178
PENGENALAN MULTI-WAJAH MENGGUNAKAN METODE
EKSTRAKSI FITUR VIOLA JONES UNTUK PRESENSI
PERKULIAHAN
1
Budi Nugroho,
2Wahyu S.J. Saputra,
3Eva Y Puspaningrum
1,2Program Studi Teknik Informatika, Fakultas Ilmu Komputer
Universitas Pembangunan Nasional Veteran Jawa Timur Jalan Raya Rungkut Madya Gunung Anyar Surabaya
Email: 1[email protected], 2wahyu [email protected], 3[email protected]
Abstrak. Teknologi pengenalan wajah saat ini telah banyak diimplementasikan dalam berbagai bidang
kehidupan. Salah satu tujuan digunakannya teknologi ini adalah memverifikasi identitas seseorang dengan menggunakan karakteristik wajah manusia sehingga dapat membatasi akses ke suatu layanan tertentu atau untuk tujuan monitoring. Pada riset ini, sistem pengenalan wajah dikembangkan untuk mengidentifikasi data wajah dari sebuah lingkungan. Setelah semua obyek wajah pada lingkungan tersebut teridentifikasi, sistem akan mendeteksi dan mengenali setiap wajah tersebut. Dalam proses pengenalan wajah ini, metode ekstraksi fitur yang digunakan adalah metode Viola Jones. Eksperimen dilakukan menggunakan data video dari sebuah lingkungan dimana banyak orang di lingkungan tersebut. Dalam hal ini menggunakan studi kasus perkuliahan di UPN Veteran Jawa Timur. Untuk mendapatkan hasil yang optimal, proses akuisisi citra melalui data video dilakukan dari arah depan (semua wajah cenderung menghadap ke depan atau searah dengan letak kamera). Selanjutnya, dilakukan proses deteksi pada obyek wajah, yang selanjutnya dinamakan data multi-wajah. Berdasarkan eksperimen yang telah dilakukan, akurasi pengenalan wajah mencapai 81%. Salah satu faktor yang mempengaruhi pengenalan wajah dalam kasus ini adalah jika ada wajah yang tidak menghadap ke kamera sehingga pada tahap deteksi wajah tidak diidentifikasi sebagai gambar wajah atau pada tahap pengenalan wajah tidak dikenali sebagai individu yang sebenarnya dari wajah tersebut.
Kata Kunci: Pengenalan Wajah, Ekstraksi Fitur, Multi Wajah, dan Metode Viola Jones.
Teknologi pengenalan wajah sudah banyak diimplementasikan dalam kehidupan sehari-hari seperti menemukan seseorang dengan kamera CCTV, sistem keamanan pada perangkat smartphone serta sistem kehadiran pegawai. Otentikasi biometrik adalah salah satu implementasi teknologi untuk memverifikasi identitas seseorang dengan menggunakan karakteristik manusia sehingga dapat membatasi akses ke suatu layanan tertentu [1]. Sistem kehadiran otomatis adalah salah satu aplikasi dari sistem otentikasi biometrik. Sistem kehadiran yang sering ditemukan adalah kehadiran menggunakan sidik jari, wajah, atau kombinasi keduanya [2].
Absensi kehadiran sangat penting dalam semua lembaga untuk memeriksa kinerja dan untuk membuktikan bahwa dirinya hadir dalam perkuliahan [3]. Setiap lembaga memiliki metode sendiri dalam hal ini. Penerapan absensi yang masih digunakan dalam perkuliahan terutama di UPN “Veteran” Jawa Timur masih menggunakan
kertas dengan tanda tangan mahasiswa. Namun absensi ini dianggap belum efektif dan akurat dalam pengambilan data karena masih adanya peluang manipulasi data kehadiran. Oleh karena itu, penelitian ini mengusulkan penggunaan teknik pengenalan wajah secara otomatis untuk mendukung proses absensi perkuliahan. Pengenalan wajah dalam penelitian ini menggunakan sebuah surveillance camera untuk menangkap suatu citra kondisi ruangan pada waktu proses belajar mengajar yang kemudian diidentifikasi wajah yang ada. Sistem ini menggunakan pendekatan pengenalan wajah otomatis untuk melakukan absen kehadiran mahasiswa di kelas tanpa campur tangan mahasiswa.
Banyak metode untuk melakukan pengenalan wajah misalnya dengan metode berbasis pada jaringan saraf, Support Vector Machines (SVM) dan metode kernel lainnya [4]. Sebagian besar algoritma ini menggunakan nilai piksel asli fitur. Namun, metode tersebut sensitif terhadap noise dan
179 perubahan iluminasi [5]. Sebaliknya, dengan menggunakan fitur Haar yang bisa melakukan pengkodean dengan perbedaan rata-rata intensitas dua daerah sehingga bisa mengekstrak tekstur tanpa tergantung pada intensitas absolutnya. Viola dan Jones mengusulkan skema yang efisien untuk menghitung fitur-fitur ini [1].
Penelitian ini menggunakan algoritma viola-jones untuk deteksi dan pengenalan wajah. Metode ini diusulkan oleh Paul Viola dan Michael Jones [6]. Pendekatan ini dapat melakukan proses deteksi dengan akurat dan cepat yaitu sekitar 15 kali lebih cepat dari pendekatan lain [6]. Metode Viola-Jones menggabungkan empat kunci utama yaitu Haar Like Feature, Integral Image, Adaboost learning dan Cascade classifier. Selain mendeteksi wajah, algoritma ini juga dapat melakukan klasifikasi bagian-bagian wajah lainnya [7]. Algoritma Viola-Jones mengklasifikasikan gambar berdasarkan pada nilai fitur sederhana [8]. Terdapat banyak alasan untuk menggunakan fitur daripada piksel secara langsung. Alasan yang paling umum adalah bahwa fitur dapat digunakan untuk mengkodekan pengetahuan yang sulit dalam pembelajaran terhadap data latih yang terbatas jumlahnya. Selain itu, sistem fitur berbasis operasi jauh lebih cepat daripada sistem berbasis piksel. Dengan menggunakan metode ini klasifikasi gambar dilakukan berdasarkan nilai dari sebuah fitur karena pemrosesan fitur berlangsung lebih cepat dibandingkan pemrosesan citra perpiksel.
I. Metodologi
Sudah banyak penelitian tentang deteksi wajah dan pengenalannya, salah satunya yang dilakukan oleh viola dkk [1] menjelaskan tentang kerangka deteksi wajah yang mampu memproses gambar dengan cepat dan bisa mencapai tingkat deteksi yang tinggi. Penelitian ini menggabungkan empat kunci utama yaitu Haar Like Feature, Integral Image, Adaboost learning dan Cascade classifier. Pertama adalah Haar Like Feature memiliki nilai skalar yang mewakili perbedaan dalam intensitas rata-rata antara dua daerah persegi panjang. Mereka menangkap gradien intensitas di lokasi yang berbeda, frekuensi spasial dan arah dengan mengubah posisi, ukuran, bentuk dan
pengaturan daerah sesuai dengan resolusi dasar detektor. Yang kedua representasi gambar baru yang disebut Integral Image yang memungkinkan fitur yang digunakan sebagai detektor untuk dikomputasi dengan sangat cepat. Yang ketiga adalah classifier sederhana dan efisien yang dibangun menggunakan algoritma pembelajaran AdaBoost untuk memilih sejumlah fitur yang kecil dari satu set fitur yang besar. Yang
keempat adalah metode untuk
menggabungkan pengklasifikasi dalam "cascade" yang memungkinkan daerah backgorund gambar dibuang saat mengeluarkan beberapa komputasi dalam menentukan daerah wajah.
Haar Like Feature
Haar-like feature merupakan metode feature extraction dan classification yang diperkenalkan pertama kali oleh Paul Viola dan Michael Jones. Haar-like feature ialah rectangular feature, yang dapat memberikan indikasi secara spesifik pada sebuah citra . Haar-like feature digunakan untuk mengenali objek berdasarkan nilai sederhana dari sebuah fitur, bukan nilai piksel yang terdapat dari image objek tersebut. Fitur gabungan seperti Haar dapat dihitung sangat cepat terlepas dari resolusi gambar dan memiliki ketahanan terhadap penambahan noise dan perubahan pencahayaan [9]. Fitur ini terdiri dari satu nilai interval tinggi dan satu nilai interval rendah, untuk gambar dua dimensi disebut sebagai area terang dan area gelap. Haar-like feature terdiri dari gabungan persegi hitam dan putih. Ada 3 tipe rectangular -feature yaitu: Two-rectangular -feature (a), Three-rectangular feature (b) dan Four-rectangular feature (c) yang ditunjukkan Gambar 1.
Gambar 1. Tipe Haar-like feature set Ukuran dan posisi dukungan pola dapat berbeda-beda disediakan persegi panjang hitam dan putih memiliki dimensi
180 yang sama. Haar-like feature ditentukan dengan mengurangi nilai piksel pada area terang dengan piksel pada area gelap [8]. Jika nilai perbedaannya diatas nilai threshold, maka dapat dikatakan bahwa haar-like feature tersebut ada.
Gambar 2. Haar-like feature
Nilai haar-like feature adalah perbedaan antara nilai piksel gray level yang terdapat dalam daerah persegi hitam dan persegi putih. Untuk mengkompensasi efek dari kondisi pencahayaan yang berbeda, semua gambar harus rata dan dinormalisasi. Gambar 2 memiliki latar belakang template seperti (a) berwarna abu-abu untuk memberikan highlight pada pola. Hanya piksel yang ditandai hitam atau putih yang digunakan saat fitur yang sesuai dihitung (b). Fitur diasumsikan memiliki semua informasi yang diperlukan untuk mengkarakterisasi wajah. Karena wajah pada umumnya teratur secara alami maka dibenarkan penggunaan Haar-like feature ini. Untuk mempermudah proses penghitungan nilai fitur, algoritma Viola-Jones menggunakan sebuah media berupa Integral Image. Menghitung jumlah lokal persegi panjang gambar membutuhkan paling banyak empat operasi dasar yang ada pada Integral Image.
Integral Image
Integral Image merupakan suatu media yang digunakan untuk menghitung nilai fitur dengan cara mengubah inputan gambar menjadi suatu representasi gambar integral. Integral image akan menghasilkan suatu nilai fitur pada Haar-like feature. Integral Image digunakan untuk menghitung jumlah semua piksel di dalam suatu persegi panjang dengan hanya menggunakan empat nilai secara efisien[10]. Nilai-nilai tersebut adalah piksel pada gambar integral yang bertepatan dengan sudut-sudut persegi panjang pada inputan gambar seperti yang terlihat pada Gambar 3.
Gambar 3. Representasi Integral Image Dengan menggunakan integral image dapat mengetahui nilai piksel untuk beberapa segiempat yang lain. Misalkan segiempat A pada Gambar 3 maka dapat dilakukan dengan cara menggabungkan jumlah piksel pada area segiempat B+C+D+A, dikurangi jumlah dalam segiempat B+C dan B+D, ditambah jumlah piksel di dalam B. Dengan B+C+D+A adalah nilai dari integral image pada lokasi Z4, B+C adalah nilai pada lokasi Z2, B+DC adalah nilai pada lokasi Z3, dan B pada lokasi Z1. Sehingga untuk menghitung jumlah piksel A maka:
A = Z4 - (Z2 + Z3) - Z1 (1) Setelah itu, untuk memilih fitur yang spesifik yang akan digunakan dalam mengatur nilai threshold dengan menggunakan metode machine learning yaitu Adaboost learning.
Adaboost learning
AdaBoost learning merupakan suatu algoritma machine learning yang bertujuan untuk melakukan seleksi secara spesifik terhadap fitur yang dianggap penting. AdaBoost digunakan baik untuk memilih satu set fitur kecil dan melatih klasifikasi[1]. Adaboost learning digunakan untuk meningkatkan kinerja klasifikasi dengan pembelajaran sederhana . Adaboost menggabungkan banyak classifier lemah untuk membuat se-buah classifier kuat[8]. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit atau idak dapat memenuhi target klasifikasi yang telahn ditentukan sebelumnya [11]. AdaBoost memiliki rangkaian filter yang efisien untuk menggolongkan daerah pada suatu gambar.
181 Setiap perulangan, satu classifier lemah belajar dari suatu data training. Setelah classifier lemah ditambahkan, da-ta-data kemudian diubah masing-masing bobotnya. Data-data yang mengalami kesalahan klasifikasi akan mengalami penambahan bobot dan data-data yang terklasifikasi dengan benar akan mengalami pengu-rangan bobot, oleh karena itu classifier lemah pada perulangan selanjutnya akan lebih terfokus pada data-data yang mengalami kesalahan klasifikasi. Proses selanjutnya nilai dari fitur baru yang telah dihasilkan akan digabungkan dengan banyak fitur dengan cascade classifier. Setelah itu akan terbentuk sebuah klas-ifikasi kuat, maka hasil training data tersebut disimpan dan akan digunakan dalam proses deteksi wajah.
Cascade classifier
Adaboost dapat menghasilkan satu keputusan yang digeneralisasikan dengan baik [10]. Namun, untuk mencapai itu, diperlukan satu set pelatihan yang sangat besar di awal untuk mengumpulkan semua pola negatif yang mungkin. Cascade Classifier merupakan metode klasifikasi bertingkat yang bertugas untuk menolak daerah gambar yang tidak terdeteksi wajah dengan menggunakan classifier yang telah dilatih oleh algoritma AdaBoost pada tiap tingkatan klasifikasinya. Penggolong cascade terdiri dari beberapa tahap, di mana setiap tahap terdiri dari pelatihan lemah. Sistem mendeteksi objek yang dimaksud dengan menggerakkan jendela di atas gambar. Setiap tahap classifier memberi label wilayah yang spesifik[11]. Pada bagian ini metode untuk menggabungkan secara berturut-turut klasifikasi yang lebih kompleks dalam struktur cascade yang dapat meningkatkan kecepatan deteksi dengan memfokuskan pada daerah yang te-pat [1]. Cascade Classifier merupakan step untuk mendapatkan hasil dengan menghitung nilai Haar Feature secara berulang. Gambar 4 menampilkan alur dari Cascade Classifier. Pada klasifikasi tahap 1, setiap sub citra akan diklasifikasikan dengan satu fitur, bila hasil tidak memenuhi kriteria, maka hasil ditolak. Pada klasifikasi tahap 2, setiap sub citra akan diklasifikasikan kembali dan berulang terus sampai mendapat hasil nilai threshold yang diinginkan. Jika
didapatkan nilai threshold yang diinginkan, maka dilanjutkan ke tahap filter selanjutnya. Hingga sub-citra yang lolos akan berkurang hingga mendekati citra yang ada pada sampel citra. Hasil dari klasifikasi berupa T (True) untuk gambar yang memenuhi nilai disemua classifier dan F(False) bila tidak memenuhi.
Gambar 4. Alur Cascade Classifier
Alur Sistem
Data yang digunakan pada penelitian ini menggunakan data mahasiswa UPN “Veteran” Jawa Timur. Data disimpan pada databse yang nantinya akan dicocokkan dengan sistem absensi yang sedang berjalan. Data yang telah disimpan sebanyak 200 data mahasiswa yang telah melakukan perekaman wajah. Selanjutnya pada sistem absensi ini data dilakukan secara real-time saat proses belajar mengajar. Alur sistem pada penelitian ini dapat dilihat pada Gambar 5. Setelah data wajah didapatkan aklan dilakuka proses training yaitu dengan tahapan Transformasi ruang warna citra, kompensasi pencahayaan, filter penghalusan operasi opening, deteksi wajah dengan viola jones setelah itu dilakukan ekstraksi fitur dan selanjutnya data trining akan disimpan pada database.
Keterangan
IP Camera (Frame Citra)
Transformasi Ruang Warna Citra
Kompensasi
Pencahayaan Filter Penghalusan Operasi Opening
Deteksi Wajah Menggunakan Viola Jones Database Ekstraksi Fitur Viola Jones Perbandingan Fitur Identitas Wajah
Training & Testing Testing
Gambar 5. Alur Sistem
Proses transformasi ruang warna citra dilakukan tahap warna RGB menjadi Grayscale. Setelah melalui tahan grayscale selanjutnya gambar akan dilakukan kompensasi pencahayaan. Kompensasi pencahayaan digunakan untuk merubah pencahayaan dari nilai yang disarankan oleh kamera, membuat gambar lebih terang atau gelap. Kompensasi pencahayaan pada penelitian ini menggunakan pemeratan
182 histogram atau histogram equalization. Pemerataan histogram adalah teknik kompensasi fitur populer yang telah diteliti dengan baik dan dipraktekkan di bidang pengolahan citra untuk normalisasi fitur visual digital gambar, seperti kecerahan, gray-level skala, kontras, dan sebagainya. Histogram citra menunjukkan pada histogram dari nilai intensitas pixel. Histogram menmapilkan banyaknya piksel dalam suatu citra yang dikelompokkan berdasarkan level nilai intensitas piksel yang berbeda. Proses selanjutnya adalah fitur penghalusan. Pada tahap ini menggunakan Gaussian smooting.
Gaussian smoothing digunakan sebagai filter penghalusan pada citra. Filter dalam pengolahan citra digunakan untuk menekan frekuensi tinggi. Dalam citra digital berarti penghalusan juga berarti pengurangan noise, karena noise disebut memiliki intensitas tinggi.
Setelah dilakukan proses penghalusan citra maka akan dilakukan operasi opening. Tahap ini biasanya digunakan untuk menghilangkan objek-objek kecil dan tipis serta dapat membuat tepi citra lebih smooth.
Setelah semua tahap pre-processing selesei maka akan dilakukan deteksi wajah menggunakan viola-jones. Setelah didapatkan gambar wajah proses selanjutnya dalah ekstraksi fitur wajah. Pada ekstraksi wajah akan diperoleh fitur wajah yang telah dilakukan proses training dan disimpan pada database.
Uji coba dilakukan di ruang kelas dengan alur kerja yang sama. Pada tahap ini akan dikenali gambar yang wajah dan bukan wajah. Jika gambar tersebut terdapat obyek wajah maka otomatis akan diberi tanda bahwa gambar tersebut wajah dengan tanda kotak pada gambar wajah. Data yang diperoleh dari deteksi tadi akan dicrop dan dilakukan ekstraksi fitur wajah. Untuk mengenali atau mengklasifikasikan obyek dalam gambar, seseorang harus terlebih dahulu mengekstrak beberapa fitur gambar, dan kemudian menggunakan fitur ini di dalam pola untuk memperoleh classifier final. Fitur ekstraksi (atau deteksi) bertujuan untuk mencari daerah fitur yang signifikan pada gambar tergantung pada karakteristik gambar terutama karakteristik wajah. Setelah melakukan tahap ekstraksi fitur maka akan dilakukan perbandingan fitur wajah pada data
uji dengan data yang ada pada database. Jika memiliki fitur yang sama maka wajah akan dikenali.
II. Hasil dan Pembahasan
Dalam penelitian ini menggunakan dataset gambar wajah mahasiswa sebanyak 100 mahasiswa dimana pengambilan data melalui rekaman video CCTV. Pengambilan gambar wajah dilakukan sebanyak 10 frame. Tidak ada batasan berapa banyak gambar yang bisa disimpan pada database untuk masing-masing orang, namun setiap kali proses penambahan data akan disimpan sebanyak 10 frame data wajah dari orang yang bersangkutan. Setelah tersimpan semua data wajah maka selanjutnya dilakukan uji coba.
Dengan menggabungkan beberapa Cascade classifier sebagai rangkaian untuk menggolongkan daerah image. Masing-masing filter adalah satu Cascade classifier terpisah yang terdiri classifier lemah atau satu filter Haar. Selama proses pemfilteran, jika ada filter yang gagal untuk melewati sebuah daerah gambar, maka daerah itu digolongkan sebagai bukan wajah. Namun ketika filter melewatkan sebuah daerah gambar dan sampai melewati semua proses filter yang ada dalam rangkaian, maka daerah tersebut digolongkan sebagai wajah.
Setelah sebuah frame dikenali sebagai area wajah selanjutnya dilakukan proses deteksi fitur viola-jones yang dilanjutkan dengan proses ekstraksi fitur sehingga didapatkan fitur dari sebuah frame wajah dengan ukuran 1 x n fitur. Jumlah fitur yang didapatkan untuk setiap frame berbeda, sehingga diperlukan sebuah statement untuk membuat ukuran fitur menjadi sama. Proses penyamaan ukuran fitur dilakukan dengan pengecekan ukuran yang telah ada, jika ukuran yang telah ada lebih kecil daripada ukuran fitur yang baru diekstraksi, maka nilai dari selisih fitur yang lama akan di set dengan nilai 0 (nol/default). Proses pembentukan dataset sebagai database wajah juga menggunakan fitur viola-jones, sehingga tidak perlu menyimpan file wajah pada sebuah database, hal ini di-lakukan untuk mempercepat proses pengenalan. Pada setiap penambahan dataset akan disimpan sebanyak 10 data fitur, dan tidak ada batasan maksimal
183 untuk jumlah data dapat digunakan sebagai dataset. Dataset selanjutnya digunakan untuk proses training sistem dan hasil training akan disimpan untuk melakukan proses pengenalan wajah. Proses pengenalan wajah didasarkan pada fitur yang memiliki kemiripan yang paling tinggi. Jika ditemukan wajah yang cocok dengan dataset yang telah disimpan sebelumnya maka akan tersimpan nama dari pemilik wajah.
Sistem telah diuji dan proses penambahan dataset telah berjalan sehingga ukuran dataset berubah setiap kali dilakukan proses penambahan data sebanyak 10 data. Setelah penambahan data dilakukan proses training juga berhasil dijalankan. Proses pengenalan wajah secara live berhasil dilakukan dengan tingkat akurasi sebesar 81% dan tingkat akurasi sangat dipengaruhi oleh jumlah dataset yang digunakan.
III. Simpulan
Pada penelitian ini dirancang suatu sistem absensi perkuliahan untuk mendeteksi pada suatu keadaan real-time dengan menggunakan metode Viola Jones. Berdasarkan uji coba yang telah dilakukan diperoleh tingkat akurasi sebesar 81%.
Pada proses ini, posisi wajah saat perekaman video harus frontal (menghadap ke arah kamera). Posisi wajah yang tegak atau tidak tegak sangat menentukan keberhasilan sistem ini. Posisi wajah yang tidak frontal menyebabkan proses deteksi dan pengenalan wajah menjadi kurang akurat.
IV. Daftar Pustaka
[1] P. Viola, dan M. Jones. “Rapid object detection using a boosted cascade of simple features,” in the 2001 IEEE Computer Society Conference, vol. 1, 2001.
[2] S. Rao and K.J.Satoa, “An attendance monitoring system using biometrics authentication,” International Journal of Advanced Research in Computer Science and Software Engineering, vol. 3, no. 4, 2013.
[3] T M. Reddy, V Prasad,
N.V.Ramanaiah. “Face Recognition Based Attendance Management System By Using Embedded Linux”,
Interna-tional Journal of Enginering Research and Science &Technology (IJERST), ISSN 2319-5991 Vol 4 No.2 2015 [4] K. K. Sung and T. Poggio.
Example-based learning for view-Example-based human face detection. IEEE Trans. on PAMI, 20(1):39–51, 1998.
[5] H. A. Rowley, S. Baluja, and T. Kanade. Neural networkbased face detection. IEEE Trans. on PAMI, 20(1):23–38, 1998.
[6] Viola P, Jones M., 2001, Robust Real-time Object Detection, IJCV, Vancouver, Canada.
[7] Hjelmas, E., & Low, B. “Face Detection : A Survey Computer Vision And Image Understanding”. 236-274. (2001). [8] Viola, P., Jones, M. J., “Robust
Real-Time Face Detection”, International Journal of Computer Vision, Kluwer Academic, Netherlands, 2004
[9] R. Lienhart and J. Maydt, "An extended set of Haar-like features for rapid object detection," in Proc. IEEE Conference on Image Processing , pp. 900-903, 2002 [10] Y.-Q. Wang, “An Analysis of the
Viola-Jones Face Detection Algorithm,” Image Process. Line, vol. 4, pp. 128–148, 2014 [11] R. E. Schapire, “A Brief Introduction
to Boosting Generalization error,” Ijcai 99, pp. 1401–1406, 1999
