PENERAPAN ALGORITME VIOLA-JONES DAN EIGENFACE PADA SISTEM PENGENALAN WAJAH

Transkripsi

1 PENERAPAN ALGORIME VIOLA-JONES DAN EIGENFACE PADA SISEM PENGENALAN WAJAH Nafier Rahmantha 1, Indah Soesanti, Hanung Adi Nugroho 3 Abstract Research in face recognition system becomes very complex and complicated. Face recognition system that has been developed turn out to be difficult since it is sensitive to illumination, expression, orientation, occlusion etc. At least, there are main components in face recognition system such as face detector and face recognition. his paper presents face recognition system which is used Viola- Jones and eigenface algorithm as the main method. By combining both of these algorithms, the automated face recognition system can be made. In this paper was used 7 faces each with 10 different expression. est results gave a accuracy of system by 95,45%. Intisari Penelitian mengenai sistem pengenalan waah merupakan permasalahan yang kompleks dan rumit. Sistem pengenalan waah yang telah dikembangkan saat ini memiliki beberapa batasanbatasan untuk menghasilkan hasil akurasi yang cukup tinggi seperti : efek pencahayaan, ekspresi waah, orientasi waah, penghalang dan lain-lain. Setidaknya terdapat dua bagian utama dalam sistem pengenalan waah yang baik, yaitu proses pendeteksian waah dan pengenalan waah. Dalam tulisan ini digunakan algoritme Viola-Jones dan eigenface sebagai algoritme utama dalam sistem pengenalan waahnya. Dengan menggabungkan kedua metode ini, sistem pengenalan waah yang otomatis dapat dibuat. Dalam penelitian yang dilakukan dengan menggunakan 7 waah dengan 10 pose berbeda, Dihasilkan akurasi sistem yang telah dirancang sebesar 95,45%. Kata kunci : Algoritme Viola-Jones, eigenface, eigenvector, pengenalan waah, pendeteksi waah. I PENDAHULUAN eknologi pengenalan waah sudah banyak diimplementasikan dalam kehidupan sehari-hari seperti contohnya menemukan teroris dalam ruang publik yang dilengkapi dengan kamera CCV, sistem keamanan pengguna pada smartphone serta sistem absensi. Sistem keamanan yang menggunakan sistem pengenalan waah mempunyai 1 Mahasiswa Jurusan eknik Elektro dan eknologi Informasi, F UGM. Jln. Wonoreo Asri XII/7 Rungkut Surabaya KODEPOS : (tlp : , nafier.rahmantha@gmail.com), 3 Dosen Jurusan eknik Elektro dan eknologi Informasi, F UGM. Jln Grafika No. Kampus UGM Yogyakarta keuntungan yang lebih apabila dibandingkan dengan sistem keamanan yang lain (kode PIN, password atau smart card) yaitu lebih praktis, pengguna tidak perlu repot mengingat sandi-sandi atau membawa kartu tertentu. Dalam sistem pengenalan waah terdapat unsur yang penting, yaitu pendeteksian waah dan proses pengenalan waah. Dalam proses pendeteksian waah atau face detection, keberadaan dan lokasi dari waah pada citra masukan dapat ditentukan sehingga dapat memudahkan proses selanutnya yaitu proses pengenalan waah atau face recognition. Algoritma Viola-Jones telah banyak digunakan dan terbukti mampu mendeteksi waah dengan tepat. Pada proses face recognition, citra waah yang telah diketahui posisinya dikenali dan dicocokkan dengan citra waah referensi. erdapat banyak pendekatan yang dapat dilakukan dalam mendeteksi waah, contoh yang cukup sederhana yaitu dengan mencari warna kulit atau mendeteksi gerakan pada video dengan latar belakang yang telah dikondisikan. Namun hingga saat ini, pendeteksian waah dengan pendekatan aringan syaraf tiruan dan appearance based menunukkan keunggulan yang lebih karena tidak terlalu sensitif dengan latar belakang yang ada pada citra [1]. Pada penelitian ini akan digunakan metode pendeteksian waah atau face detection dengan menggunakan algoritme Viola-Jones. Algoritme ini menggunakan pendekatan appearance based dan telah menadi framework dari berbagai metode face detector modern saat ini. Dalam pengenalan waah terhadap pendekatan utama yaitu feature based dan information theory concept atau appearance based [][1]. Pada pendekatan feature based, proses recognition dilakukan dengan mencari fitur-fitur waah seperti arak antar mata, arak mata dengan hidung dan lain-lain. Pendekatan feature based memiliki kelebihan yaitu tidak sensitif terhadap variasi pencahayaan dan sudut pandang. Namun, pendekatan ini semakin ditinggalkan karena rentan terhadap penghalang atau occlusion dan banyak informasi yang hilang dan diabaikan dari tekstur waah. Sementara itu pada pendekatan appearance based, citra waah dianalisis sebagai satu kesatuan waah yang tidak dapat dipisahkan. Algoritme 34 Volume 1 Nomor 1, April 014

2 Jurnal Penelitian eknik Elektro dan eknologi Informasi eigenface termasuk dalam pendekatan appearance based / information theory based. Pada penelitian ini digunakan metode eigenface sebagai algoritme dasar untuk melakukan face recognition. Algoritme ini digunakan berdasarkan penelitian yang telah dilakukan, bahwa algoritme eigenface sudah menghasilkan akurasi yang cukup baik yaitu sebesar 96% pada keadaan dengan variasi pencahayaan yang berbeda, 85% pada keadaan kemiringan waah yang berbeda dan 64% pada keadaan ukuran background terhadap citra waah yang berbeda [3]. Algoritma ini pada dasarnya merupakan pengembangan dari [4] yang menerapakan persamaan Karhunen-Loeve sebagai dasar pengenalan waahnya. uuan penelitian ini adalah melakukan deteksi dan pengenalan waah dengan akurasi yang tinggi. II MEODE A. Bahan dan Alat Penelitian Dibutuhkan beberapa perangkat guna menunang penelitian ini. Perangkat keras yang digunakan yaitu satu perangkat laptop ASUS K43SJ dengan spesifikasi sistem operasi Windows 7, dengan prosesor Intel Core i3 330M CPU. GHz dan RAM.00 GB. Perancangan sistem dan simulasi dilakukan dengan perangkat lunak Matlab R009A. Perangkat lunak Matlab R009A telah menyediakan kemudahan dan beberapa fitur dalam melakukan proses pengolahan citra digital sehingga software Matlab digunakan dalam penelitian ini. Citra waah didapatkan dengan menggunakan kamera belakang 3MP pada smartphone Samsung Galaxy ab (7.0) G-P3100. Jumlah citra ui yang digunakan sebanyak 70 buah dengan 7 enis waah dalam 10 ekspresi yang berbeda. B. Perancangan Sistem Secara Umum Secara umum, sistem pengenalan waah yang diterapkan pada penelitian ini dapat diamati pada Gbr 1. CIRA MASUKAN PENDEEKSIAN WAJAH PRE-PROCESSING PENGENALAN WAJAH CIRA REFERENSI Gbr 1 Blok Diagram Sistem Secara Umum CIRA KELUARAN Citra masukan yang mengandung komponen waah dan bukan waah dimasukkan ke dalam blok pendeteksian waah. Dengan melewatkan citra masukan ke dalam blok ini, daerah yang mengandung waah dapat dipisahkan dari latar belakangnya. Keluaran dari blok pendeteksian waah kemudian dilewatkan pada blok preprocessing dan blok pengenalan waah untuk dicocokkan dengan citra referensi sehingga waah dapat dikenali. C. Blok Pendeteksian Waah Pendeteksian waah ini mengunakan algoritma Viola Jones[5]. Pada blok ini citra masukan yang masih mengandung komponen waah dan bukan waah dipisahkan, sehingga hanya komponen waah saa yang dilewatkan oleh blok ini. Gbr menunukkan cara kera dari pendeteksian waah secara umum. CIRA MASUKAN UBAH KE INEGRAL IMAGE Haarcascade_fron talface_alt CASCADING CIRA KELUARAN Gbr Blok Diagram Proses Pengenalan Waah Citra waah masukan yang masih dalam bentuk grayscale diubah menadi integral image dengan perumusan, ii x, y ix ', y '. (. 1) Dengan x y x' x dan y ' y ii, merupakan integral image pada koordinat baris x dan kolom y, i x ', y ' merupakan citra masukan. Untuk menentukan ada atau tidaknya waah dalam sebuah citra, Paul Viola dan Michael Jones menggunakan haar-like features seperti pada Gbr 3. Gbr 3 Contoh Haar-like features [5]. Haar-like feature merupakan fitur yang cukup sederhana (buur sangkar) yang mempunyai 3 nilai, yaitu bernilai 1 untuk daerah kotak berwarna hitam, bernilai -1 untuk daerah kotak berwarna putih, dan bernilai 0 untuk daerah yang lain. Pada intinya, sifat dari haar-like feature hampir sama dengan filter yang digunakan pada deteksi tepi, yaitu menunukkan nilai intensitas yang tinggi apabila nilai-nilai piksel masukan filter selaras dengan pola yang ditunukkan pada filter itu sendiri. Haar-like feature umumnya masing-masing berukuran 4 x 4 piksel (ada uga yang berukuran 0 x 0 piksel) yang didalamnya terdapat pola fitur tertentu. Daerah yang ditunukkan oleh haar-like feature dianggap waah apabila, umlah dari seluruh daerah citra masukan yang diberi bobot nilai sesuai dengan yang ditunukkan oleh haar-like feature ke- melebihi batas threshold tertentu seperti yang ditunukkan pada persamaan. Volume 1 Nomor 1, April

3 1 ika sum h x (. ) 0 yang lain Dengan h merupakan haar-like feature ke- x yang diberi masukan daerah citra ke-x dan sum merupakan umlah dari seluruh daerah citra masukan yang diberi bobot nilai sesuai dengan yang ditunukkan oleh haar-like feature ke-. Pengambilan keputusan bahwa bagian citra tersebut merupakan waah apabila sekumpulan haar-like feature yang digunakan memenuhi persamaan,, hx h x Dengan 1 (. 3) 1 1 ika h x h x 1 0 yang lain Dengan h merupakan sekumpulan kombinasi x linear dari haar-like features, adalah bobot x kombinasi haar-like feature ke-, h merupakan haar-like feature ke- yang diberi masukan daerah citra ke-x, dan banyaknya haar-like feature yang digunakan dalam kombinasi linear. Berdasarkan persamaan (. 3), pencarian fitur dan lokasi waah pada proses cascading membutuhkan 3 komponen utama dalam perhitungannya yaitu : sebanyak haar-like features yang digunakan, bobot kombinasi dari haar-like feature ke-, dan threshold dari haar-like feature ke-. Ketiga informasi penting ini telah disediakan oleh opencv pada haarcascade_frontalface_alt. Melalui informasi yang telah disediakan oleh haarcascade_frontalface_alt, proses cascading dapat dilakukan sehingga waah dapat dideteksi. D. Blok Pre-processing Blok pre-processing digunakan untuk meningkatkan akurasi dari blok pengenalan waah dengan cara melakukan seleksi lebih lanut citra masukan dari blok pendektesian waah. Citra keluaran blok pendeteksian waah umumnya masih mengandung banyak unsur bukan waah. Untuk menghilangkan unsur bukan waah tersebut, citra keluaran pendeteksian waah dilakukan segmentasi berdasarkan warna kulit manusia. Warna kulit manusia menempati rentang nilai intensitas tertentu pada color space YCbCr dan HSV. Sensasi warna ditentukan oleh kanal Cb (croma blue) dan Cr (croma red) pada color space YCbCr dank anal H (Hue) pada color space HSV. Pada penelitian yang telah dilakukan, warna kulit manusia menempati rentang nilai 110 hingga 15 pada kanal Cb, 130 hingga 145 pada kanal Cr, dan 10 hingga 5 pada kanal H. Ilustrasi hasil dari blok ini diperlihatkan pada Gbr 4. (a) (b) (c) Gbr 4 Ilustrasi Hasil Blok Pre-processing() (a) citra hasil pendeteksi waah (b) segmentasi warna kulit (c) Hasil Keluaran E. Blok Pengenalan Waah Proses yang berlangsung pada blok ini secara umum merupakan proses perhitungan algoritme eigenface. Inti dari blok ini adalah proses pencarian fitur yang diperlukan untuk pengenalan waah. Pengenalan waah dengan metode eigenface dilakukan dengan cara melakukan rotasi sebesar [W] terhadap citra waah yang ingin dikenali dan kemudian hasil rotasi tersebut dibandingkan kedekatannya dengan citra waah referensi yang uga telah ditransformasikan sebesar [W]. Pertama-tama citra waah referensi diubah menadi vektor kolom x N dengan N merupakan banyaknya citra waah referensi sehingga terbentuk matriks X seperti pada persamaan, X x x x 1 N. (. 4) Rata-rata dari citra waah referensi / average face dihitung berdasarkan perumusan, 1 X N N n1 x n (. 5) Matriks transformasi [W] didapatkan berdasarkan eigenvector dari kovarian matriks [C] x yang dihitung berdasarkan perumusan pada persamaan, x E X X X X C (. 6) Andaikan citra waah referensi yang akan kita ui mempunyai ukuran sebesar 100 x 100 pixel. Sehingga berdasarkan persamaan (. 6), kita membutuhkan 100x100 pasang eigenvector dan eigenvalue. Berdasarkan hotelling transform atau yang biasa disebut dengan principal component analysis [6][3][4] kita cukup membutuhkan N pasang eigenvector dan eigenvalue yang paling signifikan (mempunyai varians terbesar) tanpa kehilangan banyak informasi penting. X X X X Mengingat dimensi dari auh lebih kecil apabila dibandingkan dengan dimensi dari E X X X X dan A = X X. Dengan menganggap bahwa eigenvektor E X X dari E X X adalah v i sehingga, A Av i = iv i. (. 7) 36 Volume 1 Nomor 1, April 014

4 Jurnal Penelitian eknik Elektro dan eknologi Informasi Dengan mengalikan A pada persamaan (. 7) sehingga : AA Av i = i Avi (. 8) C x Av i = i Avi Berdasarkan pada persamaan (. 8), Av i merupakan eigenvector dari [C] x dengan v i merupakan eigenvector dari A A yang merupakan eigenvector paling signifikan dari [C] x. Dengan metode ini, dimensi dari matriks transformasi [W] akan lebih kecil sehingga beban komputasi akan semakin berkurang. Lebih lanut, matriks transformasi [W] ini uga biasa disebut sebagai eigenface. Proses pengenalan waah dilakukan dengan memanfaatkan perumusan pada persamaan, y W X. (. 9) Algoritme eigenface atau PCA dapat bekera dengan baik apabila setiap dimensi data masukan dikurangi dengan nilai rata-ratanya [7]. Sehingga y merupakan masukan X X yang telah ditransformasi sebesar [W], dengan X merupakan citra waah referensi dan X merupakan rerata citra waah referensi. Citra waah yang akan dikenali uga ditransformasikan sebesar [W] agar menempati bidang yang sama dengan y. Berdasarkan pada persamaan (. 9) sehingga, W Xˆ X (. 10) Dengan merupakan citra waah yang akan dikenali Xˆ yang telah ditransformasikan sebesar [W]. Citra waah Xˆ kemudian akan dicocokkan dengan citra waah referensi berdasarkan nilai minimum dari euclidean distance nya. Perumusannya adalah, k y k. (. 11) Dengan k merupakan nilai euclidean distance dan y merupakan citra waah referensi yang telah k ditransformasikan sebesar [W]. III HASIL DAN PEMBAHASAN Pada bab ini akan dilakukan penguian sistem pengenalan waah yang telah disimulasi dan diimplementasikan pada perangkat lunak MALAB R009A. A. Penguian Pendeteksian Waah Penguian ini dilakukan untuk mengetahui akurasi dari face detector yang telah diimplementasikan. Akurasi dari face detector dihitung berdasarkan perbandingan umlah citra waah yang berhasil dideteksi dengan banyaknya citra waah yang tidak berhasil dideteksi (tidak mampu mendeteksi waah atau mengalami kesalahan dalam mendeteksi waah). Dari percobaan yang telah dilakukan algoritme Viola-Jones dapat mendeteksi waah dengan tingkat akurasi yang cukup tinggi yaitu sebesar 94,3% (4 buah citra masukan tidak berhasil dideteksi dari total 70 citra masukan). Berikut pada Gbr 5 ditunukkan contoh hasil penguian dari pendeteksi waah. Gbr 5 Hasil Penguian Pendeteksi Waah B. Penguian Pengenalan Waah Penguian ini dilakukan untuk mengetahui akurasi dari proses pengenalan waah yang telah diimplementasikan. Akurasi dari proses pengenalan waah dihitung berdasarkan umlah citra waah yang berhasil dikenali dengan benar dibandingkan dengan banyaknya citra waah yang dikenali dengan salah. Contoh citra yang digunakan sebagai citra ui dari sistem pengenalan waah diperlihatkan pada Gbr 6. (a) (b) (c) (d) (e) (f) (g) Gbr 6 Contoh Citra Ui yang Digunakan. Berdasarkan hasil penguian, sistem pengenalan waah yang tidak menggunakan blok pre-processing menghasilkan akurasi sebesar 86,36%. Sedangkan berdasar pada sistem pengenalan waah yang ditambahkan dengan blok pre-processing, mengalami peningkatan akurasi sebesar 9%. Lebih Volume 1 Nomor 1, April

5 lanut, dengan menggunakan blok pre-processing akurasi sistem menadi 95,45%. Hal ini dikarenakan dari sifat metode eigenface yang membandingkan fitur waah referensi dengan waah citra masukan. Fitur yang dibandingkan ini sebenarnya merupakan data pada koordinat kartesian yang telah ditransformasikan sebesar [W] yang mempunyai varians paling tinggi dari sekumpulan citra referensi. iap sumbu pada koordinat kartesian yang telah ditransformasikan sebesar [W] ini merupakan nilai tiap-tiap piksel pada citra referensi. Jadi, keluaran dari proses pengenalan waah akan menghasilkan hasil yang lebih akurat apabila posisi tiap fitur waah seperti mata, hidung, mulut berada pada koordinat yang sama. Dengan adanya blok pre-processing, posisi fitur mata, hidung, mulut diusahakan dalam posisi yang sama dengan citra referensi. Hal ini disebabkan oleh sifat dari blok pre-processing yang berusaha menghasilkan citra dengan hanya berisi waah sepenuhnya dengan cara melakukan segmentasi berbasis warna kulit manusia. [6] R. Dony, he ransform and Data Compression Handbook, Boca Raton: CRC Press LLC, 001. [7] L. I. Smith, A utorial on Principal Component Analysis, 00. IV KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan, dapat diambil beberapa kesimpulan sebagai berikut : 1. Metode Viola-Jones dan eigenface dapat dikombinasikan sehingga mampu membentuk sistem pengenalan waah yang otomatis.. Algoritme Viola-Jones yang digunakan dalam proses pendeteksian waah sudah mampu beralan dengan baik pada kondisi waah tegak ke depan dengan akurasi sebesar 94,3%. 3. Algoritme eigenface yang digunakan dalam proses pengenalan waah sudah mampu beralan dengan baik pada kondisi waah tegak ke depan dengan akurasi sebesar 95,45%. 4. Algoritme eigenface sangat bergantung pada posisi fitur pada waah seperti mata, hidung, dan mulut sehingga peran dari blok preprocessing cukup vital dalam sistem pengenalan waah yang telah dibuat, terbukti dengan meningkatnya akurasi sistem sebesar 9% dengan penambahan blok pre-processing. REFERENSI [1] S. Z. Li dan A. K. Jain, Handbook of Face Recognition, New York: Springer Science+Business Media, Inc 005, 005. [] M. Agarwal, H. Agrawal, N. Jain dan M. Kumar, Face Recognition using Principal Component Analysis, Eigenface and Neural Network, dalam 010 International Conference on Signal Acquisition and Processing, 010. [3] M. urk dan A. Pentland, Eigenfaces for Recognition, dalam Journal of Cognitive Neuroscience, vol. 3, [4] M. Kirby dan L. Sirovich, Application of the Karhunen- Loeve Procedure for the Characterization of Human Faces, dalam IEEE PAMI Vol 1, [5] P. Viola dan M. Jones, Robust Real-ime Obect Detection, Vancouver, Volume 1 Nomor 1, April 014