iii
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
Nadia R.W (0822084) Email: neko882neko@yahoo.co.id
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
ABSTRAK
Deteksi wajah secara luas digunakan dalam banyak percobaan pengolahan citra digital sebagai dasar untuk mengenali, melacak wajah dan percobaan citra wajah lainnya. Maka, dalam pembuatan Tugas Akhir ini, dibuatlah sistem pendeteksi wajah dengan menggunakan sebuah metode algoritma LBP ( Local Binary Pattern ) yang dapat mengekstrasi fitur wajah dalam bentuk kode-kode biner yang diperoleh dari proses binary derivatives, kode-kode ini kemudian akan dijadikan sebuah histogram. Tujuan pembuatan sistem tersebut adalah untuk Face Tracking di bidang pengawasan dan keamanan.
Program deteksi wajah dibuat dengan bahasa pemrograman python pada raspberry pi, hasilnya diujikan kepada 10 orang dan citra wajahnya diambil
melalui kamera kemudian dicocokkan dengan database wajah yang ada pada library OpenCv (Open Computer Vision) sehingga wajah dapat terdeteksi atau tidak terdeteksi. OpenCv adalah program open source berbasiskan C++, menggunakan fungsi database pada library untuk mendeteksi wajah. Library tersebut berisi fitur LBP yang memiliki database wajah yang telah diolah.
Hasil pengujian menunjukkan bahwa deteksi wajah dengan algoritma LBP berbasis raspberry pi berhasil. Namun, memiliki beberapa kendala pada pendeteksian wajah, seperti variasi bentuk wajah, pencahayaan, jarak antara kamera dan wajah.
iv
Universitas Kristen Maranatha The Design of Face Detection With LBP(Local Binary Pattern) Based on
Raspberry PI
Nadia R.W (0822084)
E-mail adress: neko882neko@yahoo.co.id
Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University,
Jl. Prof. Drg. Suria Sumantri, MPH No.65, Bandung, Indonesia.
ABSTRACT
Face detection is widely used in many digital image processing experiments as a basis to identify, track faces and facial image from the other experiments. Then, for this final project, a face detection system made by using a LBP ( Local Binary Pattern ) algorithm method that can extract facial features in binary codes from the binary derivatives processes, these codes will be used as a histogram. The purpose of that system is for Face Tracking in security system.
Face detection programs was made in python, programming language on raspberry pi, tested on 10 people, the face images taken by webcam then matched on database of faces on the OpenCv (Open Computer Vision) library, so that face can be detect or not. OpenCv is an open source programs based on C++, using database function on library for face detection. The library contains LBP feature that had processed facial database.
v
DAFTAR GAMBAR ... vii
DAFTAR TABEL ... ix
BAB I PENDAHULUAN I.1 Latar Belakang ... 1
I.2 Identifikasi Masalah ... 2
I.3 Tujuan ... 2
I.4 Pembatasan Masalah ... 2
I.5 Spesifikasi Alat yang Digunakan ... 2
I.6 Sistematika Penulisan ... 2
BAB II TEORI DASAR II.1 Pengolahan Citra Digital ... 4
II.2 Raspberry Pi ... 9
II.3 Local Binary Pattern (LBP) ... 10
II.4 OpenCv ... 13
II.4.1 Fitur OpenCV... 14
II.4.2 Beberapa Fungsi yang Ada pada Library ... 14
II.4.3 Beberapa Fungsi yang Dipakai pada OpenCv ... 15
II.5 Python ... 16
II.5.1 Cara Pemrograman Python pada Raspberry Pi ... 17
II.5.2 Contoh Python pada Raspberry Pi ... 19
BAB III PERANCANGAN III.1 Langkah Kerja ... 22
III.2 Flowchart ... 23
vi
Universitas Kristen Maranatha
III.4 Gentle AdaBoost ... 26
III.5 Tampilan pada Layar ... 27
III.6 Realisasi Alat ... 28
BAB IV DATA PENGAMATAN DAN ANALISA DATA IV.1 Pengamatan Terhadap Berbagai Posisi Wajah ... 29
IV.2 Hasil Pengamatan Data ... 31
IV.3 Pengamatan Data Waktu Deteksi ... 36
IV.2 Analisa Data ... 37
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan ... 38
V.2 Saran ... 38
DAFTAR PUSTAKA ... 40 LAMPIRAN A SPESIFIKASI ALAT
vii
DAFTAR GAMBAR
Gambar II.1 Raspberry pi yang sudah lengkap dan diberi supply ... 9
Gambar II.2 Textur grayscale pada wajah ... 11
Gambar II.3 Contoh perhitungan LBP ... 11
Gambar II.4 Contoh texstur yang dideteksi oleh LBP ... 12
Gambar II.5 Image wajah-contoh histogram ... 12
Gambar II.6 Contoh citra wajah yang tertangkap kamera kemudian diproses menjadi gambar lbp dan dibuat histrogramnya. ... 13
Gambar II.7 Representasi LBP ... 13
Gambar II.8 Lambang python yang ada pada raspberry pi ... 17
Gambar II.9 Shell IDLE interaktif (kiri) dan jendela editor (kanan). ... 18
Gambar II.10 Program membuat kolom(atas) dan hasilnya pada lx terminal(bawah) ... 19
Gambar II.11 Program menampilkan kamera(atas) dan hasilnya pada lx terminal dan webcam(bawah) ... 20
Gambar II.12 Program membuat loop1-10 dan star(atas) dan hasilnya pada lx terminal (bawah) ... 21
Gambar III.1 Diagram blok sistem ... 22
Gambar III.2 Flowchart deteksi wajah ... 23
Gambar III.3 Cuplikan database ... 25
Gambar III.4 Penghitungan database dengan bantuan Gentle AdaBoost ... 26
Gambar III.5 Wajah terdeteksi ... 27
Gambar III.6 Wajah tidak terdeteksi ... 27
Gambar III.7 Realisasi alat ... 28
Gambar IV.1 Wajah terlalu jauh, lebih dari 50cm (70cm) terhadap kamera ... 29
Gambar IV.2 Wajah menyamping ... 29
Gambar IV.3 Badan terlalu besar sehingga disamakan dengan wajah ... 30
viii
Universitas Kristen Maranatha
Gambar IV.5 Wajah terlalu terang karena intensitas cahaya terlalu terang ... 30
Gambar IV.6 Objek yang memakai kacamata tidak dikenali sebagai wajah ... 30
Gambar IV.7 Ada bagian tubuh lain yang menggangu ... 30
Gambar IV.8 Bentuk muka sulit dideteksi, tidak ditemukan bentuk wajah yang sama dengan database ... 30
Gambar IV.9 Orang pertama yang terdeteksi ... 31
Gambar II.10 Orang kedua yang terdeteksi ... 31
Gambar II.11 Orang ketiga yang terdeteksi ... 32
Gambar II.12 Orang keempat yang terdeteksi ... 32
Gambar II.13 Orang kelima yang terdeteksi ... 33
Gambar II.14 Orang keenam yang terdeteksi ... 33
Gambar II.15 Orang ketujuh yang terdeteksi ... 34
Gambar II.16 Orang kedelapan yang terdeteksi ... 34
Gambar II.17 Orang kesembilan yang terdeteksi ... 35
ix
DAFTAR TABEL
Universitas Kristen Maranatha 1
BAB I
PENDAHULUAN
I.1. Latar Belakang
Deteksi wajah secara luas digunakan dalam banyak percobaan pengolahan citra digital sebagai dasar untuk mengenali dan melacak wajah. Deteksi wajah dapat digunakan untuk menemukan lokasi dan ukuran objek dalam sebuah gambar. Deteksi wajah dapat diambil dari variasi wajah, tampilan wajah, pencahayaan, serta pose wajah. Salah satu implementasi deteksi wajah manusia dengan menggunakan kamera dapat digunakan untuk sistem keamanan. Pendeteksian wajah pertama kali dikenalkan oleh
Haar-like kemudian dikembangkan oleh Viola-Jones, karena banyak perbaikan pada algoritma Haar-like. Ada dua pendekatan untuk meningkatkan citra wajah. Pendekatan pertama adalah peningkatan algoritma, meningkatkan salah satu perkembangan terakhir
yang penting dalam klasifikasi metodologi, pendekatan kedua adalah peningkatan fitur
yang digunakan. Perkembangan tersebut menghasilkan LBP (Local Binary Pattern)[8]. Algoritma Local binary pattern (LBP) digunakan untuk mengekstrasi fitur wajah. LBP dikenal sebagai pendeksi pola yang handal dan memiliki kemampuan menghilangkan variabilitas yang disebabkan oleh iluminasi kontras[6][7]. Fitur dasar LBP sangat baik diberbagai aplikasi, termasuk klasifikasi tekstur dan segmentasi,
pengambilan gambar dan pemeriksaan permukaan. Menggunakan piksel dari sebuah
gambar dengan thresholding 3x3 berdasarkan nilai piksel yang ada, mempertimbangkan
hasilnya sebagai bilangan biner [2].
Pada Tugas Akhir ini akan dibuat sebuah system perancangan pendeteksi wajah
dengan algoritma LBP menggunakan Raspberry pi. Raspberry Pi adalah sebuah mini kit yang dapat dijadikan komputer mini, dengan prosesor cpu 700 MHz Low Power
Universitas Kristen Maranatha 2
I.2. Identifikasi Masalah
Identifikasi masalah dalam Tugas Akhir ini adalah mendeteksi wajah dengan algoritma LBP (Local Binary Pattern) berbasis Raspberry Pi.
I.3. Tujuan
Tujuan dari Tugas Akhir ini adalah merancang sistem pendeteksi lokasi/posisi wajah seseorang dengan raspberry pi.
I.4. Pembatasan masalah
Dalam Tugas Akhir ini, kriteria pembatasan sebagai berikut :
- Hanya mendeteksi posisi wajah pada suatu gambar/foto. - Mendeteksi wajah dengan posisi wajah menghadap kedepan dengan jarak kamera dan wajah maksimal 50 cm. - Pendeteksi wajah memakai algoritma LBP.
- Pada satu gambar hanya mendeteksi satu wajah saja. - Menggunakan library open cv sebagai pengolah LBP.
I.5. Spesifikasi alat yang digunakan
Spesifikasi alat yang akan digunakan dalam Tugas Akhir ini adalah : • Raspberry pi Type b yang digunakan untuk merancang program.
• Kamera (webcam) type logitech C270, berfungsi sebagai input pendeteksi wajah
I.6. Sistematika Penulisan
Universitas Kristen Maranatha 3
1. BAB I PENDAHULUAN
Pada bab ini akan menjelaskan apa saja yang melatarbelakangi penulisan laporan, identifikasi masalah, perumusan masalah yang akan dijawab, tujuan dari Tugas Akhir, pembatasan masalah dalam Tugas Akhir yang dilakukan, spesifikasi alat yang digunakan dan sistematika penulisan laporan.
2. BAB II TEORI DASAR
Bab ini menjelaskan teori – teori yang menunjang penyusunan laporan Tugas Akhir, yang antara lain adalah penjelasan mengenai pengolahan citra digital untuk deteksi wajah, Raspberry Pi, dan Local Binary Pattern ( LBP).Kemudian ada OpenCv dan Python yang akan dibahas juga sebagai pengertian dasar sebelum memasuki program.
3. BAB III PERANCANGAN
Bab ini menjelaskan proses perancangan sistem, diagram blok sistem, serta diagram lainnya yang diperlukan.
4. BAB IV DATA PENGAMATAN DAN ANALISIS DATA
Bab ini membahas tentang proses pengambilan data pada sistem dan analisis untuk data – data tersebut.
5. BAB V SIMPULAN DAN SARAN
BAB V
KESIMPULAN DAN SARAN
V.1. Kesimpulan
Dari hasil percobaan, dapat disimpulkan beberapa hal berikut:
1. Perancangan sistem pendeteksi wajah seseorang dengan raspberry pi berhasil direalisasikan dengan menggunakan Os debian, dan algoritma LBP dari OpenCv.
2. Sistem tidak dapat mendeteksi wajah bila jarak pendeteksian lebih jauh dari 50cm dari webcam yang ada, wajah melihat kesamping, ada bagian tubuh menutupi wajah, wajah terlalu terang/ gelap, bentuk tubuh dan muka tertentu mungkin tidak sesuai dengan data dari database. LBP tidak akurat. 3. Waktu yang diambil untuk pendeteksian berkisar antara 13,89ms -
84,48ms. Dapat digunakan untuk proses real time karena waktunya diatas 100ms.
4. Face tracking secara horizontal yang dicoba dengan menghitung pergeseran 1 pixel setiap mm tidak sesuai harapan, dikarenakan jarak pergeserannya tidak konstan.
V.2. Saran
Saran untuk penelitian lebih lanjut:
1. Metode pendeteksian wajah dapat dikembangkan dengan beberapa metode lain,misalnya: uniform LBP, rotation invariant LBP atau uniform rotation invariant LBP, dan metode lainnya.
Universitas Kristen Maranatha 40
DAFTAR PUSTAKA
1. A. Hadid, M. Pietikainen and T. Ahonen. A Discriminative Feature Space for Detecting and Recognizing Faces. Proc of CVPR 2004.
2. B. Heisele, T. Poggio, and M. Pontil. Face detection in still gray images. A.I. Memo, (1687), 2000.
3. B. Wu, H. Ai, C. Huang, and S. Lao. Fast rotation invariant multi-view face detection based on Real AdaBoost. Proc. of IEEE Conf. on Automatic Face and Gesture Recognition, pages 79-84, 2004.
4. Computer vision using Local Binary Pattern, Springer
5. C. P. Papageorgiou, M. Oren, and T. Poggio. A general framework for object detection. Proc. of ICCV, pages 555-562, 1998.
6. E. Osuna, R. Freund, and F. Girosi. Training support vector machines: an application to face detection. Proc. of CVPR, pages 130-136, 1997.
7. H. Jin, Q. Liu, H. Lu, and X. Tong. Face detection using improved LBP under Bayesian framework. In Third International Conference on Image and Graphics (ICIG 04), pp. 306–309, (2004).
8. Jain, Anil K, Fundamentals of digital Image Processing, Prentice-Hall International. 1989.
9. Jo Chang-yeon, Face detection using LBP features,12-12-2008.
10. K. K. Sung and T. Poggio. Example-based learning for view-based human face detection. IEEE Trans. on PAMI, 20(1):39-51, 1998..
11. L. Jin, S. Satoh and M. Sakauchi. A Novel Adaptive Image Enhancement Algorithm for Face Detection. Proc of ICPR 2004.
12. M. H. Yang, D. J. Kriegman, and N. Ahuja. Detecting faces in images: a survey. IEEE Trans. on PAMI, 24(1):34-35, 2002
13. OpenCv 2.4.7 documentation, for opencv command.
14. Pi as developing board for ARM9 board and how to start my project.
15. P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. Proc. of CVPR, pages 511-518, 2001.
41
17. R. Lienhart and J. Maydt. An extended set of haar-like features for rapid object detection. Proc. of ICIP, 1:900:903, 2002..
18. Stack Overflow,basic python project
19. T. Ahonen, A. Hadid, and M. Pietikäinen. Face description with local binary patterns: Application to face recognition. IEEE Trans. on Pattern Anal. and Machine Intell., 28(12):2037–2041, 2006.
20. T.Mita, T. Kaneko, and O. Hori. Joint haar-like features for face detection. In ICCV, 2005.
21. T. Ojala and M. Pietikainen. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns, IEEE Trans on Pattern Analysis and Machine Intelligence, Vol. 24. No.7, July, 2002.
