Deteksi Posisi dan Ekstraksi Fitur Wajah Manusia Pada Citra Berwarna Iping Supriana 1) Yoseph Suryadharma 2) 1) Program Studi Teknik Informatika Institut Teknologi Bandung email: iping@informatika.org 2) Program Studi Teknik Informatika Institut Teknologi Bandung email: y.suryadharma@gmail.com Abstrak Pendeteksian posisi wajah dan ekstraksi fitur wajah merupakan salah satu proses yang sangat penting untuk melakukan proses pengenalan wajah. Pendeteksian posisi wajah merupakan suatu proses untuk mengetahui lokasi wajah pada suatu citra. Ekstraksi fitur wajah merupakan proses pendeteksian posisi fitur-fitur wajah seperti mata dan mulut. Kedua proses tersebut merupakan proses pendahuluan sebelum dilakukan proses yang lebih kompleks pada proses pengenalan wajah. Makalah ini berisi kajian algoritma deteksi posisi dan ekstraksi fitur wajah pada citra berwarna. Deteksi posisi wajah dilakukan dengan memanfaatkan informasi piksel warna kulit dan karakteristik wajah. Ekstraksi fitur wajah dilakukan dengan memanfaatkan pengolahan citra tingkat rendah menggunakan proses pendeteksian tepi menggunakan algoritma smallest univalue segment assimilating nucleus (SUSAN). Algoritma SUSAN tersebut digunakan untuk melakukan ekstraksi fitur mata dan mulut pada suatu citra wajah. Kesimpulan yang didapatkan adalah model warna HSV secara umum bekerja lebih baik daripada model warna kulit RGB. Proses ekstraksi fitur wajah menggunakan SUSAN edge detection mampu mendeteksi batas-b atas fitur wajah dengan cukup baik. Kata Kunci: deteksi posisi wajah, ekstraksi fitur wajah, SUSAN edge detection 2. PENDAHULUAN Deteksi posisi dan ekstraksi fitur wajah merupakan tahap pendahuluan yang sangat penting dalam sistem pengenalan wajah. Deteksi posisi wajah adalah proses untuk mengetahui lokasi wajah pada suatu citra. Deteksi posisi wajah menjadi sangat penting karena dalam suatu citra wajah dapat muncul di berbagai posisi. Ekstraksi fitur wajah adalah proses untuk mengetahui lokasi-lokasi fitur-fitur wajah seperti mata dan mulut. Proses ini membantu untuk mengetahui ciri-ciri spesifik dari suatu objek wajah. Ketepatan deteksi posisi dan ekstraksi fitur wajah merupakan suatu hal yang sangat penting untuk sistem pengenalan wajah. Berbagai penelitian telah dilakukan untuk melakukan deteksi posisi dan ekstraksi fitur wajah pada suatu citra berwarna. Pada penelitian [2] deteksi posisi wajah dilakukan pada suatu citra berwarna dengan memanfaatkan informasi piksel warna kulit dan informasi lubang pada wajah. Penelitian [4][5] memperkenalkan metode ekstraksi pojok fitur-fitur wajah menggunakan algoritma SUSAN corner detection yang diperkenalkan sebelumnya pada penelitian [13].
Berdasarkan hasil penelitian tersebut, penulis mengembangkan suatu sistem deteksi posisi dan ekstraksi fitur wajah. Proses deteksi wajah memanfaatkan informasi warna piksel dan ukuran dimensi wajah. Proses ekstraksi fitur-fitur wajah dilakukan untuk melakukan ekstraksi fitur mata dan mulut dengan memanfaatkan algoritma SUSAN edge detector. Algoritma SUSAN edge detector dipilih karena algoritma tersebut membantu dalam menentukan batas-batas fitur wajah secara lebih akurat. 3. SUSAN EDGE DETECTION Smallest Univalue Segment Assimilating Nucleus (SUSAN) adalah algoritma yang dapat digunakan untuk melakukan deteksi fitur suatu objek dalam suatu citra. SUSAN menggunakan circular mask untuk mendeteksi tepi (edge) dan pojok (corner) dari suatu objek [13]. Algoritma ini membandingkan nilai kecerahan setiap piksel yang terdapat di dalam mask dengan nilai piksel di tengah mask. Piksel titik tengah mask disebut sebagai nucleus. Jumlah piksel yang memiliki nilai sama dengan nucleus dalam suatu mask didefinisikan sebagai Univalue Segment Assimilating Nucleus (USAN) area. Pendeteksian tepi atau pojok dari suatu objek merupakan pencarian daerah atau titik dalam suatu citra yang memilikai USAN area terkecil. Ilustrasi algoritma SUSAN dapat dilihat pada gambar 1. Mask ditempatkan di setiap titik di dalam citra. Setiap titik di dalam mask kemudian dibandingkan nilainya dengan titik tengah mask. Persamaan yang digunakan untuk pembandingan ini adalah: 1, 0, 0 0, 0 r 0 adalah posisi nukleus dalam citra, r adalah posisi piksel lain di dalam mask, I(r) adalah nilai kecerahan piksel, t merupakan nilai ambang (threshold) beda kecerahan, c merupakan nilai hasil perbandingan. Pembandingan dilakukan untuk setiap piksel di dalam mask dan kemudian dihitung nilai total hasil perbandingan dengan persamaan: 0, 0 n merupakan jumlah total piksel yang berada di dalam area USAN. Kemudian, nilai n dibandingkan dengan suatu nilai ambang (threshold) g, yang disebut sebagai geometric threshold. Nilai g ditetapkan sebagai 3n max /4. Initial edge response dihitung dengan menggunakan aturan sebagai berikut: g n r0,jika n r0 R r0 0, lainnya R( r0 ) merupakan edge response. Dari persamaan tersebut terlihat bahwa semakin kecil area USAN semakin besar edge response. 3. MODEL WARNA KULIT Gambar 1. Circular Mask Algoritma SUSAN Pendeteksian tepi suatu objek menggunakan SUSAN memanfaatkan suatu circular mask. Suatu warna dapat dimodelkan ke dalam beberapa model warna. Model warna digital yang sering digunakan adalah RGB (red, green, blue) dan HSV (hue, saturation, value). Model warna kulit digunakan untuk memisahkan piksel kulit
Seminar Nasional Ilmu Komputer dan Aplikasinya SNIKA 2009 (26/11/2009) ISSN 1907-882X dan non-kulit. Berdasarkan penelitian [9], model warnaa kulit dalam representasi RGB adalah: R > 95 dan G > 40 dan B > 20 max{r,g,b} min{r,g,b} > 15 R-G > 15 dan R > G dan R > B dengan R,G,B = [0,255] Berdasarkan penelitian [9], model warna kulit dalam representasi HSV adalah: 0 < H < 50 dan 0.23 < S < 0.68 dengan H = [0,360] dan S = [0,1] Model warna HSV lebih baik dari model warna RGB karena dalam model HSV dipisahkan antara komponenn kemurnian warna dan komponen intensitas cahaya. 4. PROSES DETEKSI POSISI WAJAH tertutup, dilanjutkan dengan pembentukan peta lubang mengurangka an peta kulit tertutup dengan hasil proses dilakukan proses pemetaan (mapping) antaraa objek pada peta lubang dengan objek pada peta kulit tertutup. Dengan setiap (closed skin map) dengan caraa segmentasi warna kulit. Kemudian pertimbangan bahwaa lubang pada peta kulit tertutup merepresenta asikan fitur-fitur wajah seperti mataa dan mulut, setiap objek pada peta kulit tertutup yang memiliki lubang dikategorikan sebagai kandidat wajah. Kemudian setiap objek yang dikategorikan sebagai kandidat wajah dihitung ukuran dimensinya. Kandidat yang memilikii perbandingan n panjang dan lebar maksimal 1:2 dikategorikan sebagai wajah. Ilustrasi prosess pendeteksian n posisi wajah dapat dilihat padaa gambar 2. Proses deteksi posisi wajah diawali dengan melakukan proses segmentasi warna kulit terlebih dahulu pada citra masukan. Input dari proses ini adalah sebuah citra berwarna dan outputnya merupakan sebuah citra biner. Pada penelitian ini, output untuk piksel kulit direpresentasikann dengan warna putih dan piksel non-kulit direpresentasikan dengan warnaa hitam. Proses segmentasi warna kulit dilakukan dalam 2 model warna yaitu model RGB dan HSV. Fungsi yang digunakan dalam proses segmentasi warna kulit adalah: 1, 0, Selanjutnya dari hasil prosess segmentasi warna kulit tersebut, dilakukan proses pembentukan peta kulit tertutup (closed skin map) dengan cara menerapkan algoritma closing dan opening pada citra tersebut. Setelah pembentukan peta kulit Gambar 2. Proses deteksi posis wajah 5. PROSES EKSTRAKSI FITUR WAJAH Ekstraksi fitur wajah dilakukan untuk melakukan Algoritma yang dipakai edge menentukan batas-batas fitur wajah secara lebih akurat. 5.1 Ekstraksi Fitur Mataa menerapkan deteksi posisi mata dan mulut. adalah SUSAN edgee detection. Algoritma ini dipakai karena SUSAN detection dapat membantu untuk Ekstraksi fitur mata dilakukan dengan caraa algoritmaa smallest univalue
segment assimilating nucleus (SUSAN) pada citra wajah hasil proses deteksi posisi wajah. Algoritma SUSAN digunakan untuk melakukan pendeteksian tepi (edge detection) pada area pencarian mata. Pada kajian ini digunakan algoritma SUSAN edge detection karena algoritma tersebut lebih memudahkan untuk mencari batas-batas fitur yang dicari daripada menggunakan SUSAN corner detection. Karena operator SUSAN bekerja pada citra grayscale, citra wajah akan diubah ke dalam representasi grayscale terlebih dahulu sebelum dilakukan proses ekstraksi fitur mata. Sebelum dilakukan proses ekstraksi, didefinisikan area pencarian fitur mata. Area pencarian fitur mata pada proses ini adalah setengah area bagian atas wajah. Area ini dapat dilihat pada gambar 3. 1. ukuran lebar bounding box 1,2 x tinggi bounding box 2. ukuran lebar bounding box 3,2 x tinggi bounding box 3. ukuran lebar bounding box 0,125 x lebar area wajah 4. ukuran lebar bounding box 0,3 x lebar area wajah 5. koordinat titik atas bounding box 0,25 x tinggi area wajah 6. koordinat titik bawah bounding box 0,5 x tinggi area wajah 5.2 Ekstraksi Fitur Mulut Ekstraksi fitur mulut dilakukan dengan menerapkan algoritma SUSAN pada area pencarian mulut. Area pencarian mulut adalah setengah bagian bawah wajah. Area pencarian mulut dapat dilihat pada gambar 4. Gambar 3. Area pencarian fitur mata Algoritma SUSAN diterapkan pada area pencarian mata yang telah didefinisikan. Operator SUSAN yang dipakai memiliki ukuran diameter mask 7 piksel. Nilai ambang (threshold) yang dipakai untuk mendeteksi fitur mata adalah 21. Nilai ambang tersebut dilakukan setelah beberapa percobaan. Operator SUSAN tersebut diaplikasikan untuk mendeteksi tepi (edge) pada area pencarian mata. Setiap edge object kemudian dicari minimum bounding box-nya. Proses berikutnya adalah melakukan pemeriksaan untuk setiap edge object yang telah terdeteksi. Suatu objek merupakan objek mata jika memenuhi kriteria tertentu. Kriteria suatu objek dikategorikan sebagai objek mata adalah sebagai berikut: Gambar 4. Area pencarian fitur mulut Algoritma SUSAN diterapkan pada area pencarian mulut yang telah didefinisikan. Operator SUSAN yang dipakai memiliki ukuran diameter mask 7 piksel. Nilai ambang (threshold) yang dipakai untuk mendeteksi fitur mulut adalah 5. Nilai ambang tersebut didapatkan setelah melakukan beberapa percobaan. Operator SUSAN tersebut diaplikasikan untuk mendeteksi tepi (edge) pada area pencarian mulut. Setiap edge object kemudian dicari minimum bounding box-nya. Proses berikutnya adalah melakukan pemeriksaan untuk setiap edge object yang telah terdeteksi. Suatu objek merupakan objek mulut
Seminar Nasional Ilmu Komputer dan Aplikasinya SNIKA 2009 (26/11/2009) ISSN 1907-882X jika memenuhi kriteria tertentu. Kriteria suatu objek dikategorikan sebagai objek mulut adalah sebagai berikut: 1. ukuran lebar bounding box tinggi bounding box 2. ukuran lebar bounding box 6 x tinggi bounding box 3. ukuran lebar bounding box 0,2 x lebar area wajah 4. ukuran lebar bounding box 0,6 x lebar area wajah 5. koordinat titik atas bounding box 0,5 x tinggi area wajah 6. koordinat titik bawah bounding box 0,75 x tinggi area wajah 6. HASIL EKSPERIMEN Contoh hasil pengujian dari algoritmaa deteksi posis dan ekstraksi fitur wajah yang telah dijelaskan dapat dilihat pada gambar 5. Tabel 1. Nilai threshold SUSAN untuk ekstraksi fitur mata No. 1. 19 46,67% 2. 20 66,67% 3. 21 93,33% 4. 22 80,00% 5. 23 73,33% Tabel 2. Nilai threshold SUSAN untuk ekstraksi fitur mulut No. 1. 2. 3. Nilai Hasil Threshold Nilai Threshold Hasil 3 46,67% 4 60,00% 5 73,33% 4. 6 66,67% Gambar 5: Hasil deteksi posisi dan ekstraksi fitur wajah 5. 7 60,00% Dari hasil ekstraksi fitur mata dan mulut, terlihat bahwa algoritma SUSAN edge detection cukup membantu untuk menentukan batas-batas fitur mata dan mulut dengan lebih akurat. Hal ini sangat penting karena akurasi pendeteksian fiturproses fitur wajah sangat menentukan hasil pengenalan wajah. Hasil pengujian terhadap 15 citra masukan yang digunakan dapat dilihat pada tabel 1,2, dan 3. Tabel 3. Hasil pengujian deteksi posis wajah No. Model Warna Segmentasi RGB 1. 2. HSV 7. KESIMPULAN Hasil 80,00% 86,67% Deteksi posisi ekstraksi fitur wajah dapat dilakukan dengan memanfaatkann algoritmaa penolahan citra tingkatt rendah. Untuk citra berwarna, proses deteksi dapat dilakukan
dengan memanfaatkan model warna kulit. Secara umum, model warna kulit HSV bekerja lebih baik daripada model warna kulit RGB. Keberhasilan proses segmentasi warna kulit sangat mempengaruhi keberhasilan proses deteksi posisi wajah pada citra berwarna. Untuk melakukan proses ekstraksi fitur-fitur wajah seperti mata dan mulut, algoritma SUSAN edge detection cukup membantu untuk menentukan batas-batas fitur-fitur wajah tersebut dengan cukup akurat. Hasil output algoritma ini cukup memadai untuk diproses lebih lanjut untuk keperluan sistem biometrik seperti sistem pengenalan wajah. DAFTAR PUSTAKA [1] Agushinta R., D., Suhendra, Adang dan Hendra. Ekstraksi Fitur dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah. National Conference on Computer Science and Information Technology VII. [2] Ahlvers, U., Rajagopalan, Ruben, dan Udo Zolzer. Model-Free Face Detection And Head Tracking With Morphological Hole Mapping. Project Work. Helmut-Schmidt University / Technical University Hamburg. Hamburg, 2005. [3] Crane, Randy. A Simplified Approach To Image Processing. Prentice Hall. 1997 [4] Gu, H., Su, Guangda, dan Cheng Du. Feature Point Extraction From Faces. Image and Vision Computing NZ. pp. 154-158 (November, 2003). [5] Hess, M., Martinez, Geovanni. Facial Feature Extraction Based On The Smallest Univalue Segment Assimilating Nucleus (SUSAN) Algorithm. Project Work. Universidad de Costa Rica. 2005 [6] Hjelmas, Erik, Low, Boon Kee. Face Detection: A Survey. Computer Vision and Image Understanding, 83, pp. 236-274 (2001). [7] Munir, Rinaldi. Pengolahan Citra Digital. Penerbit Informatika. 2004 [8] Pam, Thang V. dan Worring, Marcel. Face Detection Method A Critical Evaluation. ISIS Technical Report Series, Vol II (2000, November). [9] P. Peer, F. Solina. An Automatic Human Face Detection Method. Proc. 4 th Computer Vision winter Workshop (CVWW), pp. 122-130 (1999, Februari). [10] Rowley, Henry A., Baluja, Shumeet, dan Takeo Kanade. Neural Network-Based Face Detection. IEEE Transactions Pattern Analysis and Machine Intelligence, Vol. 20, No. 1, pp. 23-28 (1998, Januari). [11] Russ, Johm C. The Image Processing Handbook 5 th Edition. CRC Press. 2007 [12] Singh, Sanjay Kr., dkk. A Robust Skin Color Based Face Detection Algorithm. Tamkang Journal of Science and Engineering, Vol. 6, No. 4, pp. 227-234 (2003). [13] Smith, S., Brady, J. Michael. SUSAN A New Approach To Low Level Image Processing. International Journal of Computer Vision, Vol. 23, No. 1, pp. 45-78 (1997).