Principal Component Analysis

Transkripsi

1 Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar

2 POSE (posisi iiwajah) POSE

3 ILLUMINATION (pencahayaan) ILLUMINATION

4 EXPRESSION (ekspresi wajah) EXPRESSION

5 PROBLEM IN FACE RECOGNITION Pemodelan Citra Wajah (Face Representation) Pencocokan (Matching)

6 REPRESENTASI R CITRA DALAM DIMENSI TINGGI Suatu citra adalah suatu titik pada ruang berdimensi tinggi (R n ) n 1 m m x n Citra wajah 2D Vektor kolom (N-dimensi)

7 VARIASI INTER-SUBYEK VERSUS VARIASI INTRA-SUBYEK

8 TUJUAN Pengenalan wajah dengan Algoritma PCA dengan beberapa cara pengukuran jarak Membandingkan ukuran jarak yang paling akurat PERMASALAHAN 1. Dengan menggunakan algoritma PCA, ukuran jarak apa yang paling akurat? 2. Apakah algoritma PCA bisa mengadaptasi factor intrapersonal kondisi pencitraan (illumination)?

9 BATASAN MASALAH Software Matlab-GUI Database Yale-B, Attface (telah di crop dan di grayscale) Ukuran wajah untuk database 150x135 piksel (Yale-B) B), 150x135 (Att- face) Variasi 5 Pencahayaan (Yale-B), 9 posisi wajah (Att-face)

10 BLOK SISTEM PENGENALAN WAJAH Normalized facial image Ekstraksi Fitur (PCA) Pencocokan (Ukuran Jarak) dan Threshold Similarity Database

11 PENGENALAN WAJAH Permasalahan penting pada pengenalan wajah: 1. Representasi Wajah / Pemodelan berdasarkan fitur dan berdasarkan keseluruhan citra / holistic 2. Pencocokan / Matching

12 REPRESENTASI R CITRA DALAM DIMENSI TINGGI Suatu citra adalah suatu titik pada ruang berdimensi tinggi (R n ) n 1 m m x n Citra wajah 2D Vektor kolom (N-dimensi)

13 PCA Proyeksi PCA digunakan untuk mendapatkan vektor-vektor (principal component) yang memberikan nilai varian maksimum

14 BLOK SISTEM ALGORITMA PCA DENGAN METODE PENGUKURAN JARAK

15 PCA PENGENALAN WAJAH Citra ukuran: Training Set ukuran: Mean face ukuran: dimana U Mean Substracted Image ukuran: Difference Matrix ukuran: Covariance Matrix ukuran: dimana Nt = jumlah citra latih

16 TAHAP REDUKSI DIMENSI Eigenvektor dengan ukuran juga didapat dari eigenvektor Z dengan ukuran TAHAP KLASIFIKASI Eigenface dikurangi 30% dilambangkan dimana Proyeksi dimana k = 1,2,3,,N Matrik Bobot ukuran:

17 PROYEKSI CITRA TES Vektor Citra Tes ukuran: (U x 1) Mean Substracted Image ukuran: (Ux1) Proyeksi dimana k=1,2,., N Matrik Bobot ukuran: (N x1) Rekonstruksi ukuran: (Ux1) Rata-rata Proyeksi kelas

18 METODE PENGUKURAN JARAK Similarity Distance Threshold Ukuran Jarak Maka, ɛ > ϑ Bukan suatuwajah ajah ɛ < ϑ, δi> ϑ dalam database, tapi tidak diketahui ɛ < ϑ, δi< ϑ dalam database, anggota kelas i

19 PENGUKURAN JARAK

20 PENGUKURAN JARAK Euclidean Distance Mirip A mendekati 0 Tidak Mirip B>0 Bergantung batas thresholdnya

21 PENGUKURAN JARAK Manhattan Distance Mirip A mendekati 0 Tidak Mirip B>0 Bergantung batas thresholdnya

22 PENGUKURAN JARAK Mahalanobis Distance Mirip A>0 Tidak Mirip B mendekati 0 Bergantung batas thresholdnya dimana

23 PENGUKURAN JARAK Correlation Distance Mirip A mendekati 1, Tidak Mirip B mendekati 0 hingga -1 Bergantung batas Bergantung batas thresholdnya

24 PENGUKURAN JARAK Angle-based Distance Mirip sudut A dan A1 Tidak Mirip sudut A dan A1 Bergantung batas thresholdnya

25 PENGUKURAN JARAK Squared Euclidean Distance Mirip A mendekati 0 Tidak Mirip B>0 Bergantung batas thresholdnya

26 PENGUJIAN CITRA TES Sumber: Database Yale-B Ukuran: 150 x 135 piksel Jumlah: 100 citra wajah CITRA LATIH Sumber: Database Yale-B Ukuran: 150 x 135 piksel Jumlah: 20 citra wajah

27 TINGKAT AKURASI PENGENALAN WAJAH Pengujian dilakukan untuk database citra sebanyak 20 wajah penghitungan jarak akurasi kondisi pencitraan (%) pencahayaan headpose gabungan Euclidean Manhattan Mahalanobis Correlation Angle-based SSE MSE Pencahayaan Headpose Gabungan

28 PERSENTASE AKURASI KONDISI CITRA PENCAHAYAAN Metode Jarak Tingkat akurasi %) Euclidean 85 Manhattan 86 Mahalanobis 65 Correlation 88 Angle-based 63 SSE 84 MSE 84

29 PENGUJIAN KELIMA VARIASI PENCAHAYAAN TERHADAP UKURAN JARAK (+000E+20) (+005E+10) (+010E+00) (+025E+00) 00) (-025E+00) 20 0 Euclidean Manhattan Mahalanobis Correlation Angle-based SSE MSE

30 KESIMPULAN Persentase pengenalan wajah paling akurat dalam kondisi citra pencahayaan adalah menggunakan jarak Correlation dengan persentase sebesar 88%, sedangkan untuk kondisi i pencitraan headpose menggunakan jarak SSE dan MSE dengan persentase 81%, dan untuk kondisi penggabungan menggunakan jarak Correlation dan MSE dengan persentase sebesar 92%. Jarak Angle-based memiliki tingkat pengenalan paling rendah sekitar 63%. Kondisi citra pencahayaan +000E+20 dan +005E+10 memiliki tingkat t akurasi pengenalan paling tinggi, i dan pencahayaan +025E+00 memiliki tingkat akurasi paling rendah Jenis kesalahan yang sering terjadi adalah kesalahan mengenali wajah dengan database citra latih lain. Tingkat akurasi pengenalan yang paling bagus adalah menggunakan penggabungan database (Yale-B dan Attface).

31 SARAN Untuk penelitian selanjutnya sistem dapat dikembangkan dengan menggunakan penghitungan jarak yang lain, seperti Minkowski distance, Weighted Manhattan distance, dll. Pengujian dapat dikembangkan bengan menggunakan database Yale, Pencahayaan dan Headpose

32 TERIMA KASIH NIMAS SETYA YANIAR