3.3 Flowchart proses pelatihan
Start
Melakukan proses Perhitungan Eigenface Mengaktifkan webcam untuk menampilkan
gambar yang berada di depan webcam tersebut
Menampilkan citra wajah yang berhasil diambil dari webcam
Simpan citra wajah ?
END
YA TIDAK
Menyimpan citra wajah, nilai eigen dan Nama.
Gambar 3.6 Flowchart proses pelatihan
3.4 Flowchart proses pengenalan
Start
Mengaktifkan webcam untuk menampilkan gambar yang berada di depan webcam
tersebut
Menampilkan citra wajah yang berhasil diambil dari webcam
END
YA
Melakukan proses perhitungan Eigenface
Menghitung jarak Euclidean antara citra wajah tersebut dengan citra wajah yang terdapat di
dalam database
Jarak Euclidean terkecil ?
TIDAK
Data Cocok
Pintu di buka
Gambar 3.7 Flowchart proses pengenalan
3.5 Perancangan software 3.5.1 Komponen Sistem
Sistem pengenalan wajah ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti gambar berikut:
Image capturing
User interface
Sub system Pengenalan wajah
Database File wajah
Gambar 3.8 Hubungan antar subsistem Keterangan :
a. Komponen Image Capturing berfungsi untuk melakukan mekanisme
pengambilan citra wajah dengan media webcam, baik saat proses penyimpanan file citra wajah maupun saat proses pengenalan wajah.
b. Komponen Interface berfungsi untuk menghubungkan komunikasi antara
system dengan user, baik saat proses penyimpanan file citra wajah maupun saat proses pengenalan wajah.
c. Subsistem Pengenalan wajah merupakan pengenalan wajah dilakukan
dengan mencocokan citra wajah yang dicapture pada saat verifikasi
Database Citra wajah
Webcam Normalisasi
image Kalkulasi
Eigen
Proses Matching
Jarak eucladian
terkecil Kalkulasi eigen
vector Eigen
value Eigen
Vector
Gambar 3. 9 Langkah-langkah proses identifikasi wajah
Keterangan bagan : a.
Citra wajah di-capture menggunakan webcam. Hasil dari capturing ini hasil file gambar yang bertipe.jpg
b. Citra wajah ini kemudian dinormalisasi dengan beberapa tahap. Pertama,
citra diturunkan kualitas warnanya menjadi grayscale. Ukuran dari citra wajah juga diseragamkan, menjadi berukuran 80x80 pixel.
c. Setelah didapatkan citra wajah yang ternormalisasi hitung nilai eigen dari
citra wajah tersebut, misalnya dipeoleh nilai µ. d.
Dari koleksi citra wajah yang ada di database, masing-masing citra dikalkulasi nilai eigennya dan dikumpulkan dalam vector yang dinamakan
eigenvector. Misalkan kita mendapatkan nilai �
1
, �
2
, �
3
, … �
�
. e.
Proses matching dilakukan dengan mencocokaan nlai x dengan nilai-nilai pada eigenvector dan mencari nilai yang paling mendekati.
f. Jika nilai yang paling mendekati sudah ditemukan, cari data user yang
bersesuaian dengan nilai tadi.
Untuk proses perhitungan eigenface dari image pada langkah tiga, penjelasannya sebagai berikut:
1. Buat Himpunan image S dari total M training_image, dimana setiap image adalah p x q piksel.
Misal di dalam himpunan image terdapat tiga image ukuran 3 x 3 piksel maka:
Image 1 Image 2
Image 3
� 4
3 1
4 2
� � 2
2 1
3 2
4 � �
1 4
2 2
3 �
2. Cari nilai tengah atau mean Ψ
Ψ = 1
3 � Γ
�
= 1
3 ��
4 3
1 4
2 � + �
2 2
1 3
2 4
� + � 1
4 2
2 3
��
3 �=1
Ψ = 1
3 �
1 3
2 2
3 2
� 3. Cari selisih
Ф antara training image Γ
i
dengan nilai tengah Ψ, apabila
ditemukan nilai dibawah nol ganti nilainya dengan nol.
Φ
1
= Γ
1
− Ψ = � 4
3 1
4 2
� − � 1
3 2
2 3
2 � = �
1 1
1 �
Φ
2
= Γ
2
− Ψ = � 2
2 1
3 2
4 � − �
1 3
2 2
3 2
� = � 1
1 1
�
Φ
3
= Γ
3
− Ψ = � 1
4 2
2 3
� − � 1
3 2
2 3
2 � = �
1 �
4. Hitung nilai matriks kovarian C
� = 1
� � Φ
�
Φ
� �
� �=1
� = ��
�
� = [Φ
1
, Φ
2
, … , Φ
M
] � = ��
�
, dimana �
�,�
= Φ
�
Φ
� �
� =
⎝ ⎜
⎜ ⎜
⎜ ⎜
⎛ �
1 1
1 1
1 1
1 �
⎣ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎡ 1
1 1
1 1
1 1
1 0⎦
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎤
⎠ ⎟
⎟ ⎟
⎟ ⎟
⎞
� = � 4
2 1
2 3
1 1
1 1
� 5. Cari nilai eigenvalue
λ dan eigenvector v � � � = � � �
� � � = �� � �
� − �� = 0 ���� �� − � = 0
maka eigenvalue λ dapat dihitung,
det
�� − � = 0
= � �
1 1
1 � − �
4 2
1 2
3 1
1 1
1 � = �
� − 4 2
1 2
� − 3 1
1 1
� − 1 �
akan dihasilkan nilai � = 1, ��� � = 4
� = � �
1
�
2
�
3
�
eigenvector v dihasilkan dengan mensubtitusikan nilai eigenvalue λ kedalam
persamaan �� − �� = 0
untuk � = 4, maka �
4 − 2
2 1
2 4
− 3 1
1 1
4 − 1
� � �
1
�
2
�
3
� = � �
� 2
2 1
2 1
1 1
1 3
� � �
1
�
2
�
3
� = � 2
�
1
2 �
2
1 �
3
2 �
1
1 �
2
1 �
3
1 �
1
1 �
2
3 �
3
� = � �
dihasilkan eigenvector �
1 −1
� ��� � −3
1 �
untuk � = 1, maka �
1 − 2
2 1
2 1
− 3 1
1 1
1 − 1
� � �
1
�
2
�
3
� = � �
� −1
2 1
2 −2 1
1 1
� � �
1
�
2
�
3
� = � −�
1
2 �
2
�
3
2 �
1
−2�
2
�
3
�
1
�
2
� = � �
Dihasilkan eigenvector �
1 1
�
sehingga eigenvector yang dihasilkan dari matriks L adalah �
1 −3 1
−1 1
1 �
6. Cari nilai eigenface µ
�
�
= � �
��
Φ
� �
�=1
�
1
= �. Φ
1
= �
1 −3 1
−1 1
1 � �
1 1
1 � = �
−2 1
−1 −1 1
�
�
2
= �. Φ
2
= �
1 −3 1
−1 1
1 � �
1 1
1 � = �
−2 0 −3 −1 0
1 1
�
�
3
= �. Φ
3
= �
1 −3 1
−1 1
1 � �
1 � = �
1 −1 0
�
Untuk proses matching image pada langkah lima, penjelasannya sebagai berikut: 1.
Cari nilai eigenface image baru Γ
���
yang akan dikenali
a. Cari selisih Ф antara test face Γ
���
dengan nilai tengah Ψ, apabila
ditemukan nilai dibawah nol ganti nilainya dengan nol.
Misal test Γ
���
terdiri dari matriks 3x3 :
� 2
6 5
1 3
1 �
Φ
���
= �
2 6
5 1
3 1
� − � 1
3 2
2 3
2 � = �
1 3
3 1
1 �
b. Cari nilai eigenface dari test face Γ
���
�
���
= �. Φ
���
�
���
= �
1 −3 1
−1 1
1 � �
1 3
3 1
1 � = �
2 3
2 −3 −3
1 �
2. Gunakan Euclidean Distance untuk mencari selisih terkecil antara eigenface training image
Γ
�
dalam database dengan eigenface test face Γ
���
. �
�
= || Ω − Ω
���
||
�
1
= �|Ω
1
− Ω
���
| � = ��
−2 1
−1 −1 1
� − � 2
3 2
−3 −3 1
�� = 16
�
2
= �|Ω
2
− Ω
���
| � = ��
−2 0 −3 −1 0
1 1
� − � 2
3 2
−3 −3 1
�� = 20
�
3
= �|Ω
3
− Ω
���
| � = ��
1 −1 0
� − � 2
3 2
−3 −3 1
�� = 12 karena jarak distance eigenface image 3 dengan eigenface test face yang paling
kecil, maka hasil identifikasi menyimpulkan bahwa test face lebih mirip dengan image 3 daripada image 1 atau image 2.
3.6 Perancangan antar muka
Kategori