Ekstraksi Fitur Wajah Menggunakan Metode Viola Jones dengan Tools Cascade Detector
Perani Rosyani
*, Retnawati
Fakultas Ilmu Komputer, Program Studi Teknik Informatika, Universitas Pamulang, Tangerang Selatan, Indonesia Email:, 1,*[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected] Submitted 04-04-2023; Accepted 30-04-2023; Published 30-04-2023
Abstrak
Wajah merupakan bagian penting dari ciri seseorang yang dapat dikenali perbedaannya satu sama lain. Di dalam pengolahan citra mengekstraksi fitur dari wajah merupakan hal yang paling krusial, dikarenakan beberapa fitur seperti mata, hidung , mulut serta wajah manusia sangat kompleks untuk dikenali oleh computer. Salah satunya bagaimana computer dapat mengenali wajah dan melihatnya seperti mata manusia. Ektraksi fitur dibutuhkan didalam pengolahan gambar agar computer dapat mengenali dan membedakan objak wajah.. Penelitian ini mengembangkan metode Viola Jones dengan tools Cascade Detector untuk mengenali 15 gambar dengan 5 fitur yaitu fitur wajah, mata kanan, mata kiri, mulut dan hitung. Cascade ini merupakan metode yang digunakan untuk mendeteksi objek dan algoritmanta memiliki tingkat akurasi yang tinggi. Metode ini dinilai cepat dan Tangguh untuk deteksi wajah. Dari hasil implementasi ekstraksi fitur wajah menggunakan Cascade Detector, maka dapat disimpulkan bahwa hasil ektraksi fitur untuk deteksi Untuk wajah dan hidung menghasilkan akurasi 85,2% sedangkan untuk deteksi mata kanan , mata kiri dan mulut menghasilkan akurasi 81,9% yang berarti tingkat akurasi ini lebih kecil dibandingkan dengan deteksi wajah dan hidung. Untuk nilai rata-rata akurasi dari setiap hasil ektrasi fitur wajah, mata kanan, mata kiri, hidung dan mulut yaitu sebesar 83.22%. Dengan error sekitar 3% karena ada wajah hewan yang terdeteksi. Untuk Hidung Hewan 1% terdeteksi
.
Kata Kunci: Ekstraksi Fitur; Viola Jones; Wajah; Cascade Detector; Pengolahan Citra Abstract
The face is an important part of a person's characteristics that can be recognized by their differences from one another. In image processing, extracting features from faces is the most crucial thing, because features such as the eyes, nose, mouth and human face are very complex to be recognized by a computer. One of them is how the computer can recognize faces and see them like human eyes.
Feature extraction is needed in image processing so that the computer can recognize and differentiate facial objects. This cascade is a method used to detect objects and the algorithm has a high degree of accuracy. This method is considered fast and robust for face detection. From the results of the implementation of facial feature extraction using Cascade Detector, it can be concluded th at the feature extraction results for the detection of the face and nose produce an accuracy of 85.2% while for the detection of the right eye, left eye and mouth produce an accuracy of 81.9%, which means this level of accuracy smaller than face and nose detection. For the average accuracy value of each extraction of facial features, right eye, left eye, nose and mouth, that is equal to 83.22%. With an error of about 3% because there are detected animal faces. For Animal Nose 1% is detectable.
Keywords: Feature Extraction; Viola Jones; Face; Cascade Detector; Image Processing
1. PENDAHULUAN
Wajah[1] [2]merupakan bagian penting dari ciri seseorang yang dapat dikenali perbedaannya satu sama lain. Wajah juga merupakan bagian yang bisa digunakan untuk membuat sebuah sistem absensi[3]–[5], sistem pendataan penduduk dan sistem keamanan[6]–[8], seperti sistem keamanan pintu, sistem keamanan PC[9]. Wajah memiliki karakteristik yang cukup kompleks[10] seperti mata, hidung , dan mulut.
Di dalam pengolahan citra mengekstraksi fitur dari wajah merupakan hal yang paling krusial, dikarenakan beberapa fitur seperti mata, hidung , mulut serta wajah manusia sangat kompleks untuk dikenali oleh computerDalam pengolahan citra wajah ada beberapa tahapan seperti preprocessing [11]gambar pengolahan warna gambar hingga deteksi objek wajah yang akan dikenali oleh mesin. Dengan adanya perkembangan teknologi, banyak keilmuan untuk melakukan pengolahan citra agar komputer dapat mengenali gambar seperti wajah manusia. Salah satu keilmuannya adalah
image processing[12], [13] atau pengolahan citra ini merupakan keilmuan untuk menghitungmatriks-matrik gambar sehingga diolah dengan algoritma yang baik dapat dipetakan sebagai gambar yang diinginkan.
Matrik-matrik ini akan dihitung sehingga mendapatkan fitur-fitur untuk mengenali posisi hidung, mata, mulut dan wajah.
Metode Viola Jones dinilai relative lebih akurat, cepat, serta efisien. Metode Viola Jones merupakan metode yang paling banyak digunakan untuk mendeteksi citra, dimana pendeteksian wajah dilakukan dengan mengklasifikasikan sebuah citra yang sebelumnya telah ada di dalam data [6]. Metode Viola Jones ini ada di dalam tool Matlab yaitu Cascade
Detector. Dalam penelitiannya Teguh menggunakan metode ini dinilai meningkatkan akurasi untuk mendeteksi wajahyang menggunakan masker. Sedangkan pada penelitian Lu dkk [14] hasil dari penelitiannya adalah dapat meningkatkan hasil akurasi dari ffitur-fitur gambar yang diambil dengan menggunakan metode
Cascade Detector dalam mendeteksiobjek-objek seperti cangkir, gelas, wajah dll.
Penelitian lainnya mengenai Adaboost [15]merupakan sebuah metode boosting yang berfungsi untuk mencari
fitur-fitur yang memiliki tingkat pembeda yang tinggi untuk dievaluasi terhadap data latih. Cascade Of Classifier
merupakan sebuah classifier yang telah terlatih dengan ribuan contoh objek yang terdiri dari objek yang positif dan objek
yang negatif. Haar Cascade Classifier adalah metode yang digunakan untuk mendeteksi objek[16]. Beberapa penelitian
yang menggunakan metode viola-jones terutama sebagai pendeteksi wajah, Viola-Jones digunakan sebagai algoritma deteksi karena tingkat deteksi yang tinggi[17] . Metode ini cepat dan tangguh untuk deteksi wajah yang 15 kali lebih cepat daripada teknik apa pun pada saat rilis dengan akurasi 95% .[18]–[20]. Penelitian teguh menjelaskan penggunaan metode viola jones dalam mendeteksi wajah menggunakan masker menghasilkan akurasi sebesar 95%[6], penelitian Nehru[21]pun menjelaskan penggunakan metode ini didapatkan pengenalan wajah yang cukup baik. Yang[14]
menjelaskan bahwa penelitiannya menggunakan fitur komposit dengan viola jones menghasilkan hasil yang memuaskan daripada metode lainnya.
Oleh karena itu peneliti mencoba melakukan pengolahan citra menggunakan tool Cascade Detector menggunakan Matlab untuk mendeteksi gambar dengan menggunakan klasifikasi viola jones didalam pengkodingannya. Gambar yang diambil menggunakan dataset pribadi yang terdiri dari 15 gambar. Dan akan diproses untuk mendeteksi wajah, mata, hidung dan mulut. Hasil dari deteksi ini akan dihitung tingkat akurasinya seberapa tinggi akurasi yang dihasilkan dari hasil ekstraksi fitur ini.
2. METODOLOGI PENELITIAN
Metode Viola-Jones dikemukakan oleh Paul Viola dan M.J Jones yang mengusulkan perpaduan tiga strategi untuk pendeteksi wajah [6]. Tiga kontribusi metode Viola-Jones adalah:
a. Merupakantrepresentasi citrabbaru yangbdisebut citrabintegral. citra integral memungkinkan penilaian komponen yang sangat tepat.
b. Metode pengelompokan dasar dan efisien dalam memilih fitur dengan adaboost.
c. Teknik yang menggabungkanbclassifier yang kompleks dalam Cascade clasifier.
Berikut merupakan tahapan penelitian yang kami lakukan untuk mendapatkan akurasi dari menggunakan metode viola jones seperti gambar 1 di bawah ini
Gambar 1. Metode penelitian a. Mulai : melakukan studi literatur review mengenai ekstraksi citra wajah
b. Pemilihan citra : memilih gambar, dalam penelitian ini saya memilih 15 gambar dengan 10 gambar dengan wajah manusia dan 5 gambar dengan campuran wajah hewan
c.
Pre-processing Citra : ini adalah tahapan sebelum citra di ektrak yaitu dengan mengkonversi warna dari RGB ke Grayscale (Citra Abu-abu)d. Ekstraksi Citra : dimana hasil konversi citra didapat untuk mengetahui atau mendeteksi objek sesuai dengan algoritma yang kita hitung. Ektraksi fitur ini menggunakan viola jones
e. Deteksi Citra : Berapa banyak citra wajah dan fitur wajah terdeteksi dengan algoritma cascade detector didalam matlab
f. Akurasi : seberapa besar akurasi kebenaran dan kesalahan algoritma ini untuk mengenali fitur-fitur yang ditentukan
g. Selesai : hasil yang didapatkan
3. HASIL DAN PEMBAHASAN
Pada penelitian ini peneliti melakukan uji coba dengan 15 gambar yang terdiri dari 9 gambar manusia dan 6 gambar hewan. Hal ini dilakukan agar tools ini dapat diuji bukan hanya wajah manusia saja. Dalam menjalankan tools ini penelti menggunakan aplikasi matlab untuk melakukan deteksi wajah.
3.1 Dataset
Dataset yang kami gunakan adalah dataset dari gambar-pribadi, internet yang kami olah dah cleaning untuk mendapatkan gambar bersih. Berikut gamar 2 merupakan dataset yang kami gunakan dalam penelitian ini.
Gambar 2. Dataset
Gambar 2 merupakan kumpulan dataset yang kami gunakan berjumlah 15 gambar.
3.2 Hasil Ekstraksi Fitur Menggunakan Tool Cascade Detector
Pada tabel 1 merupakan hasil ekstraksi untuk mengenali fitur wajah. Pada eksperimen ini terdapat bagian wajah yang tidak terdeteksi. Berdasarkan tabel 1 Maka didapatkan angka-angka berikut :
Tabel 1. Jumlah Deteksi Wajah Nama File Jumlah Wajah Wajah
Gambar 1 1 1
Gambar 2 1 1
Gambar 3 2 2
Gambar 4 3 1
Gambar 5 6 6
Gambar 6 5 5
Gambar 7 6 5
Gambar 8 28 27
Gambar 9 2 2
Gambar 10 1 0
Gambar 11 2 0
Gambar 12 1 0
Gambar 13 1 1
Gambar 14 1 1
Gambar 15 1 0
Hasil 61 52
Dari tabel 1 kita dapatkan hasil akurasi mencapai 85.2% hal ini dikarenakan ada data set gambar hewan yang tidak dikenali sebagai objek gambar. Berikut hasil perhitungan akurasinya :
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝑑𝑒𝑡𝑒𝑘𝑠𝑖
𝐽𝑢𝑚𝑙𝑎ℎ 𝑂𝑏𝑗𝑒𝑘 𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑥100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 52
61 𝑥100% = 85,2%
Dari tabel 2. kita dapatkan hasil akurasi mencapai 81.9% hal ini dikarenakan ada data set gambar hewan yang tidak dikenali sebagai objek gambar dan ada 1 gambar mata hewan yang terdeteksi yaitu gambar 14.
Tabel 2. Hasil Deteksi Mata Kanan
Nama File Jumlah Mata Kanan Deteksi Mata Kanan
Gambar 1 1 1
Gambar 2 1 1
Gambar 3 2 2
Gambar 4 3 1
Gambar 5 6 6
Gambar 6 5 4
Gambar 7 6 5
Gambar 8 28 27
Gambar 9 2 2
Gambar 10 1 0
Gambar 11 2 0
Gambar 12 1 0
Gambar 13 1 0
Gambar 14 1 1
Gambar 15 1 0
Hasil 61 50
Berikut hasil perhitungan akurasinya : 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝑑𝑒𝑡𝑒𝑘𝑠𝑖
𝐽𝑢𝑚𝑙𝑎ℎ 𝑂𝑏𝑗𝑒𝑘 𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑥100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 50
61 𝑥100% = 81.9%
Dari tabel 3 kita dapatkan hasil akurasi mencapai 81.9% hal ini dikarenakan ada data set gambar hewan yang tidak dikenali sebagai objek gambar dan ada 1 gambar mata hewan yang terdeteksi yaitu gambar 13.
Tabel 3. Hasil Deteksi Mata Kiri
Nama File Jumlah Mata Kiri Deteksi Mata Kiri
Gambar 1 1 1
Gambar 2 1 1
Gambar 3 2 2
Gambar 4 3 1
Gambar 5 6 6
Gambar 6 5 5
Gambar 7 6 5
Gambar 8 28 27
Gambar 9 2 1
Gambar 10 1 0
Gambar 11 2 0
Gambar 12 1 0
Gambar 13 1 1
Gambar 14 1 0
Gambar 15 1 0
Hasil 61 50
Berikut hasil perhitungan akurasinya : 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝑑𝑒𝑡𝑒𝑘𝑠𝑖
𝐽𝑢𝑚𝑙𝑎ℎ 𝑂𝑏𝑗𝑒𝑘 𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑥100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 50
61 𝑥100% = 81.9%
Dari tabel 4. kita dapatkan hasil akurasi mencapai 85.2% hal ini dikarenakan ada data set gambar hidung hewan yang dikenali sebagai objek gambar yaitu gambar 13 dan gambar 14.
Tabel 4. Hasil Deteksi Hidung
Nama File Jumlah Hidung Deteksi Hidung
Gambar 1 1 1
Gambar 2 1 1
Gambar 3 2 2
Gambar 4 3 1
Gambar 5 6 6
Gambar 6 5 5
Gambar 7 6 5
Gambar 8 28 27
Gambar 9 2 2
Gambar 10 1 0
Gambar 11 2 0
Gambar 12 1 0
Gambar 13 1 1
Gambar 14 1 1
Gambar 15 1 0
Hasil 61 52
Berikut hasil perhitungan akurasinya : 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝑑𝑒𝑡𝑒𝑘𝑠𝑖
𝐽𝑢𝑚𝑙𝑎ℎ 𝑂𝑏𝑗𝑒𝑘 𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑥100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 52
61 𝑥100% = 85,2%
Dari tabel 5. kita dapatkan hasil akurasi mencapai 81.9% hal ini dikarenakan ada data set gambar hewan yang tidak dikenali sebagai objek gambar dan ada 1 gambar mulut hewan yang terdeteksi yaitu gambar 14.
Tabel 5. Hasil Deteksi Objek Mulut Nama File Jumlah M Deteksi Mulut
Gambar 1 1 1
Gambar 2 1 1
Gambar 3 2 2
Gambar 4 3 1
Gambar 5 6 6
Gambar 6 5 5
Gambar 7 6 5
Gambar 8 28 26
Gambar 9 2 2
Gambar 10 1 0
Gambar 11 2 0
Gambar 12 1 0
Gambar 13 1 0
Gambar 14 1 1
Gambar 15 1 0
Hasil 61 50
Berikut hasil perhitungan akurasinya : 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝑑𝑒𝑡𝑒𝑘𝑠𝑖
𝐽𝑢𝑚𝑙𝑎ℎ 𝑂𝑏𝑗𝑒𝑘 𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑥100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 50
61 𝑥100% = 81.9%
3.2 Pembahasan
Dari hasil running program yang dikerjakan menggunakan matlab maka peneliti meringkas hasil dari setiap fitur yang dideteksi. Berikut gambaran ringkasan hasil deteksi pada table 6 dibawah ini.
Tabel 6. rata-rata akurasi setiap object Deteksi
Wajah Mata Kanan Mata Kiri Hidung Mulut
Akurasi 85,2 81,9 81,9 85,2 81,9
Berdasarkan tabel 6. Untuk wajah dan hidung menghasilkan akurasi 85,2% sedangkan untuk deteksi mata kanan , mata kiri dan mulut menghasilkan akurasi 81,9% yang berarti tingkat akurasi ini lebih kecil dibandingkan dengan deteksi wajah dan hidung. Untuk nilai rata-rata akurasi dari setiap hasil ektrasi fitur wajah, mata kanan, mata kiri, hidung dan mulut yaitu sebesar 83.22%. Dengan error sekitar 3% karena ada wajah hewan yang terdeteksi. Untuk Hidung Hewan 1% terdeteksi.
4. KESIMPULAN
Berdasarkan hasil implementasi ekstraksi fitur wajah menggunakan
Cascade Detector, maka dapat disimpulkan bahwahasil ektraksi fitur untuk deteksi Untuk wajah dan hidung menghasilkan akurasi 85,2% sedangkan untuk deteksi mata kanan , mata kiri dan mulut menghasilkan akurasi 81,9% yang berarti tingkat akurasi ini lebih kecil dibandingkan dengan deteksi wajah dan hidung. Untuk nilai rata-rata akurasi dari setiap hasil ektrasi fitur wajah, mata kanan, mata kiri, hidung dan mulut yaitu sebesar 83.22%. Dengan error sekitar 3% karena ada wajah hewan yang terdeteksi. Untuk Hidung Hewan 1% terdeteksi.
REFERENCES
[1] S. Abidin, “Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Webcam Pada Matlab,” J. Teknol.
Elekterika, vol. 15, no. 1, p. 21, 2018, doi: 10.31963/elekterika.v15i1.2102.
[2] P. Rosyani, “Pengenalan Wajah Menggunakan Metode Principal Component Analysis (PCA) dan Canberra Distance,” J. Inform.
Univ. Pamulang, vol. 2, no. 2, p. 118, 2017, doi: 10.32493/informatika.v2i2.1515.
[3] M. R. Muliawan, B. Irawan, and Y. Brianorm, “Metode Eigenface Pada Sistem Absensi.03,” J. Coding, Sist. Komput. Untan, vol. 03, no. 1, pp. 41–50, 2015.
[4] S. Wasista, B. S. B. D, and S. A. Putra, “Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa Menggunakan Metode PCA Dan DTW,” 13th Ind. Electron. Semin. 2011 (IES 2011), vol. 2011, no. Ies, pp. 224–229, 2011.
[5] N. D. Astari, B. Hidayat, and S. Aulia, “Sistem Absensi Pengenalan Wajah Otomatis Berbais Video,” Semin. Nas. Univ. PGRI Yogyakarta, 2015.
[6] T. Arifianto, “Penerapan Algoritma Viola-Jones Untuk Deteksi Masker Covid-19 Di Politeknik Perkeretaapian Indonesia Madiun,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 4, pp. 2030–2040, 2021, doi: 10.35957/jatisi.v8i4.1106.
[7] M. Habibullah and I. Fiqri, “Rancang bangun sistem pengenalan wajah untuk akses login menggunakan webcam dengan metode Minkowski Distance berbasis desktop,” 2014, [Online]. Available: http://etheses.uin-malang.ac.id/8105/
[8] S. Abidin, “Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Webcam Pada Matlab,” J. Teknol.
Elekterika, vol. 2, no. 1, p. 21, 2018, doi: 10.31963/elekterika.v2i1.2102.
[9] D. Teknik, I. Universitas, M. Lhokseumawe, M. Teknik, and I. Universitas, “Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface”.
[10] R. Rulaningtyas, A. B. Suksmono, and T. L. R. Mengko, “Segmentasi Citra Berwarna dengan Menggunakan Metode Clustering Berbasis Patch untuk Identifikasi Mycobacterium Tuberculosis,” J. Biosains Pascasarj., vol. 17, no. 1, p. 19, 2015, doi:
10.20473/jbp.v17i1.2015.19-25.
[11] I. R. G. A. Sugiartha, M. Sudarma, and I. M. O. Widyantara, “Ekstraksi Fitur Warna , Tekstur dan Bentuk untuk Clustered-Based Retrieval of Images ( CLUE ),” Teknol. Elektro, vol. 16, no. 1, pp. 85–90, 2017.
[12] J. Lazić, “Image Processing and Computer Vision with MATLAB and SIMULINK,” 2015.
[13] M. Arief Bustomi, A. Faricha, A. Ramdhan, and Faridawati, “Integrated image processing analysis and Naïve Bayes Classifier method for lungs X-ray image classification,” ARPN J. Eng. Appl. Sci., vol. 13, no. 2, pp. 718–724, 2018.
[14] W. Y. Lu and M. Yang, “Face detection based on viola-jones algorithm applying composite features,” Proc. - 2019 Int. Conf.
Robot. Intell. Syst. ICRIS 2019, no. 4, pp. 82–85, 2019, doi: 10.1109/ICRIS.2019.00029.
[15] Y.-Q. Wang, “An Analysis of the Viola-Jones Face Detection Algorithm,” Image Process. Line, vol. 4, pp. 128–148, 2014, doi:
10.5201/ipol.2014.104.
[16] M. I. Ramadhani, A. E. Minarno, and E. B. Cahyono, “Vehicle Classification using Haar Cascade Classifier Method in Traffic Surveillance System,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 3, no. 1, pp. 57–64,
2017, doi: 10.22219/kinetik.v3i1.546.
[17] Mahmudi, M. Fatahillah, and Kusrini, “Implementasi Metode Viola Jones Untuk Mendeteksi Wajah Manusia,” J. Inf., vol. 5, no.
1, pp. 2442–7942, 2019, [Online]. Available: http://www.informa.poltekindonusa.ac.id/index.php/informa/article/view/69 [18] N. L. Fitriyani, C. K. Yang, and M. Syafrudin, “Real-time eye state detection system using haar cascade classifier and circular
hough transform,” 2016 IEEE 5th Glob. Conf. Consum. Electron. GCCE 2016, pp. 5–7, 2016, doi:
10.1109/GCCE.2016.7800424.
[19] S. Guennouni, A. Ahaitouf, and A. Mansouri, “Face detection: Comparing Haar-like combined with cascade classifiers and Edge Orientation Matching,” 2017 Int. Conf. Wirel. Technol. Embed. Intell. Syst. WITS 2017, pp. 1–4, 2017, doi:
10.1109/WITS.2017.7934604.
[20] N. Heryana, Rini Mayasari, and Kiki Ahmad Baihaqi, “Penerapan Haar Cascade Classification Model Untuk Deteksi Wajah, Hidung, Mulut, dan Mata Menggunakan Algoritma Viola-Jones,” Techno Xplore J. Ilmu Komput. dan Teknol. Inf., vol. 5, no.
1, pp. 21–25, 2020, doi: 10.36805/technoxplore.v5i1.1064.
[21] M. Nehru and S. Padmavathi, “Illumination invariant face detection using viola jones algorithm,” 2017 4th Int. Conf. Adv.
Comput. Commun. Syst. ICACCS 2017, pp. 4–7, 2017, doi: 10.1109/ICACCS.2017.8014571.
