TEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP)

Transkripsi

1 TEKNIK ENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY ATTERN (LB) Eko Wahyudi, Wirawan dan Hendra Kusuma Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya Abstrak - ada tugas akhir ini digunakan teknik pengenalan wajah dengan pendekatan fitur berdasarkan Local Binary attern (LB), yang diujikan pada citra-citra wajah dengan berbagai variasi pencahayaan dan posisi kepala. Dimana umumya fitur ini digunakan untuk analisa tekstur. LB merupakan metode untuk mengekstraksi fitur dalam bentuk kode-kode biner yang diperoleh dari proses binary derivative, kode-kode ini kemudian akan dijadikan fitur berdasarkan histogram kode-kode tersebut. Algoritma pengujian yang digunakan pada penelitian tugas akhir ini adalah algoritma Supervised rincipal Component Analysis (CA), subspace Linear Discriminant Analysis (LDA), dan Chi Square. Dimana metode Supervised CA berfungsi mereduksi vektor fitur LB, sedangkan metode subspace LDA melakukan proses diskriminant dari hasil algoritma CA, dan metode Chi Square berfungsi untuk membandingkan distribusi histogram citra training dan citra test. Untuk citra wajah dengan variasi pencahayaan, pengujian dibagi menjadi 4 bagian subset berdasarkan keekstriman pencahayaan. Hasil dari penelitian menunjukkan bahwa dari ketiga metode yang diujikan, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale-B) tingkat terbaik ada pada citra test dengan tingkat pencahayaan yang relatif normal (subset 2) yaitu pada window size 11x13 sebesar 100%, sedangkan untuk variasi posisi kepala (basis data AT&T) ada pada window size 26x30 sebesar 90,71%. Kata kunci : engenalan wajah, Local Binary attern(lb), Supervised CA, Subspace LDA, dan Chi Square I. ENDAHULUAN engenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, aplikasi dari pengenalan wajah dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), kamus digital serta teknologi cerdas[1]. ermasalahan pada pengenalahan wajah dipengaruhi dari beberapa faktor variabilitas, yaitu variabilitas inter-personal dan variabilitas intra-personal. Variabilitas inter-personal timbul karena proses pengenalan wajah dilakukan pada wajah yang berbeda karena faktor ras dan genetika. Sedang variabilitas intra-personal adalah variasi yang muncul pada wajah yang sama dimana hal ini disebabkan oleh perubahanperubahan internal (deformations) seperti posisi wajah, keberadaan komponen struktural, ekspresi wajah, dan kondisi pencitraan [2][3]. Kondisi eksternal saat pengambilan citra wajah akan sangat mempengaruhi penampilan citra wajah, 1 dalam hal ini teknik pengenalan wajah menghadapi permasalahan IE (ose, Illumination, and Expression). Faktor IE menyebabkan penampilan dari citra-citra wajah orang yang sama akan jauh berbeda jika dibandingkan dengan citra wajah orang yang berlainan yang tidak terpengaruh oleh faktor IE. Algoritma pengenalan wajah dapat dibedakan menjadi dua yaitu berdasarkan pendekatan fitur (featurebased) dan pendekatan penampilan (appearance-based)[4]. Dan dalam penelitian ini digunakan teknik pengenalan wajah berdasarkan pendekatan fitur. II. TEORI ENUNJANG A. Struktur Sistem engenalan Wajah Sistem pengenalan wajah merupakan sistem pengenalan pola (pattern recognition) yang terdiri dari 4 modul, 4 modul tersebut antara lain : Modul akuisisi data/sensor, melalui modul ini akan didapatkan citra wajah dari para pengguna. Modul pemrosesan awal (preprocessing), modul ini akan mengekstrak bagian wajah (facial region) kemudian menormalisasi terhadap ukuran serta pencahayaan (photometric normalization). Modul ekstraksi fitur, modul ini bertujuan untuk mendapatkan satu set fitur yang berasal dari bagian wajah yang telah ternormalisasi, dimana satu set fitur tersebut berasal dari bagian wajah yang telah ternormalisasi menggunakan LB. Modul pencocokan (matching), modul ini akan mencocokkan fitur-fitur yang telah diperoleh dari citra wajah yang diinputkan terhadap template/model yang ada di database sistem untuk pengambilan keputusan tentang identitas pengguna. Struktur sistem pengenalan wajah dibagi menjadi dua tahap yaitu tahap enrollment/registrasi dan tahap pengenalan. ada tahap enrollment akan dibentuk model atau Template berdasarkan vektor-vektor fitur LB yang terekstrak dari sejumlah citra training. Kemudian Template-template ini disimpan dalam suatu basis data. Sedangkan pada tahap pengenalan sistem akan memberikan output berupa identitas wajah di basis data yang paling mirip dengan citra test dengan menguji kemiripan fitur vektor (feature vector) dari citra test dan training [5]. Struktur sistem pengenalan wajah ditunjukkan pada gambar 1.

2 Nilai desimal dari 8 bit dari ( LB code ) dapat dinyatakan dalam persamaan berikut: (2) Dan fungsi s(x) didefinisikan sebagai berikut: (3) Gambar 1. Diagram fungsional sistem pengenalan wajah. Bagian atas merupakan tahap registrasi/enrollment sedangkan bagian bawah merupakah tahap pengenalan. B. Histogram Equalization(HE) Histogram Equalization merupakan suatu proses transformasi distribusi harga-harga inteensitas piksel pada citra I(x,y) menjadi distribusi harga intensitas piksel yang merata (uniform), sehingga memperbaiki kekontrasan citra secara keseluruhan. roses ini bekerja dengan cara meyebarkan harga-harga intensitas piksel yang sering terjadi secara merata pada citra[5]. Citra hasil normalisasi HE ditunjukkan pada gambar 3. i new k 1 i0 ni N C. Local Binary attern (LB) k 1 i0 p( i) Local Binary attern (LB) adalah deskriptor tekstur yang dapat juga digunakan untuk wajah, karena gambar wajah dapat dilihat sebagai sebuah komposisi micro-texture-pattern yaitu suatu operator non parametrik yang menggambarkan tata ruang lokal citra. LB didefinisikan sebagai perbandingan nilai biner piksel pada pusat citra dengan 8 nilai piksel disekelilingnya. Misal pada sebuah citra berukuran 3x3, nilai biner pada pusat citra dibandingkan dengan nilai sekelilingnya. Dengan cara mengurangkan nilai piksel pada pusat citra dengan nilai piksel disekelilingnya, jika hasilnya lebih atau sama dengan 0 maka biberi nilai 1 dan jika hasilnya kurang dari 0 maka diberi nilai. Setelah itu, menyusun 8 nilai biner searah jarum jam atau sebaliknya dan merubah 8 bit biner kedalam nilai desimal untuk menggantikan nilai piksel pada pusat citra[6], seperti di ilustrasikan pada gambar 2. (1) Fungsi (2) bertujuan untuk menghilangkan variabilitas yang disebabkan oleh iluminasi kontras sehingga citra wajah dengan berbagai variasi pencahayaan akan mendapatkan output yang hampir mirip, seperti terlihat pada gambar 4. Dengan melakukan ekstrasi piksel menggunakan LB, maka didapatkan suatu nilai matrik baru yang akan dirubah kesuatu histogram untuk memperoleh fitur vektor wajah. D. Chi Square Chi Square digunakan sebagai classifier dalam ruang fitur. engujian pengenalan wajah dilakukan dengan cara menguji kemiripan dari dua buah distribusi, yaitu distribusi dari histogram citra test dan distribusi dari histogram citracitra training. rinsip dasar Chi Square adalah dengan menghitung nilai minimum dari rata-rata dua histogram citra untuk menentukan kemiripan dari dua citra wajah. [6]. E. rincipal Componen Analysis (CA) rincipal Component Analysis (CA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemrosesan citra. rinsip dasar dari algoritma CA adalah menentukan dan mempertahankan komponen komponen dari sekumpulan citra yang mempunyai distribusi maksimum. CA digunakan untuk mendapatkan vektor-vektor atau disebut juga sebagai principal component yang dapat memberikan informasi tentang variance maksimum database wajah. Gabungan dari citra wajah inilah yang dinamakan eigenface. Eigenface-eigenface ini adalah merupakan fitur dari suatu citra wajah yang akan dikenali. (4) (a) (b) Gambar 2. Local Binary attern (LB)[6] 2 Gambar 3. Citra hasil Normalisasi Histogram Equalization, (a).sebelum HE (b).setelah HE

3 Gambar 4. Citra-citra hasil operasi Local Binary attern (LB) yang menunjukkan ketahanan LB terhadap variasi pencahayaan [7] F. Subspace Linear Discriminant Analysis (LDA) Linear Discriminant Analysis (LDA) bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal yang dapat memaksimumkan penyebaran antar kelas dan meminimumkan penyebaran dalam kelas data wajah. Algoritma LDA memiliki karakteristik perhitungan matriks yang hampir sama dengan CA. erbedaan dasarnya adalah pada LDA diusahakan adanya perbedaan yang minimum dari citra dalam kelas. erbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). [9] G. Euclidean distance Ruang Euclidean merupakan ruang dengan dimensi terbatas. Dalam ruang tersebut citra wajah direpresentasikan sebagai dua titik yang memiliki koordinat masing-masing. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku. Dimana x adalah citra training, dan y adalah citra input test. Jika dan merupakan dua titik dalam Euclidean ruang n, maka jarak Euclidean x ke y adalah: (5) (6) B. erancangan Data Gambar 5. Blok Diagram sistem secara umum Dalam pengujian ini digunakan dua basis data yaitu Yale-B dan AT&T. citra dari basis data Yale-B dan AT&T dibagi kedalam dua basis data yaitu citra-citra training untuk digunakan pada proses learning serta citra tes untuk proses tes. pengenalan wajah ada basis data citra training dibagi menjadi dua yaitu basis data citra training dengan variasi pencahayaan diambil dari basis data Yale-B sebanyak 120 citra dari 10 kelas yang berbeda. Untuk variasi posisi wajah (headpose) diambil dari basis data AT&T sebanyak 120 citra dari 40 kelas. C. Ekstraksi fitur LB engekstrasian fitur dengan mengggunakan LB dimulai dengan melakukan segmentasi dari citra wajah. Area wajah terlebih dahulu dibagi menjadi daerah yang lebih kecil dengan jumlah blok atau region (5x5) sampai (11x11), sehingga akan didapat tujuh variasi ukuran jendela (window size) LB dengan ukuran piksel sebesar 26x30, 21x25, 18x21, 16x18, 14x16, 13x15, 11x13. Ekstraksi fitur LB ditunjukkan seperti gambar 7. D. erencanaan Software Software yang digunakan untuk simulasi yaitu dengan menggunakan MATLAB versi 7.6. dengan memanfaatkan pembuatan Graphical User Interface (GUI). Alasan menggunakan Matlab karena software ini bekerja berdasarkan matriks yang sesuai dengan tipe data pada citra. III. ERANCANGAN SISTEM A. erencanaan Algoritma engujian system pengenalan wajah menggunakan tiga algoritma yaitu supervised CA, subspace LDA, dan Chi Square. Ketiga algoritma tersebut diujikan pada citra wajah dengan variasi pencahayaan, posisi kepala, dan ekspresi (IE) dengan menggunakan basis data Yale-B dan AT&T. Diagram blok gambaran sistem secara umum seperti terlihat pada Gambar 5 3 Gambar 6 Tampilan GUI

4 F. erancangan Algoritma LDA engenalan berdasarkan proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini terdiri dari dua tahap yaitu citra wajah yang telah di ekstraksi fitur dengan LB diproyeksikan ke ruang eigenface yang telah dibentuk oleh CA dan kemudian vektor-vektor yang telah terproyeksi diproyeksikan kembali menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier. erbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). IV. ENGUJIAN DAN ANALISIS SISTEM (a) (b) Gambar 7. (a) Diagram Alir ekstraksi Fitur LB, (b) Ilustrasi ekstraksi Fitur LB E. erancangan Algoritma CA Algoritma CA digunakan untuk mereduksi fitur vektor LB, dan proses pengenalan digunakan algoritma Euclidean Distance. Diagram alir CA dapat dilihat pada Gambar 8 T 1 T i i 1 L T T A,,, L A.A 1 i1 T i. T i Dari hasil semua percobaan pengenalan wajah yang telah dilakukan baik untuk basis data Yale-B maupun AT&T dapat diketahui bahwa dari ketiga metode yang diujikan hasil terbaik tingkat pengenalan wajah dengan mengekstraksi fitur wajah menggunakan fitur LB adalah menggunakan metode Chi Square, Hasil terbaik kedua menggunakan metode reduksi dimensi Supervised CA dan yang terakhir menggunakan metode Subspace LDA. ada basis data Yale B yang mempunyai variasi pencahayaan yang berbeda-beda, tingkat pengenalan wajah terbaik ada pada fitur yang lebih detail, untuk Supervised CA dan Subspace LDA tingkat pengenalan terbaik ada pada window size 14x16, sedangkan pada metode Chi Square tingkat pengenalan wajah yang paling baik terdapat pada window size 11x13. Sedangkan untuk basis data AT&T yang mempunyai variasi pose, ekspresi dan aksesoris tingkat pengenalan wajah justru berbanding terbalik dengan jumlah blok LB yaitu pada window size 26x30, hal ini disebabkan dengan mengekstraksi fitur wajah dengan menggunakan algoritma LB akan memperjelas perbedaan detail pada wajah yang mempunyai variasi yang besar yang ada pada basis data AT&T yaitu pose, ekspresi dan aksesoris. sehingga dapat dlihat bahwa penggunaan fitur LB dalam proses pengenalan wajah, lebih tepat digunakan untuk variasi wajah dengan kendala pencahayaan dari pada posisi kepala. Dari hasil pengujian dengan kondisi pencahayaan yang berbeda-beda tingkat pengenalan wajah sampai 100% sedangkan untuk variasi posisi kepala tingkat pengenalan wajah hanya 90,7%. hasil uji untuk variasi pencahayaan di tunjukkan pada gambar 9 untuk (subset II), gambar 10 untuk (subset III), gambar 11 untuk (subset III) dan gambar 12 untuk (subset IV) dan untuk variasi posisi kepala ditunjukkan pada gambar 13. Gambar 8. Diagram Alir roses Training CA 4

5 Gambar 9. Grafik engujian fitur LB pada basis data Yale-B (subset II) Gambar 11. Grafik engujian fitur LB pada basis data Yale-B (subset IV) Gambar 10. Grafik engujian fitur LB pada basis data Yale-B (subset III) 5 Gambar 12. Grafik engujian fitur LB pada basis data Yale-B (subset V)

6 DAFTAR REFERENSI Gambar 13. Grafik engujian fitur LB untuk metode CA, Subspace LDA dan Chi Square pada basis data AT&T. V. KESIMULAN Setelah melakukan perencanaan dan pembuatan sistem kemudian dilakukan pengujian dan analisisnya, maka dapat diambil beberapa kesimpulan tentang ketiga metode pengenalan wajah yang diujikan, yaitu sebagai berikut: 1. Dari ketiga algoritma yang diujikan yaitu Supervised CA, Subspace LDA, dan Chi Square, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale-B) pada subset 2 sebesar 100%, subset 3 sebesar 99,17%, subset 3 sebesar 83,33%, dan untuk subset 4 sebesar 61% sedangkan untuk variasi posisi kepala (basis data AT&T) sebesar 90,71%. 2. ada basis data Yale-B, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised CA dan Subspace LDA terjadi pada window size LB 14x16. Sedangkan untuk algoritma Chi Square tingkat pengenalan terbaik terjadi pada window size LB 11x ada basis data AT&T, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised CA dan Chi Square terjadi pada window size LB 26x30. Sedangkan pada algoritma Subspace LDA terjadi pada window size 21x engenalan wajah dengan menggunakan fitur LB lebih sesuai digunakan untuk citra-citra dengan variasi pencahayaan dari pada variasi headpose. [1]. R. Chellappa, C. L. Wilson, and S. Sirohey Human and machine recognition of faces, a survey, roc. IEEE 83, (1995). [2]. Ming-Hsuan Yang, David J. Kriegman, Narendra Ahuja. Detecting Faces in Images: A Survey. IEEE Trans. attern Analysis and Machine Intelligence, vol. 24, no. 1, pp , Jan [3]. Ming-Hsuan Yang. Recent Advances in Face Detection. ICI 2003 Tutorial: Advance in Face rocessing, [4]. R. Brunelli and T. oggio, Face Recognition: Features vs. Templates, IEEE Trans. attern Analysis and Machine Intelligence, vol. 15, no.10, pp. 1,042-1,053, Oct [5]. Kusuma. H, Wirawan, urwanto. D, Single Scale Retinex dan Histogram Remapping untuk perbaikan recognition rate pada Eigenspace-based Face Recognition, Seminar on Intelligent Technology and Its applications, Oktober [6]. Timo Ahonen, Abdenour Hadid,and Matti ietik ainen, Face Description with Local Binary atterns:application to Face Recognition, vol. 28 no. 12, pp , December [7]. Yann Rodriguez, Face Detection and Verification using Local Binary atterns, thesis, École olytechnique Federale De Lausanne, 26 October [8]. Kusuma H, Wirawan, Appearance-based Face Recognition dengan menggunakan rincipal Component Analysis (CA) dan Nearest Mean Classifier, Java Journal of Electrical & Electronic Engineering vol. 6 no.1, april 2008 [9]. Kusuma H, Wirawan., Teknik engenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis), Java Journal of Electrical & Electronic Engineering vol. 6 no.2, Oktober RIWAYAT ENULIS Eko Wahyudi, lahir di Banyuwangi, 28 Januari 1987, merupakan putra pertama dari pasangan Bapak Karyadi dan Ibu Legiyem. Setelah lulus dari SMK Negeri 1 Glagah, Banyuwangi 2005, kemudian melanjutkan studi di Diploma 3, oliteknik Elektronika Negeri Surabaya Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS bidang studi Telekomunikasi Multimedia pada tahun Selama studi, penulis aktif menjadi asisten praktikum Komunikasi Data dan engolahan Sinyal Digital di Laboratorium Multimedia yang diadakan oleh Bidang Studi Telekomunikasi Multimedia. 6