Pengesanan muka dengan menggunakan kaedah Viola-Jones dan algoritma pengoptimuman sekumpulan zarah

PENGESANAN MUKA DENGAN MENGGUNAKAN KAEDAH VIOLA-lONES DAN ALGORITMA PENGOPTIMUMAN SEKUMPULAN ZARAH. lENNY UNG MEE HUA. DISERTASIINI DIKEMUKAKAN BAGI MEMENUHI SEBAHAGIAN DARIPADA SYARAT MEMPEROLEHI UAZAH SARlANA MUDA SAINS DENGAN KEPUlIAN. t'ERPUSTAKA"". \lft\VERS\TI MALAYSI~ SA5A~' PROGRAM MATEMATIK DENGAN GRAFIK BERKOMPUTER FALKUTI SAINS DAN SUMBER ALAM UNIVERSm MALAYSIA SABAH. 2015. UMS. UNIVEASITI MALAYSIA SABAH.

UNIVERS1T~. tvt\LAYSIA S.'\13/\11. HORANG PENGESAHAN STATUS TFSI!'. JUDUL: -. --------_._--_._. ---- . .-- --.---- - - - - - - - - -. IJAZAH:. lJA l-M-i ~AiJANA. IYIUDA ~1t'NS t>E-l\JeA-fIJ J::&PVJ IAN ~(~Xi:~f!!!\T IC---OEN§~_'Y -tiKR.~-inpurE!..)j~~__ei~~f.i!!: --- ______________ _ J-EN~YLIN6-f(liE_--HifA '. S.AY A:. -- - - IT!URll~·. m:SAR-.)---. SESI 1·I~NG:\Jj/\N~- ~~~~il ~O(i~'. Me,ngakll m~mhenarkan I<,,:S ·(LI'SM/Sd ..jan~.rr\J : l()r Falsafah) ini disimpan di l'erpIIsl"kaan UniVCl$iti Malaysia ~~ab"h deli:;.lIl S}'U'alsyaral kegunann sepcrti u~rikllt:· I.. 2. 3. 4.. Tesis adalah haklililik Univers;li Malaysia Sabah. Perpuslakaan Ulliversiti Malaysia Sauah dibenarkan mcmulial salinal1 UIlll1k 111jllall penga]ian saha]a. Perpuslakaan ,hoonalkan memhual salinan tesis ini sd)Jgai bahan pertlihran anlala iIlSlllu::II'""t:ujian linggi. S il" landaka" ( I ). '-----. I suur. (M<'ngandungi makhllnal yang oerdarjah kesel"lnltan alau ""I",nlil.gnn Malaysia sepl:'-ni y.lIl!?, lerlll~kl\lbdi. AKTA RAHS1A RASMI1(72). (Mengandungi makiun,,~1 TERHAD yon\,; Id~h ,:.Io:!\tukan ok], (,rg""is~si/ha""n.ti IlialUl l'ellyelidikar. dijJlankan). L-==:J TIDAl.: 'tHUIAD. -. -----------. lartlh. Calalan :.. --'------------ - -. J. • POlllng yang hdlik berkenaan. -----"l ·Jlka lesis illi SUI. IT alau TERHAD, sila lampirkan sural ctaripadlJ pl],ak herkullsa.'orl$"'lIslIsi bt:lkt:llaan Jengan menyatakan sckali sehab dan Icrnpoh tesis illi perll! d\kelaskan ~d,af"\i SUI.IT dall TERl-lAD. ·Tesis dimaksudkrin sehagai lesis bal;;i l.ia?"," DOktor. Falsnfuh dan SatJuna Sec". ra pt::lly·!lidikun atau disertai bagl peng,allan se~ara kerjo karsus d3n Laporan Proiek Saqana M\,da (LI'SM). PERPUSTAKAAN UMS. *1000368356· 1"'11111,,'''''''''''11. ------- -----_.. U. UNIVERSITI MALAYSIA SABAH.

PENGAKUAN Saya akui karya ini adalah hasH kerja saya sendiri kecuali nukilan dan ringkasan yang setiap satunya telah dijelaskan sumbernya.. JENNY UNG MEE HUA (B512110220) 18 MEl 2015. fl:t~i"U~. rAKAAI'I. UB1VERSITl M~LAYS!~ SASA~!. ii. UMS. UNIVERSITI MALAYSIA SAIlAH.

DIPERAKUKAN OLEH PENYELIA (PUAN NORHAAZA BINTI HAMZAH). iii. UMS. UNIVERSITI MALAYSIA SABAH.

PENGHARGAAN Terima kasih kepada semua pihak yang telah banyak membantu saya menjayakan projek ini terutamanya penyelia saya, Puan Norhafiza yang sering memberi nasihat dan tunjuk ajar yang diberikan sepanjang pelaksanaan projek ini. Tidak lupa juga rakan-rakan seperjuangan yang banyak memberi nasi hat dan pandangan yang bernas. Tanpa mereka semua saya tidak mungkin dapat untuk menyiapkan projek ini. Sesungguhnya, anda sekalian merupakan teras utama dalam proses menjayakan projek ini. Sekali lagi, jutaan terima kasih. Akhir sekali, ucapan penghargaan ini juga saya tunjukan khas buat ibubapa tersayang diatas sokongan baik dari segi rohani, motivasi, nasihat, kewangan mahupun sokongan dan aspek lain untuk memastikan saya berjaya menyiapkan projek ini.. iv. UMS. UNIVERSITI MALAYSIA SAIlAH.

ABSTRAK Tujuan projek ini dibangunkan adalah untuk mengkaji tentang prototaip sistem pengesanan muka dengan menggunakan kaedah Viola-Jones dan algoritma pengoptimuman sekumpulan zarah. Kebanyakan kaedah pengesanan muka yang dihasilkan pada masa ini tidak dapat mencapai kesan-kesan tertentu seperti mendapat ketepatan pad a sempadan muka. Dalam projek ini, kaedah Viola-Jones dan algoritma pengoptimum sekumpulan zarah akan digunakan untuk menyelesaikan sebahagaian permasalahan kajian. Terbaik ini akan dilaksanakan dalam Processing dengan sokongan perpustakaan OpenCV. Dua eksperimen telah dijalankan untuk mengkaji prototaip sistem pengesanan muka. Hasil keputusan dari eksperimen yang dilaksanakan menunjukkan bahawa prototaip sistem pengesanan muka adalah efisyen. Ujian jarak dengan pelbagai jenis gaya muka telah menunjukkan bahawa prototaip sistem ini boleh mengesan muka dengan paling tepat dalam jarak SOcm dan pelbagai jenis gaya muka ditunjukkan. Manakala, jarak 200cm adalah paling tidak tepat unutk mengesan sempadan muka. Selain itu, ujian intensiti cahaya telah menunjukkan bahawa prototaip sistem di tempat yang terang dengan 991x adalah paling tepat dan jelas untuk menunjukkan sempadan muka. Oleh itu, peluasan kajian ini pada masa hadapan adalah menggunakan template contoh muka dan aplikasi ke dalam prototaip sistem supaya dapat digunakan untuk mengawal atau mencari muka dalam masa nyata.. v. UMS. UNIVERSITI MALAYSIA SAIlAH.

FACE DETECTION USING THE VIOLA-JONES METHOD AND PARTICLE SWARM OPTIMIZATION ALGORITHM. ABSTRACT. The purpose of this project is intended to study about the face detection system by using Viola-Jones method and particle swarm optimization algorithm. Most of the face detection methods are generated at this time cannot achieve certain effects such as gain accuracy at the boundary face. In this project, Viola-Jones method and particle swarm optimization algorithm will be used to solve the problem part of the study. The best will be implemented in Processing with support OpenCV library. Two "experiments were conducted to study the face detection system. The results of the experiment carried out show that the face detection system is efficient. A test with a variety of interface styles have shown that the system can detect the most appropriate interface with a 50cm and a variety of interface styles shown. Meanwhile, a 200cm is most inappropriate for detecting the boundary face. In addition, tests have shown that light intensity in a bright place with 991x is the most appropriate and clearly to indicate the boundary of the face from the system. Therefore, the extension of this study in the future is to use template based and application interfaces into a system that can be used to control or partiality in real time.. vi. UMS. UNIVERSITI MALAYSIA SABAH.

SENARAIKANDUNGAN Muka Surat. PENGAKUAN. ii. PENGESAHAN. iii. PENHARGAAN. iv. ABSTRAK. v. ABSTRACT. vi. SENARAI KANDUNGAN. vii. SENARAI JADUAL. x. SENARAI RAJAH. xi. SENARAI SIMBOL. xiii. SINGKATAN. xiv. BAB 1 PENDAHULUAN 1.1. Pengenalan. 1. 1.2. Latar Belakang Masalah. 2. 1.2.1. 3. Gaya Kepala. 1.2.2 Ekspresi Muka. 3. 1.2.3 Orientasi Imej. 3. 1.2.4 Pencahayaan. 4. 1.3. Penyataan Masalah. 4. 1.4. Matlamat. 4. 1.5. Objektif. 4. 1.6. Skop Kajian. 5. 1.7. Justifikasi. 5. 1.8. Rumasan Disertasi. 5. BAB 2 KAlIAN LITERATUR 2.1. Pengenalan. 7. 2.2. Pengesanan muka. 8. 2.2.1. Kaedah Berasaskan Ciri. 8. 2.2.2. Kaedah Berasaskan Rupa vii. s. UNIVEASITI MALAYSIA SABAH.

2.3. 2.4. 2.5. 2.2.3. Kaedah Berasaskan Pengetahuan. 9. 2.2.4. Kaedah Berasaskan Template Contoh. 9. Aplikasi bagi Pengesanan Muka. 10. 2.3.1. Webcam Berasaskan Tenaga atau Kuasa Jimat. 10. 2.3.2. Sistem Pengesanan Waktu Bekerja. 10. 2.3.3. Luar Pengawasan Perkhidmatan Kamera. 10. 2.3.4. Video Chat Perkhidmatan. 11. Isu-isu Pengesanan Muka 2.4.1. Saiz. 11. 2.4.2. Kedudukan. 11. 2.4.3. Pencahayaan. 12. 2.4.4. Bilangan. 12. 2.4.5. Kewujudan atau Ketiadaan Komponen Struktur. 12. Kaedah Viola-Jones c;... 2.5.1. Ciri-ciri. 13. :z. =< rr1. :::tI"'t:. 2.5.2 Imej Integral. 14. 2.6. Algoritma Pengoptimuman Sekumpulan Zarah(PSO). 16. ;.0. Vl. 2.7. Perbincangan. 19. -< ;,..,::. ~"" ::!:'1:: ~~. ;g. S;~ :-:.. ......... .,. ,.~. . ., ;." BAB 3 METODOlOGI. 3.1. Pengenalan. 3.2. Rangkaian Projek. 3.3. 3.4. 20. 3.2.1. Fasa 1: Fasa Kajian. 21. 3.2.2. Fasa 2: Fasa Pembangunan. 21. 3.2.3. Fasa 3. 21. Senibina Prototaip Sistem. 23. 3.3.1. Mengenal pasti ciri-ciri muka. 25. 3.3.2. Mengesahkan rantau muka dalam imej. 26. 3.3.3. Pengoptimun Kerumunan Zarah(PSO). 27. Kesimpulan. 29. BAB 4 REKA BENTUK DAN IMPlEMENTASI. 4.1. Pengenalan. 4.2. Komponen Prototaip Sistem. 30. u~ viii. s. UNIVEASITI MALAYSIA SAIlAH.

4.3. Carta Aliran Pengesanan Muka. 32. 4.4. Rajah Input dan Output. 34. 4.4.1. Kamera. 34. 4.4.2. Tetikus. 35. 4.5. Persiapan Eksperimen. 35. 4.6. Implementasi. 36. 4.6.1. 37. Mengesan muka. 4.7. Prototaip Sistem. 38. 4.8. Ringkasan. 39. BAB 5 KEPUTUSAN DAN PERBINCANGAN 5.1. Pengenalan. 40. 5.2. Analisis Kajian. 40. 5.2.1. Ujian Berbeza Jarak dengan Pelbagai Jenis Gaya Muka. 40. 5.2.2. Keputusan dan Analisis. 42. 5.3. Ujian Intensiti Cahaya. 43. 5.4. Ringkasan. 44. BAB 6 KESIMPULAN 6.1. Rumusan. 45. 6.2. Sumbangan. 45. 6.2.1. Saiz. 45. 6.2.2. Kedudukan. 45. 6.2.3. Bilangan. 46. 6.3. Peluasan Kajian 6.3.1. Pengesanan Muka Secara Masa Nyata. 46. 6.3.2. Keadaan Yang Berbeza. 46. RUJUKAN. 51. ix. UMS. UNIVERSITI MAlAYSIA SABAH.

SENARAllADUAl Muka Surat. No.. Jadual. 4.1. Platform kerja untuk projek ini. 35. 5.1. Imej muka untuk eksperimen ini. 41. 5.2. Keputusan ujian berbeza jarak dengan pelbagai jenis gaya muka. 42. 5.3. Keputusan bagi ujian intensiti cahaya. 43. x. UMS. UNIVERSITI MALAYSIA SABAH.

SENARAI RAJAH No.. Muka Surat. Rajah. 1.1. Head pose yang berbeza. 3. 1.2. Muka yang sama tetapi di bawah pencahayaan yang berbeza. 4. 2.1. Kaedah umum bagi pengesanan muka. 8. 2.2. Ciri-ciri segi empat tepat Haar-/ike. 13. 2.3. Imej 3 x 3 dan imej integral yang sepadan. 14. 2.4. Kaedah pengiraan nilai ciri-ciri yang menggunakan imej integral. 15. 2.5. Sampel muka dikesan dengan menggunakan Viola-Jones. 16. 2.6. Graf berhubung sepenuhnya mewakili kejiranan topologi dihubungkan sepenuhnya (setiap bulat mewakili satu zarah). Semua anggota kawanan yang dihubungkan antara satu sarna lain.. 18. 3.1. Rangka kerja penyelidikan bagi ketiga-tiga fasa dalam projek ini. 22. 3.2. Senibina prototaip sistem bagi projek. 23. 3.3. Sampel ciri-ciri Haar-like dalam 2 segi empat tepat. 25. 3.4. Carta aliran untuk pengesanan mata. 27. 4.1. Komponen prototaip sistem bagi projek ini. 31. 4.2. Carta aliran untuk pengesanan muka. 32. 4.3. Rajah Input-Output. 34. 4.4. Keseluruhan prototaip sistem. 36. 4.5. Kod pseudo bagi mengesan muka. 37. 4.6. Kod pseudo bagi padanan rantau muka menggunakan algoritrna pengoptimuman kerumunan zarah. 37. Prototaip sistem bagi projek ini. 38. 4.7. xi.

SENARAI SIMBOL. = + x. Sarna dengan Hasil tarnbah Tolak Pendaraban. xiii. UMS. UNIVERSITI MALAYSIA SABAH.

SINGKATAN PSO Pers.. Pengoptimuman Sekumpulan Zarah Persamaan. xiv. UMS. UNIVEASITI MALAYSIA SABAH.

BAB1. PENDAHUlUAN. 1.1. Pengenalan. Sejak beberapa dekad yang lalu, perkembangan teknologi telah memudahkan kernajuan modul visi masa nyata yang berinteraksi dengan seseorang individu. Pengesanan objek adalah salah satu teknologi komputer, yang berkaitan dengan pemprosesan imej dan komputer visi. Ia bertujuan untuk mengesan keadaan objek seperti muka manusia, bangunan, pokok, kereta dan lain-lain. Objek boleh diambil dari gambar digital atau bingkai video. Tujuan asas bagi algoritma pengesanan muka adalah untuk menentukan sarna ada terdapat mana-mana muka dalam imej atau tidak (Uying et al., 2009). Dalam erti kata yang lain, pengesanan muka merupakan satu proses yang mana muka ditunjukkan pad a gambar atau video dan dicari secara automatik. Pengesanan muka adalah salah satu domain dalam pengesanan objek, telah banyak kaedah dicadangkan sebelum ini dan semuanya bertujuan untuk mengesan rnuka dari gam bar yang diberikan atau sistem pemantauan masa nyata dengan ketepatan yang berbeza dan kadar pengesanan palsu. Tambahan pula, kebanyakan penyelidik juga berpendapat bahawa pembelajaran mesin adalah alat utama untuk mengesan muka dalam statik dan video gaya. Sejak kebelakangan ini, rnasalah pengesanan muka telah diberi perhatian kerana ia penting dalam pelbagai aplikasinya seperti perdagangan dan penguatkuasaan undangundang.. Selain itu, banyak pengiktirafan corak dan kaedah berasaskan heuristik telah. dicadangkan untuk mengesan muka manusia dalam imej dan video (IngRen et al., 2012). Pengesanan muka adalah peringkat awal dalam sistem pemprosesan muka, terrnasuk pengenalan muka, automatic tumpunan kepada kamera, kekeliruan muka automatik pada gambar,. penjalan. kaki. dan. pemandu. mengantuk. pengesanan. dalam. kereta,. UMS. UNIVEASITI MALAYSIA SABAH.

pengenalan jenayah, kawalan akses dan lain-lain (Berbar. et at., 2006). Manakala, isu. mencabar yang boleh dibincangkan dalam sistem pengesanan muka adalah kepelbagaian yang wujud di muka seperti bentuk, tekstur, warna, kehadiran janggut atau misai dan pemakaian kaca mata atau tidak. Tambahan pula, kejadian mengambil gambar boleh menyebabkan perbezaan dari segi keadaan pencahayaan yang berbeza, bentuk kepala dan ekspresi muka.. Kebanyakan algoritma pengesanan muka juga boleh diaplikasi untuk. mengenal objek yang lain seperti kereta, manusia, pejalan kaki dan lain-lain (MingHsuan. et. a/., 2002).. 1.2. Latar Belakang Masalah. Pengesanan muka merupakan salah satu isu yang mencabar dalam image processing. Ia bertujuan untuk mengaplikasi semua variasi yang wujud dan juga berlaku dengan menukar dalam pencahayaan, pengerakan, ciri-ciri muka dan lain-lain. Selanjutnya, algoritma pengesanan muka juga dikaji dengan skala yang berbeza dan gaya. Walaupun mendapat banyak kesukaran, tetapi masih banyak sistem pengesanan muka juga telah dibuat dan. t;.. menunjukkan bahawa prestasinya adalah efisyen. Oleh itu, algoritma ini juga telah. rn. digunakan untuk mengesan objek lain seperti bangunan, pejalan kaki dan kereta.. :z :;:. ~"'!: ~~. -=-c.: c::. 1:000. Algoritma pengesanan muka bergantung kepada beberapa faktor termasuklah kedudukan, kewujudan atau kekurangan unsur-unsur struktural, ekspresi muka, orientasi. ~~ -< -'.. ~ ~:. imej, kelajuan pencahayaan dan masa pengiraan. Seterusnya, beberapa faktor yang boleh. ~3. memberi kesan kepada keputusan algoritma pengesanan muka iaitu gaya kepala, ekspresi. ~. -. muka, orientasi imej dan pencahayaan.. 2. UMS. UNIVERSITI MAlAYSIA SABAH.

1.2.1 Head Pose Lokasi muka dalam imej boleh berubah-ubah disebabkan oleh perbezaan pusingan rata depan, profil, profil separuh dan terbalik. Selain itu, beberapa ciri-ciri muka seperti mata atau hidung mungkin sebahagian atau sepenuhnya disekat. Rajah 1.1 menunjukkan head pose yang berbeza (GTAV FaceDatabase).. Rajah 1.1. Head pose yang berbeza (Sumber: Sharifara et al., 2014). 1.2.2 Ekspresi Muka Ekspresi muka adalah salah satu ekspresi yang paling berpengaruh, boleh menunjukkan perangai atau emosi seseorang manusia. Ekspresi muka juga berkaitan dengan rupa muka seperti marah atau kegembiraan boleh memberi kesan secara langsung di muka individu (Zhibo et al., 2006).. 1.2.3 Orientasi Imej Orientasi imej adalah bergantung kepada jenis imej yang didapati betul, terbalik, diputar atau terbalik dari kiri ke kanan dan ia kelihatan seperti cuba untuk membaca tanda dalam cermin.. 3. u s UNIVEASITI MAlAYSIA SABAH.

1.2.4 Pencahayaan Pencahayaan adalah satu faktor penting dalam menentukan kualiti imej dan juga boleh mempunyai banyak kesan ke atas penilaian imej dan seterusnya pengesanan muka. Faktor adalah berkaitan pencahayaan dan sudut cahaya yang wujud di dalam imej. Rajah 1.2 menunjukkan muka yang sama tetapi di bawah pencahayaan yang berbeza.. Rajah 1.2. Muka yang sama tetapi di bawah pencahayaan yang berbeza (Sumber: Sharifara et al., 2014). 1.3. Penyataan Masalah. Banyak kajian telah dicadangkan dalam teknik pengesanan muka untuk meningkatkan prestasi dan ketepatan teknik tersebut. Oleh itu, kajian ini adalah bertujuan untuk meliputi dan memberi tumpuan kepada isu yang tertentu. Pengesanan muka boleh dijalankan berdasarkan masa pelaksanaan ataupun cabaran ekspresi muka yang disediakan. Manakala aplikasi bagi pengesanan muka juga didorong supaya dapat mencari kaedah yang baru untuk meningkatkan ketepatan dan masa pelaksanan dalam sistem pengesanan muka. Walaupun mendapat banyak kaedah yang pendekatan untuk meningkatkan ketepatan dan prestasi dalam sistem pengesanan muka.. 1.4. Matlamat. Tujuan bagi projek ini adalah untuk mengesan muka dengan menggunakan algoritma pengoptimum sekumpulan zarah dan kaedah Viola-Jones.. 1.5. Objektif. Objektif projek ini adalah seperti berikut: 1). Mengaplikasikan kaedah Viola-Jones bagi pengesanan muka. 2). Mengaplikasikan algoritma pengoptim:m sekumpulan zarah bagi pengesa. UM. S. UNIVERSITI MALAYSIA SABAH.

3). Membangunkan prototaip sistem untuk pengesanan muka dengan algoritma pengoptimum sekumpulan zarah dan kaedah Viola-Jones.. 1.6. Skop Kajian. Bagi projek ini, ruang lingkup serta idea kajian adalah berdasarkan skop berikut: 1). Menetapkan resolusi imej sebagai 640 x 480 piksel.. 2). Menggunakan webcam sebagai peranti untuk mengesan muka .. 3). Memastikan muka tidak bergerak atau berpusing supaya prototaip sistem dapat mengesan muka dengan tepat.. 1.7. Justifikasi. Pengesanan muka boleh dinyatakan seperti berikut: saiz, lokasi, orientasi, pencahayaan, bilangan dan ketiadaan komponen struktur dalam sepenuhnya imej muka hadapan. Kami akan menyesuaikan proses dalam pelbagai langkah untuk mencapai matlamat projek ini. Bagi pengesanan muka, projek ini akan menggunakan algoritma pengoptimuman sekumpulan zarah dan kaedah Viola- Jones. Prototaip sistem akan dibina supaya dapat mengesan muka secara masa nyata dan menunjukkan bahagian muka dengan tepat walaupun masih terdapat banyak faktor yang boleh mempengaruhi prototaip sistem untuk mengesan muka. Oleh itu, projek ini akan menggunakan pelbagai jenis gaya muka sarna dengan jarak yang berbeza dan juga dalam keadaaan intensiti cahaya yang berbeza untuk menguji kaedah yang digunakan.. 1.8. Rumusan Disertasi. Projek ini akan membincangkan beberapa bab secara terperinci. Bab satu (1) mengulas mengenai permasalahan dan penjelasan umurn objektif dalam projek ini. Ia mengandungi latar belakang masalah, matlamat, objektif, skop serta batasan kajian dan justifikasi projek ini. Bab dua (2) akan menerangkan secara umum kajian literatur berdasarkan kajian yang lepas berkenaan teknik pengesanan muka berdasarkan algoritma pengoptimuman sekumpulan zarah dan kaedah Viola-Jones. Seterusnya, bab tiga (3) membincangkan rnengenai metodologi projek ini. Bab ini akan memberi penekanan mengenai pelan projek penyelidikan ini. Prototaip sistem pengesanan muka juga akan dibincangkan dalam bab ini untuk memenuhi matlamat projek ini.. 5. UMS. UNIVERSITI MALAYSIA SABAH.

Dalam bab empat (4), reka bentuk prototaip sistem dan implementasi projek ini akan dibincangkan. secara terperinci.. Ia. mengandungi. komponen. sistem,. carta. aliran. pengesanan muka, rajah input-output dan persia pan eksperimen akan dibincangkan dalam babini. Dalam bab lima (5), pelaksanaan teknik interaksi akan dibincangkan secara terperinci. Eksperimen akan dijalankan dan keputusan ujian akan dianalisis. Dalam bab enam (6), ulasan terhadap kesimpulan akan dijelaskan. Tambahan pula, sumbangan dan kerja masa depan projek ini juga akan dibincangkan dalam bab ini.. 6. UMS. UNIVEASITI MALAYSIA SABAH.

BAB2. KAlIAN LITERATUR. 2.1. Pengenalan. Sejak beberapa dekad kebelakangan ini, pengesanan muka telah menjadi bidang penyelidikan yang amat menarik diterokai. Ini kerana pengesanan muka merupakan satu teknologi dalam komputer visi yang sangat penting dimana ia dapat menentukan pengerakan muka di dalam sesuatu gambar (Yang. et al., 2002). Ia mengesan ciri-ciri muka. dan objek-objek lain seperti bangunan, pokok-pokok dan juga anggota badan lain. Walaubagaimanapun, tidak semua prototaip sistem pengesanan muka dapat mengesan muka dengan tepat. Masalah utama dalam kaedah pengesanan muka ialah ketidaktepatan kaedah tersebut mengesan muka seseorang dengan betul mengakibatkan objek selain muka dapat dikesan secara tepat (Rosdiyana Samad, Zahir & Mahfuzah, 2013). Dalam bab ini, beberapa teknik-teknik pengesanan muka akan dibincangkan secara terperinci. Muka adalah salah satu ciri yang paling unik berbanding dengan anggota badan lain. Walaupun setiap orang memiliki pelbagai jenis muka dengan berbeza ciri-ciri, struktur dan juga bentuk muka tetapi masih berkongsi dengan beberapa persamaan yang membolehkan komputer untuk melaksanakan segmentasi tepat di sempadan muka semasa pengesanan muka. Bab ini juga akan membincangkan mengenai teknik Viola-Jones dan algoritma pengoptimuman sekumpulan zarah (PSO) yang boleh digunakan dalam sistem ini. Dalam subtopik 2.2, pengesanan muka dan pelbagai jenis teknik akan diterangkan secara terperinci termasuklah kaedah yang digunakan dalam projek ini. Setelah itu, faedah dan aplikasi pengesanan muka akan disenaraikan dan dibincangkan dalam subtopik 2.3. Kemudian, beberapa cabaran terhadap kaedah pengesanan muka juga akan dibincangkan di dalam bab ini. Kaedah Viola-Jones dan algoritma pengoptimuman sekumpulan zarah (PSO) akan dijelaskan dalam subtopik seterusnya. Akhirnya, rumusan terhadap kajian ini akan disimpulkan diakhir bab ini.. UMS. UNIVERSITI MAlAYSIA SABAH.

2.2. Pengesanan Muka. Terdapat beberapa kaedah pengesanan muka yang telah dibangunkan sejak beberapa tahun yang lalu. Setiap kaedah dibangunkan berada dalam kontenks tertentu dan ia dibahagikan kepada 4 jenis kaedah iaitu berasaskan ciri, berasaskan rupa, berasaskan pengetahuan dan berasaskan template contoh. Rajah 2.1 menggambarkan kaedah umum pengesanan muka.. Berasaskan Template Contoh. Rajah 2.1. Kaedah umum bagi pengesanan muka. 2.2.1 Kaedah Berasaskan Ciri Terdapat banyak ciri-ciri di muka manusia maka dapat dibezakan antara muka dan objek lain. Kaedah ini bergantung kepada ciri-cirl perlombongan di muka yang tidak mengalamai apa-apa perubahan dalam imej yang seperti pencahayaan, gaya dan lain-lain. Terdapat beberapa ciri-ciri yang boleh digunakan untuk mengesan muka termasuklah warna kulit, hidung, telinga, mata, mulut dan lain-lain. Tambahan pula, terdapat beberapa kajian telah membuktikan bahawa warna kulit adalah satu ciri yang sangat baik untuk mengesan muka antara objek lain kerana setiap orang mempunyai warna kulit yang berbeza (U. et al., 2010). Selain itu, muka manusia juga mempunyai. tekstur tertentu yang boleh digunakan untuk membezakan antara muka dan objek lain. Salah satu cabaran dalam kaedah pengekstrakan ciri adalah pemulihan cirl. Ini berlaku apabila percubaan algoritma untuk mendapatkan ciri-ciri muka maka tidak dapat dikesan kerana mempunyai variasi yang besar seperti gaya kepala apabila kita memadankan imej profil dengan gambar berdepan (Divyarajsinh et al., 2013). Kaedah berasaskan ciri mempunyai beberapa kelebihan yang seperti putaran serta skala secara kemandirian dan juga pelaksanaan masa lebih cepat berbanding dengan. et al., 2011). Kaedah ini juga akan mengandungi ciri-ciri muka, warna kulit, tekstur dan lain-lain (Yang et al., 2002). kaedah lain (Hu. 8. UMS. UNIVERSITI MAlAYSIA SABAH.

2.2.2 Kaedah Berasaskan Rupa Kaedah berasaskan penampilan juga merupakan salah satu jenis kaedah pengesanan muka. Kaedah pengesanan muka jenis ini dianggap sebagai isu pengiktirafan corak dalam kelas ke-2. Kaedah ini juga menggunakan klasifikasi dan ia menggunakan ciri-ciri dalam tetingkap carian. Ciri-ciri akan dikira dari nilai piksel. Sebagai contoh, MCT (Modified Census Transform) dan Haar-like adalah beberapa jenis yang telah digunakan terhadap. kaedah ini (Yang. et al.,. 2002).. Oi samping itu, kaedah ini adalah kaedah yang berasaskan pembelajaran dan pengelas yang perlu dibuat dengan menggunakan kaedah pembelajaran statistic. Terdapat beberapa kelemahan terhadap kaedah ini maka ia perfu diperiksa dahulu bagi setiap tetingkap yang tunggal dan jika dapat nilai ambang yang diperlukan, ia akan menukar kepada kelebihan klasifikasi dan algoritma ini akan diteruskan sehingga akhir nilai piksel (Zha. et al., 2013). Kelebihan bagi kaedah ini adalah bahawa tetingkap bukan muka akan. ditolak awal dan seterusnya masa pelaksanaan yang akan menurun dan ketepatan juga akan meningkat (Viola etal., 2001).. 2.2.3 Kaedah Berasaskan Pengetahuan Kaedah lain dalam teknik pengesanan muka adalah kaedah berasaskan pengetahuan. Oalam kaedah ini, beberapa syarat mudah telah ditakrifkan untuk mengesan muka daripada imej dan syarat ini boleh diperluaskan untuk mengesan muka dari latar belakang. til. t~. :a. yang rumit. Syarat- syarat bagi kaedah ini adalah dari ciri-ciri muka seperti yang terdapat pada telinga, hidung, mulut dan ciri-ciri muka lain. Ciri-ciri muka dalam imej input akan diekstrak dahulu, maka muka perlu diiktiraf berdasarkan syarat yang ditetapkan (Oeepak. et. aI., 2013). Oleh itu, kaedah ini menggunakan kedudukan dan jarak di antara ciri-ciri terpilih. Isu yang mencabar dalam pendekatan ini ialah bagaimana pengetahuan manusia boleh diterjemahkan ke dalam kaedah-kaedah yang boleh digunakan untuk semua muka walaupun dalam keadaan yang berbeza (Wang. et al., 2000).. 2.2.4 Kaedah Berasaskan Template Contoh Kaedah. berasaskan. template. contoh. yang. sepadan. biasanya. digunakan. untuk. mendapatkan kawasan-kawasan yang berkemungkinan boleh menjadi muka manusia. Template contoh adalah contoh objek atau ciri-ciri muka. Kaedah ini menggunakan. dUM S. hubungan antara corak imej input dan corak tertentu dalam muka atau ciri-ciri muka. Bagi. serupa yang hampiri akan menggunakan bebgerapa template contoh yang: :ah. UNIVERSITJ MALAYSIA SABAH.

dengan tujuan pengesanan muka. Sebenarnya, jenis ini akan dibandingkan dengan pengganti kawasan dan template contoh yang telah ditetapkan dengan melaksanan piksel. Selain itu, kaedah ini mudah dari segi pelaksanaan tetapi beberapa syarat perlu dipertimbangkan terlebih dahulu. Sebagai contoh, muka mesti dari pandangan depan tanpa apa-apa keadaan pucat dan muka mestilah dalam saiz yang sama dengan template contoh yang ditetapkan. Dalam erti kata lain, algoritma ini juga bergantung kepada saiz, skala dan putaran. Ia juga mempunyai pengiraan yang rumit dan mengurangkan prestasi kaedah pengesanan muka (Umesh et aI., 2013).. 2.3. Aplikasi bagi Pengesanan Muka. Teknologi pengesanan muka boleh digunakan sebagai komponen teras (asas) untuk sejumlah aplikasi dalam penggunaan pelbagai bidang secara meluas.. 2.3.1 Webcam Berasaskan Tenaga atau Kuasa limat Ini adalah satu idea inovatif yang mungkin berguna kepada semua orang yang menggunakan PC, TV atau beberapa lain-lain jenis peralatan dalam rumah. Ciri-ciri utama di sini adalah untuk menghidupkan mod tidur atau mengurangkan kecerahan skrin semasa muka pengguna keluar dari peranti selama lebih daripada 5-10 minit dan akan menetapkan kembali mod secara automatik apabila muka pengguna dapat dikesan. Tidak perlu untuk mengatakan bahawa hari in masalah penjimatan kuasa adalah salah satu yang paling mendesak. Jadi, menggunakan modul pengesanan muka dapat menjadi lebih dekat dengan penyelesaian itu berbanding sebelum ini (Prokoski et at., 2000).. 2.3.2 Sistem Pengesanan Waktu Bekerja Pengesanan muka boleh menjadi satu alat yang membantu majikan mengesan pekerja yang tidak hadir ke tempat kerja. Ini mengelakkan para majikan ditipu dengan ketidakhadiran para pekerja yang mendapat gaji dengan cara yang tidak betul. Dengan adanya kaedah pengesanan muka di tempat kerja, ia dapat mengesan kehadiran para pekerja, dan mereka hanya akan memberi gaji berdasarkan kehadiran di tempat kerjanya. Dalam kes web kamera tidak lagi mengesan muka pekerja atau usul di hadapan, pengesanan masa akan berhenti sampai seseorang pekerja kembali dan ia bermula sekali lagi (Cuetos et aI., 2000).. 10. UMS. UNIVERSITI MAlAYSIA SABAH.

RU1UKAN • Berbar, M.A., Kelash, H.M. & Kandeel, A.A. 2006. Faces and facial features detection in color images. Geometric Modeling and Imaging New Trends. ms. 209-214. Craw, 1. & Cameron, P. 1992. Face recognition by computer. Proceedings of the British Machine Vision Conference. ms.498-507. Cuelos, P.D, Neti, C. & Senior, A. Audio-visual intent to speak detection for humancomputer interaction. Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing,S. ms. 575-597. Deepak, G. & lee, J.W. 2013. A robust face detection method based on skin color and edges. J Inf Process Syst, 9. ms. 22-24. Divyarajsinh, N.P. & Brijesh, M.B. 2013. Face recognition methods & applications. Computer Technology & Applications, 4. ms.84-86. Engelbrecht, A.P. 2005. Fundamentals of computational swarm intelligence. Guo, Z.B., liu, H.J. & Yang, J.Y. 2006. Fast algorithm face detection and head pose estimation for driver assistant system. Signal Processing flh International Conference, 3. ms. 16-20. Hu, W.c., Yang, D.Y & Huang, D.Y. 2011. Feature-based face detection against skin-color like backgrounds with varying illumination. Journal of Information Hiding and Multimedia Signal ProceSSing, 34. ms. 448-548. Kennedy, J. & Eberhart, R.C. 1995. Particle swarm optimization. Proceedings of the IEEE international Conference on Neural Networks. ms. 1942-1948. lang, l.Y. & Gu, W.W. 2009. Study of face detection algorithm for Real-time face detection sistem. Second International Symposium, 2. ms. 129-132. li, Z.M., Xue, l.J. & Tan, F. 2010. Face detection in complex background based on skin color features and improved Ada Boost algorithms. Progress in Informatics and Computing (PIC), 2. ms. 723-727. Orubeondo, A. 2001. A new face for security. InfoWorld.com. Park K.Y. & Hwang S.Y .. 2014. An improved Haar-like feature for efficient object detection. Pattern Recognition Letters, 42. ms. 148-153. Prokoski, F. History, current status and Future of Infrared Identification. Proceedings of IEEE Workshop on Computer Vision Beyond the Visible Spedrum. ms. 5-14. Raghavendra, B. Dorrizzi, B., Rao. A. & Hemantha Kumar, G. 2009. PSO versus AdaBoost for feature selection in multi modal biometrics. Proceedings of Third IEEE International Conference on Biometrics: Theory, Application and System-BTAS. ms. 1-4.. 47. UMS. UNIVERSITI MALAYSIA SAIlAH.

Reyes-Sierra, M. & Coello Coello, C.A. 2006. Multi-objective particle swarm optimizers : A survey of the state-of-the-art. International Journal of Computational Intelligence Research, 2. ms. 287-308. Shi, Y. & Eberhart, R.C. 1998. A modified particle swarm optimizer. IEEE International Conference on Evolutionary Computation. ms.67-73. Schneiderman, H. & Kanade, T. 2000. A statistical method for 3D object detection applied to faces and cars. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1. ms. 746-751. Tan N.Y., Daniel Hefenbrock, Jason Oberg, Ryan Kastner & Scott Baden, 2013. A software-based dynamic-warp scheduling approach for load-balancing the Viola-Jones face detection algorithm on GPUs. J.Parallel Distrib.Comput, 73: ms.677-685. Tsang, I.R., Magalhaes, J.P. & Cavalcanti, G.DC. 2012. Combined AdaBoost and gradientfaces for face detection under illumination problems. IEEE International Conference. ms. 2354-2358. Umesh, B.C. 2013. Facial expression recognition review. Iternational Journal of Latest Trends in Engineering and Technology, 4. ms. 99-111. Viola P. & Jones MJ., 2001. Rapid object detection using a boosted cascade of simple features. IEEE Conference on Computer Vision and Pattern Recognition. Wang, J.G. & Tan, T.N. 2000. A new face detection method based on shape information. Pattern Recognition Letters, 21. ms. 463-471. Yang, M.H. 2002. Detecting faces in images: A survey. IEEE Transaction on pattern analysis and machine intelligence, 24. Zhao, X.W. & Chai , X.J. 2013. Context constrained faCial landmark localization based on discontinuous Haar-Like feature. Internatiol Conference on Computer Vision.. 48.