Pendeteksian Gambar Wajah Menggunakan Jaringan Saraf Tiruan Berarsitektur Multilayer Perceptron.

(1)

i

PENDETEKSIAN GAMBAR WAJAH

MENGGUNAKAN JARINGAN SARAF TIRUAN

BERARSITEKTUR MULTILAYER PERCEPTRON Anthony Sitepu/9822099

Jurusan Teknik Elektro Fakultas Teknik Universitas Kristen Maranatha Jl. Prof. Drg. Surya Sumantri 65, Bandung 40164, Indonesia

Email :[email protected]

ABSTRAK

Pendeteksian gambar wajah (face detection) adalah salah satu tahap awal yang sangat penting dalam sistem pengenalan wajah (face recognition) yang digunakan dalam identifikasi biometrik. Deteksi wajah juga dapat digunakan untuk pencarian atau pengindeksan data wajah dari citra atau video yang berisi wajah dengan berbagai ukuran, posisi, dan latar belakang. Sistem pendeteksian gambar wajah memperoleh kemampuan deteksinya dengan cara belajar dari contoh (learning by examples).

Tahap pendeteksian wajah dapat dibagi dalam dua langkah. Langkah pertama adalah mengklasifikasikan, dengan mengambil sembarang citra sebagai input untuk menghasilkan output berupa bilangan biner yang mengindikasikan keberadaan gambar wajah pada citra. Langkah kedua adalah melakukan pemeriksaan terhadap seluruh gambar yang berpotensi sebagai gambar wajah pada citra. Output merupakan lokasi pada citra yang diperkirakan merupakan lokasi setiap gambar wajah.

Pada Tugas Akhir ini diuraikan sistem pendeteksian gambar wajah menggunakan jaringan syaraf tiruan multilayer perceptron. Berdasarkan hasil percobaan yang dilakukan, sistem pendeteksian wajah menggunakan jaringan saraf tiruan berarsitektur multilayer perceptron memiliki tingkat keberasilan pendeteksian sebesar 78%.

(2)

ii

ABSTRACT

Face detection is one of the most important preprocessing step in face recognition systems used in biometric identification. Face detection can also be used in searching and indexing still image or video containing faces in various size, position, and background. The system achieves its ability by means of learning by examples.

The face detection system can be divided into two steps. The first step is a classification that takes some arbitrary image as input and outputs a binary value that indicating whether there are any faces present in the window. The second step is the face localization that checks all potential face contained window. Output, the location in the window that indicating location of any face contained window. This final project describes a face detection system using multilayer perceptron.The localization task assumes that its input image contains a face.

In this final project describes a face detection system using multilayer perceptron. Based on experimental results, face detection system using multilayer perceptron achieves Successful detection rate about 78%

(3)

DAFTAR ISI

ABSTRAK ...i

ABSTRACT ...ii

KATA PENGANTAR ...iii

DAFTAR ISI ……….v

DAFTAR GAMBAR ………...vii

DAFTAR TABEL ………...ix

II.4 Jaringan Saraf Tiruan ………...10

II.4.1 Neuron .………11

II.4.2 Arsitektur Jaringan Saraf Tiruan ………...11

II.4.3 Struktur Jaringan Saraf Tiruan ………...12

II.4.4 Cara memodifikasi Bobot ………...14

II.4.5 Fungsi Aktifasi ………...14

II.4.6 Bias Dan Threshold ………...16

(4)

II.5.1 Arsitektur Dan Algoritma ………...17

II.5.2 Memperbaharui Bobot Pada Lapisan Keluaran …………...18

II.5.3 Memperbaharui Bobot Pada Lapisan Tersembunyi …………...20

II.6 Penerapan Jaringan Saraf Tiruan Menggunakan Bahasa Pemrograman Matlab ….………..22

II.7 Ekstraksi Fitur Gabor ………...23

BAB III. PERANCANGAN SISTEM ………...26

III.1 Perancangan Sistem ………...26

III.2 Diagram Aliran Data ………...27

III.3 Tahap pendeteksian wajah ………...29

III.4 Jaringan Saraf Tiruan ………...31

III.5 Gabor Filter ………...32

III.6 Database ...………...33

III.7 Pelatihan Active Learning ………...33

III.8 Histogram Equalization ...………...34

BAB IV. ANALISA ………...35

IV.1 Data ………...35

IV.2 Pengukuran Evaluasi Unjuk Kerja ………...35

IV.3 Hasil Deteksi ………...35

IV.4 Pengaruh Jumlah Data Training Yang Digunakan ………...38

BAB V. KESIMPULAN DAN SARAN ………...40

V.1. Kesimpulan ………...40

V.2. Saran ………...40

DAFTAR PUSTAKA

(5)

DAFTAR GAMBAR

Gambar II.1 Proses deteksi wajah ………..…..……….5

Gambar II.2 Korelasi antara nilai Cb dan Cr yang memperlihatkan warna kulit....6

Gambar II.3 Nilai Cb dan Cr untuk warna kulit (baris atas) dan untuk seluruh gambar (baris bawah) ……….……7

Gambar II.4 Proses erosi dan dilasi ……….8

Gambar II.5 Struktur sel saraf ... 9

Gambar II.6 Neuron ...11

Gambar II.7 Jaringan lapisan tunggal ...11

Gambar II.8 Jaringan lapisan banyak ...12

Gambar II.9 Jaringan saraf tiruan feedforward ………...13

Gambar II.10 Jaringan reccurent ………...13

Gambar II.11 Fungsi linier ………..…………..………….……..15

Gambar II.12 Fungsi tansig ...………..……..15

Gambar II.13 Fungsi logsig ...………..………...16

Gambar II.14 Jaringan saraf backpropagation ..……….…17

Gambar II.15 Model wajah yang terdiri dari empat titik landmark …………...24

Gambar III.1 Sistem pendeteksi gambar wajah ………...26

Gambar III.2 Sistem Trainer Jaringan Saraf Tiruan ………...27

Gambar III.3 Diagram aliran data sistem detector wajah ..………...28

Gambar III.4 Tahap pertama proses pendeteksian wajah ..………...29

Gambar III.5 Kandidat wajah yang dikandung window ………...29

Gambar III.6 Kandidat wajah setelah difilter ……….………...…...30

Gambar III.7 Memperbesar pola dengan disk structure ….…………....…..30

Gambar III.8 Titik tengah dari kandidat wajah ….………...30

Gambar III.9 Persegi panjang untuk masing-masing titik tengah kandidat wajah ………...31

Gambar III.10 Hasil akhir proses identifikasi ……….………..31

Gambar III.11 Proses vektorisasi ……….…………...32

(6)

Gambar III.13 Metode pelatihan Active Learning ………...34

Gambar IV.1 Hasil deteksi dengan false positive dan wajah yang tidak terdeteksi ………..………….…36

Gambar IV.2 Hasil deteksi wajah ………..…………...37

Gambar IV.3 Gambar masukan untuk tabel IV.1 ..………..…...38

(7)

DAFTAR TABEL

Tabel IV.1 Pengaruh jumlah data training yang digunakan ……….…...39

pada IV.1

Tabel IV.2 Pengaruh jumlah data training yang digunakan ……….…...39

(8)

LAMPIRAN A

(9)

(10)

%---

% gabor.m

function Psi = gabor (w,nu,mu,Kmax,f,sig)

(11)

net.numLayers = 2;

net.biasConnect = [1;1];

net.inputConnect = [1 ;...

0 ];

net.targetConnect = [0 1];

netInputs = ones (2160,2);

(12)

%---

% im2vec.m

function IMVECTOR = im2vec (W27x18)

load gabor;

W27x18 = adapthisteq(W27x18,'Numtiles',[8 3]);

Features135x144 = cell(5,8);

for s = 1:5

for j = 1:8

Features135x144{s,j} = ifft2(G{s,j}.*fft2(double(W27x18),32,32),27,18);

end

IMVECTOR = reshape (Features45x48,[2160 1]);

%---

% loadimages.m

function IMGDB = loadimages

%---

face_folder = 'face\'; %Lokasi gambar wajah

non_face_folder = 'non-face\'; %Lokasi gambar non-wajah

file_ext = '.png';

out_max = 0.9; % Output yang diinginkan untuk mendeteksi sebuah wajah

out_min = -0.9; % Output yang diinginkan untuk mendeteksi Non-wajah

(13)

if exist('imgdb.mat','file')

load imgdb;

else

IMGDB = cell (3,[]);

end

fprintf ('Loading Faces ');

folder_content = dir ([face_folder,'*',file_ext]);

nface = size (folder_content,1);

for k=1:nface

string = [face_folder,folder_content(k,1).name];

image = imread(string);

(14)

IM {8} = im2vec (circshift(fliplr(image),-1));

folder_content = dir ([non_face_folder,'*',file_ext]);

nnface = size (folder_content,1);

for k=1:nnface

string = [non_face_folder,folder_content(k,1).name];

(15)

IM {4} = im2vec (flipud(fliplr(image)));

function NET = trainnet(net,IMGDB)

(16)

%---% imscan.m

function im_out = imscan (net,im)

close all

C2 = premnmx(double(imread (TEMPLATE1)));

C3 = premnmx(double(imread (TEMPLATE2)));

Corr_1 = double(conv2 (C1,C2,'same'));

Corr_2 = double(conv2 (C1,C3,'same'));

Cell.state = int8(imregionalmax(Corr_1) | imregionalmax(Corr_2));

Cell.state(1:13,:)=-1;

Cell.state(end-13:end,:)=-1;

Cell.state(:,1:9)=-1;

Cell.state(:,end-9:end)=-1;

Cell.net = ones(m,n)*-1;

(17)

imshow(im);

elseif Cell.net(i,j) < -1*Threshold

(18)

(19)

plot(n_,m_,'.g');pause(0.001);

xy_ = Cell.net > Threshold;

xy_ = imregionalmax(xy_);

xy_ = imdilate (xy_,strel('disk',2,4));

[LabelMatrix,nLabel] = bwlabeln(xy_,4);

CentroidMatrix = regionprops(LabelMatrix,'centroid');

xy_ = zeros(m,n);

for i = 1:nLabel

xy_(fix(CentroidMatrix(i).Centroid(2)),...

fix(CentroidMatrix(i).Centroid(1))) = 1;

end

xy_ = drawrec(xy_,[27 18]);

im_out (:,:,1) = im;

im_out (:,:,2) = im;

(20)

for i = 1:m

function out = drawrec (in,w)

% Fungsi ini akan menggambar suatu persegi panjang 27x18

% Persegi panjang akan digambar pada tiap gambar biner yang merupakan

(21)

try

choice=menu('Face Detection',...

'Create Database',...

'Initialize Network',...

(22)

(23)

Lampiran B

(24)

Grafik training neural network dengan menggunakan 10 data wajah dan 10 data non wajah sebagai data training.

(25)

(26)

(27)

(28)

(29)

(30)

(31)

(32)

(33)

(34)

(35)

Gambar hasil deteksi dengan menggunakan 108 data wajah dan 122 data non wajah sebagai data training.

(36)

BAB I

PENDAHULUAN

I.1 Latar Belakang

Sejalan dengan semakin tingginya kemampuan komputer untuk

memproses data dalam jumlah besar dengan kecepatan yang tinggi, sistem

biometrik semakin banyak diaplikasikan dalam kehidupan manusia. Sthepen Coob

(1996) mendefinisikan biometrik sebagai berikut: “The term biometrics refers to a

range of authentication systems. Its definition is a measureable characteristic or

personal trait used to recognize the identity or verify the claimed identity, of a

person through the automated means”. Secara umum, sistem biometrik adalah

sistem untuk melakukan identifikasi dengan cara menggunakan ciri-ciri fisik atau

anggota tubuh manusia, seperti wajah, sidik jari, retina mata, suara.

Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan,

antara lain untuk sistem pengenalan biometrik. Secara umum untuk manusia,

wajah merupakan ukuran yang paling mudah dan sederhana untuk membedakan

identitas individu yang satu dengan yang lainnya. Sistem pengenalan wajah

bertujuan untuk mengidentifikasi wajah seseorang dengan cara membandingkan

wajah tersebut dengan database wajah yang sudah ada.

Pendeteksian gambar wajah merupakan persoalan menentukan posisi

wajah dalam suatu citra dan merupakan masalah klasifikasi pola dengan input

adalah suatu citra dan outputnya adalah label kelas dari citra tersebut. Dalam hal

ini terdapat dua label kelas, yaitu wajah dan non wajah [1]. Pendeteksian gambar

wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum

dilakukan proses pengenalan wajah (face recognition) yang digunakan dalam

identifikasi biometrik. Metode pada penentuan daerah wajah ini adalah dengan

memisahkan wilayah kulit (skin region) dengan wilayah bukan kulit (non-skin

region).

Masalah pendeteksian gambar wajah dapat dirumuskan sebagai berikut:

diberikan masukan sebuah citra digital sembarang, maka sistem akan mendeteksi

apakah ada wajah manusia di dalam citra tersebut. Keluaran dari sistem adalah

(37)

2

I.2 Identifikasi Masalah.

1. Bagaimana mendeteksi lokasi wajah manusia dari gambar masukan yang

diberikan?

2. Bagaimana kinerja proses pendeteksian gambar wajah dengan

menggunakan jaringan saraf tiruan berarsitektur multilayer perceptron ?

3. Bagaiman merealisasikan suatu program yang dapat mensimulasikan

pendeteksian gambar wajah dengan menggunakan jaringan saraf tiruan

multilayer perceptron?

I.3 Tujuan.

Tujuan Tugas Akhir ini adalah untuk mempelajari cara kerja sistem

pendeteksian wajah menggunakan metode jaringan saraf tiruan multilayer

perceptron.

I.4 Pembatasan Masalah.

1. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan

(frontal), dan tidak terhalangi sebagian oleh objek lain.

2. Input yang dideteksi menggunakan format JPEG.

3. Metode pelatihan dan pengujian yang digunakan adalah jaringan saraf

tiruan multilayer perceptron.

I.5 Sistematika Penulisan.

Penulisan Tugas Akhir ini terdiri dari lima bab dengan susunan sebagai

berikut:

1. BAB I PENDAHULUAN

Bab ini akan menjelaskan mengenai apa saja yang melatarbelakangi

penulisan laporan tugas akhir, mengidentifikasi masalah yang akan

diselesaikan dalam tugas akhir dan apa saja yang menjadi tujuan

penyusunan laporan Tugas Akhir, pembatasan masalah sehingga ruang

lingkup permasalahan yang akan diselesaikan menjadi lebih fokus, dan

(38)

3

2. BAB II DASAR TEORI

Bab ini berisi materi-materi sebagai referensi dalam perancangan sistem

pendeteksian gambar wajah menggunakan jaringan saraf tiruan

berarsitektur multilayer perceptron.

3. BAB III PERANCANGAN

Pada bab ini akan dibahas mengenai perancangan tiap-tiap modul dari

program pendeteksian wajah yang akan dibuat.

4. BAB IV SIMULASI DAN ANALISA

Bab ini akan menampilkan dan menganalisa hasil pengujian terhadap

program pendeteksian wajah yang telah dirancang.

5. BAB V KESIMPULAN DAN SARAN

Bab ini menyimpulkan hasil perancangan, disertai saran-saran untuk

(39)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Kesimpulan yang didapat dari penyusunan tugas akhir ini adalah sebagai

berikut:

1. Pada sistem pendeteksi wajah yang berbasis contoh, hasil yang

diperoleh sangat dipengaruhi oleh banyaknya contoh dan kualitas data

yang digunakan.

2. Pendefenisian kotak wajah yang berlebih pada proses deteksi wajah

disebabkan oleh penyesuaian terhadap dimensi gambar.

V.1 Saran

Berdasarkan hasil percobaan yang telah dilakukan, maka dapat

dirumuskan beberapa saran sebagai berikut, yaitu:

1. Untuk meningkatkan unjuk kerja sistem pendeteksi wajah, dapat

diberikan pelatihan dengan tambahan data training.

2. Untuk percobaan lebih lanjut, sistem pendeteksi gambar wajah dapat

(40)

DAFTAR PUSTAKA

1. Sung, K.K., 1996, “ Learning and Example Selection for Object and

Pattern Detection”, AITR 1572, Massachusetts Institute of Technology AI

Lab.

2. Yang, M.H., Kriegman, D., Ahuja, N., 2002, “Detecting Faces in Images:

A Survey” , IEEE Trans. Pattern Analysis and Machine Intelligence, vol.

24, no. 1.

3. Marius, Diedrik., Pennathur, Sumita., Rose, Klint., “ Face Detection Using

Color Thresholding, And Eigenimage Template Matching”.

4. LeCun, Y., Bottou, L., Orr, G.B., Muller, K.R., 1998, “ Efficient

BackProp” , Neural Networks: tricks of the trade, Springer.

5. Jek, Jong, Siang, ”Jaringan syaraf tiruan & Pemrogramannya

menggunakan MATLAB”, Andi, 2005.

6. Haykin Simon, Neural networks acomprehensive foundation, second

edition, Prentice Hall, 1999.

7. Gonzalez, R.C., Woods, R.E., 1992, Digital Image Processing,

Addison-Wesley Publishing Company, USA.

8. Demuth,H., Bale, M., Neural Network Toolbox, For Use with MATlLAB,

The MathWorks, 2001.

9. http://www.geocities.com/setyo_n/pub/naskah-pub-ugm-sn.pdf, 09

Februari, 2008.

10.http://puslit.petra.ac.id/~puslit/journals/articles.php?PublishedID=INF030

40101, 6 February, 2008.

11.http://vasc.ri.cmu.edu/idb/html/face/frontal_images, 21 February 2008.

12.Kusumadewi, Sri,“Membangun Jaringan Saraf Tiruan Menggunakan

Matlab & Excel link”,Edisi Pertama,graham Ilmu,Yogyakarta, 2004.

13.Arif, Oki Pamungkas, “Pengenalan Wajah Menggunakan Metode

Fisherface”.

14.Haslim, Herman Susilo, “Aplikasi Jaringan Saraf Tiruan Pada Simulator

(41)

15.Radjagukguk, Hendrik MH, “Klasifikasi Arrhythmia Dengan

Menggunakan Jaringan Saraf Tiruan Berarsitektur Multiple Multilayer