Metode & Algoritma | List Tutorials | Source Code | About | Sitemap
Konsultan Tesis
Bimbingan dan Konsultasi Tesis Informatika bersama team Project Graduate Indonesia. Konsultasi hanya untuk yang sudah me-Like FB kami (Silahkan LIKE tombol ini jika belum).
. Scroll kebawah untuk memasukan kode AntiSpam Protection. Hasil konsultasi akan kami kirimkan ke email Anda.

METODE EIGENFACE PENGENALAN CITRA WAJAH




.


Metode dan Algoritma | METODE EIGENFACE PENGENALAN CITRA WAJAH . Anda bisa melakukan konsultasi tentang METODE EIGENFACE PENGENALAN CITRA WAJAH melalui form di samping kanan !!!

PENDAHULUAN
Secara umum sistem pengenalan citra wajah dibagi menjadi 2 jenis yaitu: sistemfeaturebased dan sistem image-based. Pada sistem pertama digunakan fitur yang diekstraksi dari komponen citra wajah (mata, hidung, mulut, dll) yang kemudian dimodelkan secara geometris hubungan antara fitur-fitur tersebut. Sedangkan pada sistem kedua menggunakan informasi mentah dari pixel citra yang kemudian direpresentasikan dalam metode tertentu (misalnya Principal Component Analysistransformasi wavelet, dll) yang kemudian digunakan untuk pelatihan dan klasifikasi indentitas citra. Ide dari metode ini adalah memproyeksikan sebuah wajah, yang merupakan sebuah citra, dapat dilihat sebagai sebuah vektor
Pada dasarnya Prosedur pengenalan wajah oleh manusia terdiri dari dua tahap  [Wei Sun, 1999]. Tahap pertama adalah deteksi wajah, dimana proses ini berlangsung sangat cepat pada manusia, kecuali pada kondisi tertentu dimana obyek berada pada jarak yang jauh. Tahap berikutnya adalah tahap pengenalan, yaitu mengenali suatu wajah sebagai individu. Tahap-tahap seperti itu kemudian ditiru dan dikembangkan sebagai suatu model untuk pengenalan citra wajah (face recognition) yang merupakan salah satu teknologi biometricsyang banyak dipelajari dan dikembangkan oleh para ahli.
Hal ini dikarenakan secara umum citra wajah dapat memberikan informasi khusus berkaitan dengan identifikasi personal namun sebagai input, citra wajah mempunyai variasi yang tinggi. Secara umum variasi tersebut dapat disebabkan oleh dua hal yaitu variasi pada wajah itu sendiri dan variasi karena transformasi obyek wajah menjadi citra wajah. Penyebab pertama dapat berupa variasi pada detil–detil kecil dari wajah, misalkan ekspresi, pose atau adanya perubahan asesoris wajah. Sedangkan variasi yang disebabkan oleh proses pengambilan citra dapat berupa variasi sudut pengambilan gambar, latar belakang ataupun intensitas. Variasi dari citra wajah tersebut harus mampu diselesaikan oleh sistem pengenalan.
Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan, antara lain: untuk sistem pengenalan biometrik (yang dapat dikombinasikan dengan fitur biometrik yang lain seperti sidik jari dan suara), sistem pencarian dan pengindeksan pada database citra digital dan database video digital, sistem keamanan kontrol akses area terbatas, koferensi video dan interaksi, dan interaksi manusia dengan komputer.
Pada dasarnya sistem pengenalan wajah digunakan untuk membandingkan satu citra wajah masukan dengan suatu database wajah dan menghasilkan wajah yang paling cocok dengan citra tersebut jika ada. Sedangkan autentikasi wajah (face authentication) digunakan untuk menguji keaslian/ kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya.
Hal yang menarik dalam pengenalan wajah dapat dilihat dengan meningkatnya minat komersil dan pengembangan teknologi untuk mendukung pengem-bangan tentang pengenalan wajah. Namun dalam perkembangannya masih terdapat beberapa macam permasalahan, selain masalah komputasi dan kapasitas penyimpanan data, kondisi citra wajah manusia yang menjadi masukan sistem juga merupakan masalah yang penting. Beberapa aspek penting yang mempenga-ruhi kondisi citra wajah manusia diantaranya adalah pencahayaan, ekspresi dan perubahan atribut wajah seperti kumis, janggut atau kacamata.
METODELOGI PENELITIAN
 Pendekatan PCA
Di tahun 1933, Hotelling mengajukan sebuah teknik untuk mengurangi dimensi sebuah ruang yang direpresentasikan oleh variabel statistik x1, x2, . . . ., xn, dimana variabel tersebut biasanya saling berkorelasi satu dengan yang lain. Selanjutnya Hotelling menyebut metode tersebut sebagai Principal Component Analysis (PCA) atau kadang juga Transformasi Hotelling atau disebut juga Transformasi Karhunen – Loeve [Prasetyo dan Rahmatun, 2008].
Transformasi Karhunen-Loeve banyak digunakan untuk memproyeksikan atau mengubah suatu kumpulan data berukuran besar menjadi bentuk representasi data lain dengan ukuran yang lebih kecil. Transformasi Karhunen-Loeve terhadap sebuah ruang data yang besar akan menghasilkan sejumlah vektor basis ortonormal ke dalam bentuk kumpulan vektor eigen dari suatu matriks kovarian tertentu, yang dapat secara optimal merepresentasikan distribusi data.
Pengenalan wajah dengan pendekatan Eigenface dapat digolongkan dalam suatu metodaappearance-based, ini dikarenakan pengenalan wajah eigenface menggunakan informasi mentah dari pixel citra yang kemudian direpresentasikan dalam metode tertentu (misalnya Principal Component Analysis (PCA), transformasi wavelet, dll) yang selanjutnya digunakan untuk pelatihan dan klasifikasi indentitas citra. Ide dari metode ini adalah memproyeksikan sebuah wajah yang merupakan sebuah citra dapat dilihat sebagai sebuah vektor.
Metode PCA yang juga dikenal dengan nama Karhunen-Loeve transformation (KLT), sudah dikenal sejak 30 tahun lalu dalam dunia pengenalan pola. PCA memberikan transformasi ortogonal yang disebut dengan ‘eigenimage‘ yang mana sebuah image direpresentasikan kedalam bentuk proyeksi linier searah dengan eigenimage yang bersesuaian dengan nilai eigen terbesar dari matrix covariance. Secara praktis matrix covariance ini dibangun dari sekumpulan image training yang diambil dari berbagai obyek/kelas.
Pengenalan citra wajah dengan metode Eigenface dilakukan berdasarkan pada pengurangan dimensi ruang wajah dengan menggunakan Principal Component Analysis(PCA) untuk memperoleh ciri wajah. Tujuan utama penggunaan metode PCA pada pengenalan wajah dengan menggunakan eigenfaces adalah membentuk (ruang wajah) dengan cara mencari vektor eigen yang berkoresponden dengan nilai eigen terbesar dari citra wajah. Vektor eigen ini menyatakan posisi dari Principal Component dalam suatu ruang dimensi n. Sebelum mengaplikasikan metode PCA dalam hal ini mereduksi dimensi dari vektor fitur yang ada maka nilai eigen dari citra wajah yang ada perlu diurutkan terlebih dahulu sehingga nantinya didapat nilai eigen yang tereduksi yang diinginkan.
Perhitungan PCA
Konstruksi eigenface adalah pembuatan suatu set eigenface dari set gambar training dengan menggunakan perhitungan Principal Component Analysis (PCA). Perhitungan PCA dapat dilakukan dengan langkah-langkah sebagai berikut :
  1. Mengambil satu set gambar training dan kemudian mentransformasikan setiap gambar tersebut menjadi vektor kolom, sehingga akan didapat satu matriks yang tiap kolomnya mewakili gambar yang berbeda, face space . Misalkan terdapat :
m  =  jumlah samples wajah
= ukuran tinggi = ukuran lebar citra wajah.
r1 r2 r3 rm 
x11x12X13X1m
x21x22X23X2m
x31x32X33X3m
xnxn1xnxn 2xnxn 3Xnxn m
  1. Membentuk average face , yaitu nilai rata-rata dari seluruh gambar wajah pada training set, dan mengurangi seluruh gambar pada training set terhadap average faceuntuk mencari nilai deviasinya ;
Y1= ( x11  +   x\12   +   x13  +  …  +   x1m)  / m
Y2= ( x21  +   x22   +   x23   +  …  +   x2m)  / m
Y3= ( x31  +   x32   +   x33   +  …  +   x3m)  / m
 .              .                .                 .
Y n*n= ( xn*n1 + xn*n2  +  xn*n3  + …  +  xnn*m)/m

F1 =r1 – Y1
F2 =r2 – Y2
F3 =r3 – Y3
 .              .                .                 .
F n*n =r n*n – Y n*n
 
  1. Menghitung matriks kovarian , yaitu dengan melakukan operasi perkalian transpose dari training set.
  2. Menghitung nilai eigen  dan vektor eigen  dari matriks kovarian.
  3. Mengurutkan vektor eigen berdasarkan dengan besarya nilai eigen masing-masing vektor.
  4. Menghitung matriks proyeksi PCA (Wpca) yaitu dengan mereduksi banyaknya vektor eigen menjadi M’ vektor  eigen  (eigenfaces)  dengan  nilai  M’ < M << N2.
  5. Menghitung bobot eigenface pada citra training yaitu dengan cara mengalikan matrik vektor eigen transpose dengan matrik beda  yang hasilnya merupakan reprentasi bobot dari variasi wajah ;
  6. Hitung nilai tresholdnya / toleransi toleransi

Klasifikasi Identitas
Klasifikasi identitas yang dligunakan adalah dengan membandingkan bobot dari masing-masing eigenface pada gambar wajah pada training set dan gambar wajah masukan dengan menghitung jarak Eucidiannya. Langkah-langkah klasifikasi identitas adalah sebagai berikut:
  1. Konversi citra wajah yang diuji dengan ukuran  ke dalam bentuk vektor kolom .

  1. Normalisasi citra wajah masukan terhadap citra training dengan cara mencari nilai matriks beda  dengan mengurangkan dengan nilai rata-rata training set:

  1. Menghitung bobot eigenface pada citra masukan dengan cara mengalikan matrik vektor eigen transpose dengan matrik  yang hasilnya matriks  ; 
  2. Menghitung jarak perbedaan antara citra input dengan citra wajah yang di database (citra training) dengan menggunakan Euclidian minimum :

  1. mencari dan membandingkan jarak minimum  dengan satu nilai batas ( ). Sebuah citra dikatakan wajah jika jarak minimumnya lebih kecil dari nilai batas yang diterapkan / diberikan. Semakin kecil jarak minimum yang diperoleh semakin besar kesamaan (similarity) gambar masukan dengan pasangan gambar pada training set. Nilai batas toleransi bisa diperoleh dari hasil percobaan-percobaan hingga ditemukan hasil yang memuaskan atau bisa gunakan persamaan no. 8 pada perhitungan PCA.

HASIL DAN PEMBAHASAN
  1. 1.   Perencanaan Sistem
Dalam proses pembuatan aplikasi ini terlebih dahulu dibuat diagram alur, agar jalannya program dapat diikuti dan dipahami (Gambar 1). Setelah itu, dilanjutkan dengan implementasi perangkat lunak dari sistem yang akan dibangun ini ditulis dengan menggunakan bahasa pemograman Visual Delphi 7; ini dikarenakan Borland Delphi 7.0 adalah salah satu bahasa pemograman terstruktur yang memiliki kemampuan perhitungan numerik, tampilan grafik dan pengolahan basis data yang baik
  1. 2.   Implementasi Sistem Aplikasi
Sebagai sarana untuk menghubungkan antara pemakai (user) dengan sistem dibuatlah antar muka pemakai (User Interface). User Interface dari Sistem Pengenalan Citra Wajah dengan menggunakan metode eigenface dapat dilihat pada gambar 1.
Komponen menu utama ini terdiri dari 3 sub menu yaitu SettingProses dan Resume.
  1. a.   Sub menu Setting
Sub menu ini terdiri dari 3 sub menu yaitu :
1.  Sub menu Folder Citra Training.
Sub menu ini berfungsi untuk menentukan letak citra training yang akan dibaca oleh sistem.
  1. Sub menu Folder Citra Recognizing.
Sub menu ini berfungsi untuk menentukan letak citra yang akan diujikan yang akan dibaca oleh sistem.
  1. Sub menu Basis data training.
Sub menu ini berfungsi untuk menentukan dan memastikan apakah semua citra trainingyang akan dibaca oleh sistem sudah berada pada basis data sistem atau belum. Jika hal itu belum terpenuhi maka user diizinkan untuk langsung mengupdatenya atau langsung membuatnya melalui sistem.
  1. b.      Sub menu Proses
Sub menu proses terdiri atas submenu-submenu berikut :
  1. Sub menu proses training
Sub menu ini berguna untuk membaca citra training ada, yang selanjutnya akan diproses guna mendapatkan fitur-fitur dari citra wajah training yang akan disimpan dalam foldertraining yang selanjutnya akan digunakan dalam proses recognizing.
  1. Sub menu proses recognizing
Sub menu ini berguna untuk mengidentifikasi citra wajah yang akan di-recognitionterhadap citra training dengan cara mencari kemiripan antar citra training dengan citrarecognition dengan cara mencari perbedaan bobot antara citra training dengan citra latih yang paling kecil.
  1. Sub menu proses recognizing (1 citra)
Sub menu ini mempunyai fungsi yang sama dengan sub menu proses recognizing.Perbedaan keduanya adalah terletak pada jumlah citra yang akan dikenali. Sub menuproses recognizing akan mengenali semua citra yang terdapat di dalam satu folder; sedangkan proses recognizing (1 citra), proses pengenalannya satu demi satu dan citra yang akan dikenali boleh beda dengan menu Folder Citra Recognizing  yang di-set di sub menu proses setting.
  1. c.      Sub menu Resume
    1. Sub Menu Citra Training 
Sub menu ini berguna sebagai laporan untuk menampilkan semua citra training
  1. Sub Menu Citra Recognizing
Sebagaimana sub menu citra training sub menu citra recognizing juga berguna sebagai laporan untuk menampilkan semua citra recognition.
  1. Sub Menu Citra Rata-rata Training
Submenu ini berfungsi sebagai laporan untuk menampilkan citra rata-rata citra trainingdari hasil proses training yang telah dilakukan sebelumnya.
  1. Sub Menu Lambda Strength
Sub menu ini juga berfungsi sebagai laporan untuk menampilkan grafik nilai-nilai karakteristik dari citra training.
  1. Sub Menu Hasil Recognizing.
Sama dengan sub menu – sub menu yang lain, sub menu ini juga berfungsi yaitu sebagai laporan untuk menampilkan hasil recognizing yang telah dilakukan oleh sistem. Adanya sub menu sangat membantu user untuk mengetahui seberapa ketepatan sistem mengenali citra wajah yang akan diidentifikasi.
Gambar  1. Tampil menu Utama Program
  1. 3.   PENGUJIAN PROGRAM
3.1.Data Citra Training
Untuk menguji keberhasilan perangkat lunak yang dibuat, maka penulis mencoba dengan beberapa contoh citra training yang dipergunakan dalam pelatihan (lampiran 2).
3.2.Data Citra Recognition
Sama halnya dengan tujuan penggunakan citra training, penggunaan citra uji juga bertujuan untuk mengetahui seberapa baikkah sistem yang dibuat dapat mengidentikasi citra wajah dengan benar. Untuk mengetahui tujuan tersebut maka penulis merasa perlu untuk menguji citra masukan yang tampak seperti pada lampiran 4.
3.3.Proses Training.
Tahap pertama pengujian sistem adalah tahap training. Tahap ini bertujuan untuk menghasilkan nilai bobot dari setiap citra training yang ada. Beberapa proses yang dilakukan dalam proses training dapat dilihat dalam Lampiran 1.
3.4.Proses Pengenalan
Adapun proses yang dilakukan pada proses pengenalan adalah mengambil nilai-nilai bobot dari hasil proses training yang selanjutnya dibandingkan dengan bobot citra masukan/uji. Jika perbedaan kedua bobotnya sangat kecil maka sistem akan menyimpulkan keduanya adalah mirip atau sama. Hasil proses pengenalan dapat dilihat pada lampiran 5.

KESIMPULAN

1. Sistem pengenalan citra wajah dengan metode eigenface yang dibangun ini mampu mengenali citra suatu wajah berdasarkan pencocokan kemiripan.
2. Untuk data-data citra yang digunakan pada penelitian ini; untuk citra uji yang sama dengan citra training sistem dapat mengenali citra wajah dengan benar dengan prosentasi yang diperoleh adalah 100%, sedangkan untuk citra uji yang berbeda dengan citra training sistem mengenali citra dengan benar mengalami penurunan sejalan dengan banyaknya jumlah citra training yang digunakan.
3. Pengenalan citra wajah dengan metode eigenface mampu melakukan pengenalan terhadap citra yang mengalami perubahan dari citra  asli, dengan demikian metode ini kebal terhadap gangguan-gangguan pada citra akibat noise dan efek pengaburan pada citra.
4. Sebagian besar citra yang gagal dalam pengenalan disebabkan oleh dua faktor, yaitu faktor penskalaan dan pose.
5. Pengenalan terhadap citra yang tidak mempunyai wakil dalam pelatihan, akan menyebabkan sistem mengenali sebagai individu yang salah
6. Pengenal wajah menggunakan Pen-dekatan Eigenface berjalan dengan baik dengan persentase keberhasilan yang cukup tinggi, yakni rata-rata 88,8% untuk 10 uji coba dan 50 sampel  citra.
7. Pengenalan wajah dengan pendekatan eigenface mampu mengenali dengan benar untuk citra yang mempunyai ekpresi yang berbeda, perubahan posisi dan citra mengalami noise tetapi tidak untuk citra sketsa.

DAFTAR PUSTAKA
Baback Moghaddam and Alex Pentland. Face Recognition using View-Based and Modular Eigenspaces. Automatic Systems for the Identification and Inspection of Humans SPIE, vol. 2277, Jul 1994.
Kelkar, A., Face Recognition using Eigenface Approach, Seminar Report Department of Computer Science and Engineering Indian Institute of Technology, Bombay
M. Turk, A. Pentland, 1991, “Eigenfaces for Recognition”, J. Cognitive Neuroscience, vol. 3, no.1.
Prasetyo, E. dan Rahmatun, I., Desain Sistem Pengenalan Wajah Dengan Variasi Ekspresi dan Posisi Menggunakan Metode Eigenface.
Saragih, R., A., 2007, Pengenalan Wajah Menggunakan Metode Fisherface, Jurnal Teknik Elektro, Universitas Kristen Petra, Vol 7. Nomor 1.
Tat-Jun Chin* and David Suter, A Study of the Eigenface Approach for Face Recognition,Dept of ECSE, P.O. Box 35, Monash University, Clayton 3800, Australia, 2004.
Wei sun, 1999, “Shape analysis in computer vision, final project Report : Face Recognation ” Departemen of electronical Engineering, McGill University.



Source Code ActionScript AS3 ASP.NET AJAX C / C++ C# Clipper COBOL ColdFusion DataFlex Delphi Emacs Lisp Fortran FoxPro Java J2ME JavaScript JScript Lingo MATLAB Perl PHP PostScript Python SQL VBScript Visual Basic 6.0 Visual Basic .NET Flash MySQL Oracle Android
Related Post :


Project-G
Judul: METODE EIGENFACE PENGENALAN CITRA WAJAH
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh hank2

Anda sedang membaca artikel tentang METODE EIGENFACE PENGENALAN CITRA WAJAH , Semoga artikel tentang METODE EIGENFACE PENGENALAN CITRA WAJAH ini sangat bermanfaat bagi teman-teman semua, jangan lupa untuk mengunjungi lagi melalui link METODE EIGENFACE PENGENALAN CITRA WAJAH .


Posted by: Metode Algoritma Updated at: 17.25

Label

3 Variabel Adaptive Resonance Theory Algorirma RSA Algoritma Algoritma Clonal Selection Algoritma Djikstra Android ANN Annaeling Aritmetika Modulo ART Artificial Neural Network Backpropagation Biometrik Blowfish Brute Force Buble Sort Business Process Management C++ C-Means Caesar Cipher CISM Contoh Contoh Kode Contoh Penerapan contoh program Contoh Soal Corporate Information System Management CRC Cyclic Redundancy Code Deteksi Wajah Dijkstra Djikstra Eigenface Enterprise Resource Planning ERP Expectation Maximization Face Detection Face Extractor Face Recognition Facebook FCFS FCM Filterbank First Come First Server Fisherface FP-Growth Fuzzy ART Fuzzy C-Means Gaussian Generate & Test Genetika greedy Green Computing Huffman image processing Implementasi Information System Risk Management iOS 5 Iris Recognition IS Strategic Planning Jaringan Jaringan Saraf Tiruan jaringan syaraf tiruan Jasa Pembuatan Tesis Skripsi TA Informatika Komputer Java JST K-means knowledge management konsultan tesis informatika kriptografi Kruskal Kruskall Linear Programming list judul informatika LOKI LOOK Low Bit Coding LSB Manajamen Proses Bisnis Manajemen Perubahan MANET Masalah Rute Kendaraan Mass Transport Vehicle Routing Problem Metode Grafik metode LSB Minimum Spanning Tree mobile Mobile Ad hoc Network MTVRP negascout Online Learning Open Shortest Path First OpenCV OSPF PCA Pemrograman Linear Pencarian Akar Pencarian Linear Pencocokan Pengenalan Iris Mata Pengenalan Suara Pengenalan Wajah Pengolahan Citra Pengolahan Citra Digital Pengukuran Garis-Garis Telapak Tangan Penjadwalan Persamaan Linier Pewarnaan Graf Pewarnaan Graph Prim Project and Change Management Quantum Random Waypoint real time tracking Recognition Recursive Large First RLF RMSE Root Mean square Error RSA RWP Sandi Sidik Jari Simulated Annaeling SISP Sistem Verifikasi Biometrik skripsi sorting Source Code Spanning Tree Speech Speech Recognition Steganography Strategic Information Systems Planning Stream Cipher Technopreneurship Traveling Salesman Problem Travelling Salesman problem Tree TSP Voice Recognition Watermaking Web Service Welch dan Powell