BAB 3
METODOLOGI PENELITIAN
3.1 Penentuan Masalah Penelitian
M asalah-masalah penelitian yang dihadapi oleh penulis berawal dari penelitian-penelitian terdahulu, yaitu sebagai berikut.
1. Iluminasi yang bervariasi merupakan faktor yang terdapat pada lingkungan tidak terkonstrain dan mengurangi performa algoritma pengenalan wajah secara signifikan (Zhou, Chellappa, & Zhao, 2005). Pernyataan yang serupa dikemukakan oleh Jain, Flynn, dan Ross (2007). Adini et al. (1997) dan Zhao et al. (1999) juga membuktikan bahwa variasi iluminasi pada citra orang yang sama hampir selalu lebih besar daripada variasi karena identitas wajah.
2. M etode normalisasi dapat memberikan pengaruh negatif pada citra tanpa iluminasi bervariasi (ELSayed, 2009, p. 7).
3. Pada kasus video, semakin banyak urutan citra yang diberikan, semakin tinggi pula keberhasilan pengenalan wajah, karena pose dari citra pada frame yang satu dengan frame yang lain dapat menguatkan identifikasi orang tersebut (Jain, Flynn, & Ross, 2007, p. 442). Oleh karenanya, metode normalisasi harus dapat dikomputasi dalam waktu yang seminimum mungkin dan tetap menghasilkan output yang baik.
3.2 Alur Penelitian
Untuk dapat mengatasi masalah-masalah yang dikemukakan sebelumnya, penulis menggunakan alur penelitian yang digambarkan pada flowchart sebagai berikut.
Pembuatan code unt uk normalisasi iluminasi: (1) Retinex, (2) SSR, (3) MSR
Integrasi Code dengan Sist em Pengenalan Wajah Pengumpulan Data Penelitian
---Database Wajah
1. Training Cit ra Wajah
2. Pencocokan Citra Wajah
Analisis Hasil Identifikasi
Sistem Pengenalan Wajah
Gambar 3.1 Flowchart Penelitian
Pada flowchart dapat dilihat proses yang dilakukan penulis dalam penelitian. Penelitian dimulai dengan pengembangkan code untuk normalisasi iluminasi. Algoritma yang dikonstruksi oleh penulis adalah algoritma Retinex, Single-Scale Retinex, dan
Multi-Scale Retinex menggunakan library AForge.NET dan bahasa pemrograman C#. Kode
tersebut dikonstruksi berdasarkan referensi “Mathematical Definition and Analysis of the
Retinex Algorithm” (Provenzi, Carli, & Rizzi, 2005) dan “A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes”
(Jobson, Rahman, & Woodell, 1997). Algoritma ekualisasi histogram dan koreksi gamma sudah tersedia pada AForge.NET sehingga penulis cukup mengintegrasikannya dalam program. Selanjutnya, kode tersebut diintegrasikan menggunakan library EmguCV sehingga menghasilkan program untuk sistem pengenalan wajah.
Database wajah merupakan populasi data yang akan diuji. Sampel data dari database akan didaftarkan pada sistem pengenalan wajah dan digunakan untuk analisis efektivitas dan performa algoritma. Database wajah yang digunakan adalah Extended Yale B Face, Faces95, dan Grimace.
Setelah sistem pengenalan wajah dibuat dan data dikumpulkan, langkah berikutnya merupakan langkah repetitif untuk melakukan pengenalan wajah. Pengenalan wajah dalam penelitian ini memerlukan dua tahap utama, yaitu training citra wajah dan pencocokan citra wajah. Pada tahap training citra wajah, sampel citra dari populasi dipilih dan didaftarkan pada database training (atau training set). Pada tahap pencocokan citra wajah, citra dari populasi dipilih dan kemudian dicocokkan dengan citra pada
training set untuk dapat melakukan identifikasi. M etode yang digunakan untuk
melakukan pelatihan sampel dan pencocokan citra adalah PCA (Principal Component
Analysis).
M etode yang digunakan untuk normalisasi iluminasi adalah ekualisasi histogram, koreksi gamma, Retinex, Single-Scale Retinex, dan Multi-Scale Retinex. Hasil yang didapat dari sistem pengenalan wajah dengan berbagai metode tersebut selanjutnya diuji berdasarkan efektivitas dan waktu komputasinya dalam setiap database.
3.3 Pseudocode Metode Normalisasi
Untuk mempermudah konstruksi kode metode normalisasi yang akan dibuat, maka
pseudocode metode normalisasi diberikan. Untuk lebih jelasnya, dapat source code yang
lengkap dapat dilihat pada lampiran.
3.3.1 Pseudocode Retinex
Berikut merupakan pseudocode Retinex yang idenya berawal dari Provenzi et al. (2005). Pada algoritma Retinex tersebut belum dijelaskan mengenai nilai threshold , jumlah jalur , jumlah pixel tiap jalur , dan cara pemilihan jalur yang seharusnya diambil. Pada algoritma tersebut juga dijelaskan bahwa nilai pixel pertama pada jalur dianggap memiliki nilai intensitas tertinggi, yaitu 1. Konstruksi parameter-parameter yang akan digunakan penulis akan dijelaskan penulis pada subbab berikutnya.
Pseudocode Retinex ( , , ) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Input: Image matriks , , and is the height and width of the image.
Assume , (0 , 0 Æ0 , 1, , )
Filtering with Retinex( , , ),
is threshold, 0 1, is number of path, 1,
is number of pixel per path, 1.
Define Function , {
If (| | 1 ) Å1
return R }
Define Function getNextPixel(x,y){ // get the next pixel of x and y RÅrandom(4) // The next Pixel can be on the If R==1 then // left, up, right, or down from (x, y) Return (x-1, y) // in reality, the bound of image Else If R==2 then // should be checked
Return (x+1, y) // The chain of pixel should be checked too. Else If R==3 then // Sometimes, the path just loop to itself. Return (x, y-1)
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 Return (x, y+1) End If }
Å // copy Source to Intensity Retinex (IR) variabel visit[]Ånew[ x ] //
For , , 0 , 0 do //---
visit[ , ] Å 1 // initialize visit to 1 End For //--- For 1,..., N do // loop N number of path
sXÅrandom(h) // Initialize startPixel X and Y
sYÅrandom(y) // we will not use random ways like this product Å1 // first pixel define to max intensity that is 1. For 1,...,n do // loop n number pixels for every path
(nX, nY)ÅgetNextPixel(sX,sY) // get the next pixel of x and y // pixel (nX, nY) can be on the // left, up, right, or down from (x, y)
RatioÅ(intensity(nX, nY)+1) / (intensity(sX, sY)+1) // get ratio of the pixel product Å product * Ratio,
If product > 1 then // --- product Å1 // do reset mechanism , ++ // --- Else , Å , + product End If visit[nX, nY]++ (sX, sY) Å(nX, nY) End For End For O[]Ånew[ x ] // For , , 0 , 0 do // ---
, Å , / visit , // get output by dividing IR by visit End For // --- Return O // return Retinex output
3.3.2 Pseudocode Multi-S cale Retinex
Berikut merupakan pseudocode Multi-Scale Retinex yang berawal dari ide Jobson et al. (Jobson, Rahman, & Woodell, 1997). Sifat dari metode Multi-Scale Retinex
bergantung pada 3 parameter, yaitu jumlah skala , nilai skala , dan bobot untuk tiap skalanya. Jika nilai diambil 1, maka algoritma Multi-Scale Retinex akan lebih baik disebut sebagai Single-Scale Retinex. Parameter yang akan digunakan akan dijelaskan pada subbab berikutnya.
Pseudocode Multi-Scale Retinex ( , , )
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Input: Image matriks , , and is the height and width of the image. Assume is 8 bit-depth.
Filtering with MultiscaleRetinex( , , ).
is number of scale, 1,
is Gaussian sigma for scale , 0.5 250,
is weight for scale , 0 1, ∑ 1
Define Function gaussian (S[], ){ G[] = new[ x ]
k[]Å createKernel( ) // create kernel based on gaussian function
For , , 0 , 0 do
sumÅ 0
For , , 0 kernelSize, 0 kernelSize do
sumÅsum + , , End For , Åsum End For Return G }
d[]Ånew[ x ] // create matrix destination, d
For 1, … , do
G[] Ågaussian(S, )
For , , 0 , 0 do // ---
, Å *{ log( , +1) – log( , +1)} // MSR algorithm
End For // --- End For
d[]ÅcontrastStreching(d) // map the range of M ultiScale Retinex output // to 0-255 byte if 8-bit depth image.
Return d
3.4 Konstruksi Parameter Metode Normalisasi
Untuk dapat menghasilkan output citra wajah yang ternormalisasi terhadap iluminasi, maka parameter yang ada pada metode yang digunakan juga harus ditentukan. Penentuan parameter yang sesuai dengan kebutuhan penelitian didasarkan pada hasil penelitian yang dilakukan oleh peneliti sebelumnya yang selanjutnya diuji dengan beberapa sampel citra wajah. Jika hasil output sudah sesuai dengan persepsi penglihatan, maka parameter tersebut selanjutnya digunakan pada sistem pengenalan wajah. Jika
output belum sesuai atau kecepatan eksekusi masih belum sesuai harapan, maka
parameter yang lebih baik akan ditentukan berdasarkan “trial and error” (menguji parameter dengan melihat input, output, dan kecepatan eksekusi).
Gambar 3.2 Flowchart penentuan parameter metode normalisasi
3.4.1 Konstruksi Parameter Retinex
Parameter yang digunakan dalam metode Retinex adalah sebagai berikut.
a. adalah nilai yang diberikan pada pixel yang pertama kali dilalui oleh jalur
Retinex.
0,5 /2
Dengan memberi nilai tersebut, maka output dari Retinex selalu lebih besar dari 0,5 untuk pixel yang pertama kali dilalui, sehingga pixel dengan intensitas terendah akan mendapatkan kenaikan intensitas paling tinggi.
b. adalah nilai threshold yang digunakan untuk melakukan toleransi intensitas. 0 dipilih sehingga toleransi intensitas tidak dilakukan.
c. adalah banyaknya jalur yang dipilih untuk melakukan penelusuran pixel pada metode Retinex.
1
4 8 8
Simbol dan menyatalah lebar dan tinggi citra. Citra diberi margin 4 pixel di setiap sisi atas, bawah, kiri, dan kanan. Pixel pertama pada setiap jalur ditentukan pada pixel pertama untuk setiap 2x2 pixel pada citra.
Gambar 3.3 Penentuan titik awal dari setiap jalur Retinex pada citra
d. adalah banyaknya pixel yang dilalui oleh setiap jalur. 100 dipilih untuk dapat menjamin semua pixel dapat dilalui minimal 10 kali berdasarkan hasil
eksperimen. Jumlah yang lebih besar menjamin kualitas citra yang jauh lebih baik (tanpa adanya bercak-bercak putih), namun juga menurunkan performa
Retinex.
e. Jalur adalah rangkaian pixel yang dilalui suatu jalur Retinex dimulai dari dan berakhir di . Pemilihan dipilih random antara pixel di kiri, kanan, atas, atau bawah dari . Agar tidak terjadi jalur bolak-balik pada jalur , maka dan tidak boleh merupakan pixel yang sama pada citra.
Gambar 3.4 Contoh pemilihan jalur Retinex
(a) (b) (c)
(d) (e) (f)
Gambar 3.5 Output Retinex dengan parameter yang bervariasi. (a) citra original 192x168 pixel, (b) Retinex, =25, 54ms, (c) Retinex, =50, 83ms, (d) Retinex, =100, tanpa threshold, 108ms, (e) Retinex, =100, dengan threshold, 128ms (f) Retinex, =200, 218 ms
3.4.2 Konstruksi Parameter Single-S cale Retinex
Parameter yang digunakan dalam metode Single-Scale Retinex adalah parameter (standar deviasi) yang diperlukan untuk mengatur seberapa jauh penyebaran dari fungsi
Gaussian, , ,
√ .
Perlu diketahui juga bahwa performa Gaussian yang ada pada AForge.Net akan menurun secara signifikan jika 5. Oleh karenanya, penulis memodifikasi cara kerja
Gaussian tersebut. Jika nilai 5, maka citra akan di-downscale sebesar 2 4,5
kali. Kemudian, konvolusi Gaussian akan dilakukan pada citra dengan sebesar 3. Setelah itu, citra kembali di-upscale ke ukurannya semula.
(a) (b) (c) (d)
(e) (f) (g) (h)
Gambar 3.6 Output Gaussian AForge dan Gaussian dimofikasi dengan bervariasi (a) citra original 192x168 pixel; (b), (c), (d) Gaussian yang dimodifikasi,
10, 30,80, = 7ms, 7ms, dan 9ms; (e), (f), (g), (h) Gaussian AForge.Net, 5, 10, 30, 80, = 107ms, 237ms, 1119ms, dan 6164ms
Setelah diuji dengan berbagai nilai , nilai yang secara visual dapat menormalisasikan cira wajah berada pada 5 hingga 30. Pada penelitian ini, dipilih nilai 8 sebagai nilai sigma.
(a) (b) (c)
(d) (e) (f)
Gambar 3.7 Output Single-Scale Retinex (SSR) dengan parameter yang bervariasi. (a) citra original, 192x168 pixel, (b) SSR, =5, 77ms, (c) SSR, =6, 22ms,
(d) SSR, =8, 22ms, (e) SSR, =15, 11ms, (f) SSR, =30, 18ms
3.4.3 Konstruksi Parameter Multi-S cale Retinex
Parameter yang digunakan pada metode Multi-Scale Retinex adalah sebagai berikut.
a. adalah jumlah skala yang digunakan. Berdasarkan eksperimen, jumlah yang lebih besar akan meningkatkan waktu eksekusi, sehingga harus dipilih seminimum mungkin. Karena kebanyakan citra wajah yang digunakan tidak lebih dari 200 pixel, maka 2 sudah cukup untuk memenuhi kebutuhan tersebut.
b. adalah nilai skala yang digunakan. Dalam penelitian ini digunakan sebuah
skala kecil ( 8) untuk meningkatkan detail pada citra sekaligus untuk
mengurangi tingkat kecerahan yang terlalu tinggi dan sebuah skala besar ( 20) untuk meningkatkan kecerahan secara global.
c. adalah bobot yang diberikan untuk setiap skala. Pada penelitian ini, skala rendah diberi bobot yang besar, yaitu 0,8 dan skala tinggi diberi bobot kecil
0,2.
(a) (b) (c)
(d) (e) (f)
Gambar 3.8 Output Multi-Scale Retinex (MSR) dengan parameter yang bervariasi. (a) citra original, 192x168 pixel,
(b) M SR, =8, 40, 120; 1 3⁄ ; 67ms; (c) M SR, = 8, 40,120; 1 2⁄ , 2 5⁄ , 1 10⁄ ; 67 ms; (d) M SR, = 6, 20; 1 2⁄ , 1/2; 31 ms; (e) M SR, = 6, 20; 4 5,1 5⁄ ⁄ ; 31 ms; (f) M SR, = 4, 20; 4 5,1 5⁄ ⁄ ; 33 ms;
Table 3.1 Tabel parameter metode normalisasi yang digunakan pada penelitian
Metode Parameter
Retinex 0,5 ; 0; 8 8 ; 100
Single-Scale Retinex =8
Multi-Scale Retinex = 6 dan 20; 4 5 dan 1 5⁄ ⁄
Ekualisasi Histogram -
Koreksi Gamma 0.45 (default AForge.Net)
3.5 Deskripsi Database
Pada penelitian ini, digunakan 3 macam database wajah yang berbeda, yaitu database Extended Yale B, Faces95, dan Grimace. Berikut adalah deskripsi dari masing-masing database.
3.5.1 Extended Yale B Database
Extended Yale B Database (Lee, Ho, & Kriegman, 2005) merupakan
pengembangan dari Yale B Database (Georghiades, Belhumeur, & Kriegman, 2001). Pada database ini terdapat total 16128 citra wajah yang terdiri dari 38 subjek dengan 9 pose dan 64 kondisi iluminasi yang berbeda. Kondisi iluminasi berasal dari sumber cahaya titik dengan posisi bervariasi antara -1300 sampai 1300 secara horisontal (azimuth) dan -400 sampai 400 secara vertical (elevasi). Keseluruhan citra wajah secara manual diratakan, dipotong dan diubah ukurannya menjadi 168 x 192 pixel.
Format citra adalah grayscale 8 bit dengan ekstensi file .pgm (Portable Gray
Map). Karena format ini menyimpan citra pixel per pixel dan tanpa adanya kompresi
data, maka tidak memungkinkan adanya kehilangan informasi pada citra yang dapat mengurangi keakuratan pengenalan.
Pada penelitian ini, tidak semua citra wajah digunakan. Citra wajah yang akan diuji adalah citra wajah frontal (diambil dari depan), sehingga total citra yang digunakan adalah 2432 citra (38x64). Namun, karena 18 dari citra tersebut rusak, maka total citra yang digunakan adalah sebanyak 2414 citra. Untuk selanjutnya, citra wajah yang memiliki wajah frontal dan dapat digunakan disebut sebagai citra efektif pada penelitian.
Gambar 3.9 Contoh citra wajah dari satu individu pada Extended Yale B Database
3.5.2 Faces95
Database Faces95 oleh Libor Spacek memiliki total 72 subjek individu dengan masing-masing individu terdiri dari 20 citra. Setiap citra merupakan kumpulan dari urutan frame video yang diambil ketika setiap subjek berjalan 1 langkah mendekati kamera. Pergerakan ini digunakan untuk menunjukkan pergerakan kepala yang signifikan di antara citra yang satu dengan citra yang lain.
Pada database ini, variasi yang paling dominan adalah variasi ukuran (scaling) pada wajah. Citra memiliki sedikit variasi cahaya dan ekspresi wajah yang relatif sedikit. M isalnya ketika subjek mendekat, maka terdapat perubahan cahaya pada wajah.
Resolusi citra adalah 180x200 pixel. Format citra adalah RGB 24bit dengan format .jpg.
Berdasarkan file yang di-download dari http://cswww.essex.ac.uk/, dari 1440 citra wajah, sebanyak 124 citra rusak dan tidak dapat diekstrak. Dari total citra wajah yang ada tersebut, selanjutnya dipilih citra wajah frontal dengan menggunakan haar cascade. Sebanyak 23 citra wajah tidak terdeteksi wajah frontal, sehingga citra wajah efektif yang digunakan pada penelitian ada sebanyak 1293 citra.
Gambar 3.10 Contoh citra wajah dari satu individu pada database Faces95
3.5.3 Grimace
Database Grimace oleh Libor Spacek digunakan untuk menguji variasi ekspresi wajah yang ekstrem. Database ini terdiri dari 18 subjek. M asing-masing subjek memiliki 20 citra wajah dengan masing-masing citra memiliki variasi ekspresi wajah yang tinggi. Variasi cahaya pada database ini sangat sedikit.
Seperti halnya dengan database Faces95, resolusi citra adalah 180x200 pixel. Format citra adalah RGB 24bit dengan format .jpg.
Penulis menggunakan database ini untuk mengukur efektivitas metode normalisasi yang diharapkan tidak mengurangi efektivitas identifikasi wajah.
Dari total 360 citra wajah, 1 citra tidak dapat diekstrak dan 9 citra bukan merupakan citra wajah frontal, sehingga total citra wajah efektif yang digunakan pada penelitian ada sebanyak 350 citra.
Gambar 3.11 Contoh citra wajah dari satu individu pada database Grimace Berikut dirangkumkan deskripsi dari setiap database dalam bentuk tabel.
Tabel 3.2 Deskripsi Database Extended Yale B, Faces92, dan Grimace (Keterangan: Ill: illumination, Sca: Scaling, Exp: Expression)
Database Citra per Subjek Total Subjek Variasi Total Citra Frontal Total Citra Efektif
Ill. Sca. Exp.
Ext. Yale B 64 38 2432 2414
Faces95 20 72 1440 1293
3.6 Konstruksi dan Penentuan Variabel Pengujian
Pengujian dalam penelitian ini merupakan langkah repetitif untuk melakukan pengenalan wajah. Kontruksi pengujian dilakukan dalam dua tahap, yaitu tahap pelatihan dan tahap pencocokan citra wajah.
Berikut merupakan flowchart pada tahap pelatihan citra wajah.
Gambar 3.12 Flowchart pelatihan citra wajah untuk setiap database
Proses pelatihan citra wajah dimulai dengan pengambilan sampel dari database wajah. Sampel dari setiap database diambil berdasarkan ketentuan sebagai berikut.
1. Sampel citra wajah diambil sebanyak dua citra dari setiap subjek.
2. Sampel citra yang dipilih adalah citra yang memiliki iluminasi yang merata pada wajah. Pada database Yale B, citra yang dipilih sebagai sampel adalah citra dengan
azimuth 0 dan elevasi 0, serta citra dengan azimuth -5 derajat dan elevasi sebesar 10
derajat (ditandai dengan nama file yang diakhiri dengan A+000E+00 dan A-005E+10). Pada database Faces95 dan Grimace, sampel citra dipilih secara random.
Pada citra hasil sampel tersebut selanjutnya dilakukan deteksi wajah dengan algoritma Viola-Jones dan dipotong (crop) sehingga menghasilkan citra wajah yang bebas terhadap latar. Selanjutnya, citra dikonversi menjadi grayscale dengan algoritma BT709 sehingga menghasilkan citra dengan nilai intensitas untuk setiap pixel-nya. Langkah pemrosesan terakhir adalah mengubah ukuran citra menjadi 100x100 pixel. Algoritma yang digunakan untuk mengubah ukuran citra adalah interpolasi bicubic.
Setelah semua citra selesai diproses, pelatihan (atau pendaftaran) terhadap seluruh citra akan dilakukan menggunakan metode Principal Component Analysis (PCA) dan
neural network untuk melakukan training bobot terhadap eigen vector. Nilai error ( )
yang diharapkan adalah 0,001. Hasil pelatihan ini adalah suatu database fitur atau
training set. Pada akhir pelatihan, setiap database Yale B, Faces95, dan Grimace akan
memiliki training set masing-masing.
Berikut merupakan flowchart pada tahap pencocokan citra wajah.
Pada proses pencocokan citra wajah, algoritma normalisasi fotometrik ditempatkan setelah citra di-grayscale dan sebelum ukurannya diperkecil. Sebagai catatan, algoritma deteksi wajah yang digunakan haruslah dapat mendeteksi wajah pada iluminasi bervariasi. Citra yang ada pada database wajah semuanya merupakan citra efektif sehingga algoritma tersebut 100% dapat mendeteksi wajah pada citra. Algoritma yang diuji coba adalah koreksi gamma, ekualisasi histogram, Retinex, Single-Scale Retinex, dan Multi-Scale Retinex dengan parameter yang sudah ditentukan sebelumnya. Citra yang sudah dinormalisasi dan diperkecil ukurannya akan dicocokkan terhadap training set yang sudah dibuat pada tahap pelatihan. M etode pencocokan adalah PCA dengan basis
eigenface.
Hasil keluaran dari tahap pencocokan adalah identitas wajah. Sistem pencocokan citra didesain sehingga selalu menampilkan identitas subjek yang paling mendekati. Selain itu, keluaran dari tahap ini adalah waktu eksekusi metode normalisasi.
Adapun skenario pengujian yang akan dilakukan pada penelitian ini secara rinci dijelaskan pada tabel berikut.
Tabel 3.3. Skenario Pengujian Penelitian
No Database Jumlah subjek Citra yang dicocokkan M etode Normalisasi
1. Extended Yale B 10 Training Set - 2. Gam 3. HE 4. Retinex 5. SSR 6. M SR 7.
Citra efektif pada Database - 8. Gam 9. HE 10. Retinex 11. SSR 12. M SR
13. Extended Yale B 19 Training Set - 14. Gam 15. HE 16. Retinex 17. SSR 18. M SR 19.
Citra efektif pada Database - 20. Gam 21. HE 22. Retinex 23. SSR 24. M SR 25. 38 Training Set - 26. Gam 27. HE 28. Retinex 29. SSR 30. M SR 31.
Citra efektif pada Database - 32. Gam 33. HE 34. Retinex 35. SSR 36. M SR 37. Faces95
36 Citra efektif pada Database
- 38. Gam 39. HE 40. Retinex 41. SSR 42. M SR 43.
72 Citra efektif pada Database
- 44. Gam 45. HE 46. Retinex 47. SSR 48. M SR 49.
Grimace 18 Citra efektif pada Database
- 50. Gam 51. HE 52. Retinex 53. SSR 54. M SR
Terdapat total 54 skenario pengujian. Database Extended Yale B memiliki skenario paling banyak karena database ini memiliki faktor iluminasi yang paling bervariasi. Jumlah subjek yang lebih sedikit memungkinkan pengenalan wajah yang lebih akurat, sehingga pada database dengan jumlah subjeknya terlalu banyak, memperkecil jumlah subjek akan meningkatkan keberhasilan pengenalan wajah dan performa metode normalisasi dapat diukur secara lebih valid. Pencocokan training set terhadap training set bertujuan untuk menguji validitas dari tahap pelatihan citra wajah.
Adapun jenis indikator yang dilihat untuk melakukan analisis pada setiap skenario pengujian adalah persentase keberhasilan pengenalan wajah dan rata-rata waktu eksekusi ( ) setiap metode normalisasi untuk setiap database. Namun, untuk mengurangi kesulitan interpretasi dan mengurangi beban penelitian, rata-rata waktu eksekusi hanya diperhatikan pada skenario database dengan jumlah subjek maksimum dan menggunakan uji citra efektif pada database (skenario 31 – 36 dan skenario 43 – 54).
