dengan garis-garis. 4. Pada penelitian selanjutnya disarankan menggunakan C++ sebagai bahasa peprograman. 5. Pada penelitian selanjutnya disarankan menambahkan fitur Tilt untuk Kinect pada aplikasi.

10 REFERENSI Abboud, M. D., & Davoine, F. (2004). Facial expression recognition and synthesis based on an appearance model. Ahlberg, J. (2002). An active model for facial feature tracking. Caudell, T., & Mizell, D. (1992). "Augmented Reality: An Application of Heads-up Display Technology to Manual Manufacturing Processes Cootes, G. E., & Taylor, C. (2001). Active appearance models. Cootes, G. E., & Taylor, C. (2001). Active appearance models. Cootes, T. F., & Taylor, C. J. (2004). Statistical models of appearance for computervision. David, R. D., DeMenthon, D., & Samet., H. (2004). Simultaneous pose and correspondence determination using line features. de, P. H., & Zuo, F. (2004). Fast facial feature extraction using a deformable shape model with haar-wavelet based local texture attributes. Deitel, P., & Deitel, H. (2012). Visual C# 2012 How to Program. USA: Pearson Prentice Hall. DeMenthon, D., & Davis, L. (1995). Model-based object pose in 25 lines of code. Fairhurst, M. C. (1988). Computer Vision for Robotic Systems an Introduction. New Jersey: Prentice Hall. Fanelli, G., Gall, J., & Van Gool, L. (2005). Real-Time Head Pose Estimation Using Random Regression Forest. Fanelli, G., Weise, T., Gall, J., & Van Gool, L. (2011). Real Time Head Pose Estimation from Consumer Depth Cameras. Finlayson, G. S., Hordley, S., & Tian, G. Y. (2005). Illuminant and device invariant color using histogram equalization. Gonzales, R. C., & Woods, R. E. (2002). Digital Image Processing Third Edition. Upper Saddle River, NJ : MedData Interactive. Gonzalez, R. C., & Woods, R. E. (2002). Digital Image Processing (2nd Edition ed.). New Jersey: Prentice-Hall, Inc. Martins, P. A. (2008). Active Appearance Models for Facial Expression. Martins, P. A. (2008). Active Appearance Models for Facial Expression Recognition and Monocular Head. Milborrow, S., Morkel, J., & Nicolls, F. (2010). Real Time Head Pose Estimation with Random Regression Forests. N., N., D., J.M., C., Fisker, R., & Schultz. (2003). A general scheme for training and optimization of the grenander deformable template model. Nordsom, J. S., Larsen, M., & Stegmann, M. B. (2004). The imm face database - an annotated dataset of 240 face images. Sclaroff, S., & Isidoro, J. (1998). Active blobs. Shneiderman, B. (2010). Shneiderman's "Eight Golden Rules of Interface Design". Retrieved 8 15, 2013, from Shneiderman's "Eight Golden Rules of Interface Design": Stegmann, M. B. (2000). Active appearance models theory, extensions & cases. Stroustrup, B. (2013). The C++ Programming Language, 4th Edition. Addison-Wesley Professional. Szeliski, R. (2011). Computer Vision Algorithms and Applications. New York: Springer. Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascate of simple features. Voit, M. (2007). Limit theorems for radial random walks on homogeneous spaces with growing dimensions. Warade, S., Aghav, J., Petitpierre, C., & Udayagiri, S. (2012). AUTOMATED TRAINING AND MAINTENANCE THROUGH KINECT.

11 Whitten, J. L., & Bentley, L. D. (2007). System Analysis and Design Method 7th Edition. New York: McGraw-Hill/Irwin. Yang, N. A.-H., & Kriegman, D. J. (2002). Detecting faces in images: A survey. RIWAYAT PENULIS Randy Adhitama Setiadi lahir di kota Bogor pada 24 Juni Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang ilmu Teknik Informatika dan Matematika pada tahun 2013, setelah sebelumnya sempat mengikuti pendidikan S1 di Inha University Korea Selatan sebagai mahasiswa pertukaran pelajar pada tahun 2012 selama 4 bulan.