Objek Kaca Mata Augmented Reality Berbasis Tracking Mata menggunakan Haar Cascade Classifier
|
|
- Suryadi Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Objek Kaca Mata Augmented Reality Berbasis Tracking Mata menggunakan Haar Cascade Classifier Slamet Bidang Keahlian Jaringan Cerdas Multimedia Institut Teknologi Sepuluh Nopember Surabaya, Indonesia Mochammad Hariadi Bidang Keahlian Jaringan Cerdas Multimedia Institut Teknologi Sepuluh Nopember Surabaya, Indonesia Abstract Technology development of Augmented Reality (AR) requires natural interaction. One of the biggest challenge in AR research is to get an immersive AR environments in which real objects and virtual objects as if fused. For that, we need a fast tracking capability so that they look together. This study aims to develop a system for tracking eye, tracking results quickly which is used as a marker that serves as a medium for natural interaction in AR environment. Tracking is based on a single camera using Haar Cascade Classifier algorithm to identify objects and faces more focused again on eye tracking. After eye features can be detected, the 3D models in the form of eye glasses will appear as a virtual model of AR. In this study eye feature will be detected if: estimated roll of the face by lighting 2-8 Cd, roll angle between -21 and 18, and a small angle in the yaw and pitch; estimation of the face pitch with lighting Cd 2-10, pitch angle between -23 and 18, and a small angle of the yaw and roll, as well as estimates of yaw on the face with lighting Cd 2-10, yaw angle between -10 and 15, and a small angle of the pitch and roll. Keywords - eye tracking, eye glasses, augmented reality, haar classifier cascade. D I. PENDAHULUAN alam perkembangan teknologi serta makin meningkatnya kebutuhan komputer, manusia selalu berusaha untuk meningkatkan kualitas dan mempermudah interaksinya dengan komputer, salah satu cara adalah dengan membuat komputer menjadi lebih interaktif dan user-friendly. Muncullah suatu bidang ilmu multi disiplin yang mempelajari interaksi antara pengguna dan komputer, disebut HCI (Human Computer Interaction) yang telah mencatat berbagai perkembangan penting seperti virtual reality dan gesture recognition. Dalam bidang computer graphic visualization, salah satu perkembangan HCI yang secara signifikan telah mengubah cara manusia berinteraksi dengan komputer adalah sistem GUI (Graphical User Interface). Sisi lain yang saat ini sedang marak dilakukan penelitian dan pengembangannya adalah Augmented Reality. Ditinjau dari sisi teknis, Augmented Reality (AR) merupakan teknologi transformatif. Salah satu karakteristik yang paling penting adalah cara dimana AR tersebut membuat suatu transformasi yang lebih cepat dalam proses interaksi pengguna sehingga lingkungan AR tampak immersive. Sistem interaksi tidak terbatas pada tempat-tempat tertentu saja tetapi melingkupi keseluruhan lingkungan di luar tampilan layar. Dari sisi strategis, salah satu aplikasi AR bagi pengguna sangat bermanfaat dalam meningkatkan produktifitas dan efisiensi. Karena AR lebih menyerupai hiburan, maka melalui AR diharapkan pengguna lebih banyak memperoleh informasi dari apa yang diharapkan tanpa harus menyita waktu, tempat, maupun biaya. Di sisi ekonomis, implementasi teknologi AR tidak memerlukan peralatan dengan biaya yang tinggi. Untuk dapat menjalankan sistem berbasis AR hanya diperlukan dukungan minimal komputer, program yang menjalankan AR dan kamera. Salah satu bidang interaksi manusia dan komputer dalam AR yaitu mengestimasi posisi kamera (baik itu secara virtual atau real) dalam menempatkan proses augmentasi. Proses mengestimasi posisi tersebut dinamakan tracking. Di bidang ini, pengambilan data menggunakan kamera dapat digunakan sebagai data masukan. Beragam gerakan manusia, baik anggota badan yang melakukan gerakan ataupun pose yang dihasilkan dapat dinterpretasikan dalam beragam makna. Salah satu alternatif anggota badan manusia yang dapat digerakkan untuk menghasilkan beragam pose adalah wajah. Sebelum proses interpretasi, pertama kali, komputer harus mampu menangkap pose wajah dengan benar. Metode tracking yang digunakan menjadi salah satu faktor penting untuk memastikan komputer dapat menangkap pose wajah pengguna dengan benar. Beberapa penelitian di bidang tracking atau penjejakan wajah dikerjakan dengan beberapa metode mulai segmentasi warna kulit wajah, deteksi lokasi wajah, deteksi iris, pendeteksian fitur gerakan, penjejakan fitur-fitur wajah dan beberapa fitur lainnya, termasuk perlakuan khusus pada sistem kamera yang digunakan. Hingga saat ini, interpretasi pose wajah berbasis visual menggunakan kamera dilakukan dengan melakukan estimasi berdasar data geometri dari fiturfitur pada wajah yang teridentifikasi. Dalam penelitian ini dikembangkan AR dengan teknik interaksi dimana pengguna dapat menampilkan kaca mata 3 dimensi secara real time dengan cara melakukan tracking mata di area wajah menggunakan Haar Cascade Classifier. 1
2 II. TINJAUAN PUSTAKA Augmented Reality (AR) adalah sebuah istilah untuk lingkungan yang menggabungkan dunia nyata dan dunia virtual sehingga batas antara keduanya menjadi sangat tipis. [1] mendefinisikan AR sebagai sistem yang memiliki karakteristik sebagai berikut: a. Menggabungkan lingkungan nyata dan virtual b. Berjalan secara interaktif dalam waktu nyata c. Integrasi dalam tiga dimensi (3D) Secara sederhana AR bisa didefinisikan sebagai lingkungan nyata yang ditambahkan objek virtual. Penggabungan objek nyata dan virtual dimungkinkan dengan teknologi tampilan yang sesuai, interaktivitas dimungkinkan melalui perangkat-perangkat input tertentu. Tujuan utama dari AR adalah untuk menciptakan lingkungan baru dengan menggabungkan interaktivitas lingkungan nyata dan virtual sehingga pengguna merasa bahwa lingkungan yang diciptakan adalah nyata. Dengan kata lain, pengguna merasa tidak ada perbedaan yang dirasakan antara AR dengan apa yang mereka lihat/rasakan di lingkungan nyata. Dengan bantuan teknologi AR (seperti visi komputasi dan pengenalan pola) lingkungan nyata dapat berinteraksi dalam bentuk digital (virtual). Informasi tentang objek dan lingkungan sekitar dapat ditambahkan ke dalam sistem AR yang kemudian informasi tersebut ditampilkan di atas layer dunia nyata secara real-time seolah-olah informasi tersebut adalah nyata. Informasi yang ditampilkan oleh objek virtual membantu pengguna melaksanakan kegiatan-kegiatan dalam dunia nyata. Untuk membangun AR secara sederhana, tidak diperlukan peralatan yang sulit dicari dan mahal. Peralatan yang dibutuhkan hanya kamera / webcam, komputer dan monitor. Kamera / webcam digunakan untuk menangkap marker yang diperlukan sistem untuk menempatkan dan menampilkan elemen virtual dalam AR. Komputer dibantu aplikasi tertentu melakukan proses identifikasi marker sampai proses render model. Sedangkan monitor digunakan untuk menampilkan hasil akhir dari keseluruhan proses AR (Gambar 1). Real World Graphics System Camera Position Virtual Objects Video of Real World Video Merging Augmented View Augmented Video Gambar 1. Perangkat pendukung teknologi AR [6] Dalam AR, objek virtual dan objek nyata harus ada interaksi yang selaras mungkin. Proses untuk menyelaraskan objek ini dinamakan registrasi. Sensor yang mengumpulkan informasi tentang lingkungan di dalamnya dan mengumpulkan informasi spasial 3 dimensi ini disebut tracker (pelacak). Pelacak mengumpulkan informasi ini untuk meregistrasi objek virtual dalam 3D di dalam aplikasi AR. Untuk menghitung sudut pandang pengguna dan untuk menampilkan informasi virtual pada posisi yang tepat dari informasi pose, maka posisi dan orientasi harus dilacak oleh teknologi tracking. Haar cascade classifier adalah metode deteksi objek yang membangun sebuah boosted rejection cascade, yang membuang data latih negatif sehingga didapat suatu keputusan untuk menentukan data positif. Haar menunjukkan kepada detektor wajah yang mendeteksi sebuah citra dengan fiturnya. Jika ada sebuah citra dinamis diakses maka detektor wajah menguji ke setiap lokasi citra dan mengklasifikasikannya sebagai wajah atau bukan wajah. Klasifikasi ini dimisalkan dengan sebuah skala tetap untuk wajah, misalnya 24x24 piksel. Jika wajah pada citra lebih besar atau lebih kecil dari piksel tersebut, maka classifier (pengklasifikasi) berjalan beberapa kali untuk mencari wajah pada citra tersebut. Konsep pendeteksian wajah pada sistem ini menggunakan metode haar cascade classifier. Fitur haar-like adalah fitur citra digital yang digunakan di dalam pengenalan objek. Sejumlah fitur haarlike mewakili wilayah persegi pada citra dan menjumlahkan semua piksel pada daerah tersebut. Jumlah yang didapatkan digunakan untuk mengkategorisasikan citra. Pada contoh citra 20x20, terdapat lebih dari fitur, yang harus diseleksi menjadi 200 fitur baik [3]. Edge features (a) (b) Line features (c) (d) Center-Surround features (a) (b) (c) (d) (e) (f) (g) (h) Gambar 2. Macam-macam fitur pada haar [4] Pada pengklasifikasi yang sebenarnya, terdapat banyak sekali fitur yang digunakan, sehingga perhitungan langsung terhadap jumlah piksel pada banyak fitur yang ditemukan menyebabkan proses pendeteksian menjadi lambat. Masalah ini dapat diatasi dengan cara berikut, yaitu melalui cara yang diperkenalkan oleh Viola. Pada sub-window suatu citra, SAT (Summed Area Table) dihitung dari keseluruhan citra, dimana : SSSSSS (XX, YY) = xx<xx,yy<yy II(xx, yy). Jumlah piksel dari kotak rr = {(xx, yy), xxxx xx < xxxx + ww, yyyy yy < yyyy + h} Bisa dihitung menggunakan SAT hanya dengan menggunakan siku (corner) dari fitur, berapapun ukurannya: RRRRRRRRRRRR(rr) = SSSSSS(xxxx + ww, yyyy + h) SSSSSS(xxxx + ww, yyyy) SSSSSS (xxxx, yyyy + h) + SSSSSS(xxxx, yyyy). Fitur persegi dapat dihitung dengan cepat menggunakan suatu representasi citra yang disebut integral image. Nilai integral image pada titik (x,y) adalah jumlah piksel yang ada di atas dan di sebelah kiri titik tersebut. iiii(xx, yy) = xx xx,yy yy ii(xx, yy ). Di mana iiii(xx, yy) adalah integral image dan i(x,y) adalah citra asli. ss(xx, yy) = ss(xx, yy 1) + ii(xx, yy). iiii(xx, yy) = iiii(xx 1, yy) + ss(xx, yy) (a) (b) 2
3 Di mana ss(xx, yy) adalah jumlah baris kumulatif, ss(xx, yy) = 0 dan iiii(xx 1, yy) = 0. Viola Jones menggunakan suatu bentuk variasi dari AdaBoost untuk memilih fitur-fitur dan untuk melatih pengklasifikasi. Pada bentuk aslinya, algoritma pembelajaran AdaBoost digunakan untuk meningkatkan kinerja klasifikasi terhadap suatu algoritma pembelajaran lemah. Berikut adalah algoritma boosting untuk mempelajari sebuah query secara online: 1. Memberikan citra (x 1,y 1 ),..., (x n,y n ) dimana 0,1 untuk data negatif dan positif berturut-turut. 2. Menginisialisasikan bobot w 1,i = 1, 1 untuk y i = 2mm 2ll 0,1 berturut-turut, di mana m dan l adalah jumlah negatif dan positif berturut-turut. 3. Untuk t=1,..., T: a. Menormalisasikan bobot, ww tttt ww tt,ii nn jj =1 ww tt,jj sehingga w t adalah distribusi probabilitas. b. Untuk setiap fitur, j, melatih sebuah pengklasifikasi h j yang dibatasi agar menggunakan sebuah fitur tunggal. Kesalahan dievaluasi sehubungan dengan ww tt, jj = ii ww ii h jj (xx ii ) yy ii c. Memilih pengklasifikasi, h t, dengan kesalahan terendah tt. d. Memperbaharui bobot: 1 ee ww tt+1,ii = ww tt,ii ββ ii tt dimana e i = 0 jika data x i diklasifikasi dengan benar, e i = 1 jika sebaliknya, dan ββ tt = 4. Pengklasifikasi kuat akhir-nya adalah: tt 1 tt. h(xx) = 1 0 αα tth tt (xx) 1 2 αα tt tt=1 tt=1 ooooheeeeeeeeeeee dimana αα tt = log 1 ββ tt Cascade Classifier (Pengklasifikasi bertingkat) adalah suatu pohon keputusan degenerasi, dimana pada setiap tahap, sebuah pengklasifikasi dilatih untuk mendeteksi hampir semua objek yang menarik (contoh: wajah frontal) sembari menolak suatu fraksi tertentu dari pola bukan objek. AdaBoost merupakan suatu algoritma pembelajaran untuk meningkatkan kinerja klasifikasi terhadap suatu algoritma pembelajaran sederhana. AdaBoost menggabungkan sekumpulan fungsi klasifikasi lemah untuk membentuk suatu pengklasifikasi yang kuat [3]. Seperti pohon keputusan, pengklasifikasipengklasifikasi berikutnya dilatih menggunakan data-data yang telah melewati semua tahapan sebelumnya. Hasilnya, pengklasifikasi kedua menghadapi tugas yang lebih sulit dari pada yang pertama [7]. TT TT Gambar 3. Gambaran skematis sebuah tingkatan pendeteksian [7] Diberikan sebuah pengklasifikasi bertingkat yang telah dilatih, jumlah false positive pada tingkatan tersebut adalah: KK FF = ii=1 ff ii dimana F adalah jumlah false positive pada pengklasifikasi bertingkat, K adalah jumlah pengklasifikasi, dan ff ii adalah jumlah false positive pada pengklasifikasi bertingkat ke i. Tingkat pendeteksiannya adalah: KK DD = ii=1 dd ii dimana D adalah tingkat pendeteksian pada pengklasifikasi bertingkat, K adalah jumlah pengklasifikasi, dan dd ii adalah tingkat pendeteksian pada pengklasifikasi ke i. III. METODOLOGI Secara umum proses pemodelan penelitian yang digunakan seperti gambar 4, dimana pemrosesan dimulai dari proses akuisisi citra, proses pendeteksian dan tracking wajah dengan mencari Region of Interest (RoI) wajah, penentuan RoI mata sampai dengan proses overlay image untuk ditampilkan sebagai objek virtual pada Augmented Reality. Gambar 4. Bagan alir penelitian Pada tahap awal dimulai dengan proses akuisisi citra yang berasal dari kamera. Dalam proses ini terbagi menjadi dua, yaitu proses untuk menerima input dari kamera dan proses pengambilan frame dari input tersebut. Kedua proses tersebut menggunakan fasilitas library yang telah disediakan 3
4 oleh EMGU Open Source Computer Vision. Penggunaan library ini bermanfaat untuk proses input yang berlangsung secara real time. Yang dilanjutkan dengan melakukan deteksi dan tracking wajah pada citra dari sekuen video. Algoritma yang digunakan pada penelitian ini adalah haar cascade classifier seperti yang dikenalkan oleh Viola and Jones [7]. Sebagai masukan sistem yaitu berupa sekumpulan gambar yang membentuk sekuen sebuah gerakan kepala. Setelah dilakukan deteksi wajah maka ditentukan RoI. Region Of Interest adalah daerah persegi panjang pada gambar untuk memproses citra lebih lanjut, yang dapat dilihat pada gambar 5. Mulai Citra Sub image Integral Proyeksi Menentukan Fitur Haar Membuat Cascade Classifier Menghitung Nilai Fitur Haar dengan Integral Image Sub image Deskripsi Citra Image Gambar 5. Menentukan Region of Interest Sedangkan algoritma menentukan RoI pada citra wajah adalah sebagai berikut: 1. Menggunakan algoritma segmentasi warna kulit untuk menemukan warna kulit dari citra wajah. Warna kulit ditemukan dari citra dengan bantuan treshold sebagai berikut: RR + GG + BB iiii 3 PP(xx, yy) = wwhiiiiii TT PP(xx, yy) = bbbbbbbbbb dimana PP(xx, yy), representasi dari current pixel dengan posisi koordinat x dan y. R, G dan B adalah nilai Red, Green dan Blue dari current pixel PP(xx, yy) dan T adalah threshold dari piksel warna kulit. 2. Lebar maksimal dan tinggi maksimal dari piksel kulit yang terhubung dianggap sebagai lebar dan tinggi dari wajah saat ini di dalam citra. 3. Untuk memeriksa kemungkinan adanya wajah pada citra yang diberikan, tinggi dan lebar area wajah mengikuti kriteria sebagai berikut: height 50, width 50 1 heeeeeehtt wwwwwwwwh 2 4. Setelah proses pengenalan wajah, dilanjutkan mengkonversi citra ke dalam citra biner. 5. Kemudian memotong wajah dari citra biner menurut piksel warna kulit saat ini dengan mempertimbangkan tinggi dan lebarnya sehingga ditemukan Region of Interest (RoI). Sedangkan alur kerja metode Haar Cascade Classifier untuk mendeteksi mata dapat dilihat pada gambar 6. Berhenti Gambar 6. Sistem kerja metode haar cascade classifier Setelah wajah terdeteksi dan ditentukan Region of Interest, kemudian dilakukan proses integral proyeksi untuk menentukan daerah lokasi dari mata dan dilanjutkan dengan pencarian objek mata, yaitu dengan cara mencari fitur-fitur yang memiliki tingkat pembeda yang tinggi. Berikut ini adalah cara kerja haar cascade classifier: T Image Filter 1 Filter 2 T T... Filter n Eyes F F F F Non Eyes Gambar 7. Cascade classifier (pengklasifikasi bertingkat) Pada gambar 7, klasifikasi tingkat pertama (filter 1), tiap subcitra diklasifikasi menggunakan satu fitur. Klasifikasi ini menyisakan 50% subcitra untuk diklasifikasi di tahap kedua (filter 2). Seiring dengan bertambahnya tingkatan klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi lebih banyak. Jumlah subcitra yang lolos klasifikasi pun berkurang hingga klasifikasi menyisakan 2% subcitra. Tracking mata dilakukan untuk proses pergerakan marker. Sistem mencari koordinat marker, kemudian nilai koordinat tersebut dijumlahkan dengan titik tengah koordinat mata. Titik tengah mata diambil dari citra yang ada di dalam region of interest di area mata. Pada gambar 8, citra mata dijadikan acuan untuk menentukan lokasi titik tengah mata. a. Citra wajah b. Citra mata sebagai acuan Gambar 8. Citra mata yang digunakan sebagai marker AR 4
5 Posisi dan orientasi direpresentasikan dengan sudut roll, pitch dan yaw (RPY), dimana matrik ini bisa dikatakan sebagai sebuah urutan dari tiga rotasi yang secara prinsip masing-masing mewakili sebuah sumbu koordinat. Dari persamaan : RR RRRRRR (αα, ββ, γγ) = RR zz (αα)rr yy (ββ)rr xx (γγ), bahwa rotasi pertama dilakukan pada sumbu x, kemudian pada sumbu y dan terakhir pada sumbu z. Solusi invers kinematik RPY menjadi, rr 11 rr 12 rr 13 RR RR(αα)PP(ββ )YY(γγ) = rr 21 rr 31 rr 22 rr 32 rr 23 rr 33 Rotasi matrik pada R dapat dihitung menggunakan sudut euler α, β dan γ dengan cara membagi setiap elemen pada R terhadap korespondensi elemen perkalian matrik RR zz (αα)rr yy (ββ)rr xx (γγ). Sehingga didapatkan sudut RPY sebagai berikut: ssssssssss rrrrrrrr (αα) = aaaaaaaa rr 21 rr 11 ssssssssss pppppppph (ββ) = aaaaaaaa rr 31 xx cccccc(αα) + rr rr 21 ssssss (αα) 11 ssssssssss yyyyyy (γγ) = aaaaaaaa rr 32 rr 33 Setelah diketahui posisi dan orientasi wajah (roll, pitch dan yaw), maka dilakukan deteksi posisi untuk menentukan letak objek virtual, dalam hal ini adalah kaca mata 3D. Posisi yang diambil adalah titik-titik fitur mata kiri dan kanan yang digunakan sebagai marker AR. Setelahnya objek virtual (kaca mata) di-overlay untuk mengikuti kedua fitur mata ini. Dengan demikian, diharapkan objek kaca mata selalu berada tepat di depan kedua mata. IV. HASIL PENGUJIAN DAN PEMBAHASAN Pengujian tracking sistem dengan melakukan proses pelacakan dengan menerapkan tingkat pencahayaan, perbedaan ukuran citra yang dipengaruhi oleh jarak objek nyata (wajah) terhadap kamera, faktor keberadaan penghalang dan kondisi posisi wajah dalam orientasi roll, pitch dan yaw. Berdasarkan hasil pengujian dengan pencahayaan terhadap proses pelacakan menunjukkan bahwa faktor pencahayaan berpengaruh pada keberhasilan pelacakan. Pada pengujian, proses ini berhasil dilakukan apabila tingkat kecerahan (brightness) objek berjalan pada cahaya ruangan yang merata, artinya pencahayaan pada ruangan dan objek (wajah) tidak terlalu gelap dan juga tidak terlalu terang. Hasil pengujian dengan intensitas cahaya (dalam satuan candela (cd)) dapat dilihat pada tabel 1. Tabel 1 Percobaan kondisi pencahayaan No. Intensitas Cahaya (Cd) Keterangan 1 0 Gagal 2 1 Gagal 3 2 Berhasil 4 3 Berhasil 5 4 Berhasil 6 5 Berhasil 7 6 Berhasil 8 7 Berhasil 9 8 Berhasil 10 9 Berhasil Berhasil Gagal Gagal Gagal Gagal Gagal Gagal Pengaruh ukuran citra terlacak atau jarak objek dapat dianalisa bahwa fitur mata berhasil dilacak jika mempunyai jarak minimal dan jarak maksimal saat pengambilan citra. Ukuran jauh-dekatnya tidak bisa dipastikan karena tergantung dari spesifikasi kamera. Untuk kamera yang digunakan pada percobaan ini (integrated camera Dell Vostro 3350) [2] jarak minimum objek (wajah) ± 10 cm dan jarak terjauhnya adalah ± 80 cm. Tabel 2 Percobaan jarak objek terhadap kamera No. Jarak (cm) Keterangan 1 0 Gagal 2 10 Berhasil 3 15 Berhasil 4 20 Berhasil 5 30 Berhasil 6 40 Berhasil 7 45 Berhasil 8 50 Berhasil 9 60 Berhasil Berhasil Berhasil Berhasil Berhasil Gagal Gagal Gagal Gagal Pada pengujian dengan penghalang, penghalang yang digunakan berupa tangan yang menutupi mata, kaca mata (objek nyata) hitam dan kaca mata transparan. Penghalang yang tidak menghilangkan faktor pengenalan fitur tidak mempengaruhi proses pelacakan sehingga objek virtual masih muncul. Dalam pengujian ini, objek penghalang yang tidak menghilangkan faktor pengenalan fitur ini adalah kaca mata (objek nyata) transparan. Hal ini karena fitur mata kanan dan 5
6 mata kiri masih bisa dideteksi oleh kamera, dalam hal ini digunakan sebagai marker AR sehingga objek kaca mata 3D bisa ditampilkan. Gambar 9. Pendeteksian Fitur dengan halangan kaca mata (objek real) transparan. Sedangkan objek penghalang yang mempengaruhi gagalnya pendeteksian fitur adalah tangan yang diletakkan menghalangi mata, baik itu mata kiri atau kanan saja atau bahkan kedua mata yang dihalangi. Hasil percobaan dengan halangan mata kanan dapat dilihat pada gambar 10, dimana fitur mata kiri dan mulut masih bisa dideteksi. Objek virtual kaca mata tidak dapat di-overlay karena mata yang terdeteksi hanya satu, sedangkan algoritma yang dipakai dalam penelitian hanya dapat meng-overlay objek virtual jika kedua mata terdeteksi dengan baik. Gambar 10. Pendeteksian fitur dengan halangan tangan menghalangi mata kanan Demikian juga gambar 11 dengan percobaan halangan mata kiri, dimana fitur mata kanan dan mulut masih bisa dideteksi. Objek virtual kaca mata tidak dapat di-overlay karena mata yang terdeteksi hanya satu, sedangkan algoritma yang dipakai dalam penelitian hanya dapat meng-overlay objek virtual jika kedua mata terdeteksi dengan baik. Gambar 11. Pendeteksian fitur dengan halangan tangan menghalangi mata kiri Gambar 12. Pendeteksian fitur dengan halangan kaca mata hitam Di samping itu juga objek penghalang lain (gambar 12) seperti kaca mata (objek nyata) hitam mempengaruhi gagalnya proses pelacakan mata. Meskipun fitur hidung dan mulut dapat dideteksi oleh fitur haar, namun fitur-fitur ini diabaikan karena pada penelitian ini lebih difokuskan untuk mendeteksi fitur mata saja. Karena fitur mata tidak dapat dideteksi oleh fitur haar, maka tidak ada proses overlay ke fitur mata yang digunakan sebagai marker untuk menampilkan objek virtual AR. Pada pengujian bentuk dan ekpresi wajah, dilakukan pada objek dengan wajah yang memiliki bentuk dan ekpresi yang berbeda-beda. Bentuk wajah yang dimaksud adalah bentuk bulat, persegi, oval dan panjang dari data percobaan. Sedangkan yang dimaksud ekpresi wajah adalah ekpresi tersenyum, tertawa, meringis dan jijik dari data percobaan. Hasilnya, pengujian mengambil 36 sampel dan semuanya berhasil terlacak. Hal ini karena sistem sudah dilakukan pelatihan dengan berbagai citra wajah dan citra mata [5], sehingga sistem masih dapat melacak berbagai bentuk dan ekspresi wajah. Pada pengujian dengan orientasi roll, fitur mata bisa dideteksi pada sudut antara sampai dengan 18 0, dan sudut kecil pada orientasi pitch dan yaw. Pada range sudut ini, fitur mata kanan dan mata kiri dapat dideteksi secara lengkap. Artinya fitur haar berhasil mendeteksi fitur mata kanan dan mata kiri. Karena fitur-fitur ini berhasil dideteksi dan fitur ini digunakan sebagai marker maka objek kaca mata virtual dapat di-overlay ke fitur ini sehingga muncullah objek virtual. Data percobaan pendeteksian fitur berdasarkan pose wajah pada orientasi roll dapat dilihat pada tabel 3. Urutan Pose Tabel 3. Deteksi pose pada orientasi roll Sudut Deteksi Hasil (derajat) Percobaan Pose 1-31 Gagal Pose 2-29 Gagal Pose 3-26 Gagal Pose 4-24 Gagal Pose 5-21 Berhasil Pose 6-13 Berhasil Pose 7-10 Berhasil Pose 8-4 Berhasil Pose 9-2 Berhasil Pose 10 4 Berhasil Pose 11 7 Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Gagal Pose Gagal Pose Gagal Pose Gagal Sedangkan pada orientasi pitch, fitur mata bisa dideteksi pada sudut antara sampai dengan 18 0, dan sudut kecil pada orientasi roll dan yaw. Data percobaan untuk pose pada orientasi pitch dapat dilihat pada tabel 4. 6
7 Urutan Pose Tabel 4. Deteksi pose pada orientasi pitch Sudut Deteksi Hasil (derajat) Percobaan Pose 1-31 Gagal Pose 2-29 Gagal Pose 3-26 Gagal Pose 4-25 Gagal Pose 5-23 Berhasil Pose 6-18 Berhasil Pose 7-15 Berhasil Pose 8-9 Berhasil Pose 9-5 Berhasil Pose 10 2 Berhasil Pose 11 4 Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Gagal Pose Gagal Pose Gagal Pose Gagal Dan pada orientasi yaw, fitur mata bisa dideteksi pada sudut antara sampai dengan 15 0, dan sudut kecil pada orientasi roll dan pitch. Data percobaan untuk pose pada orientasi yaw sebagaimana pada tabel 5. Urutan Pose Tabel 5. Deteksi pose pada orientasi yaw Sudut Deteksi Hasil (derajat) Percobaan Pose 1-31 Gagal Pose 2-29 Gagal Pose 3-26 Gagal Pose 4-25 Gagal Pose 5-23 Gagal Pose 6-18 Gagal Pose 7-10 Berhasil Pose 8-6 Berhasil Pose 9-2 Berhasil Pose 10 3 Berhasil Pose 11 7 Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Berhasil Pose Gagal Pose Gagal Pose Gagal Pose Gagal Pose Gagal 2. Untuk dapat mendeteksi mata dengan baik, jarak minimal antara kamera dengan objek nyata adalah ±15 cm dan jarak maksimalnya ±80 cm. 3. Fitur-fitur mata dapat terdeteksi apabila: a. Deteksi pose wajah pada orientasi roll dengan sudut antara sampai dengan 18 0, dan sudut kecil pada yaw dan pitch. b. Deteksi pose wajah pada orientasi pitch dengan sudut antara sampai dengan 18 0, dan sudut kecil pada yaw dan roll. c. Deteksi pose wajah pada orientasi yaw dengan sudut antara sampai dengan 15 0, dan sudut kecil pada pitch dan roll. REFERENCES [1] Azuma, A Survey of Augmented Reality, Presence: Teleoperators and Virtual Environments 6 (4), Jurnal IEEE, 1997 [2] Dell Webcam Vostro 2205, diakses Desember 2012 [3] Podolsky, A., dan Frolov, V., Face Tracking. Springer, New York, 2007 [4] Menezes, P., Barreto, J.C., Jorge Dias, Face Tracking Based On Haar Like Features and EigenFaces Jurnal IEEE, [5] Seo, N, Tutorial: OpenCV haar training (Rapid Object Detection With A Cascade of Boosted Classifiers Based on Haar-Like Features), PukiWiki Plus, [6] Vallino, James R., "Interactive Augmented Reality", PhD Thesis, University of Rochester, Rochester, NY, [7] Viola and Jones, "Rapid Object Detection Using A Boosted Cascade of Simple Features", International Conference on Computer Vision and Pattern Recognition, 2001 [8] Viola, P., dan Jones, M. J., "Robust Real Time Object Detection", Cambridge, V. KESIMPULAN Dari hasil perancangan sistem kemudian dilanjutkan dengan pengambilan data, pengujian dan analisa, maka dapat disimpulkan sebagai berikut: 1. Algoritma Haar Cascade Classifier dapat melakukan lokalisasi dan akurasi wajah pada pencahayaan ruangan 2-10 Cd (candela). 7
SISTEM PELACAKAN WAJAH METODE HAAR
SISTEM PELACAKAN WAJAH METODE HAAR Endah Sudarmilah Jurusan Teknik Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Email : endah_te@yahoo.com Abstrak. Penelitian deteksi
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciPengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality
Pengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality Endang Setyati Information Technology Department Sekolah Tinggi Teknik Surabaya endang@stts.edu,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciAPLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD
APLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD Akuwan Saleh, Haryadi Amran D, Ahmad Bagus L Dept. Teknik Elektro, Program Studi Teknik Telekomunikasi Politeknik Elektronika Negeri
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. banyak dipelajari dan dikembangkan saat ini, baik oleh para pelajar, maupun para ahli.
BAB III PROSEDUR DAN METODOLOGI 3.1 Pendeteksian Objek Viola Jones Pendeteksian objek merupakan salah satu topik dalam visi komputer yang cukup banyak dipelajari dan dikembangkan saat ini, baik oleh para
Lebih terperinciSistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones
Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones M. Dwisnanto Putro Mahasiswa Magister Instrumentasi Teguh Bharata Adji Staf Pengajar Jurusan Teknik Bondhan Winduratna Staf Pengajar Jurusan Teknik
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. Tahap & Hasil Langkah Penelitian Literatur & Referensi. Memahami konsep deteksi wajah
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini berisi tentang analisis dan perancangan terhadap permasalahan yang sedang diteliti seperti analisis kebutuhan data dan informasi serta teknik dan peralatan yang
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciDETEKSI DAN REPRESENTASI FITUR MATA PADA SEBUAH CITRA WAJAH MENGGUNAKAN HAAR CASCADE DAN CHAIN CODE
DETEKSI DAN REPRESENTASI FITUR MATA PADA SEBUAH CITRA WAJAH MENGGUNAKAN HAAR CASCADE DAN CHAIN CODE Riandika Lumaris dan Endang Setyati Teknologi Informasi Sekolah Tinggi Teknik Surabaya riandika.lumaris@gmail.com
Lebih terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengolahan citra digital merupakan salah satu subjek dari teknologi informasi yang sangat menarik dan menantang saat ini. Proses pengolahan citra digital bertujuan
Lebih terperinciDETEKSI WAJAH METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON
DETEKSI WAJAH METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON Dedi Ary Prasetya 1, Imam Nurviyanto 2 1,2 Teknik Elektro Fakultas Teknik Universitas Muhammadiyah Surakarta Jl. A. Yani Tromol
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tubuh Manusia Tubuh manusia merupakan salah satu objek pendeteksian yang sedang populer, hal ini dapat dibuktikan dengan banyaknya jurnal mengenai perancangan program pendeteksian
Lebih terperinciPrototype Pendeteksi Jumlah Orang Dalam Ruangan
e-issn: 2528-4053 36 Prototype Pendeteksi Jumlah Orang Dalam Ruangan Nesi Syafitri 1, Adri 2 1,2 Jurusan Teknik Informatika, Fakultas Teknik, Universitas Islam Riau E-mail: nesisyafitri@uir.ac.id, adrisaputra91@gmail.com
Lebih terperinciSistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones
Jurnal Emitor Vol.17 No. 01 ISSN 1411-8890 Sistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones Adinda Rizkita Syafira Program Studi Informatika Universitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciPELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM ABSTRAK ABSTRACT
PELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM Dhanar Intan Surya Saputra 1, Wahyu Septi Anjar 2, Kurnia Aswin Nuzul Ramadhan 3, Riki Aji Pamungkas 4 1234 Program Studi Teknik Informatika
Lebih terperinciDETEKSI WAJAH UNTUK OBJEK 3D MENGGUNAKAN ANDROID
DETEKSI WAJAH UNTUK OBJEK 3D MENGGUNAKAN ANDROID Afdhol Dzikri 1, Dwi Ely Kurniawan 2, Handry Elsharry Adriyanto 3 1,2,3 Jurusan Teknik Informatika, Prodi Teknik Multimedia dan Jaringan, Politeknik Negeri
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) PEMBANGUNAN VIRTUAL MIRROR EYEGLASSES MENGGUNAKAN TEKNOLOGI AUGMENTED REALITY
79 PEMBANGUNAN VIRTUAL MIRROR EYEGLASSES MENGGUNAKAN TEKNOLOGI AUGMENTED REALITY Zaid Arham 1, Nelly Indriani W. 2 1,2 Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer - Universitas Komputer
Lebih terperinciREALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES
REALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES Avrian Andreas Marjono NRP : 1222006 e-mail : avrianandreas@yahoo.co.id ABSTRAK Rasa
Lebih terperinciAPLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI
APLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciPERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2
PERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2 Disusun oleh : Steven Christian Santosa (1222038) Program Studi Teknik Elektro, Fakultas Teknik,
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
Lebih terperinciMarkerless Augmented Reality Pada Perangkat Android
Markerless Augmented Reality Pada Perangkat Android Yoze Rizki - 2207 100 102 Pembimbing: Mochamad Hariadi, ST.,MSc.,PhD. Cristyowidiasmoro, ST.,MT., Department of Electrical Engineering Faculty of Industrial
Lebih terperinciPEMANFAATAN REAL-TIME FACE TRACKING DALAM APLIKASI AUGMENTED REALITY FRAME KACAMATA ABSTRAK
PEMANFAATAN REAL-TIME FACE TRACKING DALAM APLIKASI AUGMENTED REALITY FRAME KACAMATA 1 Endang Setyati, 2 David Alexandre Teknik Informatika Sekolah Tinggi Teknik Surabaya 1 endang@stts.edu, 2 v.davidalexandre@gmail.com
Lebih terperinciBAB III PERANCANGAN PERANGKAT LUNAK
BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pendeteksi Senyum Sistem pendeteksi senyum dalam skripsi ini dibuat dengan membandingkan tiga buah metode, yaitu Harris Corner Detection, Edge Based Corner
Lebih terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih terperinciFACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA
FACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA Edy Winarno¹, Agus Harjoko² ¹ Program Studi Teknik Informatika FTI Universitas Stikubank (UNISBANK) Semarang
Lebih terperinciPENGENDALI POINTER DENGAN GAZE TRACKING MENGGUNAKAN METODE HAAR CLASSIFIER SEBAGAI ALAT BANTU PRESENTASI (EYE POINTER)
PENGENDALI POINTER DENGAN GAZE TRACKING MENGGUNAKAN METODE HAAR CLASSIFIER SEBAGAI ALAT BANTU PRESENTASI (EYE POINTER) Edi Satriyanto (edi@eepis-its.edu) Fernando Ardilla Risa Indah Agustriany Lubis Politeknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Face Recognition Face recognition dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari
Lebih terperincipengambilan citra video, pemrosesan citra pada setiap frame,, pendeteksian objek
BAB IV MODEL SISTEM 4.1. Model Sistem Aplikasi yang dibangun adalah aplikasi yang dapat mengolah citra yang diambil dari kamera video, dan menganalisisnya untuk mengetahui keberadaan suatu objek. Ada beberapa
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Perancangan dan Pembuatan Aplikasi Kontrol Objek 3D Interaktif Melalui Sentuhan Tangan Berbasis Augmented Reality Dengan Library FLAR dan MotionTracker
Lebih terperinciTRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW
TRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW Ubaidillah Umar, Reni Soelistijorini, B. Eng, MT, Haryadi Amran Darwito, S.ST Jurusan Teknik Telekomunkasi - Politeknik
Lebih terperinciBAB 3 METODE PENELITIAN. pendapat para responden mengenai Augmented Reality, aplikasi Virtual dressing
BAB 3 METODE PENELITIAN 3.1 Hasil Uji Kuesioner Kuisioner terdiri dari 12 pertanyaan dan terdapat 56 responden yang menjawab kuesioner secara online. Kuisioner ini dimaksudkan untuk mengetahui pendapat
Lebih terperinciDeteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata Berty Chrismartin Lumban Tobing Fakultas Ilmu Komputer Universitas Indonesia Depok berty.chrismartin@ui.ac.id
Lebih terperinciRancang Bangun Prototipe Aplikasi Pengenalan Wajah untuk Sistem Absensi Alternatif dengan Metode Haar Like Feature dan Eigenface
Rancang Bangun Prototipe Aplikasi Pengenalan Wajah untuk Sistem Absensi Alternatif dengan Metode Haar Like Feature dan Eigenface Wahyu Sulistiyo, Budi Suyanto, Idhawati Hestiningsih, Mardiyono, Sukamto
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM Sistem vision yang akan diimplementasikan terdiri dari 2 bagian, yaitu sistem perangkat keras dan perangkat lunak. Perangkat lunak yang digunakan dalam sistem vision ini adalah
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini akan membahas uraian dasar teori yang akan digunakan penulis dalam melakukan perancangan dan pembuatan program yang dapat dipergunakan sebagai pembanding atau acuan di dalam
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat. Graphic Card dengan memory minimum 64 mb
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Driver 4.1.1 Spesifikasi Perangkat Keras Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat menjalankan driver ini adalah: Prosesor Pentium
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciNASKAH PUBLIKASI DETEKSI WAJAH DENGAN METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON
NASKAH PUBLIKASI DETEKSI WAJAH DENGAN METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON Disusun untuk Memenuhi Tugas dan Syarat-syarat Guna Memperoleh Gelar Sarjana Strata Satu Jurusan Teknik
Lebih terperinciBAB 3 ANALISIS & PERANCANGAN
BAB 3 ANALISIS & PERANCANGAN 3.1 Analisis 3.1.1 Permasalahan Menurut Wakapolda Sulawesi Selatan dan Barat (tvone, 2010), Brigjen Pol Wisjnu Amat Sastro, Indonesia saat ini menempati urutan pertama berdasarkan
Lebih terperinciTRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION
TRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION Indra Pramana, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisa Sistem Tahapan analisa merupakan tahapan awal dalam perekayasaan perangkat lunak. Pada tahapan ini menjelaskan apa yang dilakukan sistem, siapa yang menggunakannya
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Manusia hidup di dunia ini tidak akan pernah terlepas dari yang namanya suatu karya seni, salah satunya seni musik. Pada musik terdapat banyak nada, dan banyak
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Menurut Silva, dkk(2003) ketika mendesain sebuah sistem AR, ada tiga aspek yang harus ada, yaitu kombinasi dari dunia nyata dan dunia virtual, interaksi secara real-time, dan registrasi
Lebih terperinciBAB II DASAR TEORI. CV Dokumentasi CV berisi pengolahan citra, analisis struktur citra, motion dan tracking, pengenalan pola, dan kalibrasi kamera.
BAB II DASAR TEORI Pada bab ini akan dibahas teori yang berkaitan dengan skripsi ini, meliputi pustaka OpenCV, citra, yaitu citra grayscale dan citra berwarna, pengolahan citra meliputi image enhancement
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciINTERAKSI SCALING TERHADAP OBJECT AUGMENTED REALITY DENGAN TANGAN 3D ALAMI MENGGUNAKAN PENDEKATAN STEREO-VISION
A-157 INTERAKSI SCALING TERHADAP OBJECT AUGMENTED REALITY DENGAN TANGAN 3D ALAMI MENGGUNAKAN PENDEKATAN STEREO-VISION Yories Yolanda, Rifkie Primartha, Hadipurnawan Satria Fakultas Ilmu Komputer, Universitas
Lebih terperinciPengenalan Benda di Jalan Raya dengan Metode Kalman Filter. Roslyn Yuniar Amrullah
Pengenalan Benda di Jalan Raya dengan Metode Kalman Filter Roslyn Yuniar Amrullah 7406040026 Abstrak Computer Vision merupakan disiplin ilmu perpanjangan dari pengolahan citra digital dan kecerdasan buatan.
Lebih terperinciESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
Lebih terperinciKorelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 7 Korelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera Edy Winarno *), Wiwien
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciTeknik face-detection yang akan digunakan adalah teknik yang
BAB III TEORI PENDETEKSIAN WAJAH 3.1 Teori Viola Jones Detection Teknik face-detection yang akan digunakan adalah teknik yang dikembangkan oleh Paul Viola dan Michael Jones-yang biasa dikenal sebagai pendeteksi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini, akan diuraikan perancangan program, mulai dari perancangan algoritma sampai rancangan tampilan. Selain itu akan disajikan juga skema flowchart yang menjelaskan
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciBAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
Lebih terperinciIMPLEMENTASI NATURAL FEATURE TRACKING PADA PENGENALAN MAMALIA LAUT BERBASIS AUGMENTED REALITY
IMPLEMENTASI NATURAL FEATURE TRACKING PADA PENGENALAN MAMALIA LAUT BERBASIS AUGMENTED REALITY Iyan Mulyana 1), M. Iqbal Suriansyah 2), Juliyana Akbar 3) 1),2),3) Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciSistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot
Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot Mara Nugraha Teknik Informatika Universitas Gunadarma Jl. Margonda Raya 100, Depok maranugraha@sta.gunadarma.ac.id Abstrak Pengenalan
Lebih terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
Lebih terperinciPENERAPAN HAND MOTION TRACKING PENGENDALI POINTER PADA VIRTUAL MOUSE DENGAN METODE OPTICAL FLOW
PENERAPAN HAND MOTION TRACKING PENGENDALI POINTER PADA VIRTUAL MOUSE DENGAN METODE OPTICAL FLOW Reza Umami 1*, Irawan Hadi 1, Irma Salamah 1 1 Jurusan Teknik Elektro Program Studi Teknik Telekomunikasi
Lebih terperinciInterior Design in Augmented Reality Environment
Interior Design in Augmented Reality Environment Harta Shuwanto +62856 580 99 144 waeshu@yahoo.com Augmented Reality (AR) akan diaplikasikan pada bidang interior design untuk memudahkan designer dalam
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE VIOLA JONES PADA INTELLIGENT HOME SECURITY SKRIPSI
PENGENALAN WAJAH MENGGUNAKAN METODE VIOLA JONES PADA INTELLIGENT HOME SECURITY SKRIPSI Diajukan untuk memenuhi persyaratan guna meraih gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang
Lebih terperinciLAPORAN PENELITIAN DOSEN MUDA. Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
LAPORAN PENELITIAN DOSEN MUDA Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah Oleh : Endah Sudarmilah, S.T, M.Eng Umi Fadlillah, S.T Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah
Lebih terperinciBAB 1 PENDAHULUAN. Augmented Reality menjadi semakin luas. Teknologi Computer Vision berperan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi Augmented Reality dapat memvisualisasikan dengan baik model 3 dimensi, video, paparan area, maupun animasi 3 dimensi dengan hanya membutuhkan deteksi visual
Lebih terperinciBAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciAUTOMATIC HEAD ROTATING SYSTEM PADA DIGITAL PET MEMANFAATKAN FACE DETECTION
AUTOMATIC HEAD ROTATING SYSTEM PADA DIGITAL PET MEMANFAATKAN FACE DETECTION Hadriansa 1 dan Yosi Kristian 2 1 Teknik Informatika STMIK PPKIA Tarakanita Rahmawati 2 Teknik Informatika Sekolah Tinggi Teknik
Lebih terperinciBAB III METODE PENELITIAN. melacak badan manusia. Dimana hasil dari deteksi atau melacak manusia itu akan
BAB III METODE PENELITIAN 3.1. Model Pengembangan Tujuan dari tugas akhir ini adalah untuk membuat sebuah aplikasi untuk mengatur kontras pada gambar secara otomatis. Dan dapat meningkatkan kualitas citra
Lebih terperinciMEMBANDINGKAN CITRA DIGITAL UNTUK MEMPREDIKSI KETERHUBUNGANNYA
A7 Seminar Nasional Teknologi Informasi 2016 MEMBANDINGKAN CITRA DIGITAL UNTUK MEMPREDIKSI KETERHUBUNGANNYA Pradita Chandra Kurniawan 1) Yulius Denny Prabowo 2) Teknik Informatika Institut Teknologi dan
Lebih terperinciIDENTIFIKASI DAN TRACKING OBJEK BERBASIS IMAGE PROCESSING SECARA REAL TIME
IDENTIFIKASI DAN TRACKING OBJEK BERBASIS IMAGE PROCESSING SECARA REAL TIME Hendy Mulyawan, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciPenjejak Pose Wajah Otomatis pada Sistem Pengenalan Wajah
Penjejak Pose Wajah Otomatis - Firdausy 33 Penjejak Pose Wajah Otomatis pada Sistem Pengenalan Wajah Kartika Firdausy Program Studi Teknik Elektro, Fakultas Teknologi Industri, Universitas Ahmad Dahlan,
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan Aplikasi ini tergolong sebagai sistem kecerdasan buatan karena akan menggantikan peran seseorang yang mampu mengenali ekspresi wajah. Tiga ekspresi
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya dengan maksud
Lebih terperinciHUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR
HUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciPenerapan Algoritma Particle Filter pada Face Tracking
pp. 1~5 ISSN: 1978-1520 1 Penerapan Algoritma Particle Filter pada Face Tracking Very Rahmawan, David Oktavian, Derry Alamsyah STMIK GI MDP, Jalan Rajawali No.14 Palembang, 0711-376400 Jurusan Teknik Informatika,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
Lebih terperinciKLASIFIKASI OBJEK KENDARAAN MENGGUNAKAN HAAR CASCADE CLASSIFIER TUGAS AKHIR
KLASIFIKASI OBJEK KENDARAAN MENGGUNAKAN HAAR CASCADE CLASSIFIER TUGAS AKHIR Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Moch
Lebih terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
Lebih terperinciABSTRAK REALISASI PENJEJAKAN WAJAH DAN OBJEK BUKAN WAJAH MENGGUNAKAN HAAR-LIKE FEATURES BERBASIS RASPBERRY PI 2
ABSTRAK REALISASI PENJEJAKAN WAJAH DAN OBJEK BUKAN WAJAH MENGGUNAKAN HAAR-LIKE FEATURES BERBASIS RASPBERRY PI 2 Disusun oleh : Dwi Dharma Senatriya (1022031) Program Studi Teknik Elektro, Fakultas Teknik,
Lebih terperinciInterior Design in Augmented Reality Environment
Interior Design in Augmented Reality Environment Nama : Harta Shuwanto Contact Number : +62856 580 99 144 Email : waeshu@yahoo.com JURUSAN SISTEM KOMPUTER BINUS UNIVERSITY JAKARTA 2012 Interior Design
Lebih terperinciNASKAH PUBLIKASI MENERAPKAN APLIKASI AUGMENTED REALITY PADA OBJEK-OBJEK MUSEUM RADYA PUSTAKA
NASKAH PUBLIKASI MENERAPKAN APLIKASI AUGMENTED REALITY PADA OBJEK-OBJEK MUSEUM RADYA PUSTAKA Disusun untuk Memenuhi Tugas dan Syarat-syarat Guna Memperoleh Gelar Sarjana Strata-satu Jurusan Teknik Elektro
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Zaman semakin berkembang pesat, begitu pula dengan teknologi dan ilmu pengetahuan yang juga turut berkembang dengan pesatnya. Hal ini, membuat manusia berpikir dan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Aplikasi Pengujian Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Pada bab ini dibahas mengenai langkah-langkah yang dilakukan untuk menguji kerja daya sisip dari citra terhadap pesan menggunakan kecocokan nilai warna terhadap pesan berbahasa
Lebih terperinciRaycasting Pada Augmented Reality Dimensi Tiga
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-7 1 Raycasting Pada Augmented Reality Dimensi Tiga Wahyu Setyo Budi, Supeno Mardi Susiki Nugroho, dan Christyowidiasmoro Jurusan Teknik Elektro, Fakultas Teknologi
Lebih terperinciDETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL
DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL Ari Sutrisna Permana 1, Koredianto Usman 2, M. Ary Murti 3 Jurusan Teknik Elektro - Institut Teknologi Telkom - Bandung
Lebih terperinciOne picture is worth more than ten thousand words
Budi Setiyono One picture is worth more than ten thousand words Citra Pengolahan Citra Pengenalan Pola Grafika Komputer Deskripsi/ Informasi Kecerdasan Buatan 14/03/2013 PERTEMUAN KE-1 3 Image Processing
Lebih terperinciPENGENALAN WAJAH DENGAN PERBANDINGAN HISTOGRAM
PENGENALAN WAJAH DENGAN PERBANDINGAN HISTOGRAM Endah Sudarmilah Jurusan Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Jl. A Yani Tromol Pos 1 pabelan Kartasura 57102
Lebih terperinciPenggunaan Pohon Biner dalam Pemodelan Struktur Statistik Mata Manusia
Penggunaan Pohon Biner dalam Pemodelan Struktur Statistik Mata Manusia Aditya Rizkiadi Chernadi - 13506049 Jurusan Teknik Informatika ITB, Jalan Ganesha 10 Bandung, email: if16049@students.if.itb.ac.id
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi wajah pada suatu citra merupakan bagian yang penting dalam perkembangan sistem pengenalan wajah (Face Recognition). Pengenalan wajah banyak digunakan untuk
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinci