Deteksi Posisi dan Ekstraksi Fitur Wajah Manusia
Pada Citra Berwarna
Iping Supriana1) Yoseph Suryadharma2) 1) Program Studi Teknik Informatika Institut Teknologi Bandung
email: iping@informatika.org
2) Program Studi Teknik Informatika Institut Teknologi Bandung email: y.suryadharma@gmail.com
Abstrak
Pendeteksian posisi wajah dan ekstraksi fitur wajah merupakan salah satu proses yang sangat penting untuk melakukan proses pengenalan wajah. Pendeteksian posisi wajah merupakan suatu proses untuk mengetahui lokasi wajah pada suatu citra. Ekstraksi fitur wajah merupakan proses pendeteksian posisi fitur-fitur wajah seperti mata dan mulut. Kedua proses tersebut merupakan proses pendahuluan sebelum dilakukan proses yang lebih kompleks pada proses pengenalan wajah.
Makalah ini berisi kajian algoritma deteksi posisi dan ekstraksi fitur wajah pada citra berwarna. Deteksi posisi wajah dilakukan dengan memanfaatkan informasi piksel warna kulit dan karakteristik wajah. Ekstraksi fitur wajah dilakukan dengan memanfaatkan pengolahan citra tingkat rendah menggunakan proses pendeteksian tepi menggunakan algoritma smallest univalue segment assimilating nucleus (SUSAN). Algoritma SUSAN tersebut digunakan untuk melakukan ekstraksi fitur mata dan mulut pada suatu citra wajah.
Kesimpulan yang didapatkan adalah model warna HSV secara umum bekerja lebih baik daripada model warna kulit RGB. Proses ekstraksi fitur wajah menggunakan SUSAN edge detection mampu mendeteksi batas-b atas fitur wajah dengan cukup baik.
Kata Kunci: deteksi posisi wajah, ekstraksi fitur wajah, SUSAN edge detection
2. PENDAHULUAN
Deteksi posisi dan ekstraksi fitur wajah merupakan tahap pendahuluan yang sangat penting dalam sistem pengenalan wajah. Deteksi posisi wajah adalah proses untuk mengetahui lokasi wajah pada suatu citra. Deteksi posisi wajah menjadi sangat penting karena dalam suatu citra wajah dapat muncul di berbagai posisi. Ekstraksi fitur wajah adalah proses untuk mengetahui lokasi-lokasi fitur-fitur wajah seperti mata dan mulut. Proses ini membantu untuk mengetahui ciri-ciri spesifik dari suatu objek
wajah. Ketepatan deteksi posisi dan ekstraksi fitur wajah merupakan suatu hal yang sangat penting untuk sistem pengenalan wajah.
Berbagai penelitian telah dilakukan untuk melakukan deteksi posisi dan ekstraksi fitur wajah pada suatu citra berwarna. Pada penelitian [2] deteksi posisi wajah dilakukan pada suatu citra berwarna dengan memanfaatkan informasi piksel warna kulit dan informasi lubang pada wajah. Penelitian [4][5] memperkenalkan metode ekstraksi pojok fitur-fitur wajah menggunakan algoritma SUSAN corner detection yang diperkenalkan sebelumnya pada penelitian [13].
Berdasarkan hasil penelitian tersebut, penulis mengembangkan suatu sistem deteksi posisi dan ekstraksi fitur wajah. Proses deteksi wajah memanfaatkan informasi warna piksel dan ukuran dimensi wajah. Proses ekstraksi fitur-fitur wajah dilakukan untuk melakukan ekstraksi fitur mata dan mulut dengan memanfaatkan algoritma SUSAN edge detector. Algoritma SUSAN edge detector dipilih karena algoritma tersebut membantu dalam menentukan batas-batas fitur wajah secara lebih akurat.
3.SUSAN EDGE DETECTION
Smallest Univalue Segment Assimilating Nucleus (SUSAN) adalah algoritma yang dapat digunakan untuk melakukan deteksi fitur suatu objek dalam suatu citra. SUSAN menggunakan circular mask untuk mendeteksi tepi (edge) dan pojok (corner) dari suatu objek [13]. Algoritma ini membandingkan nilai kecerahan setiap piksel yang terdapat di dalam mask dengan nilai piksel di tengah mask. Piksel titik tengah mask disebut sebagai nucleus. Jumlah piksel yang memiliki nilai ‘sama’ dengan nucleus dalam suatu mask didefinisikan sebagai Univalue Segment Assimilating Nucleus (USAN) area. Pendeteksian tepi atau pojok dari suatu objek merupakan pencarian daerah atau titik dalam suatu citra yang memilikai USAN area terkecil. Ilustrasi algoritma SUSAN dapat dilihat pada gambar 1.
Gambar 1. Circular Mask Algoritma SUSAN
Pendeteksian tepi suatu objek menggunakan SUSAN memanfaatkan suatu circular mask.
Mask ditempatkan di setiap titik di dalam citra. Setiap titik di dalam mask kemudian dibandingkan nilainya dengan titik tengah mask. Persamaan yang digunakan untuk pembandingan ini adalah:
, 0 1,0, | | 0 |0 |
r0 adalah posisi nukleus dalam citra, r adalah
posisi piksel lain di dalam mask, I(r) adalah nilai kecerahan piksel, t merupakan nilai ambang (threshold) beda kecerahan, c merupakan nilai hasil perbandingan.
Pembandingan dilakukan untuk setiap piksel di dalam mask dan kemudian dihitung nilai total hasil perbandingan dengan persamaan:
0 ∑ , 0
n merupakan jumlah total piksel yang berada di dalam area USAN. Kemudian, nilai n dibandingkan dengan suatu nilai ambang (threshold) g, yang disebut sebagai geometric threshold. Nilai g ditetapkan sebagai 3nmax/4.
Initial edge response dihitung dengan menggunakan aturan sebagai berikut:
R r0 g0, lainnyan r0 , jika n r0
R( r0 ) merupakan edge response. Dari persamaan tersebut terlihat bahwa semakin kecil area USAN semakin besar edge response.
3. MODEL WARNA KULIT
Suatu warna dapat dimodelkan ke dalam beberapa model warna. Model warna digital yang sering digunakan adalah RGB (red, green, blue) dan HSV (hue, saturation, value). Model warna kulit digunakan untuk memisahkan piksel kulit
dan n warna Berda dalam Mode RGB antar komp 4. P mela terleb prose outpu pene direp non-k Prose mode yang kulit a Selan kulit peta mene citra non-kulit. Be a kulit dalam R > 95 d max{R,G |R-G| > 1 deng asarkan pen m representa 0 < H < dengan H el warna HSV karena dala ra komponen ponen intens PROSES D Proses detek kukan pros bih dahulu p es ini adala utnya merup litian ini, resentasikan kulit direpres es segmenta el warna yait digunakan d adalah: 1 0 njutnya dari tersebut, d kulit tertutup erapkan algo tersebut. S erdasarkan p m representas dan G > 40 d G,B} – min{R 15 dan R > G gan R,G,B = nelitian [9], asi HSV adal 50 dan 0.23 H = [0,360] d V lebih baik d am model HS n kemurnian itas cahaya. DETEKSI P ksi posisi wa ses segme pada citra m ah sebuah c pakan sebua output u n dengan wa sentasikan d asi warna kul tu model RG dalam prose 1, 0, hasil proses dilakukan pr p (closed skin oritma closing etelah pemb penelitian [9] si RGB adala dan B > 20 R,G,B} > 15 G dan R > B [0,255] model war ah: < S < 0.68 dan S = [0,1] dari model w SV dipisahka warna dan POSISI WA ajah diawali entasi warn masukan. In citra berwar ah citra bine ntuk pikse arna putih da engan warna lit dilakukan GB dan HSV s segmentas s segmentas roses pemb n map) deng g dan openin bentukan pe ], model ah: rna kulit warna n JAH dengan na kulit put dari rna dan er. Pada el kulit an piksel a hitam. dalam 2 . Fungsi si warna si warna entukan gan cara ng pada eta kulit te lu m p d o k s m d y k d u p d p g m A d e m a 5 m ertutup, dila ubang (clo mengurangka proses seg dilakukan pr objek pada p kulit tertutup setiap luba merepresenta dan mulut, s yang memil kandidat wa dikategorikan ukuran dime perbandingan dikategorikan pendeteksian gambar 2. Gambar 5. PROSE Ekstraksi melakukan Algoritma ya detection. Al edge dete menentukan akurat. 5.1 Ekstraks Ekstraksi menerapkan anjutkan den osed skin an peta kuli mentasi w roses peme peta lubang d p. Dengan ang pada asikan fitur-f setiap objek iki lubang ajah. Kemud n sebagai k ensinya. Ka n panjang d n sebagai w n posisi wa r 2. Proses d ES EKSTRA i fitur wa deteksi pos ang dipakai goritma ini ction dapa batas-batas si Fitur Mata i fitur mata algoritma ngan pembe map) de it tertutup d warna kulit. etaan (mapp dengan obje pertimbang peta ku fitur wajah s pada peta k dikategorika dian setiap kandidat waj andidat yan dan lebar m wajah. Ilust ajah dapat d deteksi posis AKSI FITUR ajah dilaku sisi mata adalah SU dipakai kare at memba fitur wajah a dilakukan d a smallest ntukan peta ngan cara dengan hasil Kemudian ping) antara ek pada peta gan bahwa lit tertutup seperti mata kulit tertutup an sebagai objek yang jah dihitung ng memiliki maksimal 1:2 trasi proses dilihat pada si wajah R WAJAH ukan untuk dan mulut. USAN edge ena SUSAN antu untuk secara lebih dengan cara t univalue a a l n a a a p a p i g g i 2 s a k . e N k h a e
segment assimilating nucleus (SUSAN) pada citra wajah hasil proses deteksi posisi wajah. Algoritma SUSAN digunakan untuk melakukan pendeteksian tepi (edge detection) pada area pencarian mata. Pada kajian ini digunakan algoritma SUSAN edge detection karena algoritma tersebut lebih memudahkan untuk mencari batas-batas fitur yang dicari daripada menggunakan SUSAN corner detection. Karena operator SUSAN bekerja pada citra grayscale, citra wajah akan diubah ke dalam representasi grayscale terlebih dahulu sebelum dilakukan proses ekstraksi fitur mata. Sebelum dilakukan proses ekstraksi, didefinisikan area pencarian fitur mata. Area pencarian fitur mata pada proses ini adalah setengah area bagian atas wajah. Area ini dapat dilihat pada gambar 3.
Gambar 3. Area pencarian fitur mata
Algoritma SUSAN diterapkan pada area pencarian mata yang telah didefinisikan. Operator SUSAN yang dipakai memiliki ukuran diameter mask 7 piksel. Nilai ambang (threshold) yang dipakai untuk mendeteksi fitur mata adalah 21. Nilai ambang tersebut dilakukan setelah beberapa percobaan. Operator SUSAN tersebut diaplikasikan untuk mendeteksi tepi (edge) pada area pencarian mata. Setiap edge object kemudian dicari minimum bounding box-nya. Proses berikutnya adalah melakukan pemeriksaan untuk setiap edge object yang telah terdeteksi. Suatu objek merupakan objek mata jika memenuhi kriteria tertentu. Kriteria suatu objek dikategorikan sebagai objek mata adalah sebagai berikut:
1. ukuran lebar bounding box ≥ 1,2 x tinggi bounding box
2. ukuran lebar bounding box ≤ 3,2 x tinggi bounding box
3. ukuran lebar bounding box ≥ 0,125 x lebar area wajah
4. ukuran lebar bounding box ≤ 0,3 x lebar area wajah
5. koordinat titik atas bounding box ≥ 0,25 x tinggi area wajah
6. koordinat titik bawah bounding box ≤ 0,5 x tinggi area wajah
5.2 Ekstraksi Fitur Mulut
Ekstraksi fitur mulut dilakukan dengan menerapkan algoritma SUSAN pada area pencarian mulut. Area pencarian mulut adalah setengah bagian bawah wajah. Area pencarian mulut dapat dilihat pada gambar 4.
Gambar 4. Area pencarian fitur mulut
Algoritma SUSAN diterapkan pada area pencarian mulut yang telah didefinisikan. Operator SUSAN yang dipakai memiliki ukuran diameter mask 7 piksel. Nilai ambang (threshold) yang dipakai untuk mendeteksi fitur mulut adalah 5. Nilai ambang tersebut didapatkan setelah melakukan beberapa percobaan. Operator SUSAN tersebut diaplikasikan untuk mendeteksi tepi (edge) pada area pencarian mulut. Setiap edge object kemudian dicari minimum bounding box-nya. Proses berikutnya adalah melakukan pemeriksaan untuk setiap edge object yang telah terdeteksi. Suatu objek merupakan objek mulut
jika objek sebag 1 2 3 4 5 6 C posis dijela Ga D terliha cukup fitur m sanga fitur peng citra tabel memenuhi k dikategorik gai berikut: . ukuran l bounding 2. ukuran le bounding 3. ukuran le area waja 4. ukuran le area waja 5. koordinat tinggi are 6. koordinat 0,75 x tin 6. HA Contoh hasil si dan ekst askan dapat d mbar 5: Ha Dari hasil e at bahwa al p membantu mata dan mu at penting ka wajah sang enalan waja masukan ya 1,2, dan 3. kriteria terte kan sebagai lebar bound g box ebar boundin g box ebar boundin ah ebar boundin ah t titik atas bo ea wajah t titik bawa ggi area waj ASIL EKSPE pengujian da traksi fitur dilihat pada g asil deteksi po fitur wajah kstraksi fitu goritma SUS u untuk mene ulut dengan arena akuras gat menent ah. Hasil pen
ng digunaka entu. Kriteria objek mulut ding box ≥ ng box ≤ 6 ng box ≥ 0,2 ng box ≤ 0,6 ounding box h bounding ah ERIMEN ari algoritma wajah yan gambar 5.
osisi dan eks h r mata dan SAN edge d entukan bata lebih akurat si pendeteks tukan hasil ngujian terha an dapat dilih a suatu t adalah ≥ tinggi x tinggi 2 x lebar 6 x lebar x ≥ 0,5 x g box ≤ a deteksi g telah straksi n mulut, detection as-batas t. Hal ini ian fitur-proses adap 15 hat pada T f N T f N T d p b Tabel 1. Nila itur mata No. N Thre 1. 1 2. 2 3. 2 4. 2 5. 2 Tabel 2. Nila itur mulut No. Nilai T 1. 2. 3. 4. 5. Tabel 3. Has No. Mode 1. 2. Deteksi dilakukan d penolahan c berwarna, p i threshold S ilai eshold H 19 46 20 66 21 93 22 80 23 73 i threshold S Threshold 3 4 4 6 5 7 6 6 7 6 sil pengujian el Warna Seg RGB HSV 7. KESIM posisi ekstr dengan me citra tingkat proses det SUSAN untuk Hasil 6,67% 6,67% 3,33% 0,00% 3,33% SUSAN untuk Hasil 46,67% 60,00% 73,33% 66,67% 60,00% deteksi posis gmentasi MPULAN raksi fitur w emanfaatkan t rendah. teksi dapat k ekstraksi k ekstraksi si wajah Hasil 80,00% 86,67% wajah dapat n algoritma Untuk citra t dilakukan t a a n
dengan memanfaatkan model warna kulit. Secara umum, model warna kulit HSV bekerja lebih baik daripada model warna kulit RGB. Keberhasilan proses segmentasi warna kulit sangat mempengaruhi keberhasilan proses deteksi posisi wajah pada citra berwarna. Untuk melakukan proses ekstraksi fitur-fitur wajah seperti mata dan mulut, algoritma SUSAN edge detection cukup membantu untuk menentukan batas-batas fitur-fitur wajah tersebut dengan cukup akurat. Hasil output algoritma ini cukup memadai untuk diproses lebih lanjut untuk keperluan sistem biometrik seperti sistem pengenalan wajah.
DAFTAR PUSTAKA
[1] Agushinta R., D., Suhendra, Adang dan Hendra. Ekstraksi Fitur dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah. National Conference on Computer Science and Information
Technology VII.
[2] Ahlvers, U., Rajagopalan, Ruben, dan Udo Zolzer. Model-Free Face Detection And Head Tracking With Morphological Hole Mapping. Project Work. Helmut-Schmidt University / Technical University Hamburg. Hamburg, 2005.
[3] Crane, Randy. A Simplified Approach To Image Processing. Prentice Hall. 1997
[4] Gu, H., Su, Guangda, dan Cheng Du. Feature Point Extraction From Faces. Image and Vision Computing NZ. pp. 154-158 (November, 2003).
[5] Hess, M., Martinez, Geovanni. Facial Feature Extraction Based On The Smallest Univalue Segment Assimilating Nucleus (SUSAN) Algorithm. Project Work. Universidad de Costa Rica. 2005
[6] Hjelmas, Erik, Low, Boon Kee. Face Detection: A Survey. Computer Vision and Image Understanding, 83, pp. 236-274 (2001). [7] Munir, Rinaldi. Pengolahan Citra Digital.
Penerbit Informatika. 2004
[8] Pam, Thang V. dan Worring, Marcel. Face Detection Method A Critical Evaluation. ISIS Technical Report Series, Vol II (2000, November).
[9] P. Peer, F. Solina. An Automatic Human Face Detection Method. Proc. 4th
Computer Vision winter Workshop (CVWW), pp. 122-130 (1999, Februari).
[10] Rowley, Henry A., Baluja, Shumeet, dan Takeo Kanade. Neural Network-Based Face Detection. IEEE Transactions Pattern Analysis and Machine Intelligence, Vol. 20, No. 1, pp. 23-28 (1998, Januari).
[11] Russ, Johm C. The Image Processing Handbook 5th Edition. CRC Press. 2007 [12] Singh, Sanjay Kr., dkk. A Robust Skin Color
Based Face Detection Algorithm. Tamkang Journal of Science and Engineering, Vol. 6, No. 4, pp. 227-234 (2003).
[13] Smith, S., Brady, J. Michael. SUSAN – A New Approach To Low Level Image Processing. International Journal of Computer Vision, Vol. 23, No. 1, pp. 45-78 (1997).
