i
Universitas Kristen Maranatha PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM
(SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH
Yuwono (0922013)
Jurusan Teknik Elektro Universitas Kristen Maranatha email: e1_musicjazz@yahoo.com
ABSTRAK
Wajah memiliki informasi yang dapat diolah menjadi sebuah data yang dapat dipakai dalam bidang tertentu. Salah satu media untuk mendapatkan informasi wajah adalah sketsa wajah. Namun dalam proses pengenalan wajah terdapat beberapa kendala termasuk perbedaan modalitas yang terkandung dalam sketsa wajah dan foto. Perbedaan tersebut adalah masalah tekstur dan bentuk.
Ada banyak metode untuk mengatasi masalah tersebut. Dalam tugas akhir ini, digunakan teknik SIFT dan MLBP sebagai fitur ekstrasi yang dapat mengatasi masalah perbedaan modalitas di atas. Tugas akhir ini juga meneliti perbandingan antara metode SIFT dengan metode MLBP.
ii
Universitas Kristen Maranatha
COMPARISON BETWEEN SCALE INVARIANT FEATURE
TRANSFORM (SIFT) AND MULTISCALE LOCAL BINARY
PATTERN (MLBP) IN FACE RECOGNITION WITH FACE
SKETCH IMAGE AS INPUT
Yuwono (0922013)
Electrical Engineering of Maranatha Christian University email: e1_musicjazz@yahoo.com
ABSTRACT
Face has information which can be proceed into useful data in several areas. Face sketching is a method that can be used to get that information. In face recognition processing, there are few troubles can occur, included for those face sketches have many different modality. Those differences are texture and form.
There are a lot of methods to overcome those problems. In this final project, SIFT and MLBP technic will be used as extraction feature to overcome those modality difference troubles. This final project also find out comparison between SIFT method and MLBP method.
In face recognition and testing simulation, there are thirty image sketches that being used as test image. SIFT recognition method with test image without gender difference has 83.33% accuration. Recognition accuration for female gender test has 86,67% accuration. MLBP recognition method with test image without gender difference has 73,33% accuration. Besides, in MLBP recognition accuration for female gender test image is 93,33% and male gender test has 80% accuration. Based on those datas, it is concluded that SIFT recognition method is better than MLBP method.
iii
Universitas Kristen Maranatha
DAFTAR ISI
LEMBAR PENGESAHAN
PERNYATAAN ORISINALITAS LAPORAN
PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR
ABSTRAK ... i
II.1.1 Pengolahan Citra Digital ... 5
II.2 Pengenalan Wajah (Face Recognition) ... 6
iv
Universitas Kristen Maranatha
II.2.2 Proses Penjajaran Wajah ... 8
II.2.3 Proses Ekstraksi Ciri ... 9
II.2.4 Proses Pencocokan ... 9
II.3 Scale Invariant Feature Transform (SIFT) ... 9
II.3.1 Mencari Nilai Ekstrim pada Skala Ruang ... 10
II.3.2 Menentukan Keypoint ... 12
II.3.3 Penentuan Orientasi ... 13
II.3.4 Deskriptor Keypoint ... 14
II.4 Local Binary Pattern (LBP) ... 15
II.4.1 Pola Uniform[5] ... 17
II.4.2 Multiscale Local Binary Pattern (MLBP) ... 18
II.5 Interpolasi Bilinear ... 19
II.6 Euclidian Distance ... 21
II.7 MATLAB ... 22
II.7.1 Ruang Kerja MATLAB... 22
II.7.2 M-File Editor ... 24
II.7.3 GUIDE (Graphical User Interface builDEr) ... 25
v
Universitas Kristen Maranatha
BAB III ...26
PERANCANGAN PERANGKAT LUNAK ...26
III.1. Arsitektur Perancangan ... 26
III.2. Diagram Alir ... 27
III.2.1 Diagram Alir Pelatihan (Training) ... 27
III.2.2 Diagram Alir SIFT Descriptor ... 30
III.2.3 Diagram Alir MLBP Descriptor ... 31
III.2.4 Diagram Alir proses pencocokan (Matching) ... 33
BAB IV ...35
SIMULASI DAN ANALISA DATA ...35
IV.1 Simulasi dan Database ... 35
IV.2 Data Pengamatan ... 36
IV.2.1 Pengenalan Wajah dengan Teknik deskriptor SIFT ... 36
IV.2.2 Pengenalan Wajah dengan Teknik MLBP... 47
IV.3 Analisis Data ... 57
BAB V...59
KESIMPULAN DAN SARAN ...59
V.1 Kesimpulan ... 59
V.2 Saran ... 59
DAFTAR PUSTAKA ...60
LAMPIRAN A LIST PROGRAM PADA MATLAB ... A
LAMPIRAN B KUMPULAN CITRA... B
vi
Universitas Kristen Maranatha
DAFTAR GAMBAR
Gambar II.1 Blok Diagram Pengenalan Wajah secara Umum ... 8
Gambar II.2 Proses Filtering DOG ... 11
Gambar II.3 Proses Perbandingan Poin Sampel dengan Piksel Tetangga ... 11
Gambar II.4 Proses Deskriptor keypoint... 15
Gambar II.5 Cara kerja Local Binary Pattern (LBP) ... 16
Gambar II.6 Microfitur tekstur primitif ... 18
Gambar II.7 Circular piksel tetangga (8,1), (16,2), (8,2) ... 19
Gambar II.8 Letak Koordinat Interpolasi Bilinear ... 20
Gambar II.9 Tampilan ruang kerja MATLAB ... 23
Gambar III.1 Diagram Blok Pengenalan sketsa wajah secara umum... 26
Gambar III.2 Diagram Alir proses pelatihan SIFT ... 27
Gambar III.3 Diagram Alir proses pelatihan MLBP... 28
Gambar III.4 Diagram Alir SIFT Descriptor ... 30
Gambar III.5 Diagram Alir MLBP Descriptor... 31
Gambar III.6 Diagram Alir proses pengujian SIFT ... 33
Gambar III.7 Diagram Alir proses pengujian MLBP ... 34
Gambar IV.1 Hasil Simulasi Pengenalan Sketsa Wajah ... 35
vii
Universitas Kristen Maranatha DAFTAR TABEL
Tabel IV.1 Pengujian SIFT Tanpa Pembedaan Jenis Kelamin pada Citra Uji ... 37
Tabel IV.2 Pengujian SIFT dengan Citra Uji Berjenis Kelamin Wanita ... 42
Tabel IV.3 Pengujian SIFT dengan Citra Uji Berjenis Kelamin Pria ... 45
Tabel IV.4 Pengujian MLBP Tanpa Pembedaan Jenis Kelamin pada Citra Uji... 47
Tabel IV.5 Pengujian SIFT dengan Citra Uji bBrjenis Kelamin Wanita ... 53
Tabel IV.6 Pengujian SIFT dengan Citra Uji Berjenis Kelamin Pria ... 55
1
Universitas Kristen Maranatha
BAB I
PENDAHULUAN
I.1. Latar Belakang
Identitas atau jati diri merupakan suatu tanda atau ciri yang sudah dimiliki manusia sejak lahir. Identitas itu bersifat unik dan khas. Keunikannya itu dapat dilihat dan dikenali dari karakteristik fisik atau perilakunya. Maka, dengan mengenali setiap identitas yang dimilikinya, manusia dapat mengenal dirinya sendiri dan sesamanya dengan sangat baik. Oleh sebab itu, identitas selalu dipakai dalam aktifitas manusia
2
Universitas Kristen Maranatha Menurut Brendan F. Klare, Zhifeng Li, dan Anil K. Jain [1], sketsa wajah dibagi menjadi 2 tipe, yaitu viewed sketches dan forensic sketches.Viewed sketches merupakan sketsa yang digambar sambil melihat objek gambarnya. Sedangkan forensic sketches digambar dari keterangan verbal yang disampaikan oleh saksi mata mengenai deskripsi tersangka. Apabila dilihat dari ketepatan dan akurasi, forensic sketches tidak setepat viewed sketches. Keterbatasan saksi dalam mengingat penampilan dan ciri-ciri pelaku merupakan faktor yang mempengaruhi akurasi forensic sketches. Tetapi dalam dunia nyata, forensic sketches yang selalu diterapkan.
Menurut Xiaogang Wang dan Xiaoou Tang[6], terdapat 2 aspek perbedaan diantara sketsa dengan foto, yaitu tekstur dan bentuk. Dari segi tekstur, sketsa yang digambar menggunakan media pensil tentu memiliki tekstur yang berbeda dengan foto. Dari segi bentuk, penggambaran suatu bentuk komponen wajah pada sketsa, ukuran dan bentuknya dapat berbeda dengan ukuran yang sesungguhnya.
3
Universitas Kristen Maranatha
I.2. Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
1) Bagaimana merepresentasikan citra sketsa wajah dengan teknik SIFT dan MLBP ke dalam simulasi MATLAB untuk proses pengenalan dan pencocokan wajah ?
2) Bagaimana perbandingan hasil pengenalan atau pencocokan wajah dengan masukan berupa citra sketsa wajah untuk kedua teknik tersebut ?
I.3. Tujuan
1. Dapat merepresentasikan citra sketsa wajah dengan teknik SIFT dan MLBP, serta mensimulasikanya ke dalam perangkat lunak MATLAB 2. Membandingkan akurasi proses pengenalan dan pencocokan wajah
dengan citra masukan berupa sketsa wajah
I.4. Batasan Masalah
Dalam Tugas Akhir ini, terdapat batasan-batasan masalah yang dibahas sebagai berikut :
1. Citra uji dan training set diambil dari CUHK dataset 2. Input Sketsa wajah menggunakan tipe Viewed Sketch
3. Dalam proses pencocokan database, hanya digunakan foto atau sketsa yang memiliki pose wajah menghadap ke depan (frontal view), tingkat pencahayaan normal, dan tidak menggunakan aksesoris apapun.
4. Hanya terdapat satu wajah dalam citra sketsa wajah.
5. Pengenalan wajah ini dilakukan dalam simulasi dengan menggunakan MATLAB
4
Universitas Kristen Maranatha I.5. Sistematika Penulisan
Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut : Bab I. Pendahuluan
Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah, identifikasi masalah, tujuan, pembatasan masalah, dan sistematika penulisan dari Tugas Akhir ini.
Bab II. Landasan Teori
Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan digunakan untuk merancang simulasi perbandingan teknik Scale Invariant Feature Transform dan Multiscale Local Binary Pattern dengan citra masukan berupa citra sketsa wajah
Bab III. Perancangan Perangkat Lunak
Pada bab ini akan dibahas penjelasan tentang desain perancangan perangkat lunak untuk perbandingan teknik Scale Invariant Feature Transform dan Multiscale Local Binary Pattern dengan citra masukan berupa citra sketsa wajah
Bab IV. Simulasi dan Analisa Data
Bab ini berisi data pengamatan hasil pengujian program, perhitungan tingkat keberhasilan metoda yang digunakan dan analisis dari hasil data pengamatan
Bab V. Kesimpulan dan Saran
59
Universitas Kristen Maranatha
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
1. Simulasi untuk teknik SIFT Descriptor dan MLBP Descriptor sudah berhasil direalisasikan.
2. Hasil pengenalan dengan SIFT Descriptor lebih baik daripada MLBP Deskriptor. 3. Adanya kesalahan pengenalan dipengaruhi oleh perbedaan modality antara citra
wajah dan jenis kelamin.
V.2 Saran
1. Dengan memberi bobot yang berbeda untuk tiap patch akan lebih memperbaiki hasil pengenalan wajah.
60
Universitas Kristen Maranatha
DAFTAR PUSTAKA
[1] B. F. Klare, Z. Li dan A. K. Jain, “Matching Forensic Sketches to Mug Shot Photos,” IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 33, pp. 639-646, March 2011.
[2] S. Z. Li dan A. K.Jain, Handbook of Face Recognition, Springer, 2004.
[3] D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” Int’l J. Computer Vision, vol. 60, pp. 91-110, 2004.
[4] B. F. Klare dan A. K. Jain, “Sketch to Photo Matching: A Feature-based Approach,” Proc. SPIE Conf. Biometric Technology for Human Identification, 2010.
[5] T. Ojala, M. Pietikäinen dan T. Mäenpää, ““Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, pp. 971-987, July 2002.
[6] X. Wang dan X. Tang, “Face Photo-Sketch Synthesis and Recognition,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 31, pp. 1955-1967, November 2009.
61
Universitas Kristen Maranatha
[8] T. Ahonen, A. Hadid dan M. Pietikainen, “Face Recognition with Local Binary
Patterns,” Machine Vision Group, Infotech Oulu.
[9] M. H. Purnomo dan A. Muntasa, Konsep Pengolahan Citra Digital dan Ekstraksi Fitur, Graha Ilmu, 2010.
[10] R. Munir, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab.
[11] http:// mmlab.ie.cuhk.edu.hk/facesketch.html. CUHK Face Sketch Database
[12] http://www.codeforge.com/read/229104/README.txt__html
[13] http://dining-engineers.github.io/Multi-scale-Local-Binary-Pattern/