Universitas Kristen Maranatha
PENGENALAN WAJAH DENGAN CITRA MASUKAN
BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL
SINTESIS DENGAN TEKNIK MULTISCALE
MARKOV RANDOM FIELD (MRF)
Disusun oleh : Alvin Silajaya (0922018)
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH, No. 65, Bandung, Indonesia
E – mail : alvin_silajaya@live.com
ABSTRAK
Kesulitan dalam mengimplementasikan metode algoritma hasil sintesis photo dari sketch adalah dengan menentukan jumlah kandidat ‘k’ patch sample wajah yang harus ditentukan terlebih dahulu secara acak. Untuk mengatasi kesulitan ini maka dibuatlah suatu pemodelan jaringan multiscale markov random field dari algoritma hasil sintesis photo. Sistem yang dibuat dalam Tugas Akhir ini
dibagi ke dalam dua bagian utama, yaitu proses pelatihan dan proses pengujian. Dalam proses pelatihan, akan dibentuk suatu set eigenface dan fisherface dari set citra latih. Bobot citra latih yang didapat dari masing – masing set akan diproyeksikan ke dalam matrik proyeksi optimal. Dalam proses pengujian, suatu citra uji akan dicari identitasnya. Pencarian identitas dilakukan dengan cara mencari jarak terpendek antara bobot citra uji dengan citra latih yang akan dibandingkan dengan suatu nilai batas. Sebuah citra wajah dikatakan cocok jika jarak minimumnya lebih kecil dari nilai batas yang ditetapkan.
Hasil pengamatan yang didapat adalah bahwa pengenalan wajah dengan konstruksi eigenface dapat mengindentifikasi identitas citra uji sebesar 60% sedangkan dengan konstruksi fisherface sebesar 53%. Jadi, dalam Tugas Akhir ini hasil pengenalan wajah dengan eigenface lebih baik daripada fisherface.
Kata kunci: eigenface/PCA, fisherface/LDA, algoritma sintesis photo dari sketch,
euclidean distance, sketch, photo, multiscale markov random field (MMRF)
Universitas Kristen Maranatha
FACE RECOGNITION WITH INPUT AS FACE SKETCH
IMAGE AS RESULT OF SYNTHESIS USING MULTISCALE
MARKOV RANDOM FIELD TECHNIQUE (MRF)
Composed by : Alvin Silajaya (0922018)
Department of Electrical Engineering, Faculty of Engineering Maranatha Christian University, Bandung, Indonesia
E – mail : alvin_silajaya@live.com
ABSTRACT
Difficulties in implementing the algorithm method synthesized photo of the sketch is to determine the number of candidates ' k ' patch face samples must be determined at random. To overcome this difficulty then made a network of multiscale modeling of Markov random field algorithm synthesized pictures .The system is made in the final project is divided into two main parts , namely the process of training and testing process .
In the training process, will set up a set of eigenface and fisherface of sets of training images. The weight training images were obtained of each - each set will be projected onto the optimal projection matrix. In the testing process, a test image will be searched identity. Identity search was done by finding the shortest distance between the weight of test images with training images to be compared with a limit value. A face image is said to match if the distance is less than the minimum specified limit.
Observations were that the face recognition eigenface construction can identify the identity of test images by 60 % , while the construction fisherface of 53% .Thus , the results of face recognition in this thesis are eigenface better than fisherface.
Key words : eigenface/PCA, fisherface/LDA, photo of sketch synthesis algorithm,
euclidean distance, sketch, photo, multiscale markov random field (MMRF)
Universitas Kristen Maranatha
DAFTAR ISI
ABSTRAK ... i
ABSTRACT ...ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... vii
DAFTAR TABEL ...viii
BAB I PENDAHULUAN I.1 Latar Belakang ... 1
I.2 Identifikasi Masalah ... 2
I.3 Rumusan Masalah ... 2
I.4 Tujuan ... 2
I.5 Pembatasan Masalah ... 2
I.6 Sistematika Penulisan ... 3
BAB II LANDASAN TEORI II.1 Sistem Pengenalan Wajah ………... 5
II.2 Pengolahan Citra dan Deteksi Wajah ………... 6
II.2.1 Jaringan Markov pada Penskalaan Tunggal…..………..…… 8
II.2.2 Jaringan Markov pada Penskalaan Majemuk……...10
II.3 Principal Component Analysis (PCA) ... 11
II.4 Fisherface... 13
II.4.1 Perhitungan FLD... 14
II.5 Vektor Eigen dan Nilai Eigen ... 15
II.6 Euclidian Distances …………... 16
Universitas Kristen Maranatha
BAB III PERANCANGAN SISTEM
III.1 Proses Pelatihan ……... 17
III.1.1 Algoritma Sintesis Photo dari Sketch ... 18
III.2 Konstruksi Eigenface ... 23
III.3 Konstruksi Fisherface ………….... 25
III.4 Proses Pengujian ………..... 27
BAB IV SIMULASI DAN ANALISA DATA IV.1 Simulasi …………... 29
IV.1.1 Konstruksi Eigenface …………... 30
IV.1.2 Konstruksi Fisherface …...……... 31
IV.2 Data Pengamatan ... 32
IV.2.1 Data Pengamatan Database Face Recognition Data ... 32
IV.3 Analisa Data Pengamatan ... 40
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan ………...41
V.2 Saran ... 41
DAFTAR PUSTAKA ... 42 LAMPIRAN PROGRAM MATLAB
Universitas Kristen Maranatha
DAFTAR GAMBAR
Gambar II.1 Prosedur pengenalan wajah………...…………...…….6
Gambar II.2 Model grafis Jaringan MRF………...………8
Gambar II.3 Model grafis jaringan Multiscale MRF…...………...…….10
Gambar II.4 Grafik PCA dan FLD………..………....14
Gambar III.1 Diagram alir proses pelatihan……...………...………17
Gambar III.2 Diagram alir algoritma sintesis photo dari sketch…………...……18
Gambar III.3 Diagram alir tahap preprocessing………...…………19
Gambar III.4 Prosedur 4Wilayah wajah dibagi ke dalam beberapa patch dan overlap[1]…...19
Gambar III.5 Diagram alir proses pencocokan patch………..………....20
Gambar III.6 Prosedur untuk mencari calon patch sketsa untuk sebuah patch pada input foto[1]…...21
Gambar III.7 Diagram alir konstruksi jaringan MRF………..………21
Gambar III.8 Representasi sebuah input foto dan output foto ke dalam jaringan Markov Random Field[1]…...22
Gambar III.9 Diagram konstruksi eigenface ………..….23
Gambar III.10 Diagram alir perhitungan FLD………..…25
Gambar III.11 Diagram alir pengujian………...27
Gambar IV.1 Hasil simulasi program pengenalan citra sketsa-foto wajah…...29
Gambar IV.2 Pasangan citra latih yang digunakan untuk membentuk eigenface …...31
Gambar IV.3 Pasangan citra latih yang digunakan untuk membentuk fisherface …...32
Universitas Kristen Maranatha
DAFTAR TABEL
TabelIV.1 Hasilpengenalancitraphoto hasilsintesisdarisketch dengan PCA..33 Tabel IV.2Hasilpengenalancitraphoto hasilsintesisdarisketch denganLDA..36
Universitas Kristen Maranatha 1
BAB I
PENDAHULUAN
I.1. Latar Belakang
Wajah manusia memiliki informasi penting yang dapat digunakan untuk mengidentifikasikan seseorang yang sangat diperlukan dalam berbagai aplikasi seperti untuk keamanan, verifikasi (pembuktian) identitas, komunikasi (khususnya yang membutuhkan kehadiran lawan bicara/video phone), penegakan hukum (law enforcement), dan lain-lain. Dalam prakteknya, khususnya untuk aplikasi
penegakan hukum, informasi wajah tersangka/pelaku sulit diperoleh (tidak ada), sehingga keberadaan saksi mata sangat membantu seorang pelukis wajah untuk membuat gambar sketch wajah dari tersangka. Citra sketsa wajah ini selanjutnya dicocokkan dengan pangkalan data (database) aparat keamanan, yang biasanya berupa citra photowajah.
Proses pengenalan wajah dengan masukan berupa citra sketch wajah ini berbeda dengan proses pengenalan wajah dengan citra masukan berupa citra photo wajah (hasil tangkapan kamera). Menurut Xiaogang Wang dan Xiaoou Tang[1], terdapat dua aspek yang menjadi perbedaan, yaitu tekstur dan bentuk. Untuk masalah tekstur, biasanya seorang pelukis wajah akan menambahkan tekstur bayangan (shadow texture) untuk memberi informasi efek 3D pada citra sketch wajah. Untuk masalah bentuk, jika seseorang memiliki hidung yang besar, maka seorang pelukis wajah akan menggambarkan hidung yang berukuran lebih besar pada citra sketchwajah.
Universitas Kristen Maranatha 2 I.2. Identifikasi Masalah
Pengenalan wajah adalah suatu teknologi yang sangat berkembang dan
diperlukan dalam berbagai aplikasi sehingga diperlukan keandalan dan keakuratan.
Untuk itu dalam Tugas Akhir ini akan diterapkan teknik Multiscale Markov Random
Field (MMRF), Linear Discriminant Analysis (LDA) dan Principal Component
Analysis (PCA) yang dikembangkan, untuk mendeskripsikan citra wajah secara
efisien untuk merepresentasikan citra wajah yang ditambahkan pemodelan jaringan
Multiscale Markov Random Field dengan 2 tahap langsung pada proses PCA dan
LDA. Tujuannya adalah untuk mereduksi dimensi (dimension reduction) dan
meningkatkan kemampuan memisahkan (separability) pada tahap pengenalan (jika
terdapat kemiripan wajah) sehingga mengurangi kesalahan klasifikasi (pengenalan).
I.3. Rumusan Masalah
Masalah yang akan dibahas pada Tugas Akhir ini adalah :
1) Bagaimana merepresentasikan citra sketch wajah secara efisien dengan teknik multiscale Markov Random Field (MRF) untuk proses pengenalan wajah ?
2) Bagaimana hasil pengenalan wajah dengan masukan berupa citra sketch wajah ?
I.4. Tujuan
Adapun tujuan dari penulis mengerjakan Tugas Akhir ini adalah :
1) Membuat simulasi dengan menggunakan MATLAB untuk pengenalan wajah dengan menerapkan teknik multiscale Markov Random Field (MRF) untuk mendeskripsikan citra sketch wajah secara efisien.
2) Menganalisis hasil pengenalan wajah dengan masukan berupa citra sketch wajah.
I.5. Pembatasan Masalah
Batasan – batasan masalah dalam Tugas Akhir ini adalah :
1) Database citra wajah berupa pasangan citra photo wajah dan citra sketch
Universitas Kristen Maranatha 3 2) Proses rekonstruksi citra wajah menggunakan teknik konstruksi eigenface/Principal Component Analysis (PCA) dan teknik konstruksi
fisherface/Linear Discriminant Analysis (LDA).
3) Proses untuk mensintesis citra wajah menggunakan algoritma sintesis Multiscale Markov Random Field (MMRF).
4) Database citra wajah yang digunakan adalah database yang diambil dari http://mmlab.ie.cuhk.edu.hk/archive/facesketch.html
5) Hanya terdapat satu wajah dalam citra wajah.
6) Citra wajah berukuran 250 � 200 pixel dan merupakan citra RGB (berwarna) untuk foto serta citra Grayscale (hitam putih) untuk sketsa. 7) Semua citra wajah memiliki extensi ‘*.jpg’.
8) Total citra wajah dalam database foto adalah 30 buah yang terdiri dari 15 buah foto wajah pria dan 15 buah foto wajah wanita yang berpasangan. 9) Total citra wajah dalam database sketsa adalah 30 buah yang terdiri dari 15
buah sketsa wajah dan 15 buah sketsa wajah wanita yang berpasangan. 10)Baik citra photo wajah maupun citra sketch wajah memiliki pose
menghadap ke depan (frontal view), pencahayaan normal, ekspresi wajah normal, dan tanpa aksesoris (oklusi) seperti kacamata, topi, dan lain-lain.
I.6. Sistematika Penulisan
Laporan Tugas Akhir ini terdiri dari lima bab utama. Berikut ini merupakan uraian singkat sistematika penulisan beserta penjelasan dari masing – masing bab, yaitu :
BAB I – PENDAHULUAN
Universitas Kristen Maranatha 4 BAB II – LANDASAN TEORI
Pada bab ini diuraikan teori – teori yang menjadi referensi penulis dalam mengerjakan Tugas Akhir ini. Teori yang diuraikan lebih lanjut pada bab ini adalah algoritma sintesis Multiscale Markov Random Field untuk melakukan proses sintesis citra wajah, teori eigenface/Principal Component Analysis (PCA) untuk melakukan dimensionality reduction,
dan teori – teori lain sebagai pendukung.
BAB III – PERANCANGAN SISTEM PENGENALAN WAJAH
Pada bab ini dijelaskan perancangan dari setiap modul program yang dibuat dengan menggunakan software MATLAB (Matrix Laboratory) dalam bentuk diagram alir (flowchart).
BAB IV – SIMULASI DAN ANALISA DATA PENGAMATAN
Pada bab ini ditampilkan data pengamatan dan analisa hasil percobaan pengenalan wajah dengan konstruksi eigenface dan fisherface dengan input citra wajah berupa sketsa wajah yang sudah ditentukan dalam batasan masalah.
BAB V – KESIMPULAN DAN SARAN
Universitas Kristen Maranatha 41
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Berdasarkan data pengamatan dan analisa pada BAB IV, dapat diambil kesimpulan sebagai berikut:
1. Hasil pengenalan dengan PCA lebih baik dibandingkan dengan LDA. 2. Adanya kesalahan pengenalan karena adanya perbedaan modality antara
citra wajah berupa sketch dan foto dan perbedaan jenis kelamin serta jumlah citra latih.
V.2 Saran
1. Dengan memberi bobot yang berbeda untuk tiap patch mungkin akan lebih memperbaiki hasil pengenalan wajah.
Universitas Kristen Maranatha 42 DAFTAR PUSTAKA
[1] X. Wang and X. Tang, “Face Photo-Sketch Synthesis and Recognition,” IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI),
Vol. 31, 2009.
[2] Li, Stan Z. and Anil K. Jain. (2005). Handbook of Face Recognition. New York, USA : Springer Science + Business Media, Inc.
[3] Pissarenko, Dimitri., Eigenface – Based Facial Recognition, 2002.
[4] Qingshan Liu, Xiaoou Tang, Hongliang Jin, Hanqing Lu, and Songde Ma, A Nonlinear Approach For Face Sketch Synthesis and Recognition, Int'l Conf. on Computer Vision and Pattern Recognition (CVPR), 2005.
[5] X. Tang, and X. Wang, “Face Sketch Synthesis and Recognition,” in Proceedings of IEEE International Conference on Computer Vision (ICCV),
2003.
[6] X. Tang, and X. Wang, “Face Photo Recognition Using Sketch,” in Proceedings of IEEE International Conference on Image Processing (ICIP), Vol. 1, pp. 257-260, Rochester, New York, Sept. 2002
[7] Belhumeur, Peter N., Hespana, Joao P., David J. Kriegman, “Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection”, IEEE
Transaction On Pattern Analysis And Machine Inteligence, Vol. 19, No. 7, Juli 1997.
[8] Yambor, Wendy S., ”Analysis of PCA-Based And Fisher Discriminant-Based Image Recognition Algorithms”, Computer Science Department, Colorado State University, Colorado.
[9] Smith, Lindsay. Tutorial On Principal Component Analysis. The MathWorks, Inc., 2002.
[10] Turk, M. A., Pentland, A. P. Eigenfaces for Recognition. Cognitive Neuroscience, Vol. 3, No. 1, 1991.
[11] http://en.wikipedia.org/wiki/Euclidean_distance, 20 Maret 2014.
[12] http://www.ee.cuhk.edu.hk/~xgwang/sketch_multiscale.html, 30 Maret 2014. [13] http://mmlab.ie.cuhk.edu.hk/archive/facesketch.html, 30 Maret 2014.
