433
Perbaikan Metode Deteksi Mata Berdasarkan
Warnadengan Sistem Blok dan Aplikasinya Untuk
PengenalanState Mata
I Gede Aris Gunadi
Jurusan Pendidikan Fisika, Universitas Pendidikan Ganesha, Singaraja1*
Abstrak
Penelitian ini bertujuan mengembangkan perbaikan metode deteksi mata dan
pengenalan state mata. Pada penelitian sebelumnya deteksi mata banyak dilakukan
dengan menggunakan pendekatan warna. Metode ini memiliki kelemahan dengan kemunculan noise yang berupa RoI (Region of Interest) bukan mata dalam jumlah yang lebih dominan dari RoI mata. Hal ini akan menyulitkan deteksi titik mata.
Berdasarkan mata yang terdeteksi, selanjutnya akan dikenali beberapa state mata
yang dikaitkan dengan AU's (Action Unit) wajah, Au's 1 untuk mata pandangan
normal,AU's6 untuk pandangan menyipit, Au's 5 mata mendelik, dan Au's 41 mata tertutup.
Metode yang digunakan untuk deteksi mata merupakan pengembangkan metode
peta mata(eye map) yang telah ada sebelumnya, dengan menambah sistem blok
untuk pencarian kandidat mata. Sistem blok ini bertujuan mereduksi pengaruh noise
yang ada, sehingga deteksi posisi titik mata akan lebih akurat. Sedangkan untuk
pengenalan state mata dengan menggunakan fitur bentuk geometri,yaitu nilai
elongasi. Hasil penelitian untuk deteksi mata, akurasi untuk peta mata tanpa sistem blok sebesar 7.69%, sedangkan peta mata dengan sistem blok memiliki akurasi sebesar 78.4%, untuk pengenalan state mata akurasinya sebesar 73.25 %.
Kata kunci:Deteksi mata, Eye map, pengenalan pola, state mata.
Abstract
This research aims to develop improvement methods of detection of the eye and the recognition of the eyes state. In the many previous studies of eye detection is done by using the color approach. This method has the disadvantage of the occurrence of noise in the form of ROI (Region of Interest) instead of the eye in an amount that is more dominant than the eyes RoI. This will complicate for the detection of the eye point. Based on the detected eye, then the eye will be recognized in some state associated with the AU's (Action Unit) face, Au's 1 for normal eye sight, AU's6 to view narrowed, Au's 5 eyes bulging, and Au's 41 for eyes closed.
The method is used for the detection of the eye is a eye map, which has been there before. On this method is developed by adding the block system for searching the eyes candidates.The block system aims to reduce the influence of noise there, so that detection of the position of the eye point will be more accurate.As for recognition the eye state by using the feature geometry, which is the value of elongation. Results of research for the eye detection, this shows the accuracy of the system to map the eye without block is 7.69%, while the map of the eye with the block system has an accuracy of 78.4%, for the eye state recognition accuracy of 73.25%.
Key words : Eyes Detection, Eye Map, Pattern Recognition, Eye State
1. Pendahuluan
Penelitian tentang deteksi mata telah banyak dilakukan, mengingat mata secara psikologi merupakan sumber informasi yang penting (Allan &
Barbara, 2004). Secara psikologi dengan
mengamati perubahan state mata, maka dapat
ditentukan kondisi emosi yang terjadi pada diri seseorang (Mann, Vrij, & Bull, 2002). Salah satu
434
contoh informasi yang berdasarkan pada mata,
misalnya dalam teknik komunikasi, dengan
mengindentifikasi senyuman. Seorang pengamat dapat membedakan senyum sesungguhnya dengan
senyum sosial atau senyum palsu (fake smile),
dengan melihat perubahan pada state mata subjek
yang diamati (Boulogne, 1990).
Deteksi mata, pada penelitian sebelumnya
dilakukan dengan beberapa pendekatan,
diantaranya dilakukan berdasarkan, template
matching seperti yang dilakukan oleh (Wang &
Yang, 2006), (Rurainsky & Eisert, 2003).
pendekatan lainnya adalah berdasarkan fitur harr
cascade, sebenarnya metode ini hampir sama
dengan template matching, harus dilakukan proses
scan dan pencocokan fitur harr pada seluruh citra,
dengan ukuran window tertentu untuk mendeteksi
mata, beberapa penelitian yang menggunakan metode ini adalah, (Khan et al, 2013), (Hendrotriatmoko et al, 2014). Pendekatan lain yang sangat umum untuk deteksi mata, adalah berdasarkan warna, seperti yang dilakukan oleh (Hsu et al, 2002), (Oravec et al,2008),(Adipranata et al, 2009). Pada sebuah publikasi penelitian oleh, (Bhatt & Shah, 2011), mengungkap berbagai kelebihan dan kekurang tehnik ekstraksi fitur wajah, dan berpendapat bahwa tehnik ekstraksi fitur wajah berdasarkan warna merupakan pendekatan yang paling efektif.
Bekaitan dengan deteksi mata berdasarkan warna, telah dikembangkan metode yang sangat populer yang disebut dengan peta mata (eye map) oleh (Hsu et al., 2002), dinyatakan bahwa mata memiliki warna cromatis blue (Cb) yang tinggi dan
cromatis red (Cr) yang rendah. Berdasarkan penelitian pendahuluan yang dilakukan untuk
deteksi mata dengan peta mata (eye map) memiliki
kelemahan, berupa munculnya noise yang berupa
RoI (Region of Interest) bukan mata. Keberadaan RoI bukan mata yang menyertai RoI mata, akan
menyulitkan menentukan titik mata yang
sesungguhnya.
Berdasarkan hal tersebut pada penelitian ini dikembangkan, sebuah perbaikan metode ekstraksi fitur mata dengan mengabungkan pendekatan warna dan sistem blok. Selanjutnya berdasarkan titik mata tersebut akan dilakukan crooping area mata, dan dikenali state mata tersebut.
2. Metodelogi Penelitian
Metode penelitian yang dilakukan pada penelitian ini, secara garis besar dilakukan dalam dua tahapan. Tahap pertama adalah deteksi mata dengan peta mata berbasis blok, tahapan ini menghasilkan titik koordinat mata. Tahap kedua adalah tahap pengenalan state mata. State mata
yang dimaksud adalah beberapa kondisi
pandangan mata, diantarnya pandangan normal berkaitan dengan Au's 1(Action unit) wajah ,Au's 6 berkaitan dengan mata menyipit, Au's 5 berkaitan dengan mata mendelik, dan Au's 41 berkaitan
dengan mata tertutup. Pengenalan state mata
tersebut didasarkan pada nilai fitur elongation, yang merupakan perbandingan tinggi terhadap lebar RoI mata. Gambar 1 menunjukan metode yang digunakan pada penelitian ini.
Image Wajah
Deteksi Mata dengan Peta Mata
Deteksi Mata dengan Sistem Blok
Image Kadidat titik Mata
Titik Koordinat Mata
Crooping Area Mata
Segmentasi RoI mata Elongation Mata State Mata Data Training Nilai Elongation Untuk Setiap State Mata
Gambar 1. Metedologi Penelitian
3. Deteksi Mata Berdasarkan Warna dan Sistem Blok
Berdasarkan observasi karakteristik warna mata dalam ruang warna YCbCr yang dilakukan oleh Hsu dan Rein (Hsu, Rein et al., 2002), yang menyatakan mata memiliki karakter cromatis Cb tinggi dan Cr rendah. Sedangkan untuk komponen warna
luminace rendah, hal ini menunjukan warna yang gelap pada bagian iris. Selanjutnya Hsu dan Rein, memberikan formula peta mata yang dinyatakan dalam persamaan 1,2, dan 3.
(1)
(2)
(3)
Pada persamaan 2, persamaan peta mata
luminance f(x,y) merupakan sebuah fungsi
hemmisperical atau setengah bola, pada penelitian ini digunakan fungsi hemmisperical dengan radius 3. Peta mata untuk deteksi mata adalah perkalian
antara peta mata cromatis dan luminance,
dinyatakan pada persamaan (3). Penggunaan peta
mata ini sangat rentan terhadap pengaruh pencahayaan, dan menimbulkan noise berupa RoI (Region of Interest), seperti yang diilustrasikan pada Gambar 2.
Gambar 2. Noise Pada Proses Deteksi Mata
Pada Gambar 2, ditunjukan hasil penerapan peta mata berdasarkan persamaan 3, bahwa disamping terdeteksi RoI yang merupakan titik mata, juga
disertai dengan noise yang berupa RoI bukan mata
dan jumlahnya lebih dominan dari RoI mata. Hal ini akan menyebabkan kesulitan untuk menentukan posisi titik mata yang sesungguhnya. Berdasarkan hal tersebut maka dikembangkan sebuah sistem blok, untuk melokalisir pencarian titik mata. Berdasarkan posisi geometri diketahui posisi mata berada pada mata bagian atas wajah. Pada
penelitian ini setelah didapatkan image, hasil
435
image tersebut diambil sebuah blok untuk
pencarian titik mata. Sebuah image dengan ukuran
mxn, m barisdan n kolom, maka ukuran blok tersebut adalah, untuk barisnya diambil dari 0.25 m sampai 0.5 m, sedangkan untuk kolom diambil dari 0.2 n sampai 0.8 n. Gambar 3 dan 4 menunjukan algoritma dan ilustrasi ekstraksi mata dengan sistem blok.
Algoritma Blok Peta Mata 1.Mulai
2.Panggil citra hasil segmentasi Wajah (Iw) 3.Konversi Iw ke ruang warna YCbCr 4.Hitung Peta Mata
a. Peta_Mata_C = (Cb^2+ Cr^2+ Cb/Cr) )/3 b. Peta_Mata_L = (Y + f(x,y) ) /(Y x f(x,y)) c. Peta_Mata = Peta_Mata_C x Peta_Mata_L 5. [m n] = Size(Peta_Mata)
Imata = zeros(m,n) 6. Blok mata
a. Titikacuan = ( 0.1n,0.25m)
b. lebarBlok (Wb) = 0.8 n , tinggiBlok (Hb) = 0.4 m d. BlokMata= Crooping( I, [Titikacuan, Wb,Hb])
e. Pilih 2 RoI terbesar pada BlokMata, RoI_mata1 & RoI_mata2 7. Penentuan Titik Pusat Mata
a. TP_RoI_mata1(x1,y1) = Centroid (RoI_mata1) b. TP_RoI_mata2(x2,y2) = Centroid (RoI_mata2)
c. if x1 < x2 return ROI_mata1=mata kiri & RoI_mata2 = mata kanan else return ROI_mata1=mata kanan & RoI_mata2 = mata kiri 8. Normalisasi Koordinat
a. Norm_TP_RoI_mata1 (x1n,y1n) =TP_RoI_mata1(x1 + 0.1n , y1+0.25m)
b. Norm_TP_RoI_mata1 (x2n,y2n) =TP_RoI_mata1(x2 + 0.1n , y2+0.25m)
9. Perkiraan titik mata
a. Imata(x,y) = 1, untuk (x,y) = (x1n,y1n) atau (x,y) = (x2n,y2n) b. Peta_Mata_Blok = Imata
10. Selesai
Gambar 3. Algoritma Peta Mata dengan Sistem Blok
Hasil Peta Mata
n
m
Penentuan Koordinat mata dan penyesuaian koordinat
Koordinat Mata Kanan dan Kiri P1(X1,Y1) , P2(X2,Y2)
Size (m,n)
Matrik Mata = Zeros (m,n)
Matrik Mata(X1,Y1) = 1 Matrik Mata (X2,Y2) = 1
Dilatasi Absis Blok Mata :
0.25 m – 0.625 m
Gambar 4. Konstruksi Proses Peta Mata dengan Sistem Blok
4.Segmentasi RoI Mata
RoI (Region of Interest) yang dimaksudkan adalah,
area yang berkaitan dengan bola mata. Bola mata terdiri atas bagian putih yang disebut sclera dan bagian hitam, yang terdiri atas iris dan pupil. Struktur mata dinyatakan pada Gambar 5.
Gambar 5. Struktur Mata
Dari ilustrasi pada Gambar 5, diketahui bahwa bagian bola mata adalah suatu area non kulit yang dikelilingi oleh area kulit. Berdasarkan hal tersebut untuk mensegmentasi RoI mata tersebut dapat dilakukan berdasarkan warna kulit sekitar bola mata. Kulit wajah dapat disegmentasi dengan
menggunakan batasan thresholding pada ruang
warna YCbCr. RoI mata adalah negasi dari warna
kulit sekitar bola mata, dengan demikian
segmentasi RoI bola mata dapat ditentukan dengan persamaan 4,5,dan 6.
(4)
(5)
(6)
Gambar 6 menunjukan hasil segmentasi RoI mata dengan menegasikan warna kulit sekitar mata.
a b
Gambar 6. Segmentasi RoI Mata dengan Negasi Kulit 5. Penentuan Nilai Elongasi Mata
Setelah RoI mata dapat disegmentasi langkah selanjutnya adalah menghitung fitur geometri
bentuk, berupa nilai elongation. Elongation
merupakan nilai perbandingan antara tinggi dengan lebar dari RoI mata. Ilustrasi tentang elongation RoI mata ditunjukan pada Gambar 7, dan penghitungannya ditentukan dengan persamaan 7.
Gambar 7. Elongation Mata
(7)
6. Pengenalan State Mata
Pengenalan state mata dilakukan, terlebih dahulu membentuk data training. Data training yang dimaksudkan adalah data statistik yang berisi nilai rata rata elongation berserta deviasi standar pada masing masing state mata. Pertama diambil
sampel image mata, sebanyak 20 sampel untuk
setiap state mata yang mewakili state untuk Au's1 (pandangan normal), Au's4 (pandangan mendelik), Au's5 (pandangan menyipit emosi stress), Au's6 (pandangan menyipit emosi bahagia), dan Au's41 (pandangan mata tertutup).
Dari pengukuran rata rata sampel image
tersebut didapatkan data sebagai berikut seperti yang dinyatakan pada Tabel 1.
436
Tabel 1. State Mata dan Nilai ElongasiState Mata Ilustrasi Nilai Elongasi
Au'6 (Pandangan Menyipit) 0.349 ± 0.113 Au's1 (Pandangan Normal ) 0.5164 ± 0.074 Au's 5 (Pandangan mendelik) 0.7908 ± 0.23 Au's 41 (Pandangan tertutup ) 0.2629 ± 0.024
Berdasarkan data pada Tabel 1 tersebut, dilakukan
pengujian klasifikasi state mata. Setelah
segmentasi RoI mata dilakukan dan didapatkan nilai elogation. Klasifikasi state mata dilakukan berdasarkan nilai probabilitasnya, yang dihitung dengan pendekatan probabilitas dengan distribusi normal, dinyatakan pada persamaan 7.
√ (7) f(x), merupakan probabilitas untuk masing state, dan adalah nilai rata rata dan deviasi standar
masing masing state mata.
6. Hasil dan Analisa
Berdasarkan hasil pengujian yang dilakukan dilakukan, pertama adalah membandingkan hasil deteksi mata antara peta mata tanpa sistem blok dengan peta mata sistem blok. Hasil pengujian ditunjukan pada Tabel 2
Tabel 2. Perbandingan Peta Mata Tanpa Blok dengan Peta Mata Blok
Metode TPR (%) FPR (%) Akurasi (%) Laju Error (%) Peta Mata tanpa blok 20 93.6 7.69 9.21 Peta Mata Dengan Blok 16.66 13.04 78.84 21.16
Penggunaan sistem blok untuk perbaikan peta
mata, memberikan pengaruh yang sangat
signifikan. Akurasi meningkat dari 7.69 % menjadi 78.84 %, titik mata dapat terdeteksi jauh lebih akurat dengan menggunakan blok. Pada penelitian yang dilakukan oleh Hsu dan Rein [8], akurasi peta mata tanpa blok, menunjukan hasil 84.9%, hal ini kemungkinan besar disebabkan data uji yang digunakan berbeda. Gambar 8 menunjukan perbandingan hasil deteksi peta mata tanpa blok dengan peta mata blok.
(a) (b) (c)
Gambar 8. Perbandingan Peta mata Tanpa Blok dengan Peta Mata Blok, (a) Image Uji,(b) Hasil Peta Mata Tanpa Blok,(c) Peta Mata Blok
Dengan menggunakan sistem blok, pengaruh noise
yang umumnya diakibatkan masalah pencahayaan dapat direduksi, dan posisi titik mata dapat ditentukan secara tepat.
Untuk pengenalan state mata berdasarkan
pendekatan nilai probabilitas untuk setiap state
mata, didapatkan hasil sebagai berikut, pada Tabel 3.
Tabel 3. Hasil Pegujian State Mata
State Mata Akurasi(%) Laju Error(%)
Au's 1 (Pandanga Normal) 81 19 Au's 6 (Pandangan menyipit) 75 25 Au's 5 (Pandangan Mendelik) 67 33 Au's41 (Pandangan Tertutup) 70 30
Permasalahan pada pengenalan state mata
disebabkan oleh beberapa faktor, pertama
disebabkan oleh masalah pecahayaan. Refleksi cahaya pada kulit menyebabkan kulit berada diluar batasan nilai thresholding. Dengan demikian area kulit yang merefleksikan cahaya, dianggap sebagai area bukan kulit. Gambar 9 mengilustrasikan kejadian tersebut.
Gambar 9. Noise Akibat Refleksi Cahaya pada Kulit
Permasalahan lainnya adalah adalah pada saat mendeteksi mata tertutup, area mata akan ditutupi
oleh bulu mata. Permasalahannya untuk
mendeteksi area mata dengan menggunakan negasi kulit, maka area bulu mata akan dianggap sebagai area bukan kulit, seolah olah mata terbuka biasa, pengukuran elongation >= 0.26. Dalam kondisi sebenarnya mata dalam kondisi tertutup. Gambar 10 menjelaskan tentang hal tersebut.
(a) (b) (c)
Gambar 10. Kesalahan Deteksi RoI Mata Tertutup, (a) Image Uji , (b) Crooping Mata,(c) RoI Mata Terdeteksi .
5. Kesimpulan
Dari penelitian yang telah dilakukan dapat ditarik beberapa kesimpulan, pertama perbaikan deteksi
437
memberikan hasil dengan akurasi yang jauh lebih
baik. Dengan metode ini pengaruh noise akibat
pencahayaan dapat dikurangi dan posisi titik mata dapat ditentukan secara tepat. Kedua segmentasi RoI mata dengan menggunakan pendekatan negasi warna kulit memberikan hasil yang sangat baik, kelemahannya metode ini adalah apabila intensitas pencahayaan pada wajah tinggi. Hal ini menyebabkan kulit sekitar mata akan merefleksikan cahaya, sehingga area tersebut berada diluar batasan warna kulit. Kelemahan lainnya adalah pada saat segmentasi mata tertutup, area bulu mata akan dominan menutupi mata, akan terdeteksi sebagai area bukan bulit. Hal ini akan menyebabkan kesalahan dalam menentukan nilai elongation.
Berdasarkan hal tersebut kedepan untuk
penyempurnaan deteksi mata dan pengenalan state
mata perlu dipikirkan mengatasi masalah
pencahayaan pada wajah. Hal lainnya yang dapat dikembangkan secara khusus adalah analisa mata
untuk state tertutup, dengan memikirkan pengaruh
rambut atau bulu mata terhadap karakter warna
luminance mata.
6. Daftar Pustaka
Adipranata, R., Ballangan, C. G., & Ongkodjojo, R. P. (2009). Fast Method for Multiple Human Face Segmentation in Color Image.
International Journal of Advanced Science and Technology, 3.
Allan, P., & Barbara, P. (2004). Body Language- How to Read Others‘ Thoughts by Their Gestures. Buderim,Australia: Pease International.
Bhatt, B. G., & Shah, Z. H. (2011). Face Feature
Extraction Techniques : A Survey. National
Conference on Recent Trends in Engineering & Technology, (May).
Boulogne, D. De. (1990). The Mechanism of Human
Facial Expression. (R. Cuthbertson,
Andrew, Ed.)American Psychologist
(Editions d, Vol. 48). Cambridge University Press.
Hendrotriatmoko, A., Hadi, S., & Dachlan, H. S. (2014). Penggunaan Metode Viola-Jones dan Algoritma Eigen Eyes dalam Sistem
Kehadiran Pegawai, 8(1), 41–46.
Hsu, Rein, L., Mottaleb, Mohamed, A., & Jain, Anil, K. (2002). Face Detection in Color Images.
IEEE Transactions on Pattern Analysis and Machine Intelligence.
Khan, I., Abdullah, H., Shamian, M., & Zainal, B. (2013). Efficient Eyes And Mouth Dtection Algorithm Using Combination Of Viola Jones And Skin Color Pixel Dtection.
International Journal of Engineering and Applied Sciences, 3(4), 51–60.
Mann, S., Vrij, A., & Bull, R. (2002). Suspects, lies, and videotape: An analysis of authentic
high-stake liars. Law and Human Behavior,
26(3), 365–376.
Oravec, M., Kristof, B., Kolarik, M., & Pavlovicova, J. (2008). Extraction of Facial Features
from Color Images. Journal
RadioEngineering, 17(3), 115–120.
Rurainsky, J., & Eisert, P. (2003). Template-based Eye and Mouth Detection for 3D Video
Conferencing. Proceedings of the
International Workshop on Very Low Bitrate Video, 23 – 31.
Wang, Q., & Yang, J. (2006). Eye Location and Eye State Detection in Facial Images with.
Journal of Information and Computing Science, 1(5), 284–289.
