11
Deteksi Kedip Mata Berbasis Metode SURF
Indra Agustian
1*1Staf Pengajar Program Studi Teknik Elektro FT Universitas Bengkulu,
*Email:indraunib@gmail.com
ABSTRAK
This research presents the realtime eye blink detection system based on image processing technique using SURF method. The first process of system is face detection, next, the area resulted from face detection is used for eye detection process, both of detections are supported by Haarcascade Classifier. Eye region resulted from eye detection is optimized for an effective computation process and it is used as region of interest(ROI) for eye blink detection using SURF method. SURF method for eye blink detection leads to a combination of interest point detection and description of eye opened-closed images and matching steps. The experiment and discuss shows that eye blink detection using SURF method his reliable for realtime processing with accuracy 97,6% at normal blink detection and 100% at blink duration detection.
Keywords: eye detection, face detection, blink detection, haarcascade classifier, SURF.
1.PENDAHULUAN
Salah satu fokus utama penelitian bidang Computer Vision saat ini adalah deteksi gerakan dan gestur tubuh atau sebagian dari bagian tubuh manusia yang dapat dimanfaatkan untuk keperluan bidang HCI (Human-Computer Interface), dan juga biomedis. Deteksi kedip mata merupakan bagian dari gestur wajah yang dapat dimanfaatkan sebagai masukan untuk interaksi manusia dengan komputer, selain itu, deteksi kedip mata dan pola kedipnya bisa dimanfaatkan dalam bidang penelitian kesehatan mata ataupun bidang perilaku manusia.
Deteksi kedip mata pada penelitian-penelitian sebelumnya berbasis metode gradient[1][2], SIFT[3], tapis gabor[4]. Penelitian [1] dan [2] menggunakan perbedaan citra antar frame, penelitian [3] menggunakan optical flow tracking fitur yang diperoleh dari metode SIFT. Penelitian [4] melakukan deteksi wajah dan mata menggunakan Haarcascade Classifier[5][6][7], area hasil deteksi mata dijadikan Region of Interest(ROI) deteksi kedip yang dilakukan dengan metode tapis gabor.
Berbeda dengan penelitian-penelitian di atas, pada penelitian ini, proses deteksi kedipan mata dilakukan dengan berbasis metode SURF[8]. Berbeda dengan
metode SIFT, deteksi interest point, deskripsi dan pencocokan pada metode SURF dilakukan dengan berdasarkan metode integral image[5][6].
2.TINJAUAN PUSTAKA
Penelitian [1] merancang suatu metode klik mouse dengan menggunakan kedip mata dan gerakan alis yang tertangkap kamera. Metode pendeteksian berdasarkan perbedaan atau gradien citra biner antar frame dari masukan kamera. Hasil eksperimen menunjukkan tingkat keakuratan klik sebesar 95.6% dengan deteksi kedip mata, dan 89.0% dengan gerakan alis.
Penelitian [2] merancang sistem deteksi kedip mata melalui analisis gerakan berdasarkan metode pada penelitian [1], yaitu gradien antar frame masukan kamera dengan tambahan open-eye template. Deteksi kedip mata pada penelitian ini menghasilkan tingkat akurasi deteksi sebesar 95,3%.
Penelitian [3] merancang deteksi kedip mata dari citra sumber dengan tingkat kontras yang rendah mendekati tingkat keterangan infrared. Deteksi kedip mata dilakukan berdasarkan perbedaan citra biner antar frame dengan dukungan optical flow tracking dari fitur yang diperoleh melalui metode SIFT untuk mendapatkan ROI deteksi kedip mata. Pengolahan citra memanfaatkan Graphical Processor Unit (GPU) untuk meningkatkan kinerja waktu komputasi. Tingkat akurasi deteksi kedip mata pada penelitian ini sebesar 97%.
Penelitian [4] merancang sistem deteksi kedip mata dengan tapis gabor. Haarcascade classifier digunakan untuk mendeteksi mata, hasil deteksi dijadikan template area mata, selanjutnya area mata ditemukan dengan menggunakan metode template matching dan dilanjutkan dengan tapis gabor untuk mendeteksi kedip mata secara realtime. Tingkat akurasi deteksi kedip mata diklaim mencapai 100%.
Jurnal Amplifier
12
ukuran yang 24x24).
Teknik boosted cla classifier ter strong classif untuk bagia classifier den untuk menen “pasti buka “mungkin o window dikl dideteksi” m jika sub-win yang hendak selanjutnya. dilewati oleh sub-window
Peneliti interest poin suatu suatu c (Speeded Up dengan berd image dan m utama yaitu descriptor. digunakan deskriptor pa matcher).
Bagian fitur dari pi interest poin khusus, tidak atau hampir ataupun per descriptor ve antara suat berdasarkan diproses sebe
Sistem menggunaka Visual Studi pada sistem dilakukan de prosesor inte LCD 14.23x Acer Crystal dengan frame
Sistem pada penelit kedip, yang t mata, seperti
r Vol. 2 No. 2, No
g sama (Vio
classifier yan assifier pada rdiri atas seju ifier untuk bag an. Stage di
ngan AdaBoo ntukan apaka an obyek ya
byek yang h lasifikasi “pas maka bagian dow diklasifik k dideteksi” Ini berarti h sub-window adalah wajah. ian [8] meran nt(discrete im citra sumber, Up Robust Fe dasarkan pada matriks Hessian u: interest p
Data yang untuk penc ada sumber c
Interest poin iksel-piksel te
t. Deskriptor i k sensitif terha r tetap terhad rubahan phot ector merupak tu citra den vektor desk elumnya.
3.MET deteksi mata an bahasa pem
io Ultimate 2 operasi Wind engan menggu el core i5, 2G x8 inchi2, reso l Eye 1.3MP e rate operasi
deteksi kedip tian ini didah terdiri atas pr i terlihat pada
opember 2012
ola-Jones me
ng digunakan a fitur Haa umlah stage y gian positif da iperoleh dari ost. Fungsi se ah sub-window
ang hendak hendak didete
sti bukan oby tersebut didi kasi sebagai “
maka dilan semakin ban w, semakin be
.
ncang suatu m mage point) da metode ini di eature). SUR
a 2D Haar n. SURF terdi point detector
diperoleh da cocokan an citra yang be
t descriptor m etangga untuk ini harus mem adap derau, m dap perubaha tometric. Bag kan pencocok ngan citra kriptor/vektor
TODOLOGI pada penelit mrograman C 2010 dan Ope dows 7 Home unakan Lapto GB DDR3 M olusi 1366 x 7
yang terinteg rata-rata 10 f p mata SURF hului oleh p roses deteksi w
Gambar 1.
engambil uku
adalah cascad ar-Like. Casc yang mengand an weak class i hasil pelat etiap stage ad w yang diber dideteksi” eksi”. Jika
yek yang hen iskualifikasi.
“mungkin- ob njutkan ke s
nyak stage y esar kemungk
metode pendet an desciptor iberi nama SU RF dikembang
wavelet, inte iri atas dua ba r, interest p ari SURF d ntara deskrip
rbeda (descrip
menyajikan ve k masing-ma miliki karakter memiliki nilai t an geometri gian pencoco kkan interest p lainnya den fitur yang t
tian ini diranc C++ dengan enCV 2.3 Lib Basic. Pengu op Aspire 475 Memory, HD L 768 dan Web grasi pada lap fps
F yang diban pra-proses det wajah dan det
uran ristik tetap
Deteksi Waja
Deteksi w nggunakan v nSize = 200 ordinat pusat n 0,4 kali tin arcascade Cla ail proses dete Hasil detek assifier memi piksel setiap is untuk untu dasarkan bes jah antara fr geseran jika n ih besar da geseran ≤ 5 uk fungsi d eksi kedip m adaan diam.
utama sistem
a proses de fier
ah
ajah dengan variabel scal 0x200, variab
(x, y) ditentu nggi area per assifier. Gam eksi wajah. ksi wajah real
iliki penyimp p framenya, s uk mengurang sar perbedaan rame sekaran nilai salah sat
ari ±3. Se 5 sebagai ko deteksi mata,
mata dilakuk
eteksi wajah
Haarcascad lefactor = 1 bel minNeig ukan sebesar 0
rsegi empat mbar 2 menunj
ltime dengan pangan sebesa
sehingga dipe gi penyimpang n lokasi koo ng dan akan tu atau kedua hingga ditet onstanta bata , dengan as kan untuk w
Haarcascade
de Classifier 1.1, variabel ghbors = 2. 0,5 kali lebar hasil deteksi jukkan skema
Gambar 3. Di ma
Gambar 4. Sk ke
B. Deteksi M
Diagram proses deteks hasil deteksi mata dengan komputasi y deteksi kedip dengan detek
C. Deteksi K
Deteksi adalah menc mata tertutu photomectric adalah memb pada keadaa parameter ya terbuka dan diperkuat de bisa dikalibr Skema utam Gambar 4.
iagram alir de ata
kema SURF y edip
Mata
m alir pada G si mata sebelu
mata digunak n terlebih da yang lebih e p mata dengan ksi wajah.
Kedip Mata S
i kedip mata cari interest p up pada beb c wajah yang
bandingkan a an-keadaan te ang cukup ku n tertutup. U engan membu
rasi sebelum ma SURF yang
teksi kedip di
yang digunak
Gambar 3 me um deteksi de
kan sebagai R ahulu dioptim efektif. Nilai
n Haarcascad
SURF
dengan SUR point antara m
berapa lokas g terdeteksi. L ada dan tidakn
ersebut yang uat untuk men
Untuk langk uat nilai minim
mengaktivas g digunakan
imulai dari de
kan untuk det
enunjukkan d teksi kedip. A ROI deteksi k masi untuk tuj
variabel-vari de Classifier s
RF pada dasar mata terbuka si dan orien Langkah pert nya interest p dapat dijad ndefinisikan m kah pertama mal hessian y si proses dete ditunjukkan p
teksi
teksi
detail Area kedip ujuan iabel sama
rnya dan ntasi tama point dikan
mata ini yang eksi. pada
Gam
Gam
pert pen yan Pro Bru untu yan Unt data akti
men dala wak amb seb
mem yan tertu
atas pen sert
min kea bah min
mbar 5. Antarm
mbar 6. Citra uj
Jika param tama belum c ncocokan(matc ng diketahui s oses pencocok
ute force matc uk mengelim ng kurang tepa
tuk melakuka abase keadaan ivasi proses de
4.H
Deteksi ha nggunakan at am keadaan d kil wajah, u bang pergerak agai keadaan Penggunaan merlukan kali ng membedak
utup. Gambar 5 s panel kali ngambilan tem
ta tampilan de Gambar 7 d nHessian dar adaan mata ter hwa deteksi nHessian 164
muka pengguna
ji minHessian t
meter yang cukup kuat, m cher) setiap in sebagai mata t kan dapat d cher atau Flan minasi pasanga
at dengan men an pencocoka n mata terbu eteksi.
HASIL DAN P
aarcascade turan nilai a diam berdasar untuk keperlu kan koordinat
diam. n metode SU ibrasi nilai aw
kan antara
menunjukkan ibrasi awal mplate mata t eteksi.
dan Tabel 1 m i citra mata rbuka dan tert kedip dapat 43-4000, yai
I
a sistem deteksi
terhadap jumlah
diperoleh p maka proses d nterest point p terbuka dan m dilakukan den
nn matcher d an-pasangan i nggunakan jar an maka dip uka yang diam
EMBAHASAN mata dilaku ambang yang
rkan pergerak uan ini dig
wakil wajah
URF untuk d wal hingga did mata terbuk
n antarmuka nilai minHe terbuka(citra
menunjukkan a pada Gamb
tutup. Dari Ta t berjalan p itu suatu ke
ISSN: 2089-2020
13 i kedip mata
h interest point
pada langkah dilanjutkan ke pada keadaan mata tertutup. ngan metode dan diperbaiki interest point rak euclidian. perlukan citra mbil sebelum
N
ukan dengan diasumsikan kan koordinat unakan nilai kurang dari 5
deteksi kedip dapatkan hasil ka dan mata
yang terdiri essian, panel mata inisial),
rentang nilai bar 6 untuk abel 1 terlihat pada rentang eadaan tidak 0
3 h e n . e i t . a m
n n t i 5
p l a
i l ,
Jurnal Amplifier
JUMLAH INTER
UNTUK
terdapat inte 1 interest poi Penguji mata kiri, de haarcascade menunjukkan Gambar 8(b point citra m mata inisial.
Keadaa dengan terde (minimal 1) interest poin Gambar 9 m dan tutup d
r Vol. 2 No. 2, No
rafik hasil uj eadaan mata b inHessian(axis)
T
REST POINT TERH K DETEKSI KEDIP
sian ian deteksi ke engan tingkat e(rata-rata 4
n kalibrasi aw b) menunjukk mata yang sed
an ideal dalam eteksinya sejum ) pada saat
nt yang coc menunjukkan
dengan nilai
opember 2012
i jumlah inte uka dan tutup )
TABEL 1
HADAP NILAI MI P DARI CITRA UJI
Interest
aktu mata tertu terbuka(standa dip mata hany t pencahayaan 400 Lux). wal yang dihar
kan hasil pen dang berlangs
m deteksi ke mlah pencoco mata terbuka ok pada saa bahwa uji co minHessian
erest point(ord p berdasarkan
INHESSIAN OPTIM
I PADA GAMBAR
utup dan min dard matching)
ya dilakukan p n optimal ope
Gambar rapkan, sedang ncocokan inte sung dengan
edip mata ad okan interest p a dan tidak at mata tertu oba keadaan b 1800 memen
dinat)
syaratan stan eksi kedip ma Untuk bebe langsung bis dipan mata ndard match ncocokan seba
nt saja tidak c ng ditemukan
arang, maka am keadaan te
Gambar 10 tching denga ndiskualifikas nifikan. Sehin ujukan untuk deteksinya pas n pada pengg tching aktif erest point yan ak ada inter
tching maka d utup.
Hasil ekspe dip mata den nHessian opti 0 Lux ditunjuk
h kalibrasi SUR n (a)mata tertu gan i dan ii ad
ng
gan buka-tutup n bagian kanan (i) dan bagian k g-masing: a fro , d lirik kiri, e li
ndar matching ata.
erapa keadaan a saja terjad yang tidak hing, sehing agai cadangan cukup, yaitu ji n antara ma didefenisika ertutup (good 0 menunjukk an berdasarka si pasangan ngga penggun k meminimal sangan interes gunaannya ak
jika standar ng cocok. Pe rest point ya didefinisikan b
erimen kedip ngan durasi
imal 1800 pa kkan pada Tab
RF dengan min utup dan (b) dalah mata ini
mata minHe n pasangan citr
kiri adalah citr ontal, b lirik irik atas
g untuk digu
n tertentu pada di suatu kea
dapat dilaku gga digunak n jika pendete
ika tidak terda ata inisial d an bahwa m
matching). kan bahwa m
an jarak euc interest poin naan good ma
lisir kemung st point saat m ktivasi kedip
rd matching erhatikan Gam
ang cocok d bahwa mata d
mata norma mata tertutup ada pencahay bel 2 dan Tabe
nHessian 1200 mata terbuka, isial dan mata
ssian = 1800, ra mata adalah ra sekarang (ii) kanan, c lirik
unakan dalam
a saat operasi adaan deteksi ukan dengan kan metode eksian interest apat pasangan dengan mata mata sekarang
metode good clidian dapat t yang tidak atching dapat gkinan masih mata menutup, dengan good menemukan mbar 11, jika dengan good alam keadaan
l dan deteksi p pada nilai yaan rata-rata
Gambar 10. S p k
Gambar 11. D (
Total deteksi Total deteksi Total deteksi Total akurasi
DETEKSI
Durasi Deteksi kedip Akurasi
Deteksi mata tidak m berkedip, de kedip mata m tidak berkedi
Dari e sistem detek 97,6% untuk mata tertutup Kesalahan d tingkat pen Ketidaktepat awal dapat m tidak berjalan
Standard match pasangan citra kiri adalah citra
Deteksi kedip de (ii) citra sekaran
T
DETEKSI KED
kedip kedip positif sa kedip negatif s
T
KEDIP MATA DE
mata tertutup p positif salah sa
i kedip posit mendeteksi ad eteksi kedip mendeteksi ad ip.
ksperimen y ksi kedip ma k kedip mata n p dalam duras deteksi yang ncahayaan ya
tan mengatur n menyebabkan
n dengan baik
h dan good m mata adalah in a sekarang(ii)
engan good ma ng
TABEL 2
DIP MATA NORM
alah alah
TABEL 3
ENGAN KEADAAN TERTUTUP
5s alah 0
100%
if salah adal danya kedipan
negatif salah danya kedipa
yang dilakuka ata yang dira normal dan 10
i 5 detik, 10 d terjadi dapat ang terkadan nilai minHess
sistem detek k.
atch, bagian k nisial(i), dan ba
atch, (i) citra in
MAL
2000 28 12 97,6%
N DURASI MATA
10s 1 0 100% 10
lah deteksi k n pada saat m h adalah det an pada saat m
an, total aku ancang menc 00% untuk det detik dan 15 d disebabkan ng tidak st
ian pada kalib ksi kedip mata
kanan agian
nisial,
A
Sistem dete ng dirancang eksi wajah, d jah dan det nggunakan m eksi wajah d ngan nilai ≤
jalan pada kea geseran karen assifier. Hasil ngan standar gkat akurasi se 0% untuk dete etik, 10 detik
K. Grauman,
“Communicati Analysis in Computer Visi 2, 2001 Michael Chau Blink Detectio Computer Scie Marc Lalonde Teasdale, Den Detection wit Canadian Conf Kohei Aai, R Blink Detectio Particular, Gab Eighth Inter Technology: N P. Viola, M. Boosted Casca Computer Visio P. Viola, J. J. International J 5691, Vol. 57, N R.Lienhart, J.M Features for R International C IEEE, Roches September 200 Herbert Bay, A “Speeded-Up
5.KESIMP eksi kedip ma
terdiri atas eteksi mata, d teksi kedip metode Haarc
diberikan tapi 5, sehingga p adaan wajah t na fluktuasi p l deteksi ked
matching dan ebesar 97,6% eksi keadaan m
dan 15 detik.
REFERE , M. Betke
on Via Eye Bli Real Time”, on and Pattern
, M. Betke, “R on with USB C ence Technical R e, David Byrns
nis Laurendea th GPU-Based ference, Compu onny Mardiyan on and Gaze Es
bor Filter Utiliz rnational Con New Generations Jones, “Rapid ade of Simple F on and Pattern Jones, “Robust Journal of Com
No. 2, hal. 137-Maydt, 2002, “A Rapid Object D
Conference on ter, New York 02
Andreas Ess, Tin Robust Featur
I
PULAN
ata berbasis m tiga proses d dan deteksi k
mata diranc cascade Class is koordinat proses deteks terdeteksi tida pendeteksian dip mata yan n good match untuk kedipan mata tertutup
ENSI
, J. Gips, inks - Detection
Proceedings Recognition C
Real Time Eye Cameras”, Bos Report No. 200 s, Langis Gag au, “Real-tim d SIFT Trac uter and Robot V
nto, “Compara stimation Metho zed Blink Detec
nference on s, 2011
d Object Detec Features” IEEE Recognition, 20 t Real-Time Fa mputer Vision, -154, May 2004 An Extended S Detection”, Proc n Image Proc k, USA, hal. I
nne Tuytelaars, res (SURF)”,
ISSN: 2089-2020
15 metode SURF deteksi, yaitu kedip. Deteksi cang dengan sifier. Sistem wakil wajah si selanjutnya ak mengalami Haarcascace ng dilengkapi hing memiliki n normal, dan dalam durasi
G. Bradski, n and Duration of the IEEE onference, Vol.
e Tracking and ston University 05-12, 2005
non, Normand e Eye Blink cking”, Fourth Vision, 2007. ative Study on ods for HCI, in ction Method”, Information
ction Using A Conference on 001
ace Detection”, , ISSN: 0920-4,
Set of Haar-like ceedings of the cessing (ICIP), I-900 – I-903,
Luc Van Gool, Elsevier, 2008
