Abstrak
PENGENALAN WAJAH MENGGUNAKAN
METODE INDEPENDENT COMPONENT ANALYSIS
Rudy Hova / 0222165
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Email : [email protected]
ABSTRAK
Ada banyak cara dalam mengenali identitas seseorang. Salah satunya
adalah dengan menganalisa karakteristik pada tubuh orang tersebut. Ukuran
fisiologis dan sifat atau kebiasaan yang terdapat pada individu (seperti sidik jari,
pola tanda tangan, tampilan wajah, pola berjalan) yang digunakan untuk
mengenali seseorang disebut biometrik. Banyak ukuran fisiologis dan kebiasaan
dari seseorang yang bersifat unik. Oleh karena itu, teknologi biometrik ini lebih
andal dalam mengenali identitas seseorang.
Dalam laporan Tugas Akhir ini dijelaskan mengenai suatu sistem
pengenalan identitas manusia dengan menggunakan wajah sebagai parameter
pengenalnya, atau yang biasa dikenal dengan sistem pengenalan wajah. Tujuan
dari sistem yang dibuat adalah melakukan pengenalan pada gambar masukan
terhadap gambar pada database sistem, dengan keputusan dikenali atau tidak
dikenali gambar masukan sebagai salah satu individu pada database. Metode
pengenalan wajah yang digunakan dalam tugas akhir ini adalah metode
Independent Component Analysis.
Pada sistem pengenalan wajah menggunakan metode Independent
Component Analysis, perbedaan intensitas antara dua gambar (difference image),
merupakan karakteristik penting yang dapat menggambarkan variasi gambar
wajah seseorang. Difference image dapat diklasifikasikan ke dalam dua class,
Universitas Kristen Maranatha
Abstrak
yaitu intrapersonal variations class dan extrapersonal variations class. Jika
difference image berada dalam intrapersonal variations class maka dapat
dikatakan bahwa dua gambar pembentuk difference image merupakan gambar dari
orang yang sama, dan sebaliknya jika difference image berada dalam
extrapersonal variations class, maka dapat dikatakan bahwa dua gambar
pembentuk difference image merupakan gambar dari orang yang berbeda.
Berdasarkan hasil percobaan yang dilakukan, sistem pengenalan wajah
menggunakan metode Independent Component Analysis memiliki tingkat
keberhasilan pengenalan sebesar 87.87 %.
Universitas Kristen Maranatha
Abstrak
FACE RECOGNITION USING
INDEPENDENT COMPONENT ANALYSIS METHOD
Rudy Hova / 0222165
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Email : [email protected]
ABSTRACT
There are lots of ways to recognize one’s identity. One of them is by
analyzing the body’s characteristic of the person. The measurable characteristic or
personal trait used to recognize the identity or verify the claimed identity is
referred as biometrics. Lots of this measurable characteristic has a unique
character. Therefore this biometrics technology is more reliable for recognizing
someone’s identity.
In this final project, it is explained about human identification system
using face as its identification parameter, which is known as face recognition
system. The purpose of the system that built is to recognize an input image toward
existing images in system database. The system decision for the input image is
recognized or not recognized as a person in database. The face recognition
method used in this final project is Independent Component Analysis.
Face recognition using Independent Component Analysis method believes
that the intensity difference between two images (difference image) can describe
the variation of someone’s face. Difference image can be classified into two
classes, mainly intrapersonal variation class and extrapersonal variations class. If
difference images lies in intrapersonal variation class, then it could be sad that the
two images which construct the difference image belong to the same individual
and if the difference image lies in extrapersonal variation class, then the it could
Universitas Kristen Maranatha
Abstrak
be said that the two images which construct the difference image belong to two
different individuals.
Based on experimental results, face recognition system using Independent
Component Analysis method achieves successful recognition rate about 87.87 %.
Universitas Kristen Maranatha
DAFTAR ISI
ABSTRAK ………....……….………….i
ABSTRACT ………....……….………...iii
KATA PENGANTAR ………...………...… iv
DAFTAR ISI ……… vi
DAFTAR GAMBAR ...viii
BAB I. PENDAHULUAN ……….………1
1.1. Latar Belakang ………….………1
1.2. Identifikasi Masalah ………….………2
1.3. Perumusan Masalah ……….………2
1.4. Maksud dan Tujuan ……….………2
1.5. Pembatasan Masalah ……….………2
1.6. Sistematika Penulisan ……….3
BAB II. DASAR TEORI ……….………4
2.1. Deteksi Wajah ……….………6
2.1.1. Segmentasi Kulit ……….………7
2.1.2. Proses Morfologi ………....10
2.1.3. Connected Region Analysis ………... 11
2.1.4. Ekstraksi Wajah ………... 12
2.2. Independent Component Analysis .………...11
BAB III. PERANCANGAN SISTEM ………...17
3.1. Deteksi Wajah ………...19
3.2. Perhitungan ICA (Independent Component Analysisi) ...24
BAB IV. SIMULASI DAN ANALISA ………...27
4.1. Deteksi Wajah ………...28
4.2. Konstruksi ICA ………...33
4.3. Klasifikasi ………...35
BAB V. KESIMPULAN DAN SARAN ………...40
5.1. Kesimpulan ………...40
5.2. Saran ………...40
DAFTAR PUSTAKA ...42
LAMPIRAN A: KODE PROGRAM
DAFTAR GAMBAR
Halaman
Gambar 2.1 Proses face recognition ………4
Gambar 2.2 Proses deteksi wajah ………7
Gambar 2.3 Korelasi antara nilai Cb dan Cr yang menunjukan warna kulit ……9
Gambar 2.4 Nilai Cb dan Cr untuk warna kulit dan untuk seluruh gambar ……9
Gambar 2.5 Proses erosi dan dilasi ………..11
Gambar 2.6 Model dari perhitungan ICA ………..………..14
Gambar 2.7 Blind Source Separation model ………..15
Gambar 3.1 Diagram blok perancangan sistem ………..17
Gambar 3.2 Diagram alir sistem pengenalan wajah ...18
Gambar 3.3 Diaram alir proses deteksi wajah ...19
Gambar 3.4 Diagram alir pembatasan warna dan proses morfologi …………..21
Gambar 3.5 Diagram alir proses region analysis ………..22
Gambar 3.6 Diagram alir ekstraksi gambar wajah ………..24
Gambar 3.7 Diagram alir perhitungan ICA ………..26
Gambar 4.1 Komponen YCbCr ………..29
Gambar 4.2 Gambar topeng hasil proses segmentasi kulit ………..30
Gambar 4.3 Gambar topeng hasil proses morfologi ………..31
Gambar 4.4 Gambar topeng hasil proses connected region analysis …………..32
Gambar 4.5 Average face ………..33
Gambar 4.6 Set ICA ………..34
Gambar 4.7 Jarak Euclidian dan jarak cosinus ………..35
% %%Program Utama
% spherex
fprintf('\nsubtracting mean\n'); mx=mean(x');
x=x-(ones(P,1)*mx)';
fprintf('calculating whitening filter\n'); c=cov(x');
w=w+L*(BI+(1-2*(1./(1+exp(-u))))*u')*w; if count>F
fprintf('****sweep=%d, change=%.4f angle=%.1f deg., [N%d,M%d,P%d,B%d,L%.5f]\n',...
sweep,change,180*angle/pi,N,M,P,B,L);
%%% proses crop gambar
LabelDir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program Asal\' imgDir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program
asal\Sumber\'
destdir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program asal\Hasil\'
mean_eye_x = mean([marks(i-2,1), marks(i-2,3)]); mean_eye_y = mean([marks(i-2,2), marks(i-2,4)]);
dEteeth_eyes = sqrt((marks(i-2,5)-mean_eye_x)^2 + (marks(i-2,6)-mean_eye_y)^2);
%scale
yscale = TEETH_EYES / dEteeth_eyes; xscale = EYES / dEeyes; height_new = yscale*height; width_new = xscale*width;
tmp0=imresize(I,[height_new,width_new],'bicubic');
Reye_x = marks(i-2,1); Reye_y = marks(i-2,2);
W = 500;
padcols = zeros(size(tmp0,1),W); padrows = zeros(W,size(tmp0,2)+W); padcols = uint8(padcols); padrows=uint8(padrows);
tmp = [padrows;padcols,tmp0];
tmpx = xscale*Reye_x - W +W; tmpy = yscale*Reye_y - W +W; tmp1 = imcrop(tmp,[tmpx,tmpy,2*W,2*W]);
%figure(2);imshow(tmp1)
angle = 180/pi*atan((yscale*dyeyes)/(xscale*dxeyes)); tmp2 = imrotate(tmp1,angle,'bicubic','crop');
%figure(2); imshow(tmp2);
x = W - (XSIZE-EYES)/2; %y = W - YSIZE/2; y = W - YSIZE*1/3;
tmp3=imcrop(tmp2,[x,y,XSIZE,YSIZE]); figure(1); imshow(tmp3);
%save
[imgName, R] = strtok(imgName, '.'); fname = [destdir,imgName, '.pgm']; imwrite(tmp3,fname,'pgm')
end
%%%proses penandaan bagian wajah
imgdir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program asal\Sumber\'
destdir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program asal\Hasil\'
save Labels marks r
% % %proses klasifikasi
function [testPerf,rankmat,rank] = nnclassFn(train,test,trainClass,answer);
numTest = size(test,2); numTrain = size(train,2);
dists=-1 * cosFn(test,train);
[Sdist,nearest] = sort(dists');
Nnbr = nearest(1,:); testClass = trainClass(Nnbr);
correct = find( (testClass - answer == 0)); testPerf = size(correct,1) / size(answer,1) if(size(correct,2)>size(correct,1))
function [S] = cosFn(mat1,mat2),
denom = sum(mat1.^2,1)*sum(mat2'.^2,2);
denom (find(denom==0)) = 0.00000000000000000000001; numer = mat1'*mat2;
S = numer./denom;
Bab I Pendahuluan
BAB I
PENDAHULUAN
I.1 Latar Belakang
Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan antara
lain untuk sistem pengenalan biometrik (yang dapat juga dikombinasikan dengan fitur
biometrik yang lain seperti sidik jari dan suara), sistem pencarian dan pengindeksan
pada database citra digital dan database video digital, sistem keamanan kontrol akses
area terbatas, konferensi video, dan interaksi manusia dengan komputer.
Melalui pengembangan suatu teknik seperti Independent Component Analysis
(ICA), komputer sekarang dapat menyerupai kemampuan otak manusia dalam
berbagai pengenalan wajah, terutama tugas-tugas yang membutuhkan pencarian pada
database wajah yang besar.
Agar dapat memahami dan mengetahui kinerja sistem pengenalan wajah,
maka dalam Tugas Akhir ini akan dilakukan pengujian melalui simulasi. Diharapkan
Tugas Akhir ini dapat menambah pengetahuan dan memberikan masukan yang cukup
berguna bagi rekan mahasiswa-mahasiswi lainnya khususnya mahasiswa-mahasiswi
Jurusan Teknik Elektro, Universitas Kristen Maranatha.
Bab I Pendahuluan 2
I.2 Identifikasi Masalah
Masalah yang akan diidentifikasi dalam tugas akhir ini adalah pengenalan
wajah pada citra digital menggunakan metode Independent Component Analysis.
I.3 Perumusan Masalah
Bagaimana penerapan ICA dalam mencari komponen-komponen independent
dari sumber (wajah)?
I.4 Maksud dan Tujuan
Tugas akhir ini bertujuan untuk membuat suatu desain dan implementasi
sistem pengenalan wajah dengan masukan berupa citra digital sembarang. Sistem ini
akan menghasilkan subcitra yang berisi wajah-wajah yang telah berhasil
diidentifikasi.
I.5 Pembatasan Masalah
Masalah-masalah yang akan dibatasi dalam Tugas Akhir ini antara lain :
1. Gambar input yang akan diuji, memiliki dimensi maksimal 500 x 500 piksel.
2. Jenis citra yang digunakan adalah citra berwarna, dengan format JPEG.
3. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan dan
hanya terdapat satu wajah dalam gambar masukan.
4. Metode yang dipakai adalah metode Independent Component Analysis.
Bab I Pendahuluan 3
5. Simulasi menggunakan Matlab 6.5.1.
I.6 Sistematika Penulisan
Agar dalam penulisan laporan Tugas Akhir ini lebih terarah dan teratur serta
terstruktur maka akan dibagi dalam :
BAB I PENDAHULUAN
Berisi latar belakang, identifikasi masalah, perumusan masalah,
maksud dan tujuan, pembatasan masalah, dan sistematika penulisan.
BAB II LANDASAN TEORI
Berisi pendahuluan, teori dari Independent Component Analysis.
BAB III PERANCANGAN
Berisi perancangan dari program Pengenalan Wajah Menggunakan
Metode Independent Component Analysis.
BAB IV DATA PENGAMATAN
Menampilkan hasil pengamatan terhadap program yang telah
dirancang.
BAB V KESIIMPULAN DAN SARAN
Berisi kesimpulan dan saran.
Bab V Kesimpulan dan Saran
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang didapat dari penyusunan Tugas Akhir ini adalah sebagai
berikut :
1. Sistem pengenalan wajah menggunakan metode Independent Component
Analysis pada Tugas Akhir ini telah berhasil direalisasikan.
2. Berdasarkan hasil percobaan yang dilakukan, performa sistem pengenalan wajah
yang menggunakan metode Independent Component Analysis memiliki tingkat
keberhasilan pengenalan sebesar 87,87 %. Performa pengenalan dapat
ditingkatkan dengan menambah jumlah intrapersonal training difference image
dan dengan menggunakan parameter M yang lebih besar pada proses training.
5.2 Saran
Berdasarkan hasil penelitian yang telah dilakukan, maka dapat dirumuskan
beberapa saran sebagai berikut, yaitu :
1. Pendefinisian kotak wajah yang berlebih pada proses deteksi wajah disebabkan
oleh penyesuaian terhadap dimensi gambar pada training set. Oleh karena itu,
dengan memilih ukuran training set sesusai ukuran wajah (bukan ukuran persegi)
Bab V Kesimpulan dan Saran 41
dapat dipilih gambar wajah yang lebih tepat dan mengurangi bagian latar
belakang gambar yang terbawa pada gambar wajah keluaran proses deteksi wajah.
2. Dengan membuang bagian latar belakang gambar yang masih terdapat dalam
gambar wajah yaitu dengan melakukan proses masking pada gambar, akan
meningkatkan kemampuan sistem dalam melakukan pengenalan.
3. Dengan memperbesar ukuran gambar training set dan menambah jumlah gambar
untuk satu individu dalam kondisi yang berbeda-beda, seperti pose dan ekspresi
yang berbeda-beda, kondisi cahaya yang bervariasi, penggunaan aksesoris kepala,
dan kondisi lainnya, yang digunakan sebagai training set, kemampuan sistem
dalam mengenali identitas akan meningkat.
4. Untuk pengembangan lebih lanjut dari sistem pengenalan wajah, diperlukan suatu
sistem yang mampu memisahkan gambar wajah dari gambar latar secara otomatis
dan melakukan proses identifikasi secara real time.
Daftar Pustaka
DAFTAR PUSTAKA
1. Bartlett, M. S., Movellan, J. R., Sejnowski, T. J., “Face Recognition by
Independent Component Analysis”, IEEE Transactions on Neural Networks,
Vol. 13, No. 6, November 2002.
2. Bartlett, M. S., Movellan, J. R., Sejnowski, T. J., “Face Modeling by
Infromation Maximization”.
3. Bruce A. Drapper, Kyungim Baek, Marian Stewart Bartlett, J. Ross Beveridge,
“Recognizing Faces with PCA and ICA”, Department of Computer Science
Colorado State University.
4. Stone, James V., “Independent Component Analysis”, A Tutorial Introduction.
5. Stone, James V., “Independent Component Analysis: an introduction”,
TRENDS in Cognitive Sciences Vol. 6 No. 2 February 2002.
6. Bartlett, Marian Stewart., “Information Maximization in Face Processing”,
Institute for Neural Computation, University of California, San Diego.
7. Hyvarinen, Aapo., Oja, Erkki., “Independent Component Analysis:
Algorithms and Applications”, Neural Networks Research Centre, Helsinki
University of Technology, Finland.
8. Bartlett, Marian Stewart., Sejnowski, Terrence J., “Viewpoint invariant face
recognition using independent component analysis and attractor networks”.
Daftar Pustaka 43
9. Chengjun, Liu., Wechsler, Harry., “Comparative Assessment of Independent
Component Analysis (ICA) for Face Recognition”, Department of Computer
Science, George Mason University, USA.
10.Te-Won, Lee., Girolami, Mark., Bell, Anthony J., Sejnowski, Terrence J., “A
Unifying Information-theoretic Framework for Independent Component Analysis”, Howard Hughes Medical Institute, Computational Neurobiology
Laboratory, The Salk Institute, California.
