PENGENALAN WAJAH DENGAN METODE INTERPERSONAL DIFFERENCE BERBASIS GAUSSIAN MIXTURE MODEL DAN ANALISIS DISKRIMINAN

Transkripsi

1 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 PENGENALAN WAJAH DENGAN METODE NTERPERSONAL DFFERENCE BERBASS GAUSSAN MXTURE MODEL DAN ANALSS DSRMNAN Made a* dan Rully Soelaiman** Jurusan Teni nformatia, Faultas Tenologi nformasi nstitut Tenologi Sepuluh Nopember, Surabaya ia_made@cs.its.ac.id*; rully@its-sby.edu** ABSTRA Pengembangan sistem pengenalan wajah yang optimal aan sangat bergantung pada proses selesi ciri yang digunaan sebagai basis pada pengenalan pola. Penelitian ini berupaya untu meningatan emampuan disriminasi dan mendapatan aurasi pengenalan wajah yang lebih bai dengan menggunaan Metode Gaussian Mixture Model. Pada Penelitian ini, Metode yang digunaan diantaranya Metode Principal Component Analysis (PCA) yang digunaan untu meredusi dimensi untu menghasilan vetor basis orthogonal yang disebut vetor eigen (eigenfaces). Metode pengenalan wajah Bayesian, dimana metode ini menjadian tugas pengenalan wajah menjadi permasalahan lasifiasi biner yang masing-masing elas, yaitu variasi intrapersonal dan variasi estrapersonal, yang dimodelan sebagai distribusi Gaussian. Hasil pengujian sistem pengenalan wajah Bayesian yang berdasaran pada Gaussian mixture model ini menunjuan bahwa metode ini memilii tingat pengenalan yang lebih bai dibandingan metode Bayesian dan EigenFace, terutama pada penggunaan data pelatihan yang sediit. ata unci : Metode Gaussian Mixture Model, analisis disriminan, pengenalan wajah PENDAHULUAN Pengenalan wajah menari banya perhatian hingga sampai saat ini. Banya penelitian-penelitian yang sudah dilauan untu mendapatan algoritme dan metode yang tangguh dalam proses pengenalan wajah. Bagaimanapun, hal ini masih menyisaan berbagai masalah yang omples yang masih jauh untu dipecahan. Diantara permasalahan tersebut adalah adanya variasi intrapersonal yang signifian. Citra wajah dari orang yang sama bisa jadi memilii penampaan yang sangat berbeda pada ondisi-ondisi yang berbeda. Adanya espresi wajah, pencahayaan dan pose wajah mengubah dengan mudah seumpulan wajah menjadi distribusi yang sangat omples. Permasalahan yang lain adalah etersediaan citra wajah yang digunaan sebagai data pelatihan dari tiap elas wajah sehingga dapat menangap semua jenis variasi. Sehingga desain dari system pengenalan wajah seharusnya fous pada bagaimana mengurangi variasi intrapersonal menggunaan data pelatihan yang terbatas.

2 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 TNJAUAN PUSTAA Pengenalan Wajah dengan Metode Bayesian mplementasi Analisis Bayesian pada Sistem Pengenalan Wajah Sistem pengenalan wajah yang ada, secara umum berdasaran pada esamaan matris yang seringali berdasar pada jara Euclidean atau orelasi ternormalisasi. Sebagai contoh, tingat esamaan S(, ) antara dua citra wajah dan bisa didapatan dengan nilai norm. Metode Bayesian merupaan metode pengenalan wajah yang menggunaan perhitungan peluang tingat esamaan antara citra testing (probe) dengan citra pada training set (gallery) dengan menggunaan perbedaan intensitas antara citra (difference image), dinotasian dengan =, yang merupaan arateristi penting yang menggambaran variasi citra wajah seseorang. Difference image dapat dilasifiasian e dalam class, yaitu intrapersonal variation class ( Ω ) yang ditentuan oleh perbedaan citra wajah dari individu yang sama, dan extrapersonal variation class ( Ω E ) yang ditentuan oleh perbedaan citra wajah dari individu yang berbeda (B. Moghaddam d, 000). Perhitungan Similarity Score (tingat esamaan) masimum yang lebih efisien dari metode pengenalan wajah Bayesian yang menggunaan Maximum Lielihood bisa didapatan dengan memodelan elas intrapersonal Ω sebagai distribusi Gaussian dimensi tinggi. T exp Σ P( Ω ) = D / (π ) Σ Σ merupaan ovarian dari elas intrapersonal, D merupaan jumlah vetor eigen terbesar. Tahapan metode pengenalan wajah metode Bayesian dengan menggunaan perhitungan tingat esamaan yang lebih efisien adalah sebagai beriut: Tahap : Tahap Pelatihan Mendapatan Citra Pelatihan Pada tahap ini ditentuan sejumlah citra wajah X yang aan digunaan sebagai citra pelatihan yang terdiri dari R citra wajah yang berbeda untu setiap S subye beruuran h w pisel. Sehingga total citra yang terdapat pada data pelatihan adalah RS citra. Mengatur Citra Pelatihan Citra pelatihan yang sudah didapatan pada tahap sebelumnya disimpan menjadi sebuah bentu matris citra pelatihan (CP) beruuran N M, dimana M merupaan jumlah seluruh citra wajah (RS) dan N merupaan jumlah pisel tiap citra (h w). Setiap citra pada data pelatihan menempati satu olom matris citra pelatihan. Matris citra pelatihan (CP) memilii bentu sebagai beriut, x x CP = x N x x x N L xm x M xmn x merupaan intensitas pisel dari tiap citra wajah, dan N merupaan jumlah pisel dari tiap citra wajah. / () SBN : C-4-

3 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Mendapatan Matris ntrapersonal Difference mage Matris intrapersonal difference image (M) didapatan dari selisih dua citra dalam satu subye. Satu subye menghasilan sejumlah RC. Sehingga uuran matris intrapersonal difference image adalah N L dimana L merupaan RC S. Matris intrapersonal difference image (M) memilii bentu sebagai beriut, y y M = y N y y y N L yl y L yln Melauan proses PCA Pada tahap ini dilauan analisis omponen utama (PCA) terhadap matris intrapersonal difference image sehingga didapatan sejumlah L vetor eigen dan nilai eigen Λ terbesar yang digunaan untu proses selanjutnya. Beriut ini adalah bentu matris sejumlah L vetor eigen dan nilai eigen Λ terbesar, v v = vn v v v N L vl v L vln d 0 Λ = 0 d 0 0 L 0 0 d LL Transformasi Whitening Citra Pelatihan Untu menyederhanaan perhitungan maa dilauan proses transformasi whitening terhadap setiap citra yang ada pada data pelatihan dengan menggunaan persamaan beriut. T X trans = Γ / P X () Sehingga matris citra transformasi beruuran L X M. Menghitung onstanta Pembagi ternormalisasi Pada tahap ini dilauan perhitungan onstanta pembagi ternormalisasi yang merupaan onstanta yang digunaan sebagai pembagi pada perhitungan maximum lielihood. Persamaan (3) merupaan persamaan onstanta pembagi ternormalisasi (PT). D / / PT = ( π ) Σ (3) D merupaan jumlah nilai eigen terbesar, dan Σ merupaan matris ovarian dari matris intrapersonal difference image. Determinan dari matris ovarian, bisa dihitung dengan product nilai eigen. Tahap : Pengenalan Citra Wajah Mengatur Citra nputan Citra inputan yang ada dibentu menjadi vetor olom dalam sebuah matris citra input. Bentu matris citra input adalah sebagai beriut, i i =... i N i merupaan intensitas pisel, dan N merupaan jumlah pisel. Transformasi Whitening Citra nput Matris citra input transformasi whitening dinotasian dengan trans. SBN : C-4-3

4 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Menghitung Similarity Score dan mendapatan nilai masimum Tahap terahir dari tahap pengenalan citra wajah metode Bayesian adalah proses untu mendapatan Similarity Score masimum dengan menghitung Maximum Lielihood untu tiap difference image citra input dan pelatihan. Trans X Trans e P( Ω ) = (4) PT Pada persamaan (.5) dilauan penyederhanaan nilai esponensial yaitu dengan menggunaan jara Euclidean sederhana. Pengenalan Wajah dengan Metode Bayesian Berbasis Gaussian Mixture Model Pada bagian ini aan dijelasan mengenai Gaussian mixture model yang merupaan metode yang digunaan pada pengembangan pengenalan wajah dengan metode Bayesian dan implementasi Gaussian mixture model pada metode pengembangan ini. Gaussian Mixture Model Distribusi Gaussian/ distribusi normal merupaan distribusi ontinu yang paling penting dalam seluruh bidang statistia (Ronald E.W dan Raymond H.M) Pada satu dimensi, grafinya berbentu lonceng disebut urva normal yang didefinisian oleh dua parameter, mean (rata-rata) µ dan variance (variansi/ragam) σ. Pada ruang dimensi D, distribusi Gaussian didefinisian pada bentu matris sebagai beriut: T (5) N( x; µ, Σ) = exp ( x µ ) Σ ( x µ ) D / / (π ) Σ µ adalah vetor rata-rata (mean) dan Σ adalah matris ovarian. mplementasi Gaussian Mixture Model pada Sistem Pengenalan Wajah dengan Metode Bayesian Pada saat perbedaan intrapersonal pada himpunan data wajah cuup besar, ragam variasi intrapersonal aan menjadi sangat omples untu dimodelan sebagai sebuah Distribusi Gaussian Tunggal, Pada metode ini, tingat esamaan antara dua citra bisa diuur dengan periraan dari intrapersonal lielihood P ( Ω ) untu setiap subruang intrapersonal loal seperti yang dilauan pada metode Bayesian. Subruang ntrapersonal loal dengan P Ω ) paling masimum adalah model terbai dari, ( { ( ) } P( Ω ) = max P = (6) Estimasi P Ω ) yang lebih stabil adalah dengan menggunaan persamaan (7). ( P ( Ω ) = exp( ε ( )) (7) ε ( ) DFFS dari masing masing subruang intrapersonal yang dihitung dengan menggunaan sejumlah vetor eigen terbesar. T ε ) = ( m ) W ( W ) ( m ) (8) ( m merupaan rata-rata difference image dari tiap elas, dan W merupaan sejumlah vetor eigen terbesar yang didapat dari proses PCA/ pembelajaran tiap elas. Analisis omponen Utama Analisis omponen Utama (principal component analysis / PCA) adalah teni yang digunaan untu menyederhanaan suatu data, dengan cara mentransformasi linier SBN : C-4-4

5 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 sehingga terbentu sistem oordinat baru dengan variansi masimum. PCA dapat digunaan untu meredusi dimensi suatu data tanpa mengurangi arateristi data tersebut secara signifian. PCA juga dienal dengan Transformasi arhunen-loève (dinamaan untu menghormati ari arhunen dan Michel Loève) atau Transformasi Hotelling (dinamaan untu menghormati Harold Hotelling). PCA juga merupaan salah satu teni statisti multivariat yang dapat menemuan arateristi data yang tersembunyi. DESAN SSTEM Blo Diagram Sistem Secara garis besar, sistem terdiri dari 3 bagian yaitu pra proses (preprocessing), pelatihan data (training), dan pengenalan (identification). Gambar adalah gambar garis besar sistem pengenalan wajah. Hasil ahir dari proses pengenalan wajah ini adalah citra wajah yang diidentifiasi sebagai orang yang sama dari citra [ PREPROCESSNG TRANNG DENTFCATON Gambar Garis besar sistem pengenalan wajah Data Data masuan yang digunaan dalam sistem merupaan data citra wajah yang mempunyai format bmp. Tipe citra wajah yang digunaan adalah grayscale, yaitu citra wajah hitam putih dengan derajat eabuan Basis data citra wajah yang digunaan adalah 3 jenis basis data citra wajah bau yaitu, The University of Bern, The Yale Face Database and ORL / AT&T Database. Basis Data Bern memuat 8 orang yang masing-masing memilii 0 citra wajah frontal. Basis Data Bern memilii arateristi adanya perubahan yang relatif ecil pada espresi wajah (facial expression) serta perubahan posisi epala earah iri, anan, atas dan bawah sebesar ± 30 derajat. Uuran citra asli dari basis data Bern adalah 88x64, namun sebagai data masuan, citra yang digunaan terlebih dahulu aan dinormalisasi dengan melauan redusi uuran citra asal (cropping) menjadi beruuran 73x56. Basis Data Yale memuat 5 orang dengan masing-masing memilii citra. Subye bervariasi terhadap jenis elamin, espresi wajah, pencahayaan (lighting) dan asesoris wajah (misalnya acamata). Uuran citra wajah dari basis data Yale adalah 88x64. citra yang digunaan sebagai data masuan terlebih dahulu aan dinormalisasi dengan melauan redusi uuran citra asal menjadi beruuran 58x4. Untu basis data yang terahir, yaitu basis data ORL, memilii 40 subye dengan masing-masing memilii 0 citra wajah. Subye bervariasi terhadap jenis elamin, espresi wajah, acamata dan perubahan posisi (pose) yang lebih tajam. Citra dari basis data ini beruuran x9, dan dinormalisasi dengan SBN : C-4-5

6 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 melauan redusi uuran citra asal menjadi beruuran 83x70. Untu basis data ORL hanya digunaan 0 subye pertama sebagai data masuan. HASL dan PEMBAHASAN Pengujian pada sistem pengenalan wajah yang diembangan pada penelitian ini dilauan dengan memisahan data citra wajah menjadi dua himpunan yang saling pisah (disjoint) yaitu himpunan citra pelatihan dan citra pengujian. Perhitungan persentase dari eberhasilan pengenalan wajah dilauan pada himpunan citra pengujian. Proses pembelajaran untu seluruh basis data wajah yaitu, Bern, Yale dan ORL dilauan pada tiga variasi pengujian, yaitu. Variasi pengujian Basis Data Bern, yaitu Bern 3, Bern 4 dan Bern 5.. Variasi pengujian Basis Data Yale, yaitu Yale 3, Yale 4 dan Yale Variasi pengujian Basis Data ORL, yaitu ORL 3, ORL 4 dan ORL 5 Pernyataan anga pada model variasi pengujian dari masing-masing basis data menggambaran sebagai jumlah pose dari setiap elas individu dari setiap basis data yang digunaan sebagai data pelatihan. Pengujian terhadap etiga basis data wajah dilauan pada tiga metode yaitu masing-masing dengan metode Bayesian Gaussian Mixture Model, Bayesian dan Eigenface. Tiap metode diuji untu tiap variasi pengujian pada masing-masing basis data wajah. Beriut ini adalah tabel hasil pengujian dari etiga basis data wajah Tabel. Hasil Pengujian Pengenalan Wajah (%) pada basis data Bern, Yale, ORL Basis Variasi Bayesian GMM Bayesian GMM Bayesian Eigenface data Pengujian with reference ,96 7,96 69,39 Bern 4 80,95 76,79 77, ,86 80,7 85,7 77, , ,50 65,83 Yale 4 78,0 73,33 7,38 64, ,78 77,78 73,33 63, ,9 7,4 73,57 65,7 ORL 4 73,33 74,7 78,33 69, Selanjutnya grafi tingat eberhasilan pengenalan dari hasil pengujian terhadap setiap basis data wajah disajian sebagai beriut : Bayesian GMM Bayesian GMM with Reference Bayesian EigenFace Bayesian GMM Bayesian GMM with Reference Bayesian EigenFace Bern5(50%) 86% 8% 83% Yale5(54.55%) 63% Data Uji Bern4(60%) 75% 77% 77% 8% Data Uji Yale4(63.64%) 65% 7% Bern3(70%) 69% 75% Yale3(7.) 66% 70% 0% 0% 0% 30% 40% 50% 60% 70% 80% 90% Tingat Pengenalan 0% 0% 0% 30% 40% 50% 60% 70% 80% 90% Tingat Pengenalan Gambar. Tingat eberhasilan Pengenalan pada Uji Bem Gambar 3 Tingat eberhasilan Pengenalan pada Uji Yale SBN : C-4-6

7 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Bayesian GMM Bayesian GMM with Reference Bayesian EigenFace ORL5(50%) 80% 86% 8% 79% Data Uji ORL4(60%) 69% 74% ORL3(70%) 66% 74% 7% 74% 0% 0% 40% 60% 80% 00% Tingat Pengenalan Gambar 4Tingat eberhasilan Pengenalan pada Uji ORL Aumulasi aurasi pengenalan pada tiap-tiap himpunan pengujian setiap basis data. Dari grafi aumulasi aurasi tersebut dapat diperoleh bahwa pada ran, aurasi pengenalan meningat untu semua senario uji pada setiap basis data. Aurasi Metode Bayesian GMM pada Uji Bern Aurasi Metode Bayesian GMM pada Uji Yale Aurasi Metode Bayesian GMM pada Uji ORL Aurasi Aurasi 0.85 Aurasi Uji Yale 3 Uji Yale Uji ORL 3 Uji ORL Uji Bern 3 Uji Bern Uji Yale Uji ORL 5 Uji Bern Ran Gambar 5. Aumulasi aurasi pengenalan pada Uji Bern Ran Gambar 6. Aumulasi aurasi pengenalan pada Uji Yale Ran Gambar 5. Aumulasi aurasi pengenalan pada Uji ORL ESMPULAN Berdasaran uji coba dan evaluasi hasil pengujian terhadap sistem pengenalan wajah dengan metode Bayesian berbasis Gaussian mixture model dan terhadap metode pembanding lainnya dapat disimpulan sebagai beriut : Pengenalan wajah dengan metode Bayesian berbasis Gaussian mixture model memilii tingat pengenalan yang lebih bai dibandingan dengan metode Bayesian dan EigenFace, terutama pada penggunaan data training yang sediit. Pengenalan wajah dengan metode Bayesian berbasis Gaussian mixture model tida memperhatian batasan nilai similarity score, sehingga citra inputan selalu dienali sebagai salah satu dari citra pelatihan yang ada mesipun citra inputan buan merupaan citra subye yang digunaan untu pelatihan. REFERENCE B. Moghaddam, T. Jebara, and A. Pentland, Bayesian Face Recognition, Pattern Recognition, Vol. 33, pp , 000. Howard Anton, Aljabar Linear Elementer, Edisi elima, Penerbit Erlangga, 005. M. Tur, A. Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol. 3, No., 99, pp SBN : C-4-7

8 Prosiding Seminar Nasional Manajemen Tenologi V Program Studi MMT-TS, Surabaya Agustus 008 Ronald E Walpole, Raymond H Myers, lmu Peluang dan Statistia untu nsinyur dan lmuwan, Edisi e-4, Penerbit TB Bandung. Rully Soelaiman, Sistem Pengenalan Wajah dengan Penerapan Algoritma Genetia pada Optimasi Basis Eigenface dan Proyesi Fisherface, Universitas ndonesia, 003. Xiaoyang Tan, Jun Liu, Songcan Chen, Sub-intrapersonal space analysis for face recognition, Department of Computer Science & Engineering, Nanjing University of Aeronautics & Astronautics, 005. X. Wang and X. Tang, Bayesian Face Recognition Based on Gaussian Mixture Models, in Proceedings of CPR, 004. SBN : C-4-8