BAB I PENDAHULUAN
Hubungan sosial manusia yang berkaitan dengan identitas dan emosi wajah memegang peranan yang penting. Kemampuan manusia untuk mengenal wajah sangat luar biasa. Manusia dapat mengenal ribuan wajah selama hidupnya dan mampu mengidentifikasi wajah-wajah yang akrab dalam waktu sekejap walau sudah lama tidak bertemu. Kemampuan tersebut dinilai sangat handal walaupun perubahan visual wajah terjadi karena kondisi penglihatan, ekspresi, umur, dan faktor lain seperti pemakaian kacamata dan perubahan tipe rambut.
Media informasi memungkinkan terjadinya metode interaksi antara manusia dan komputer yang lebih efektif dan lebih akrab dengan mengadopsi kemampuan manusia tersebut. Metode interaksi ini tidak bergantung pada peralatan konvensional seperti keyboard dan mouse (Pentland, 2000), tetapi mengandalkan peralatan-peralatan digital yang terhubung dengan komputer misalnya kamera video. Salah satu metode interaksi manusia dan komputer ini menerapkan konsep teknologi visi komputer di bidang pengenalan wajah.
2003), bahwa biometrika akan menjadi ”top ten emerging technologies that will change the world”.
Perkembangan metode ini didukung oleh perkembangan teknologi komputer, khususnya perkembangan prosesor komputer dan teknologi video. Dengan teknologi ini maka implementasi pengenalan wajah semakin terbuka, bahkan tidak mustahil akan menjadi aplikasi yang penting dan digunakan pada semua sistem yang membutuhkannya (Yang et al., 2002). Model komputasi wajah telah menjadi area yang aktif untuk diteliti sejak tahun 1980 karena area ini tidak hanya berada dalam domain teoritis saja namun memungkinkan diciptakannya aplikasi-aplikasi praktis dalam hal pengenalan wajah, misalnya identifikasi kriminal, sistem keamanan, pemrosesan citra dan film, dan interaksi manusia-komputer dan sebagainya. Namun, pengembangan model komputasi untuk pengenalan wajah tidak mudah, karena wajah memiliki karakteristik rumit, multidimensi, dan berubah dari waktu ke waktu.
pengenalan wajah salah satunya dilakukan dengan penelitian sistem identifikasi dengan pelacakan dan pengenalan wajah.
DAFTAR PUSTAKA
Achmad, B, &Kartika Firdausy, 2005, Teknik Pengolahan Citra Digital Menggunakan Delphi, Ardhi publishing, Yogyakarta.
Anymous, 2000, Intel Image Processing Library – Reference Manual, Intel Corporation, USA.
Anymous, 2001, Open Source Computer Vision Library – Reference Manual, Intel Corporation, USA.
Bhuiyan, M, Ampornaramveth, Muto, &Ueno, 2003, Face Detection and Facial Feature Localization for Human machine Interface, Research Paper.
Bradski, G, Adrian Kaehler, &Vadim Pisarevsky, 2005, Learning-Based Computer Vision with Intel’s Open Source Computer Vision Library, Intel Technology Journal, Volume 9, Issue 2, page119-129,
http://developer.intel.com/technology/itj/index.htm.
Fraser, F, 2003, Exploring The Use of Face Recognition Technology for Border Control Applications, Biometric Consorsium Conference.
Guillamet, D, &Vitria, 2000, A comparison of global versus local color histograms for object recognition, Pattern Recognition, Proceedings. 15th International Conference, Volume 2, Page(s): 422 – 425.
Gunturk, B, Batur, Altunbasak, Hayes III, &Mersereau, 2002, Eigenface-based super-resolution for face recognition, International Conference Image Processing Proceedings, Volume 2, Page(s):II-845 - II-848, IEEE. Hjelmas, E &Low, 2001, Face Detection: A Survey, Computer Vision and Image
Understanding, vol. 83 236–274.
Jain, K, 1989, Fundamental of Digital Image Processing, Prentice Hall, London. Jiali, Z, Wen Jinwei, &Lou Siwei, 2001, Face recognition: a facial action
reconstruction and ICA representation approach, Proceedings of ICII International Conferences, Volume 3, Page(s):456 - 461, IEEE.
Kanade, T, 1973, Picture Processing System by Computer Complex and Recognition of Human Faces, Doctoral dissertation, Kyoto University.
Kuranov, A, Rainer Lienhart, &Vadim Pisarevsky, 2002, An Empirical Analysis of Boosting Algorithms for Rapid Objects With an Extended Set of Haar-like Features, Intel Technical Report MRL.
Lanitis, A, Taylor, &Cootes, 1995, An Automatic Face Identification SystemUsing Flexible Appearance Models, Image and Vision Computing, vol. 13, no. 5. pp. 394–401, Department Medical Biophysis University of Manchester.
Lienhart, R &Jochen Maydt, 2002, An Extend ed Set of Haar-like Features for Rapid Object Detection, ICIP2002.
Linde, O, &Lindeberg, 2004, Object recognition using composed receptive field histograms of higher dimensionality, ICPR Proceedings of the 17th International Conference, Volume 2, 23-26 Aug. 2004 Page(s):1 - 6 Vol.2.
Miao, J, Yin, Wang, Shen, &Chen, 1999, Hierarchical Multiscale and Multiangle System for Human Face Detection in a Complex Background Using Gravity-Center Template, Pattern Recognition, vol.32, no. 7, pp. 1237– 248, Dept of Computer Science, Beijing Polytechnic University.
Munir, R, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika Bandung.
Nazeer, S, Omar, &Khalid, 2007, Face Recognition System using Artificial Neural Networks Approach, Proceedings of International Conference Signal Processing, Communications and Networking, Page(s):420 – 425, IEEE.
Peer, P, &Solina, 2000, An Automatic Human Face Detection Method, Faculty of Computer and Information Science University of Ljubljana.
Pentland, A, 2000, Perceptual Intelligence, Communications Association for Computing Machinery, vol. 43, no. 3, pp. pp. 35–44.
Pigeon, S, &Vanderdrope, 1997, The M2VTS Multimodal Face Database, Proc. First. Intl. Conf. Audio and Video-based Biometric Person Authentication.
Schiele, B, &Crowley, 1996, Probabilistic object recognition using multidimensional receptive field histograms, Proceedings of the 13th International Conference, Volume 2, 25-29 Aug. 1996 Page(s):50 - 54 vol.2.
Seo, N, 2007, Tutorial: OpenCV haartraining (Rapid Object Detection With A Cascade of Boosted Classifiers Based on Haar-like Features), PukiWiki Plus.
Shan, Y, Sawhney, Matei, &Kumar, 2006, Shapeme histogram projection and matching for partial object recognition, Pattern Analysis and Machine Intelligence, IEEE Transactions, Volume 28, Issue 4, April 2006 Page(s):568 – 577.
Sung, K, &Poggio, 1994, Example-based Learning for View-based Human Face Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, vol.20, no. 1, pp. 38–44.
Taylor, S, “Intel® Integrated Performance Primitives,” in How to Optimize Software Applications Using Intel® IPP”,
http://www.intel.com/intelpress/sum_ipp.htm.
Wang, G, &Ou, 2006, Face Recognition Based on Image Enhancement and Gabor Features, Proceedings of Intelligent Control and Automation, Volume 2 Page(s):9761 – 9764, IEEE.
Viola, P, &Michael J, Jones, 2001, Rapid Object Detection using a Boosted Cascade of Simple Features, IEEE CVPR.
Woodward, J, Horn, Gatune, &Thomas, 2003, Biometrics: A Look at Facial Recognition, Virginia State Crime Commision.
Yang, Chen, &Kunz, 2002, A PDA-based Face Recognition System, Sixth IEEE Workshop on Applications of Computer Vision, School of Computer Science, Carnegie Mellon University.
Yang, M, 2003, Recent Advances in Face Detection, ICIP 2003 Tutorial: Advance in Face Processing.
Yang, M, Kriegman, &Ahuja, 2002, Detecting Faces in Images: A Survey, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24,no. 1, pp. 34– 58.
LAPORAN PENELITIAN
DOSEN MUDA
Sistem Identifikasi Teroris
Dengan Pelacakan Dan Pengenalan Wajah
Oleh :
Endah Sudarmilah, S.T, M.Eng
Umi Fadlillah, S.T
Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah VI Sesuai dengan Surat Perjanjian Pelaksanaan Dosen Muda
dan Studi Kajian Wanita
Nomor kontrak: 008/O06.2/PP/SP/2010
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMUNIKASI DAN INFORMATIKA
RINGKASAN
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat diekstraksi dari citra. Saat ini, kendati aplikasi komersial tentang pengenalan wajah telah diimplementasikan, namun pada dasarnya teknologi ini belum matang sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil yang diinginkan. Berdasarkan latarbelakang dapat dirumuskan masalah bagaimana merancang dan membuat sistem pelacakan wajah metode haar dan studi awal pengenalan wajah dengan perbandingan histogram.
Metode yang digunakan pada penelitian adalah algoritma Haar untuk pelacakan wajah dan metode perbandingan histogram citra wajah untuk system pengenalannya yang akan ditulis dengan bahasa pemrograman C++, compiler Microsoft Visual C++ 6.0 dan image processing library OpenCV dari Intel.
Tingkat keberhasilan pelacakan dan pengenalan sampai dengan 80% tanpa adanya perbedaan pencahayaan dan keberadaan komponen struktural atau penghalang. Faktor pencahayaan dan ekspresi wajah apapun tidak berpengaruh pada proses pelacakan wajah, selama kamera masih bisa menangkap gambar maka pelacakan masih dapat dilakukan. Jarak obyek dari kamera mempengaruhi ukuran citra hasil pelacakan semakin jauh dari kamera semakin kecil citra hasil pelacakan Proses pengenalannya sangat tergantung pada pencahayaan karena menggunakan algoritma histogram yang murni menggunakan nilai intensitas citra tetapi sistem dapat digunakan pada kondisi pencahayaan apapun asalkan pencahayaan tetap (kondisi cahaya pengambilan citra kamera dan kondisi cahaya pada pengambilan citra basis data adalah sama). Sistem dapat digunakan pada kondisi background apapun karena pengenalan hanya dilakukan pada citra wajah terlacak saja dan sudah dapat mengeliminasi background yang ada dan sudah disesuaikan dengan histogram warna kulit wajah.
SUMMARY
Face detection and recognition research rises with assumption identity, feature and character information of someone have extracted from images. Although commercial application for face detection and recognition have implemented, this technology not perfect yet, it need to develop for best result. Based on the background, problem can be pointed how to design and make face tracking system with haar method and pre-study face recognition with histogram comparison.
Haar algorithm has used in the research to face tracking and histogram comparison for face recognition. Microsoft Visual C++ 6.0 compiler, C++ language, and image processing library OpenCV from Intel have used in this research too. Face tracking have specialized for frontal face not the others.
The result gives 80 percent success for face tracking and recognition without changing light and structural component. Lightening factor and face expression haven’t influence face tracking, since camera can capture face. Structural component haven’t influence either, since tracking process hasn’t lose the feature and vice versa. The size of tracking image depends on the distance of the object and camera, so much longer so much the smaller.
Recognition process depends on lightening because it use histogram algorithm which get image intensity value. System can be used for every lightening condition if it has stagnant lightening for capture and database image. Face recognition can be used for every background according skin face histogram from tracking image.
PRAKATA
Puji syukur peneliti panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga peneliti dapat menyelesaikan laporan akhir penelitian dosen muda ini. Laporan akhir penelitian dosen muda ini.
Peneliti tidak lupa mengucapkan terimakasih yang sebesar-besarnya kepada semua pihak yang telah berperan dalam menyelesaikan laporan akhir penelitian dosen muda ini.
Peneliti menyadari bahwa laporan akhir penelitian dosen muda ini masih banyak kekurangannya, oleh karena itu kritik dan saran membangun sangat peneliti harapkan. Akhirnya peneliti berharap semoga karya tulis ini dapat bermanfaat bagi semua pihak.
Yogyakarta, 6 September 2010
DAFTAR ISI
BAB II TINJAUAN PUSTAKA... 4
2.1 Keaslian Penelitian ... 4
2.2 Landasan Teori ... 5
2.2.1 Data citra ... 5
2.2.2 Visi Komputer (Computer Vision ) ... 7
2.2.3 Pola dan Pengenalan Pola ... 8
2.2.4 Pelacakan Wajah ... 10
2.2.4.1 Metode Pendeteksian Wajah ... 10
2.2.4.1.1 Metode Berbasiskan Pengetahuan (Knowledge-based methods)...13
2.2.4.1.2 Pendekatan Ciri Invarian (Feature invariant approaches) ...14
2.2.4.1.4 Metode Berbasiskan Penampilan (Appearance-based methods) ...18
2.2.4.2 Pelacakan Wajah dengan Metode Haar ... 19
2.2.5 Pengenalan Wajah... 24
2.2.6 Pengenalan Wajah dengan Perbandingan Histogram ... 26
2.2.6.1 Histogram citra ... 26
2.2.6.2 Perbandingan Histogram ... 27
BAB III TUJUAN DAN MANFAAT PENELITIAN ... 30
3.1 Tujuan Penelitian ... 30
BAB V HASIL DAN PEMBAHASAN... 34
5.1 Perancangan dan pembuatan perangka tlunak Sistem identifikasi ... 34
5.1.1 Gambaran Umum ... 34
5.1.1.1 Pelacakan Wajah ... 34
5.1.1.2 Pengenalan Wajah ... 34
5.1.2 Algoritma dan Pemrograman ... 35
5.1.2.1 Algoritma dan Pemrograman Pelacakan Wajah ... 35
5.1.2.2 Algoritma dan Pemrograman Pengenalan Wajah ... 42
5.1.3 Antarmuka Aplikasi ... 47
5.2.1 Pengujian Proses Pelacakan Wajah... 53
5.2.1.1 Pengaruh Faktor Posisi Wajah ... 53
5.2.1.2Pengaruh Faktor Tingkat Pencahayaan... 54
5.2.1.3 Pengaruh Faktor Ukuran Citra ... 56
5.2.1.4 Pengaruh Faktor Keberadaan Komponen Struktural/Penghalang ... 58
5.2.1.5 Pengaruh Faktor Ekspresi Wajah ... 60
5.2.1.6 False Positive dan False Negative ... 61
5.2.2 Pengujian Proses Pengenalan Wajah ... 62
5.2.2.1 Pengaruh Faktor Ada Tidaknya File Citra Wajah dalam Basisdata ... 62
5.2.2.2 Pengaruh Tingkat Pencahayaan ... 71
5.2.2.3 Pengaruh Perbedaan Ukuran Citra ... 78
5.2.2.4 Pengaruh Penghalang ... 86
5.2.2.5 Pengaruh Perbedaan Ekspresi ... 90
5.2.3.Kelebihan dan Kelemahan Sistem ... 98
BAB VI PENUTUP ... 99
6.1 Kesimpulan ... 99
6.2 Saran-saran... 100
DAFTAR PUSTAKA ... 102
DAFTAR GAMBAR
Gambar 2.1 Sebuah sistem visi komputer (Jain, 1989) ... 8
Gambar 2.2 Pemetaan dalam representasi abstrak pengenalan pola... 9
Gambar 2.3 Struktur umum sistem pengenalan pola ... 10
Gambar 2.4 Pendekatan Teknik Pendeteksian Wajah Menurut Hjelmas (2001) 11 Gambar 2.5 Contoh Pengkodean Wajah ... 14
Gambar 2.6 Contoh Proses Segmentasi Citra ... 15
Gambar 2.7 Segmentasi Wajah Menurut Scassellati ... 16
Gambar 2.8 Model Template dan Variasinya ... 17
Gambar 2.9 Pengelompokan Wajah dan Bukan Wajah Menurut Sung-Poggio 19 Gambar 2.10 Diagram Blok Sistem Pengenalan Wajah ... 21
Gambar 2.11 Himpunan ciri pada algoritma Haar (Viola and Jones, 2001)... 22
Gambar 2.12 “Ccascade of classifier” pelacakan wajah saat penolakan terjadi pada setiap klasifikasi (Bradski, 2005) ... 23
Gambar 2.13 Ilustrasi Sistem Pengenalan Wajah menurut Yang (2003)... 25
Gambar 2.14 Contoh citra aras keabuan dan histogramnya... 27
Gambar 4.1 Diagram alir Penelitian ... 33
Gambar 5.1 Flowchart algoritma proses pelatihan sampai dengan menghasilkan file xml (classifier)... 38
Gambar 5.2 Flowchart algoritma proses pelacakan wajah dengan file xml ... 39
Gambar 5.4 Flowchart algoritma proses pengenalan wajah dengan
perbandingan histogram ... 44
Gambar 5.5 Tampilan Utama Command Prompt Program Sistem Identifikasi Otomatis dengan Pelacakan dan Pengenalan Wajah... 48
Gambar 5.6 Tampilan Utama Hasil Pelacakan Wajah... 49
Gambar 5.7 Histogram sampel warna kulit ... 49
Gambar 5.8 Citra Back projection ... 50
Gambar 5.9 Citra “Capture” hasil pelacakan otomatis ... 50
Gambar 5.10 Histogram Citra “Capture” ... 50
Gambar 5.11 Citra Acuan1 dan histogramnya... 51
Gambar 5.12 Citra Acuan2 dan histogramnya... 51
Gambar 5.13 Data histogram citra dan perbandingannya... 52
Gambar 5.14 Hasil pengenalan citra wajah... 52
Gambar 5.15 Hasil pengujian pelacakan dengan pengaruh posisi wajah ... 54
Gambar 5.16 Hasil pengujian pelacakan dengan pengaruh pencahayaan (siang/terang) ... 55
Gambar 5.17 Hasil pengujian pelacakan dengan pengaruh pencahayaan (malam/kurang terang) ... 55
Gambar 5.18 Hasil pengujian pelacakan dengan pengaruh ukuran citra terlacak/jarak obyek ... 56
Gambar 5.19 Hasil pengujian pelacakan dengan pengaruh ukuran citra keberadaan komponen struktural/penghalang ... 59
Gambar 5.21 Hasil pengujian pelacakan False Positive... 62 Gambar 5.22 Data wajah terlacak yang digunakan untuk pengenalan citra wajah ada dalam basisdata wajah ... 63 Gambar 5.23 Citra Acuan pengenalan citra wajah ada dalam basisdata wajah . 64 Gambar 5.24 Citra Acuan pengenalan citra wajah tidak ada dalam basisdata
wajah ... 67 Gambar 5.25 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah tidak ada dalam basisdata wajah... 68 Gambar 5.26 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah terhadap pecahayaan agak redup ... 72 Gambar 5.27 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah terhadap pecahayaan redup... 73 Gambar 5.28 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ukuran lebih besar dibanding citra acuan... 80 Gambar 5.29 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ukuran lebih kecil dibanding citra acuan ... 81 Gambar 5.30 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan faktor keberadaan komponen struktural ... 87 Gambar 5.31 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi senang ... 91 Gambar 5.32 Data wajah terlacak yang digunakan untuk pengenalan citra
Gambar 5.33 Data wajah terlacak yang digunakan untuk pengenalan citra wajah dengan ekspresi marah... 92 Gambar 5.34 Data wajah terlacak yang digunakan untuk pengenalan citra
DAFTAR TABEL
Tabel 2.1 Pengelompokkan Metode Deteksi Wajah Menurut Yang et al., 2002 13
Tabel 2.2 Kelebihan dan Kekurangan Metode Berbasiskan Pengetahuan... 14
Tabel 2.3 Kelebihan dan Kekurangan Metode Berbasiskan Ciri ... 16
Tabel 2.4 Kelebihan dan Kekurangan Metode Pencocokan Template ... 17
Tabel 2.5 Kelebihan dan Kekurangan Metode Berbasiskan Penampilan ... 19
Tabel 2.6 Aplikasi Sistem Pengenalan Wajah menurut Yang (2003)... 25
Tabel 5.1 Hasil pengujian ukuran wajah terlacak ... 57
Tabel 5.2 Data hasil pengujian pengenalan citra terlacak ada dalam basis data wajah ... 65
Tabel 5.3 Data hasil pengujian pengenalan citra terlacak tidak ada dalam basis data wajah ... 69
Tabel 5.4 Data hasil pengujian pengenalan citra terlacak terhadap pecahayaan agak redup ... 74
Tabel 5.5 Data hasil pengujian pengenalan citra terlacak terhadap pecahayaan redup... 76
Tabel 5.6 Pengaruh pencahayaan terhadap tingkat pengenalan... 78
Tabel 5.7 Data hasil pengujian perbedaan ukuran citra terlacak lebih besar ... 82
Tabel 5.8 Data hasil pengujian perbedaan ukuran citra terlacak lebih kecil... 84
Tabel 5.9 Data hasil pengujian pengenalan citra terlacak dengan adanya penghalang ... 88
DAFTAR LAMPIRAN
RINGKASAN
HASIL PENELITIAN DOSEN MUDA
Sistem Identifikasi Teroris
Dengan Pelacakan Dan Pengenalan Wajah
Oleh :
Endah Sudarmilah, S.T, M.Eng
Umi Fadlillah, S.T
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMUNIKASI DAN INFORMATIKA
RINGKASAN
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat diekstraksi dari citra. Saat ini, kendati aplikasi komersial tentang pengenalan wajah telah diimplementasikan, namun pada dasarnya teknologi ini belum matang sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil yang diinginkan. Berdasarkan latarbelakang dapat dirumuskan masalah bagaimana merancang dan membuat sistem pelacakan wajah metode haar dan studi awal pengenalan wajah dengan perbandingan histogram.
Metode yang digunakan pada penelitian adalah algoritma Haar untuk pelacakan wajah dan metode perbandingan histogram citra wajah untuk system pengenalannya yang akan ditulis dengan bahasa pemrograman C++, compiler Microsoft Visual C++ 6.0 dan image processing library OpenCV dari Intel.
Tingkat keberhasilan pelacakan dan pengenalan sampai dengan 80% tanpa adanya perbedaan pencahayaan dan keberadaan komponen struktural atau penghalang. Faktor pencahayaan dan ekspresi wajah apapun tidak berpengaruh pada proses pelacakan wajah, selama kamera masih bisa menangkap gambar maka pelacakan masih dapat dilakukan. Jarak obyek dari kamera mempengaruhi ukuran citra hasil pelacakan semakin jauh dari kamera semakin kecil citra hasil pelacakan
tetapi sistem dapat digunakan pada kondisi pencahayaan apapun asalkan pencahayaan tetap (kondisi cahaya pengambilan citra kamera dan kondisi cahaya pada pengambilan citra basis data adalah sama). Sistem dapat digunakan pada kondisi background apapun karena pengenalan hanya dilakukan pada citra wajah terlacak saja dan sudah dapat mengeliminasi background yang ada dan sudah disesuaikan dengan histogram warna kulit wajah.
