Pengolahan Citra dan Deteksi Wajah pada Sistem Pengenalan
Wajah
Bayangkan
jika teknologi pengenalan wajah misal untuk verifikasi password atau sandi
seperti di film-film dapat diterapkan di kehidupan kita sehari-hari? Asik
bangetttt..! Apa sih pengenalan wajah itu?
Pengenalan
wajah atau Face Recognition merupakan sebuah sistem identifikasi pribadi yang
menggunakan karakteristik pribadi seseorang (dalam hal ini wajah orang
tersebut) untuk mengidentifikasikan identitas orang tersebut. Sistem yang
dikembangkan dalam penelitian ini adalah sebuah sistem pengenalan wajah yang
menggunakan ekstraksi fitur berbasis FLD (Fisher Linear Discriminant). Proses
perancangan sistem ini terbagi menjadi 2 (dua) tahap: tahap pengolahan citra
dan deteksi wajah serta tahap pengenalan wajah.
Gambar : Blok Diagram Sistem
Citra
masukan berupa sebuah citra digital yang kemudian diolah dengan cara melakukan
normalisasi cahaya dan ukuran agar kinerja pengklasifikasi (classifier) dapat
ditingkatkan. Setelah citra tersebut dinormalisasi, sistem kemudian diharapakan
mampu mendeteksi bagian citra tersebut yang merupakan wajah. Pengklasifikasi
yang digunakan pada tugas akhir ini untuk mengklasifikasi wajah atau bukan
wajah adalah SVM (Support Vector Machine).
Dengan menggabungkan metode seleksi fitur berbasis FLD dengan SVM sebagai pengklasifikasi. FLD (Fisher Linear Discriminant) merupakan kombinasi dari PCA (Principle Component Analysis) dan LDA (Linear Discriminant Analysis). Metode ini memaksimalkan jarak pemisah pola antar kelas dan juga memaksimalkan penyebaran pola di dalam kelas. Dengan menggunakan FLD, maka jumlah fitur yang dapat digunakan untuk membedakan jenis citra menjadi lebih sedikit bila dibandingkan pengambilan fitur yang hanya menggunakan PCA.
Dengan menggabungkan metode seleksi fitur berbasis FLD dengan SVM sebagai pengklasifikasi. FLD (Fisher Linear Discriminant) merupakan kombinasi dari PCA (Principle Component Analysis) dan LDA (Linear Discriminant Analysis). Metode ini memaksimalkan jarak pemisah pola antar kelas dan juga memaksimalkan penyebaran pola di dalam kelas. Dengan menggunakan FLD, maka jumlah fitur yang dapat digunakan untuk membedakan jenis citra menjadi lebih sedikit bila dibandingkan pengambilan fitur yang hanya menggunakan PCA.
Citra mula-mula
diubah ke dalam bentuk vector, dalam hal ini matrix citra yang tadinya
berukuran 112 x 92 diubah menjadi matrix vector dengan ukuran 1030×1. Setelah
semua citra diubah menjadi vector, kemudian dilakukan ekstraksi fitur. Dengan
menggabungkan metode seleksi fitur berbasis FLD dengan SVM sebagai
pengklasifikasi. FLD (Fisher Linear Discriminant) merupakan kombinasi dari PCA
(Principle Component Analysis) dan LDA (Linear Discriminant Analysis). Metode
ini memaksimalkan jarak pemisah pola antar kelas dan juga memaksimalkan
penyebaran pola di dalam kelas. Dengan menggunakan FLD, maka jumlah fitur yang
dapat digunakan untuk membedakan jenis citra menjadi lebih sedikit bila
dibandingkan pengambilan fitur yang hanya menggunakan PCA.
Citra
mula-mula diubah ke dalam bentuk vector, dalam hal ini matrix citra yang
tadinya berukuran 112 x 92 diubah menjadi matrix vector dengan ukuran 1030×1.
Setelah semua citra diubah menjadi vector, kemudian dilakukan ekstraksi fitur.
Gambar : Visualisasi pengubahan citra ke bentuk vektor
Tahapan
dalam ekstraksi fitur yang digunakan pada sistem adalah sebagai berikut :
·
Ekstraksi
fitur PCA
·
Ekstraksi
fitur FLD
Deteksi
Wajah
Citra kulit
akan diklarifikasi ke dalam dua golongan, yaitu wajah dan bukan wajah.
Sebelumnya, dilakukan pengolahan pada normalisasi cahaya, cross correlation,
normalisasi dimensi dan penghitungan bobot. Setelah bobot citra didapat
classifier yang telah dilatih sebelumnya, dalam hal ini SVM siap mengelompokkan
citra tersebut ke dalam golongan wajah atau bukan wajah.
Gambar : a. citra masukan ; b. citra hasil deteksi kulit
Dari
pengujian yang dilakukan, tingkat keberhasilan sistem keseluruhan sebagai
sistem pengenalan wajah adalah 83% (83 citra berhasil dideteksi dan dikenenali
dari 100 citra uji). Tingkat keberhasilan ini cukup tinggi mengingat sistem ini
mampu mengenali individu dari basis data dengan variasi ekspresi atau pose.