Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng
Latar Belakang ( Permasalahan Sistem Pengenalan Wajah ) Posisi Kepala (Head Pose) Pencahayaan (Ilumination) Ekspresi (Expression) 2
Latar Belakang Proses pengenalan wajah dipengaruhi oleh faktorfaktor variabilitas inter personal dan intra personal. Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur (feature based) dan pendekatan penampilan (appearance based). 3
Skenario Pengenalan Wajah 4
Permasalahan Bagaimanakah mengekstrasi fitur wajah dengan menggunakan algoritma LBP? Metode manakah yang memberikan tingkat pengenalan yang paling baik dari similarity LBP (Chi Square), supervised PCA dan subspace LDA? Berapa besar akurasi pengenalan wajah dengan ekstraksi fitur LBP terhadap variasi posisi wajah, pencahayaan, dan ekspresi? Berapa besar window size LBP yang memberi laju pengenalan paling tinggi untuk tiap tiap algoritma pengenalan wajah? 5
Tujuan Mendapatkan Fitur Wajah dengan LBP untuk peningkatan unjuk kerja pengenalan wajah. Merancang perangkat lunak sebagai alat bantu melakukan pengekstraksian fitur wajah serta pengenalan wajah. Mencari tingkat pengenalan wajah yang paling baik dan membandingkan hasil pengenalan. 6
Batasan Masalah Citra input untuk proses pengenalan wajah hanya citra wajah yang ternormalisasi dengan ukuran piksel : 130 x 150 piksel Yale B 92x112 AT&T Besar pemilihan eigenvector yang digunakan pada algoritma supervised PCA dan subspace LDA sebesar 60%. 7
Basis Data Variasi pencahayaan menggunakan basis data Yale B. Variasi posisi kepala menggunakan basis data AT&T. 8
Blok Sistem Pengenalan Wajah 9
Histogram Equalization Histogram Equalization merupakan suatu metode penyesuaian kontras dengan cara memperlebar puncak dan memperkecil titik minimum histogram supaya penyebaran piksel pada citra merata (uniform). 10
Local Binary Pattern (LBP) LBP dikenal sebagai suatu teknik yang biasa digunakan untuk klasifikasi ciri suatu pola. LBP adalah deskriptor tekstur yang dapat juga digunakan untuk mewakili pola wajah. 11
Operator LBP LBP diperolehdari proses Binary Derivatives. Dan fungsi s(x) didefinisikan sebagai berikut: = 10001111 = 143 12
Ekstraksi Fitur LBP 13
Similarity Chi Square Pengujian kesamaan statistik chi square digunakan sebagai classifier dalam ruang fitur. Prinsip dasar chi Square adalah menghitung nilai minimum rata rataduadistribusi. (distribusi histogram citra) 14
Algoritma Fitur LBP - PCA 15
Algoritma Fitur LBP - LDA 16
Dalam ruang Euclidean citra wajah direpresentasikan sebagai dua titik yang memiliki koordinat. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku siku. Euclidean distance 17
Hasil Percobaan variasi Pencahayaan (Subset II) [Basis data Yale-B] Tingkat pengenalan (%) 100 99 98 97 96 95 26x30 21x25 18x21 16x18 14x16 13x15 11x13 LBP PCA 98.33 97.5 99.17 99.17 99.17 99.17 99.17 LBP LDA 96.67 99.17 99.17 97.5 97.5 98.33 99.17 CHI SQUARE 99.17 99.17 99.17 99.17 100 100 100 HE LBP PCA 97.5 98.33 99.17 99.17 99.17 99.17 99.17 HE LBP LDA 98.33 99.17 98.33 99.17 99.17 98.33 99.17 HE CHI SQUARE 100 99.17 99.17 100 100 100 100 Ukuran Jendela LBP LBP PCA LBP LDA CHI SQUARE HE LBP PCA HE LBP LDA HE CHI SQUARE 18
Hasil Percobaan variasi Pencahayaan (Subset III) [Basis data Yale-B] Tingkat pengenalan (%) 100 95 90 85 80 75 70 65 60 55 50 26x30 21x25 18x21 16x18 14x16 13x15 11x13 LBP PCA 55 66.67 75.83 77.5 83.33 76.67 80 LBP LDA 53.33 67.5 69.17 74.17 71.67 65.83 73.33 CHI SQUARE 74.17 87.5 87.5 93.33 95.83 95 99.17 HE LBP PCA 60 66.67 75.83 79.17 87.5 80 87.5 HE LBP LDA 67.5 74.17 75 77.5 83.33 74.17 80 HE CHI SQUARE 75 90 85.83 94.17 97.5 92.5 99.17 Ukuran Jendela LBP LBP PCA LBP LDA CHI SQUARE HE LBP PCA HE LBP LDA HE CHI SQUARE 19
Hasil Percobaan variasi Pencahayaan (Subset IV) [Basis data Yale-B] Tingkat pengenalan (%) 100 90 80 70 60 50 40 30 26x30 21x25 18x21 16x18 14x16 13x15 11x13 LBP PCA 35.83 35.83 48.33 40.83 55.83 42.5 47.5 LBP LDA 43.33 46.67 42.5 53.33 52.5 45 46.67 CHI SQUARE 40 55.83 55 65.83 73.33 74.17 80 HE LBP PCA 45.83 49.17 59.17 50.83 63.33 59.17 55 HE LBP LDA 50 50.83 55 64.17 73.33 50 65 HE CHI SQUARE 43.33 55.83 59.17 69.17 77.5 70 83.33 Ukuran Jendela LBP LBP PCA LBP LDA CHI SQUARE HE LBP PCA HE LBP LDA HE CHI SQUARE 20
Hasil Percobaan variasi Pencahayaan (Subset V) [Basis data Yale-B] 70 Tingkat Pengenalan (%) 60 50 40 30 20 10 0 26x30 21x25 18x21 16x18 14x16 13x15 11x13 LBP PCA 12.5 12.5 15.83 12.5 23.33 14.17 17.5 LBP LDA 17.5 15 16.67 22.5 24.17 18.33 14.17 CHI SQUARE 16.67 21.67 25 35.83 42.5 41.67 61.67 HE LBP PCA 18.33 20 37.5 24.17 43.33 35.83 28.33 HE LBP LDA 24.17 30.83 35 38.33 51.67 31.67 57.5 HE CHI SQUARE 17.5 19.17 28.33 31.67 44.17 40.83 50 Ukuran Jendela LBP LBP PCA LBP LDA CHI SQUARE HE LBP PCA HE LBP LDA HE CHI SQUARE 21
Hasil Percobaan variasi Headpose [Basis data AT&T] Tingkat Pengenalan (%) 100 90 80 70 26x30 21x25 18x21 16x18 14x16 13x15 11x13 LBP PCA 87.14 85.71 83.93 82.86 80.36 80.36 77.86 LBP LDA 85.00 87.86 84.64 81.43 80.36 78.93 72.86 CHI SQUARE 90.71 89.29 88.93 86.43 85 85 82.14 Ukuran Jendela LBP LBP PCA LBP LDA CHI SQUARE 22
Kesimpulan Dari ketiga algoritma yang diujikan yaitu Supervised PCA, Subspace LDA, dan Chi Square, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale B) pada subset 2 sebesar 100%, subset 3 sebesar 99,17%, subset 3 sebesar 83,33%, dan untuk subset 4 sebesar 61% sedangkan untuk variasi posisi kepala (basis data AT&T) sebesar 90,71%. Pada basis data Yale B, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised PCA dan Subspace LDA terjadi pada window size LBP 14x16. Sedangkan untuk algoritma Chi Square tingkat pengenalan terbaik terjadipadawindow size LBP 11x13. Pada basis data AT&T, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised PCA dan Chi Square terjadi pada window size LBP 26x30. Sedangkan pada algoritma Subspace LDA terjadi pada window size 21x25. Pengenalan wajah dengan menggunakan fitur LBP lebih sesuai digunakan untukcitra citra dengan variasi pencahayaan dari pada variasiheadpose. 23
Saran Metode Local Binary pattern masih dapat dikembangkan dengan beberapa metode lain selain metode LBP standar, seperti uniform LBP, rotation invariant LBP atau uniform rotationinvariant LBP. Pengujian dapat dilakukan dengan basis data yang lain seperti FERET. Ekstraksi fitur LBP juga dapat digabungkan dengan metode pengenalan wajah selain PCA dan LDA seperti Canonical Correlation Analysis (CCA) atau Support Vector Machine (SVM). 24
25