Yusron Rijal
e-mail: yusronrijal@yahoo.com
ABSTRACT
Digital image face detection had been developing so much in this last decade. The searching for the best method is still walking until today. This face detection research is using color model based segmentation method combined with template matching. There are 4 main process in this research. First, motion detection is used to minimize the size of the image by subtracting image n with image n+m. Then, by using YCbCr color model based segmentation, the image is separated by skin color area and non-skin color area. Third, is to reduce the noise by using the blurring way and by filtering its wide. The last one is matching the area that last with template that has been prepared to detect which area is face. The result of the research, from 217 images and 10 videos , shows that this method reach up to 70,5% face detection accuration procentage.
Keywords : Face Detection, Skin Color Segmentation, Noise Reducing, Template Matching
PENDAHULUAN
Pengolahan citra merupakan suatu sistem dimana proses dilakukan dengan masukkan berupa citra dan hasilnya juga berupa citra. Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra, maka pengolahan citra tidak dapat dilepaskan dengan bidang computer vision.
Dalam perkembangan lebih lanjut pengolahan citra dan computer vision digunakan sebagai pengganti mata manusia, dengan perangkat input image capture seperti kamera dan scanner dijadikan sebagai mata dan mesin komputer dijadikan sebagai otak yang mengolah informasi. Salah satu bidang yang menggunakan pengolahan citra yang saat ini banyak dikembangkan orang adalah biometric, yaitu bidang yang mempelajari bagaimana dapat mengindentifikasi ciri unik yang ada pada tubuh manusia
Otak bisa menentukan apakah objek yang dilihat oleh mata itu adalah manusia atau bukan, wajah atau tangan dan sebagainya. Oleh karena itu, sangat penting penelitian yang bertujuan agar komputer dapat memiliki fungsi mendeteksi objek tersebut layaknya manusia diperlukan suatu cara dengan metode tertentu. Dalam hal ini adalah bagaimana komputer mampu mendeteksi suatu objek bergerak dan menentukan bagian-bagian wajah manusia.
Apabila komputer dapat didesain agar memiliki kecerdasan mendekati kecerdasan yang
dimiliki manusia, tentu hal tersebut dapat memudahkan kerja manusia. Dengan begitu banyak kegiatan manusia yang bisa didampingi oleh sistem komputer, seperti pengenalan wajah, pendeteksian wajah, object tracking, image registration, deteksi jalur kendaraan, dan lain sebagainya.
METODE PENELITIAN 1. Perancangan Sistem
Dalam perancangan sistem, secara garis besar dapat digambarkan pada blok diagram berikut :
Gambar 1. Blok diagram
Berdasarkan blok diagram diatas, pendeteksian wajah ini dapat dibagi menjadi 5 tahap, yaitu tahap citra awal, tahap deteksi kulit, tahap pengurangan derau, tahap template matching dan tahap hasil deteksi. Tiap-tiap tahap memiliki proses-proses pengolahan citra di dalamnya. Atau secara umum dapat dilihat pada flowchart sebagai berikut:
2. Motion Detection
Tujuan tahapan ini adalah untuk mengurangi proses representasi pola warna kulit terhadap citra yang akan diolah.
Citra yang digunakan sebagai masukan adalah citra hasil capture webcam dengan format
WebCam Motion
Detection Computer
Noise Reduction Result Template matching
BMP dan de yang penulis (frame pe kelipatan de capture Posisi wajah seperti pada citra dilak pendeteksia saling dikur mendeteksi
Sebelu kedua citra pengaburan mendapatka lebih baik.
Pada perkalian m matriks citra
dan dengan resolu ng penulis gunakan m
per second) atau lipatan detik ke 0,1 citra yang aka sisi wajah relatif men perti pada gambar 2
Gambar
Setiap citra masu pikselnya untuk men jau dan biru (RGB). S
u, Y, Cb dan Cr-nya.
s Pengaburan Dalam setiap pe asukan yang dibu
bagaimana telah diseb ra dilakukan dua ndeteksian. Kedua citr ling dikurangkan ( endeteksi gerak.
Sebelum dilakuka dua citra masukan ngaburan terlebih d endapatkan hasil pe
ih baik.
Pada dasarnya pr rkalian matriks antara atriks citra [3]. Ukuran
rpengaruh pada hasil matriks, sema hasilkan. Pada sistem i atriks kernel rata-rata oses pengaburan dapa
Gambar 3. Hasil p
gan resolusi 320 x unakan memiliki kecep
) atau 15 citra per k ke 0,1 dan ke 0,15
yang akan diproses elatif menghadap luru
2.
ar 2. Citra masukan
itra masukan akan d untuk mengambil nilai (RGB). Serta dihitun
.
setiap pendeteksian w ng dibutuhkan ad elah disebutkan di ata an dua kali dal Kedua citra masuka
kan (image subtr
dilakukan pendetek asukan akan dilaku erlebih dulu. Tujuan hasil pendeteksian
sarnya proses pengab iks antara matriks ke . Ukuran matriks yan ada hasil proses. Sem ks, semakin kabur
a sistem ini penulis m rata berukuran 3 uran dapat dilihat pada
Hasil proses pengab
x 240. Webca iliki kecepatan 15 citra per detik. Setiap
n ke 0,15 dilakukan diproses selanjutnya. adap lurus ke depan,
masukan
n akan diakses tiap mbil nilai-nilai merah, ta dihitung nilai abu
eteksian wajah, citra hkan adalah dua. kan di atas, capturi
kali dalam setiap asukan tersebut akan ubtraction) untuk
pendeteksian gerak, an dilakukan proses Tujuannya untuk eteksian gerak yang
es pengaburan adalah atriks kernel dengan atriks yang digunakan roses. Semakin besar kabur citra yang penulis menggunakan rukuran 3x3. Keluaran ilihat pada gambar
es pengaburan
bcam
Proses Motion D Kedua citr tersebut akan mendeteksi perge Citra manapun pengurang tidak m hasil pengurangan selalu dijadikan po
Perbedaan indikator pergerak gerak ini akan cropping selanjutn gerak dapat dilihat
Gambar
Proses Croppin Proses mempersempit sehingga diharapk pendeteksian wa dilakukan berdasa putih terdekat de dan Ymin. Dan te Xmax dan Ymax. Se
Gamba
Hasil dari p menjadi masukan tahap deteksi kulit.
on Detection
dua citra hasil pro akan saling dikur
ksi pergerakan yang anapun yang be g tidak menjadi masa gurangan dijadikan a adikan positif.
rbedaan nilai yang d pergerakan. Hasil da
i akan menjadi da selanjutnya. Hasil da pat dilihat pada gamba
bar 4. Hasil proses d
ping
oses cropping sempit area pend
diharapkan dapat me sian wajah [1,2 n berdasarkan pada rdekat dengan sumbu n. Dan terjauh dari n Ymax. Seperti pada ga
bar 5. Hasil proses
sil dari proses cro masukan bagi tahap teksi kulit.
hasil proses penga dikurangankan kan yang terjadi yang bertindak se
jadi masalah. Karena
il proses deteksi gerak
dilakukan ea pendeteksian dapat mempercepat p
sil proses croppping
cropping ini yang gi tahap selanjutnya,
s pengaburan
silkan menjadi proses deteksi r bagi proses proses deteksi
si gerak
kukan untuk eksian wajah ercepat proses oses cropping ordinat piksel 0,0) atau Xmin bu (0,0) atau
ng
3. Skin R Pada bertujuan u kulit denga lebih mengo penulis mel berdasarkan
Penca kedua pros metode iter sampai m mutlak, hita dan lain proses, yaitu Pengaburan
in Representatio
Pada tahap repre rtujuan untuk memi lit dengan area berw
ih mengoptimalkan h nulis melakukan dua rdasarkan RGB dan Y
Pencarian range n dua proses segmen etode iterasi, yaitu d mpai menemukan r 10,11,12]. Tetapi rsebut didasarkan pada
Segmentasi berda tuk mengeliminasi pastikan bukan warn
k, hitam mutlak, h n lain-lain, seperti y
6.
Gambar 6. Hasil pro
Hasil dari proses s lanjutkan dengan pro gmentasi ini bertujua ea berwarna kulit.
Nilai YCbCr didap ng menggunakan n dapatkan sebelumnya
rsamaan sebagai berik
)
Gambar 7. Hasil pro
ise Reduction
Seperti yang dapa hwa terdapat bany enyertai area-area k hap pengurangan d engurangi sebanyak rsebut.
Pengurangan der oses, yaitu pengabura ngaburan derau bertu tation
representasi war uk memisahkan area area berwarna non imalkan hasil pen ukan dua kali segme GB dan YCbCr.
n range nilai yang digu segmentasi dilakuk i, yaitu dilakukan ber mukan range nilai
Tetapi pengulangan rkan pada data hasil sa
berdasarkan RGB liminasi area-area y kan warna kulit, se mutlak, hijau mutlak
seperti yang dapat d
. Hasil proses segmenta
ri proses segmentasi R ngan proses segmen i bertujuan untuk me
bCr didapatkan dari nakan nilai RGB ebelumnya. Dengan
agai berikut:
)
Hasil proses segmentas
yang dapat dilihat pad pat banyak derau
area kulit hasil rangan derau bertu
ebanyak mungkin
ngan derau ini me engaburan derau dan rau bertujuan untuk
ntasi warna kulit hkan area berwarna
rna non-kulit. Untuk il pendeteksian kulit, ali segmentasi, yaitu
i yang digunakan pada i dilakukan dengan kukan berulang-ulang ge nilai yang tepat ngulangan range nilai ata hasil sampling.
rkan RGB dilakukan area yang dapat kulit, seperti putih u mutlak, biru mutlak
g dapat dilihat pada
segmentasi RGB
mentasi RGB tersebut s segmentasi YCbCr. untuk mencari area
kan dari perhitungan i RGB yang telah engan persamaan
)
egmentasi YCbCr
ilihat pada gambar derau-derau yang it hasil segmentasi. au bertujuan untuk ungkin derau-derau
ini memiliki dua ange nilai
dilakukan
derau-derau kecil yang besar. Prose dasarnya sama tahap citra awal.
Gambar 8.
Gambar 9
Proses Filter Lu Setelah me kecil, berikutnya yang cukup besar dinyatakan sebaga
Untuk dap sebelumnya kita penghitungan lu menghitung luas metode Freeman
isebut chain co
Gambar 10
Proses pe dengan menghitun putih pada tiap sebagai penentu ar
Gambar 1
5 6
rau kecil dan mengah ar. Proses pengabura sama dengan proses ra awal.
Citra sebelum pen
. Hasil proses pen
r Luas
telah mengurangi d rikutnya adalah men kup besar tetapi kur an sebagai wajah.
tuk dapat melaku nya kita perlu u
ngan luas tiap ng luas area, penul
man’s Chain Cod code [5,6,8].
0. Modifikasi Fre
oses penghitungan enghitung banyaknya da tiap area. Cha enentu arah prioritas.
ar 11. Ilustrasi pengh 3 4
6
7
n mengahaluskan area pengaburan derau ini an proses pengaburan
belum pengaburan dera
pengaburan derau
urangi derau-derau alah mengurangi area tetapi kurang besar
melakukan filter perlu untuk melak
tiap-tiap area. U ea, penulis memanfa
Code, selanjutnya c
Freeman’s Chain
hitungan luas dilak banyaknya piksel berw Chain code digun prioritas.
trasi penghitungan luas 1
2 8
skan area-area derau ini pada ngaburan pada
uran derau
derau
derau yang rangi area-area g besar untuk
n filter luas, k melakukan area. Untuk memanfaatkan anjutnya cukup
in Code
uas dilakukan iksel berwarna digunakan
Berda didapat luas merah. Sela seperti gamb
Ga
Setiap akan dihitun Sehingga did ini dilakuka pada citra.
Setela barulah dap luas suatu a maka area te
5. Templ Tahap untuk mene yang merupa dari tahap menjadi citr kulit terseb template terlihat pada
Citra template Ukuran cit
Berdasarkan gam dapat luas sebesar 1 pi erah. Selanjutnya ilust perti gambar berikut
Gambar 12. Ilustra
Setiap perpindaha an dihitung luasnya hingga didapatkan lua i dilakukan berulang
da citra.
Setelah didapatka rulah dapat dilakukan as suatu area tidak m aka area tersebut akan
Gambar 13. Hasi
mplate Matchin
Tahap templat tuk menentukan area ng merupakan wajah ri tahap deteksi kulit enjadi citra-citra baru.
lit tersebut yang a te yang telah d rlihat pada gambar 1
Citra masukan seb te, dilakukan pen uran citra masukan
rkan gambar 11, be besar 1 piksel yang tel tnya ilustrasi dapat d
berikut ini :
Ilustrasi proses hitun
erpindahan posisi po luasnya dan diberi ta atkan luas sebesar 16 berulang sebanyak j
didapatkan luas tiap dilakukan proses filte a tidak memenuhi lua ebut akan dihapus.
Hasil proses filter
hing
late matching ukan area-area warna
n wajah [14,15]. Selan teksi kulit akan di
baru. Citra dengan yang akan dicocok
telah disiapkan. ambar 14.
sukan sebelum dicoco ukan penskalaan terle masukan tersebut
, berarti telah el yang telah bertanda si dapat digambarkan
oses hitung luas
posisi pointer, maka
enuhi luas thresho
oses filter luas
ing ini berfungsi ea warna kulit mana Selanjutnya, hasil kan di-crop otomatis dengan area warna n dicocokan dengan apkan. Seperti yang
um dicocokan dengan alaan terlebih dahulu. tersebut disamakan rti telah sebelum dicocokan disiapkan. Temp Yaitu template den 70°, −20°, −45°
Gambar 15.Tem
Setiap citra tiap-tiap templ kecocokan yan sehingga hasil rat indikator wajah ata
Tahap Hasil Tahap ini be keseluruhan prose persegi empat ber dideteksi sebagai w
Oleh karen bergantung pada suatu area dinyat wajah, maka area persegi empat mer tersebut dideteksi
Sebaliknya, dideteksi sebagai w dikelilingi oleh seg
Gamb
APLIKASI DAN Uji coba dil citra dengan berb
ukuran citra temp empermudah proses pe
bar 14. Hasil prose
citra baru terseb citra hitam-putih dicocokan dengan
emplate yang disia dengan sudut ke °, dan −70°.
Template 70° (palin (paling kanan)
tiap citra masukan d plate. Tiap-tiap n yang didapatkan hasil rata-rata terseb wajah atau bukan.
asil Deteksi hap ini berfungsi seba han proses. Tahap ini a mpat berwarna mera i sebagai wajah.
eh karena itu, tahap ng pada tahap-tahap ea dinyatakan wajah, aka area tersebut aka mpat merah sebagai dideteksi sebagai waja
baliknya, jika suatu i sebagai wajah, maka a
i oleh segi empat mera
mbar 16. Hasil dete
AN PEMBAHASA i coba dilakukan deng ngan berbagai latar
mplate dengan t proses pencocokan.
asil proses cropping
ru tersebut akan putih terlebih d engan template yang yang disiapkan ada 7 n sudut kemiringan
(paling kiri) sampai ing kanan)
asukan dicocokan de tiap prosentase apatkan akan dirata ata tersebut yang me bukan.
ungsi sebagai keluaran ahap ini akan mengga rna merah pada area
itu, tahap ini sepenu tahap sebelumnya an wajah, meskipun b rsebut akan dikeliling
sebagai tanda bahwa agai wajah.
a suatu area wajah ah, maka area tersebut mpat merah.
Hasil deteksi wajah
ASAN
ukan dengan menggun ai latar belakang. Ko
dengan tujuan ocokan.
ng
akan diubah rlebih dahulu yang telah an ada 7 buah. ringan 20°, 45°,
i) sampai −70°
ocokan dengan osentase hasil an dirata-rata, t yang menjadi
i keluaran dari n menggambar pada area yang
ni sepenuhnya belumnya. Jika eskipun bukan dikelilingi oleh da bahwa area
a wajah tidak a tersebut tidak
pencahayaan wajah tidak lainnya.
Pertam utama adala Hal ini penti Dengan did optimal, pro akan mening
Selan matching secara efisie prosentase baik.
Pengu berapa nilai kecocokkan
ncahayaan harus teran jah tidak dihalangi a
Pertama yang pe ama adalah optimal
l ini penting karena ngan didapatkan ha timal, prosentase aku an meningkat.
elanjutnya ada ing. Bagaimana me cara efisien dan efek osentase akurasi pen
Pengujian dilaku rapa nilai kecocokkan cocokkan citra wajah t
Uji Sampel Te
Citra
arus terang dan merat ihalangi atau tertutup
yang perlu menjad optimalnya hasil dari d karena untuk proses atkan hasil deteksi ntase akurasi pendete
nya adalah proses imana metode ini dap
dan efektif untuk m urasi pendeteksian
n dilakukan untuk cocokkan dan rata-ra wajah terhadap te mpel Terhadap Tem
Kecocokan
dan merata. Pada area tertutupi oleh objek
u menjadi perhatian asil dari deteksi kulit. k proses pencocokan deteksi kulit yang
i pendeteksian wajah
proses templa de ini dapat dilakukan untuk menghasilkan eteksian wajah yang
n untuk mengetahui -rata prosentase
template. emplate
ocokan Prosentase Kecocokan eksi kulit. ncocokan. dinyatakan bahwa wajah jika memili 500 dan nilai prose Selanjutnya, pendeteksian waja tingkat akurasi da kondisi uji coba, ya normal (tidak bera pengguna lebih beraksesoris (topi, akurasi pendeteks baik pengujian terh bergerak.
Proses peng belakang dan s beragam. Diharap sesungguhnya dari kondisi pencahaya sistem ini. Faktor proses segmentas kesalahan pendet belakang yang sew
311
rdasarkan data dari an bahwa suatu area ka memiliki nilai keco ilai prosentasenya be lanjutnya, prose sian wajah dilakukan kurasi dari sistem ini ji coba, yaitu pada sat tidak beraksesoris dan a lebih dari satu,
(topi, kaca mata, ji a berekspresi/bertingk
Coba Pendeteksian
Kondisi
tu pengguna
bih dari satu pengguna ngguna beraksesoris ngguna berekspresi
rdasarkan data uji, s pendeteksian wajah i gujian terhadap citra d
oses pengujian juga dan sumber pe . Diharapkan akan
hnya dari algoritma
Coba Terhadap Sum
Sumber Cahaya
Sinar matahari Sinar matahari Melawan sinar matahari Lampu Sinar matahari
ri tabel 3 dapat dili pencahayaan sangat b
i. Faktor latar belakan egmentasi yang dapa n pendeteksian, teru yang sewarna dengan
311
data dari tabel 1, uatu area tersebut a
nilai kecocokan lebih asenya berkisar 76
proses p
ilakukan untuk menge sistem ini melalui u pada satu orang peng esoris dan bertingkah)
ri satu, pada peng ca mata, jilbab dll)
rtingkah.
deteksian Wajah Prose ap citra diam maupun
an juga dilakukan pada ber pencahayaan n akan diketahui k goritma ini.
hadap Sumber Cahaya
Akurasi sangat berpengaruh ar belakang mempeng ang dapat mengakib sian, terutama pada na dengan kulit.
50%
tabel 1, dapat ersebut adalah lebih dari
-80 %. pengujian tuk mengetahui elalui beberapa rang pengguna rtingkah), pada ada pengguna
ra keseluruhan sebesar 70,5% m maupun citra
ukan pada latar ahayaan yang etahui kinerja
Sehingga prosentase keberhasilan dari sistem ini rata-rata keseluruhan adalah 65%. Prosentase tersebut didapatkan dari uji coba pada berbagai latar belakang dan kondisi pencahayaan.
PENUTUP
a. Dari pengujian sistem secara keseluruhan, prosentase akurasi dari sistem pendeteksian wajah ini sebesar 65% dengan kecepatan rata-rata proses sebesar 4 detik.
b. Proses segmentasi sangat bergantung pada kondisi pencahayaan. Akibatnya, nilai ambang pada suatu kondisi pencahayaan dengan kondisi pencahayaan yang lain bisa jadi berbeda.
c. Keuntungan dari penggunaan model warna YCbCr sebagai dasar segmentasi deteksi warna kulit adalah pengaruh luminasi dapat dipisahkan. Pada model warna YCbCr, semua informasi tentang tingkat kecerahan diberikan oleh komponen Y (luminasi), karena komponen Cb (biru) dan komponen Cr (merah) tidak tergantung dari luminasi. d. Proses penskalaan pada proses template
matching bisa menjadi kelemahan dalam akurasi pendeteksian wajah. Perubahan ukuran panjang dan lebar dari citra menyerupai ukuran template mengakibatkan beberapa area citra berubah bentuk. Sehingga perubahan bentuk tersebut menyerupai bentuk wajah.
e. Prosentase akurasi penggunaan template matching sebagai penentu wajah mencapai 70,5%. Tetapi cara ini memiliki kelemahan karena proses dilakukan pada bidang 2 dimensi. Akibatnya, apabila terdapat area bukan wajah yang memiliki bentuk seperti template akan dinyatakan sebagai wajah.
Setelah melakukan penelitian ini, penulis mendapatkan beberapa hal yang perlu untuk dipelajari lebih lagi, yaitu:
a. Untuk mendapatkan proses pendeteksian wajah yang lebih cepat, hendaknya citra masukan melalui proses pengecilan terlebih dahulu. Setelah ukuran citra masukan diperkecil, barulah proses-proses pendeteksian wajah dilakukan. Setelah proses pendeteksian wajah selesai, barulah ukuran citra tersebut dikembalikan seperti semula.
b. Untuk memperoleh akurasi pendeteksian wajah yang lebih baik, maka penentuan area wajah dilakukan berdasarkan ekstraksi fitur area wajah, seperti mata, hidung atau mulut, bukan berdasarkan template matching.
DAFTAR PUSTAKA
[1] Achmad, B. & Firdausy, K. 2005. Teknik Pengolahan Citra Digital Menggunakan Delphi. Jogjakarta: Ardi Publishing.
[2] Ahmad, U. 2005. Pengolahan Citra Digital Teknik Pemrogramannya. Jogjakarta: Graha Ilmu.
[3] Basuki, A. & Palandi, J.F.F. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Jogjakarta: Graha Ilmu.
[4] Castleman, K.R. 1996. Digital Image Processing. New Jersey: Prentice-Hall.
[5] Lensu, L. 1998. Freeman Chain Code, (Online), (www.it.lut.fi/kurssit/9900/ 010588000/exercises/11/freeman/solution .html, diakses 23 Maret 2008).
[6] Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika.
[7] Padilla, Michael and Fan, Zhong, 2003, EE368 Digital Image Processing Project – Automatic Face Detection Using Color Based Segmentation and Template/Energy Thresholding, Departement of Electrical Engineering, Jurnal EE386.
[8] Parker, P.M. 2005. Chain Code, (Online),
(www.websters-online-dictionary.org/definition/image, diakses 23 Maret 2008).
[9] Rayleigh, J.W.S. 1899. Additive Primaries, (Online), (http://en.wikipedia.org/ wiki/Additive_primaries#Additive_primarie s, diakses 23 Maret 2008).
[10] RGBWorld. 2007. Color, (Online), (www.RGBWorld.com.color.html, diakses 23 Maret 2008).
[11] Rijal. Yusron, & Mardi Supeno & Mauridy H. Purnomo. 2006. Deteksi Wajah Pada Obyek Bergerak Dengan Menggunakan Kombinasi Gabor Filter Dan Gaussian Low Pass Filter. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2006. Universitas Islam Indonesia
[12] T.S. Caetano and D.A.C. Barone. 2000. A Probabilistic Model for the Human Skin Color. Universidade Federal do Rio Grande do Sul – Instituto de InformáticaAv. Bento Golçalves, bloco IV – Porto Alegre – RS – Brazil
[14] Wikipedia. 2008. Webcam, (Online), (http://en.wikipedia.org/ wiki/Webcam, diakses 24 Maret 2008).
![PENGARUH DOSIS LIMBAH MEDIA JAMUR TIRAM DAN KONSENTRASI LARUTAN ZAT PENGATUR TUMBUH (ZPT) ABITONIK TERHADAP SEMAI KAYU MANIS [Cinnamomum camphora (l,) J. Presi]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACH5BAEAAAAALAAAAAABAAEAAAICRAEAOw==)