KOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION Christianto Mewlando Binus University, Jakarta, DKI Jakarta, Indonesia Fictor Benny Kurniawan Usodo Binus University, Jakarta, DKI Jakarta, Indonesia Lukman Citra Sentosa Binus University, Jakarta, DKI Jakarta, Indonesia Abstrak Pengenalan citra telah mendapat perhatian nyata selama beberapa dekade ini, untuk menjangkau hal itu sejumlah algoritma telah dikembangkan. Diantaranya, Principal Component Analysis (PCA) telah banyak digunakan sebagai metode untuk mendeteksi citra melalui Eigenface. Kemudian baru-baru ini, teknik baru untuk pengenalan citra melalui pendekatan linear dari suatu database telah diajukan, yaitu Non-negative Matrix Factorization (NMF), berbeda dengan metode sebelumnya, metode ini memakai non-negativity constraints. Ini menjadi suatu acuan baru untuk teknik kompresi dan pengenalan citra dalam bidang Computer Vision. Namun, banyak orang belum mengetahui bahwa teknik ini lebih baik dari teknik teknik sebelumnya. Oleh kerena itu penulis mencoba melakukan penelitian untuk membuktikan hal tersebut dalam melakukan kompresi dan pengenalan citra. Penulis mencoba membandingkan metode NMF dengan PCA dari berbagai aspek seperti akurasi dalam recognisi serta gangguan yang terjadi seperti noise. Dari penelitian ini didapat hasil bahwa metode NMF dapat melakukan kompresi citra dan hasil recognisi citra lebih baik (akurasi 94%) daripada PCA (akurasi 86%). Kata Kunci : Face recognition, kompresi, Non-negative Matrix Factorization, Principal Component Analysis, Eigenface, Computer Vision
1. Pendahuluan Perkembangan teknologi komputer pada dewasa ini telah mengalami kemajuan, termasuk dalam bidang Computer Vision. Computer Vision membuat komputer dapat melihat dan mengenali suatu citra layaknya manusia. Pengenalan citra yang dimaksudkan salah satunya adalah pengenalan wajah (face recognition). Penelitian terhadap pengenalan wajah dalam beberapa dekade ini telah menarik banyak minat peneliti dalam mengembangkan teknik-teknik pengenalan wajah yang ada, sehingga dapat melakukan proses recognisi dengan akurasi yang baik (W. Zhao, R. Chellappa, A. Rosenfeld and J. Phillips, 2000). Hal ini sangat penting karena sistem pengenalan citra wajah ini sudah digunakan dalam sistem keamanan, sistem absensi, bahkan indentifikasi pelaku kejahatan. Komputer saat ini dapat menangani pengenalan manusia dengan menggunakan pengenalan wajah, tetapi muncul permasalahan baru dalam pengenalan wajah. Pengenalan wajah menjadi sulit untuk dikembangkan dengan adanya berbagai masalah seperti perbedaan ekspresi wajah, posisi menghadap wajah, detail wajah (mata tertutup atau tidak, mengenakan kaca mata atau tidak) dan kualitas dari citra wajah (noise). Selain itu penggunaan database yang sangat besar membuat metode tradisional menjadi tidak efektif atau bahkan sama sekali
tidak berfungsi dalam pengenalan wajah karena ukuran database yang digunakan besar. Principal Component Analysis (PCA) adalah sebuah teknik ekstraksi fitur yang umum dan sering digunakan dalam pengenalan pola (terutama dalam face recognition). Walaupun PCA merupakan teknik yang terkenal dalam pengenalan citra, ternyata PCA menghadapi permasalahan dalam menghadapi database wajah yang sangat besar, dimana waktu proses dari pengenalan menjadi lama dan akurasinya menjadi menurun dengan cepat apabila jumlah data semakin bertambah banyak (Li, S.Z., Hou, X.W., Zhang, H.J., Cheng, Q.S.. 2001). Baru-baru ini dikembangakan sebuah teknik ekstraksi fitur yang baru, yaitu Non-negative Matrix Factorization (NMF) (Lee D.D., Seung, H.S, 1999). Berbeda dengan PCA, selain mengekstraksi fitur citra, NMF juga dapat mereduksi dimensi ukuran storage penyimpanan, dalam arti lain mengkompresi (Michael W.Berry, Jacob Kogan, 2010). NMF memiliki akurasi yang baik dalam menghadapi permasalahan yang telah disebutkan diatas, selain itu penurunan akurasi yang diakibatkan oleh pertambahan data citra pada database relatif lebih lambat dibandingkan dengan metode PCA yang mengalami penurunan akurasi secara drastis. Hasil rekonstruksi NMF pun menghasilkan kualitas citra yang mendekati citra aslinya.
2. Methodology Ruang lingkup dari penelitian adalah sebagai berikut : a. Pengujian dan penelitian pengenalan citra wajah menggunakan dataset image Olivetti Research Laboratory (ORL) b. Jenis citra wajah yang dipakai sebagai data percobaan merupakan citra skala abu-abu, dengan format (.pgm) yang memiliki ukuran 92 x 112 piksel. c. Menggunakan MATLAB sebagai bahasa pemrograman dalam penelitian. d. Penelitian menggunakan metode Non-Negative Matrix Factorization (NMF) dan Pricipal Component Analysis sebagai metode pembanding. Metodologi yang digunakan terbagi menjadi dua proses, yaitu: a. Proses ekstraksi fitur (offline) yang disimpan kedalam database, yang kemudian akan digunakan untuk pengenalan citra wajah. b. Proses pengenalan citra wajah (online) berdasarkan input citra wajah seseorang yang ingin dikenali.
Proses offline Ekstrasi fitur (NMF + NMFSC) Resize V = = ORL Training Set Resize Fitur Vektor (Q) = Euclidean Input Image Proses online Recognition Gambar 1. Bagan Face Recognition 2.1 Evaluasi Dalam penelitian ini, didapatkan bahwa metode Non-Negative Matrix Factorization dapat melakukan proses kompresi terhadap dataset dengan baik, seperti yang dilihat pada tabel dibawah ini. Dengan ukuran awal dataset 600KB. Tabel 1 Tabel kompresi dataset MSE Rank 50 40 30 20 10 89.5 KB 153 KB 155.5 KB 177.5 KB 173.5 KB 80 KB 77 KB 75.5 KB 76.5 KB 77.5 KB 79 KB 75.5 KB 70.5 KB 76.5 KB 76.5 KB
Dalam melakukan proses pengenalan citra, metode NMF memiliki akurasi yang lebih baik dibandingkan metode PCA. Hasil perbandingan dapat dilihat pada tabel dibawah ini. Tabel 2 Tabel Perbandingan Metode PCA dengan NMF Metode PCA Metode NMF Jumlah Citra Gagal Berhasil Akurasi 50 2 48 96% 96% 100 20 80 80% 95% 150 29 121 80.67% 91.33% Rata Rata 86% 94% 3. Kesimpulan Berdasarkan pembahasan dan uji coba yang telah dilakukan, dapat disimpulkan hal-hal sebagai berikut : 1. NMF dapat melakukan proses kompresi dengan baik. Semakin kecil MSE semakin baik citra terkompresi dan semakin menyerupai citra aslinya. 2. Metode NMF lebih baik dari metode PCA. Dimana pada NMF memiliki rata-rata akurasi pengenalan citra wajah sebesar 94% sedangkan PCA hanya memiliki tingkat akurasi sebesar 86%. 3. Semakin kecil MSE yang digunakan maka semakin baik akurasi yang didapat. Namun untuk database dalam jumlah besar, tingkat akurasi akan berkurang
4. Masalah kesalahan pada proses recognisi dikarenakan adanya perbedaan pencahayaan pada citra yang ditraining dengan citra input dalam proses recognisi.
DAFTAR PUSTAKA [1] Boutsidis, C. G. (2005). On SVD-based initialization for nonnegative matrix factorization. Technical Report, HPCLAB-SCG-6/08-05. [2] Buchsbaum, G. B. (2002). Color categories revealed by non-negative matrix factorization of Munsell color spectra. Vision Research 42, 559-563. [3] Buciu, I. (2008). Non-negative matrix factorization, a new tool for feature extraction: Theory and Applications. IEEE 2nd International Conference on Computers, Communications and Control, (pp. 45 52). [4] Chen, X. G. (2001). Learning representative local features for face detection. Proc. of IEEE Conference on Computer Vision and Pattern Recognition. Hawaii. [5] D. Lee, H.Seung. (2001). Algorithms for Non-Negative Matrix Factorization. Adv. Neural Info. Proc, 556-562. [6] D. Lee, H.Seung. (1999). Learning the parts of objects by non-negative matrix factorization. Nature 401, 788-791. [7] Donoho, D. S. (2004). When does non-negative matrix factorization give a correct de-composition into parts? Neural Information Processing Systems. [8] E. Hjelmas, B. L. (2001). Face Detection: A Survey. Computer Vision and Image Understanding, 236-274. [9] Ge, X. I. (2002). Learning the parts of objects by auto-association. Neural Networks 15, 285-295. [10] Guillamet, D. B. A weighted non-negative matrix factorization for local representation. Proc. of IEEE Conference on Computer Vision and Pattern Recognition. Hawaii. [11]Guillamet, D. V. (2003). Introducing a weighted non-negative matrix factorization for image classification. Pattern Recognition Letters 24, 2447-2454. [12] Hoyer, P. (2004). Non-negative matrix factorization with sparseness constraints. Journal of machine Learning Research 5, 1457-1469. [13] I. Buciu, N. N. (2006). A comparative study of NMF, DNMF, and LNMF algorithms applied for face recognition. 2006 Second IEEE-EURASIP International Symposium on Control, Communications, and Signal Processing
[14] Jolliffe, I. (1986). Principal Component Analysis. Springer-Verlag, New York. [15] L.J.P. van der Maaten, E. P. (2008). Dimensionality Reduction:AComparative Review. [16] Li, S. H. (2001). Learning spatially localized, parts-based representation. Proc. of IEEE Conference on Computer Vision and Pattern Recognition. Hawaii. [17] Liu, W. Z. (2004). Learning sparse features for classification by mixture models. Pattern Recognition Letters 25, 155-161. [18] Liu, W. Z. (2004). Non-negative matrix factorization based methods for object recognition. Pattern Recognition Letters 25, 893-897. [19] Michael W. Berrya, M. B. (2006). Algorithms and applications for approximate nonnegative matrix factorization. [20] Oja, Z. Y. (2005). Projective nonnegative matrix factorization for image compression and feature extraction. 14th Scandinavian Conference on Image Analysis, 333-342. [21] P. F oldi ak, M. P. (1995). Sparse coding in the primate cortex. (M. A. Arbib, Ed.) The Handbook of Brain Theory and Neural Networks, 895 898. [22] R.C. Gonzalez, R. W. (1992). Digital Image Processing. USA. [23] S. Li, X. H. (2001). Learning spatially localized, parts-based representation. Proc. of IEEE Conference on Computer Vision and Pattern Recognition, (pp. 207 212). [24] Turk, M. P. (1991). Eigenfaces for recognition. J. Cognitive Neuroscience 3, 71-86. [25] W. Zhao, R. C. (2000). Face recognition: A literature survey. Technical Report, CFAR-TR00-948. [26] Wild, S. C. (2004). Improving non-negative matrix factorizations through structured initialization. Pattern Recognition 37, 2217-2232. [27] Zhang, D.S.Chen, Zhou, Z.H. (2005). Two-dimensional Non-Negative Matrix Factorization for Face Representation and Reconition. Proceedings of the ICCV'05 Workshop on Analysis and Modeling of Faces and Gestures (AMFG'05), 3723, pp. 350-363. Springer, Berlin.