Pengenalan Wajah Menggunakan Metode Regresi Linier.

(1)

i Universitas Kristen Maranatha

PENGENALAN WAJAH MENGGUNAKAN METODE

REGRESI LINIER

ABSTRAK

Ryan Dharmawan Susanto (0722005)

Jurusan Teknik Elektro Universitas Kristen Maranatha

email : ryan_sesss@yahoo.com

Salah satu masalah yang mengganggu dalam pengenalan wajah adalah

masalah ekspresi wajah. Ekspresi wajah yang berbeda antara citra latih dan citra

yang diujikan dapat menyebabkan kesalahan pengenalan dari suatu sistem

pengenalan wajah. Selain itu, biasanya sistem pengenalan wajah yang digunakan

membutuhkan citra wajah yang berdimensi besar untuk citra latih maupun citra

uji. Hal ini menyebabkan dibutuhkannya memori yang cukup besar untuk

menyimpan citra-citra tersebut. Suatu sistem pengenalan wajah diharapkan

mampu mengatasi kedua hal tersebut.

Dalam Tugas Akhir ini, dipaparkan suatu pengenalan wajah dengan

memformulakan masalah pengenalan pola dengan cara regresi linier. Dengan

konsep dasar bahwa pola-pola kelas dari suatu set citra wajah berada pada

subruang linear, kemudian dikembangkan model linear dari citra uji yang ingin

dikenali sebagai kombinasi linier dari citra-citra latih. Citra latih dan citra uji yang

digunakan merupakan citra yang berdimensi reatif kecil. Permasalahannya

diselesaikan dengan menggunakan Metoda Least Square dan penentuan kelasnya

diatur berdasarkan rekonstruksi error minimum. Pendekatan dengan menggunakan algoritma LRC (Linear Regression Classification) berada pada

kategori dari klasifikasi subruang terdekat.

Dari tugas akhir ini diketahui bahwa, sistem pengenalan wajah

menggunakan metoda regresi linier mampu mengatasi masalah ekspresi wajah

dengan persentase kesuksesan pengenalan 100% untuk citra uji yang sama persis

dengan citra latih dan 95% untuk citra uji yang berbeda dengan citra latih, namun

masih memiliki identitas kepemilikan yang sama dengan citra latih.

(2)

ii Universitas Kristen Maranatha

FACE RECOGNITION USING LINEAR REGRESSION

METHOD

ABSTRACT

Ryan Dharmawan Susanto (0722005)

Jurusan Teknik Elektro Universitas Kristen Maranatha

email : ryan_sesss@yahoo.com

One problem that interfere in face recognition is a matter of facial

expression. Different facial expressions between the training image and the test

image can lead to an errors recognition of face recognition system. In addition,

most face recognition systems requires high dimension of the face images for the

training images and the test images. This cause the need for a large enough

memory to store these images. A face recognition system should be able to cope

with both.

In this final project, presented a face recognition by formulating the

pattern recognition problem in terms of linear regression. Using a fundamental

concept that patterns from a set of face images class lie on a linear subspace, then

develop a linear model representing a probe image which want to identified as a

linear combination of the training images. The problem is solved using the

least-squares method and the decision is ruled in favor of the class with the minimum

reconstruction error. The proposed Linear Regression Classification (LRC)

algorithm falls in the category of nearest subspace classification.

From this final project is known that, a face recognition system using a

linear regression method can overcome the problem of facial expression with the

percentage of success recognition 100% for the test image which is same with a

training image and 95% for the test images which is different with the training

image, but still have same ownership of identity with the training image.

(3)

v Universitas Kristen Maranatha

DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... vii

DAFTAR TABEL ... viii

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Identifikasi Masalah ... 2

1.3 Tujuan ... 2

1.4 Pembatasan Masalah ... 2

1.5 Sistematika Penulisan ... 2

BAB II LANDASAN TEORI 2.1 Pengenalan Wajah ... 4

2.1.1 Pengelompokan Sistem Pengenalan Wajah ... 4

2.1.2 Alur Proses ... 7

2.2 Regresi Linier ... 8

2.2.1 Model Regresi Linier Sederhana ... 10

2.2.2 Model Regresi Linier Ganda ... 11

2.2.3 Least Square Estimation ... 12

2.3 Regresi Linier untuk Pengenalan Wajah ... 14

2.3.1 Algoritma Klasifikasi Regresi Linier ... 15

BAB III PROSES PERANCANGAN SISTEM PENGENALAN WAJAH MENGGUNAKAN METODA REGRESI LINIER 3.1 Database Wajah ... 17

(4)

vi Universitas Kristen Maranatha

3.2.1 Deteksi Wajah ... 20

3.2.2 Proses Lanjut terhadap Gambar Wajah ... 21

3.3 Proses Pengujian ... 22

BAB IV DATA PENGAMATAN DAN ANALISA 4.1 Proses Pelatihan Data ... 24

4.2 Proses Pengujian Data ... 26

4.2.1 Percobaan 1 ... 26

4.2.1.1 Data Pengamatan Percobaan 1 ... 26

4.2.1.2 Analisa Data Percobaan 1 ... 29

4.2.2 Percobaan 2 ... 31

4.2.2.2 Analisa Data Percobaan 2 ... 37

4.2.3 Percobaan 3 ... 38

4.2.3.2 Analisa Data Percobaaan 3 ... 41

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 42

5.2 Saran ... 42

DAFTAR PUSTAKA ... 43

(5)

vii Universitas Kristen Maranatha

DAFTAR GAMBAR

Gambar 2.1 Proses pengenalan wajah ... 7

Gambar 2.2 Garis regresi dalam sebuah grafik. ... 10

Gambar 2.3 Garis regresi antara dua variabel bebas._{... 12}

Gambar 2.4 Metoda least square untuk menemukan A ketika AB minimum... 13

Gambar 2.5 Penjelasan mengenai downsampel, vektor citra, dan normalisasi. ... 15

Gambar 2.6 Jarak antara vektor respon terprediksi dan vektor respon asli. .. 16

Gambar 3.1 Sampel database wajah yang digunakan. ... 17

Gambar 3.2 Contoh citra yang digunakan dan hasil deteksinya._{... 18}

Gambar 3.3 Diagram alir proses pelatihan. ... 19

Gambar 3.4 Diagram alir deteksi wajah. ... 20

Gambar 3.5 Diagram alir proses lanjut terhadap gambar wajah. ... 21

Gambar 3.6 Diagram alir proses pengujian ... 23

(6)

viii Universitas Kristen Maranatha

DAFTAR TABEL

Tabel 4.1 Data hasil percobaan 1. ... 26

Tabel 4.2 Data hasil percobaan 2. ... 32

Tabel 4.3 Pengujian ulang citra uji ke-11 dan ke-39 ... 38

(7)

LAMPIRAN A

(8)

A-1 Program Utama Pelatihan Citra

% Program Pelatihan Citra clear;

indeks_gbr=jum_gbr*(indeks_orang-1)+1:jum_gbr*indeks_orang; bantu=1;simpan=[];

% Proses baca gambar per orang

for m=indeks_gbr(1):indeks_gbr(jum_gbr) indeks=num2str(m);

gbr_vec=reshape(gbr_down,size(gbr_down,1)... *size(gbr_down,2),1);

(9)

A-2 clear simpan;

end;

% Menyesuaikan dengan nama variabel pada paper

for indeks_orang=1:jum_orang

temp_gbr=gbr_orang{indeks_orang}; simp=[];

for pp=1:jum_gbr

temp_simp=temp_gbr{pp}; [simp]=[simp temp_simp]; end;

X{indeks_orang}=simp; clear simp;

end;

% Menyimpan Nilai Xi

(10)

A-3 Program Utama Pengujian Citra

close all;

% Proses Baca Gambar Uji

gbr_uji = imread(masuk);

figure;imshow(gbr_uji);title('Gambar yang diuji (RGB)');

% Proses Deteksi Wajah Gambar Uji

[gbr_uji_det]= deteksi_face(gbr_uji);

% Proses menyamakan ukuran gambar wajah uji

[gbr_uji_det]=samakan_ukuran(gbr_uji_det);

figure;imshow(gbr_uji_det);title('Gambar yang diuji hasil deteksi wajah');

% Proses downsample gambar uji

[gbr_uji_down]=desimasi(gbr_uji_det);

% Proses ubah ke vektor gambar uji

gbr_uji_vec=reshape(gbr_uji_down,size(gbr_uji_down,1)... *size(gbr_uji_down,2),1);

% Proses normalisasi vektor gambar uji (nilai maks = 1)

x_uji1=double(gbr_uji_vec);

% Menyamakan nama variabel sesuai paper

(11)

A-4

% Proses mencari beta estimasi untuk tiap orang (kelas) % Khusus orang / kelas pertama

X_temp=X{1};

beta_estimasi(:,1)=inv(X_temp'*X_temp)*X_temp'*y;

% Proses mencari y estimasi untuk tiap orang (kelas) % Khusus orang / kelas pertama

y_estimasi(:,1)=X_temp*beta_estimasi(:,1);

% Proses mencari jarak untuk tiap orang (kelas) dengan y estimasi % Khusus orang / kelas pertama

jarak(1)=sqrt(sum((y-y_estimasi(:,1)).^2));

% Proses mencari beta estimasi untuk tiap orang (kelas)

% Selain orang / kelas pertama

X_temp=X{indeks_orang};

beta_estimasi(:,indeks_orang)=inv(X_temp'*X_temp)*X_temp'*y;

% Proses mencari y estimasi untuk tiap orang (kelas)

y_estimasi(:,indeks_orang)=X_temp*beta_estimasi(:,indeks_orang);

% Proses mencari jarak untuk tiap orang (kelas) dengan y estimasi

jarak(indeks_orang)=sqrt(sum((y-y_estimasi(:,indeks_orang)).^2));

if jarak(indeks_orang)<min_jarak min_jarak=jarak(indeks_orang);

mmm=num2str(indeks_tampil(mm)); mm_ind=[mmm,'.jpg'];

xm=imread(mm_ind);

% figure;imshow(xm);

(12)

A-5 end;

cek_satu=X{min_indeks};

jarak_satu(1)=sqrt(sum((y-cek_satu(:,1)).^2));

% Nilai terdekat sementara

min_jarak_satu=jarak_satu(1); indeks_min_satu=1;

for m_satu=2:jum_gbr

jarak_satu(m_satu)=sqrt(sum((y-cek_satu(:,m_satu)).^2)); if jarak_satu(m_satu) < min_jarak_satu

min_jarak_satu=jarak_satu(m_satu); indeks_min_satu=m_satu;

end; end;

% mmm_satu=num2str((min_indeks-1)*5+m_satu);

mmm_satu=num2str((min_indeks-1)*jum_gbr+indeks_min_satu); mm_ind_satu=[mmm_satu,'.jpg'];

xm_satu=imread(mm_ind_satu);

% Untuk percobaan 3 (nilai treshold)

if min_jarak_satu > 4.061

dk= imread('Tidak dikenali.png'); figure;imshow(dk);

else

figure;imshow(xm_satu);

(13)

A-6 function menyamakan ukuran gambar wajah

function[keluar]=samakan_ukuran(masuk)

% Function ini untuk menyamakan ukuran gambar wajah % Variabel masukan : masuk = gambar wajah yang mau

% disamakan ukurannya (grayscale)

% Variabel keluaran : keluar = gambar wajah yang sudah disamakan ukurannya (grayscale) ke 40 x 40

m=40; n=40;

(14)

A-7 function deteksi face (butuh file “ facefind.dll ”)

function [keluar]= deteksi_face(masuk)

% Function ini untuk melakukan proses deteksi wajah % Variabel masukan : masuk = wajah yang mau dideteksi % Variabel keluaran : keluar = cell yang isinya gambar wajah % yang sudah dideteksi

% (grayscale)

x=masuk;

if (size(x,3)>1)%if RGB image make gray scale

try

x=double(x);%make sure the input is double format

[output,count,m,svec]=facefind(x);%full scan

% figure;imshow(z1);title('Gambar wajah saja (grayscale)');

(15)

A-8 function downsampel citra

function[keluar]=desimasi(masuk)

% function ini melakukan proses downsampel

% variabel masukan : masuk = gambar yg mau didownsampel (grayscale) % variabel keluaran : keluar = gambar yg suda didownsampel (grayscale)

x1 = masuk;

for m=1:size(x1,2)

if (1+(m-1)*2)<size(x1,2) x11(:,m)=x1(:,1+(m-1)*2); else

break; end; end;

for m=1:size(x11,1)

if (1+(m-1)*2)<size(x11,1) x22(m,:)=x11(1+(m-1)*2,:); else

break; end; end;

(16)

A-9 function normalisasi vektor

function [keluar indeks maks] = ubah_satu(masuk)

% Function ini untuk mengubah nilai max masukan menjadi % satu dan menemukan indeksnya

% Variabel masukan : masuk = vektor % Variabel keluaran : keluar = vektor

% indeks = indeksnya

keluar=masuk; maks=masuk(1); indeks=1;

for k=2:length(masuk) if masuk(k)>maks maks=masuk(k); indeks=k; end;

end;

(17)

BAB I Pendahuluan

1 Universitas Kristen Maranatha

BAB I

PENDAHULUAN

1.1 Latar Belakang.

Aplikasi pengenalan wajah sudah banyak dikembangkan akhir-akhir ini

khususnya dalam bidang keamanan. Sistem pengenalan wajah ini lebih banyak

dipilih karena keunggulannya dibandingkan dengan biometrik-biometrik lainnya

(mata, sidik jari, suara, dan lain-lain). Beberapa keunggulan biometrik wajah

dibandingkan dengan biometrik lainnya, yaitu :

1. Biometrik wajah lebih natural dan tidak mudah terganggu (nonintrusive).

2. Biometrik wajah dapat diambil dengan suatu jarak yang relatif lebih jauh

dibandingkan dengan biometrik yang lain.

Namun demikian, keakuratan aplikasi pengenalan wajah tersebut sering

kali menjadi masalah untuk mengenali wajah seseorang meskipun wajah orang

tersebut terdapat dalam database wajah yang telah dibentuk. Hal ini disebabkan

oleh perbedaan citra yang terdapat dalam database dengan citra wajah yang akan

dikenali walaupun identitas wajah yang bersangkutan sama. Perbedaan ini

biasanya disebabkan oleh adanya pose, pencahayaan (illumination), ekspresi serta

oklusi pada citra wajah (contoh masalah oklusi : penggunaan kacamata hitam,

syal, dan aksesoris lainnya yang mengganggu penampilan citra wajah). Hal-hal ini

sangat berpengaruh dalam suatu sistem pengenalan wajah.

Selain itu, biasanya sistem pengenalan wajah yang digunakan

membutuhkan citra wajah yang berdimensi besar, baik untuk citra pada database

maupun citra uji. Tujuannya adalah agar karakteristik citra wajah yang akan

dibandingkan masih sama dengan citra aslinya. Hal ini menyebabkan

dibutuhkannya memori yang cukup besar untuk menyimpan citra-citra tersebut,

proses pengenalannya pun membutuhkan waktu yang relatif lebih besar.

Oleh karena itu dalam tugas akhir ini ditunjukkan suatu metoda klasifikasi

regresi linier (Linear Regression Classification) dalam aplikasinya untuk

pengenalan wajah. Metoda ini diharapkan memiliki keakurasian yang cukup baik

(18)

BAB I Pendahuluan

2 Universitas Kristen Maranatha menggunakan citra wajah yang relatif berdimensi lebih kecil (downsampled

images).

1.2 Identifikasi Masalah.

1. Bagaimana penerapan algoritma regresi linier untuk pengenalan wajah?

2. Bagaimana hasil dari penggunaan metoda Regresi Linier pada pengenalan

wajah?

1.3 Tujuan.

1. Merealisasikan penggunaan metoda regresi linier untuk penentuan kelas

pada pengenalan wajah.

2. Mengevaluasi hasil pengenalan wajah dengan menggunakan metoda

regresi linier.

1.4 Pembatasan Masalah.

1. Gambar uji & database berekstensi data JPEG.

2. Gambar input berdimensi 133 x 78 piksel.

3. Database wajah menggunakan database wajah buatan sendiri.

4. Citra wajah dalam database terdapat wajah pria dan wanita.

5. Dalam 1 citra hanya terdapat 1 citra wajah saja.

6. Simulasi menggunakan MATLAB R2008b.

7. Deteksi wajah menggunakan Local Successive Mean Quantization

Transform (Local SMQT) yang diambil dari :

http://www.mathworks.com/matlabcentral/fileexchange/13701-face-detection-in-matlab.

1.5 Sistematika Penulisan.

Laporan tugas akhir ini terbagi menjadi lima bab utama. Untuk memperjelas

penulisan laporan ini, akan diterangkan secara singkat sistematika beserta uraian

(19)

BAB I Pendahuluan

3 Universitas Kristen Maranatha 1. BAB I PENDAHULUAN

Bab ini akan menjelaskan mengenai apa saja yang melatarbelakangi

penulisan laporan tugas akhir, identifikasi masalah yang akan diselesaikan

dalam tugas akhir, apa saja yang menjadi tujuan penyusunan laporan tugas

akhir, pembatasan masalah sehingga ruang lingkup permasalahan yang

akan diselesaikan menjadi lebih fokus, serta sistematika penulisan laporan

tugas akhir ini.

2. BAB II DASAR TEORI

Bab ini memberikan penjelasan singkat mengenai metode pengenalan

wajah yang digunakan dan beberapa dasar teori yang berkaitan dengan

metoda pengenalan wajah ini.

3. BAB III PERANCANGAN

Pada bab ini akan dibahas mengenai proses perancangan dari program

pengenalan wajah yang akan dibuat.

4. BAB IV SIMULASI DAN ANALISA

Bab ini akan menampilkan dan menganalisa hasil pengujian terhadap

program pengenalan wajah yang telah dirancang.

5. BAB V KESIMPULAN DAN SARAN

Bab ini menyimpulkan hasil perancangan dan memberikan saran-saran

mengenai hal-hal yang mungkin harus ditambah atau dikurangi pada

sistem yang telah dibuat untuk mendapatkan hasil yang lebih baik untuk

(20)

BAB V Kesimpulan dan Saran

42 Universitas Kristen Maranatha

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan.

1. Jika citra yang diujikan sama dengan citra latih, maka citra uji tersebut

akan selalu dikenali tepat sama (100%) dengan citra latih yang ada dalam

database. (percobaan 1)

2. Keakuratan sistem pendeteksi wajah mempengaruhi kesuksesan suatu

sistem pengenalan wajah yang menggunakan metoda regresi linier.

(percobaan 2)

3. Sistem pengenalan wajah menggunakan metoda regresi linier lebih baik

diterapkan untuk aplikasi sistem pengenalan wajah yang bekerja pada

mode identifikasi. (percobaan 3)

4. Sistem pengenalan wajah menggunakan metoda regresi linier baik untuk

mengatasi masalah ekspresi wajah dengan persentase kesuksesan

pengenalan untuk citra uji sama persis dengan citra latih adalah 100% dan

citra uji yang berbeda dengan citra latih, namun masih memiliki identitas

kepemilikan yang sama dengan citra latih adalah 95%.

5.2 Saran.

1. Gunakan modul pendeteksi wajah yang lebih baik, agar kesuksesan

pengenalan meningkat.

2. Tambahkan variasi pose, iluminasi, dan oklusi untuk database citra wajah

(21)

43 Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1] Barsi, R., Jacobs, D., “Lambertian Reflection and Linear Subspaces,”

IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 25, no. 2, pp. 218-233, Feb. 2003.

[2] Chai, X., Shan, S., Chen, X., Gao, W., “Locally Linear Regression for

Pose-Invariant Face Recognition”, IEEE Trans. Image Processing, vol. 16, no. 7,pp. 1716-1725, July 2007.

[3]

http://www.mathworks.com/matlabcentral/fileexchange/13701-face-detection-in-matlab, 27 Januari 2012.

[4] Kurniawan, Denny, “Regresi Linier”, http://ineddeni.wordpress.com.

[5] Li, Stan Z., Jain, Anil K., Handbook of Face Recognition, Introduction,

Eds. Stanz. Li & Anil K. Jain, Springer, 2004.

[6] Mundy, J., Liu, A., Pillow, N., Zisserman, A., Abdallah, S., Utcke, S.,

Nayar, S., Rothwell, C., “An Experimental Comparison of Appearance

and Geometric Model Based Recognition”, Object Representation in

Computer Vision, Springer-Verlag, page 247--269, 1996.

[7] Naseem, I., Togneri, R., Bennamoun, M. 2010, “Linear Regression for

Face Recognition”, IEEE Transactions on Pattern Analysis and Machine

Intelligence, 32, 11, pp. 2106-2112.

[8] R.O. Duda, P.E. Hart, and D.G. Stork, Pattern Classification. John Wiley

& Sons, 2000.

[9] Ryan, T.P., Modern Regression Methods, Wiley-Interscience, 1997.

[10] Seber, G.A.F, Linear Regression Analysis, Wiley-Interscience,2003.