Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
BAB I
PENDAHULUAN
Hubungan sosial manusia yang berkaitan dengan identitas dan emosi
wajah memegang peranan yang penting. Kemampuan manusia untuk mengenal
wajah sangat luar biasa. Manusia dapat mengenal ribuan wajah selama hidupnya
dan mampu mengidentifikasi wajah-wajah yang akrab dalam waktu sekejap walau
sudah lama tidak bertemu. Kemampuan tersebut dinilai sangat handal walaupun
perubahan visual wajah terjadi karena kondisi penglihatan, ekspresi, umur, dan
faktor lain seperti pemakaian kacamata dan perubahan tipe rambut.
Media informasi memungkinkan terjadinya metode interaksi antara
manusia dan komputer yang lebih efektif dan lebih akrab dengan mengadopsi
kemampuan manusia tersebut. Metode interaksi ini tidak bergantung pada
peralatan konvensional seperti keyboard dan mouse (Pentland, 2000), tetapi
mengandalkan peralatan-peralatan digital yang terhubung dengan komputer
misalnya kamera video. Salah satu metode interaksi manusia dan komputer ini
menerapkan konsep teknologi visi komputer di bidang pengenalan wajah.
Teknologi pengenalan wajah dengan teknologi biometrika lainnya
(pemindaian iris, pemindaian retina, pengenalan bunyi/suara, sidikjari, geometri
tangan/jari, verifikasi tandatangan, verifikasi penekanan tombol keyboard, gaya
berjalan, telinga dan, bau badan atau anggota lain) walaupun kelihatannya masih
eksotis, namun akan berkembang sedemikian rupa pada masa mendatang sehingga
menjadi seperti disebutkan dalam MIT Technology Review (Woodward et al.,
2003), bahwa biometrika akan menjadi ”top ten emerging technologies that will
change the world”.
Perkembangan metode ini didukung oleh perkembangan teknologi
komputer, khususnya perkembangan prosesor komputer dan teknologi video.
Dengan teknologi ini maka implementasi pengenalan wajah semakin terbuka,
bahkan tidak mustahil akan menjadi aplikasi yang penting dan digunakan pada
semua sistem yang membutuhkannya (Yang et al., 2002). Model komputasi wajah
telah menjadi area yang aktif untuk diteliti sejak tahun 1980 karena area ini tidak
hanya berada dalam domain teoritis saja namun memungkinkan diciptakannya
aplikasi-aplikasi praktis dalam hal pengenalan wajah, misalnya identifikasi
kriminal, sistem keamanan, pemrosesan citra dan film, dan interaksi manusiakomputer dan sebagainya. Namun, pengembangan model komputasi untuk
pengenalan wajah tidak mudah, karena wajah memiliki karakteristik rumit,
multidimensi, dan berubah dari waktu ke waktu.
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan
asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat
diekstraksi dari citra. Asumsi selanjutnya adalah bahwa komputer dapat bereaksi
sesuai dengan citra yang ’dilihatnya’. Penelitian tentang pengenalan wajah dan
ekspresi wajah telah menarik perhatian para peneliti. Saat ini, kendati aplikasi
komersial tentang pengenalan wajah telah diimplementasikan (Fraser, 2003),
namun pada dasarnya teknologi ini belum matang (Woodward et al., 2003)
sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil
yang diinginkan. Untuk mengembangkan implementasi pendeteksian dan
pengenalan wajah salah satunya dilakukan dengan penelitian sistem identifikasi
dengan pelacakan dan pengenalan wajah.
Aplikasi sistem pelacakan dan pengenalan wajah dapat diterapkan untuk
sistem identifikasi teroris yang saat ini sangat diperlukan terutama dalam sistem
keamanan oleh pihak yang terkait yaitu kepolisian. Untuk itu penelitian ini
mendesain sebuah sistem identifikasi teroris dengan pelacakan dan pengenalan
wajah.
DAFTAR PUSTAKA
Achmad, B, &Kartika Firdausy, 2005, Teknik Pengolahan Citra Digital
Menggunakan Delphi, Ardhi publishing, Yogyakarta.
Anymous, 2000, Intel Image Processing Library – Reference Manual, Intel
Corporation, USA.
Anymous, 2001, Open Source Computer Vision Library – Reference Manual,
Intel Corporation, USA.
Bhuiyan, M, Ampornaramveth, Muto, &Ueno, 2003, Face Detection and Facial
Feature Localization for Human machine Interface, Research Paper.
Bradski, G, Adrian Kaehler, &Vadim Pisarevsky, 2005, Learning-Based
Computer Vision with Intel’s Open Source Computer Vision Library,
Intel Technology Journal, Volume 9, Issue 2, page119-129,
http://developer.intel.com/technology/itj/index.htm.
Fraser, F, 2003, Exploring The Use of Face Recognition Technology for Border
Control Applications, Biometric Consorsium Conference.
Guillamet, D, &Vitria, 2000, A comparison of global versus local color
histograms for object recognition, Pattern Recognition, Proceedings.
15th International Conference, Volume 2, Page(s): 422 – 425.
Gunturk, B, Batur, Altunbasak, Hayes III, &Mersereau, 2002, Eigenface-based
super-resolution for face recognition, International Conference Image
Processing Proceedings, Volume 2, Page(s):II-845 - II-848, IEEE.
Hjelmas, E &Low, 2001, Face Detection: A Survey, Computer Vision and Image
Understanding, vol. 83 236–274.
Jain, K, 1989, Fundamental of Digital Image Processing, Prentice Hall, London.
Jiali, Z,
Wen Jinwei, &Lou Siwei, 2001, Face recognition: a facial action
reconstruction and ICA representation approach, Proceedings of ICII
International Conferences, Volume 3, Page(s):456 - 461, IEEE.
Kanade, T, 1973, Picture Processing System by Computer Complex and
Recognition of Human Faces, Doctoral dissertation, Kyoto University.
Kotropoulus, C, & itas, 1997, Rule-based Face Detection in Frontal Views, Proc.
Int. Conf. Acoustic, Speech and Signal Processing, vol. 4 2537–2540.
Kuranov, A, Rainer Lienhart, &Vadim Pisarevsky, 2002, An Empirical Analysis
of Boosting Algorithms for Rapid Objects With an Extended Set of
Haar-like Features, Intel Technical Report MRL.
Lanitis, A, Taylor, &Cootes, 1995, An Automatic Face Identification SystemUsing
Flexible Appearance Models, Image and Vision Computing, vol. 13,
no. 5. pp. 394–401, Department Medical Biophysis University of
Manchester.
Lienhart, R &Jochen Maydt, 2002, An Extend ed Set of Haar-like Features for
Rapid Object Detection, ICIP2002.
Linde, O, &Lindeberg, 2004, Object recognition using composed receptive field
histograms of higher dimensionality, ICPR Proceedings of the 17th
International Conference, Volume 2, 23-26 Aug. 2004 Page(s):1 - 6
Vol.2.
Miao, J, Yin, Wang, Shen, &Chen, 1999, Hierarchical Multiscale and Multiangle
System for Human Face Detection in a Complex Background Using
Gravity-Center Template, Pattern Recognition, vol.32, no. 7, pp. 1237–
248, Dept of Computer Science, Beijing Polytechnic University.
Munir, R, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik,
Informatika Bandung.
Nazeer, S, Omar, &Khalid, 2007, Face Recognition System using Artificial
Neural Networks Approach, Proceedings of International Conference
Signal Processing, Communications and Networking, Page(s):420 –
425, IEEE.
Peer, P, &Solina, 2000, An Automatic Human Face Detection Method, Faculty of
Computer and Information Science University of Ljubljana.
Pentland, A, 2000, Perceptual Intelligence, Communications Association for
Computing Machinery, vol. 43, no. 3, pp. pp. 35–44.
Pigeon, S, &Vanderdrope, 1997, The M2VTS Multimodal Face Database, Proc.
First. Intl. Conf. Audio and Video-based Biometric Person
Authentication.
Scassellati, B, 1998, Eye Finding via Face Detection for a Foveated, Active
Vision System, American Association for Artificial Intelligence.
Schiele,
B, &Crowley, 1996, Probabilistic object recognition using
multidimensional receptive field histograms, Proceedings of the 13th
International Conference, Volume 2, 25-29 Aug. 1996 Page(s):50 - 54
vol.2.
Seo, N, 2007, Tutorial: OpenCV haartraining (Rapid Object Detection With A
Cascade of Boosted Classifiers Based on Haar-like Features),
PukiWiki Plus.
Shan, Y, Sawhney, Matei, &Kumar, 2006, Shapeme histogram projection and
matching for partial object recognition, Pattern Analysis and Machine
Intelligence, IEEE Transactions, Volume 28, Issue 4, April 2006
Page(s):568 – 577.
Sung, K, &Poggio, 1994, Example-based Learning for View-based Human Face
Detection, IEEE Trans. Pattern Analysis and Machine Intelligence,
vol.20, no. 1, pp. 38–44.
Taylor, S, “Intel® Integrated Performance Primitives,” in How to Optimize
Software
Applications
Using
Intel®
IPP”,
http://www.intel.com/intelpress/sum_ipp.htm.
Wang, G, &Ou, 2006, Face Recognition Based on Image Enhancement and
Gabor Features, Proceedings of Intelligent Control and Automation,
Volume 2 Page(s):9761 – 9764, IEEE.
Viola, P, &Michael J, Jones, 2001, Rapid Object Detection using a Boosted
Cascade of Simple Features, IEEE CVPR.
Woodward, J, Horn, Gatune, &Thomas, 2003, Biometrics: A Look at Facial
Recognition, Virginia State Crime Commision.
Yang, Chen, &Kunz, 2002, A PDA-based Face Recognition System, Sixth IEEE
Workshop on Applications of Computer Vision, School of Computer
Science, Carnegie Mellon University.
Yang, M, 2003, Recent Advances in Face Detection, ICIP 2003 Tutorial: Advance
in Face Processing.
Yang, M, Kriegman, &Ahuja, 2002, Detecting Faces in Images: A Survey, IEEE
Trans. Pattern Analysis and Machine Intelligence, vol. 24,no. 1, pp. 34–
58.
Yuille,A, Hallinan, &Cohen, 1992, Fetures Extraction from Faces using
Deformable Templates, International Journal Computer Vision, vol. 8,
no.2, pp 99–111.
Zhao, W, Chellappa, Rosenfeld, &Phillips, 2000, Face Recognition: A Literature
Survey, National Institute of Standards and CVL Technical Report,
University of Maryland.
LAPORAN PENELITIAN
DOSEN MUDA
Sistem Identifikasi Teroris
Dengan Pelacakan Dan Pengenalan Wajah
Oleh :
Endah Sudarmilah, S.T, M.Eng
Umi Fadlillah, S.T
Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah VI
Sesuai dengan Surat Perjanjian Pelaksanaan Dosen Muda
dan Studi Kajian Wanita
Nomor kontrak: 008/O06.2/PP/SP/2010
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2010
RINGKASAN
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan
asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat
diekstraksi dari citra. Saat ini, kendati aplikasi komersial tentang pengenalan
wajah telah diimplementasikan, namun pada dasarnya teknologi ini belum matang
sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil
yang diinginkan. Berdasarkan latarbelakang dapat dirumuskan masalah
bagaimana merancang dan membuat sistem pelacakan wajah metode haar dan
studi awal pengenalan wajah dengan perbandingan histogram.
Metode yang digunakan pada penelitian adalah algoritma Haar untuk
pelacakan wajah dan metode perbandingan histogram citra wajah untuk system
pengenalannya yang akan ditulis dengan bahasa pemrograman C++, compiler
Microsoft Visual C++ 6.0 dan image processing library OpenCV dari Intel.
Tingkat keberhasilan pelacakan dan pengenalan sampai dengan 80% tanpa
adanya perbedaan pencahayaan dan keberadaan komponen struktural atau
penghalang. Faktor pencahayaan dan ekspresi wajah apapun tidak berpengaruh
pada proses pelacakan wajah, selama kamera masih bisa menangkap gambar maka
pelacakan masih dapat dilakukan. Jarak obyek dari kamera mempengaruhi ukuran
citra hasil pelacakan semakin jauh dari kamera semakin kecil citra hasil pelacakan
Proses pengenalannya sangat tergantung pada pencahayaan karena
menggunakan algoritma histogram yang murni menggunakan nilai intensitas citra
tetapi sistem dapat digunakan pada kondisi pencahayaan apapun asalkan
pencahayaan tetap (kondisi cahaya pengambilan citra kamera dan kondisi cahaya
pada pengambilan citra basis data adalah sama). Sistem dapat digunakan pada
kondisi background apapun karena pengenalan hanya dilakukan pada citra wajah
terlacak saja dan sudah dapat mengeliminasi background yang ada dan sudah
disesuaikan dengan histogram warna kulit wajah.
Kata-kata Kunci : pelacakan wajah, metode haar, pengenalan wajah,
perbandingan histgram
SUMMARY
Face detection and recognition research rises with assumption identity,
feature and character information of someone have extracted from images.
Although commercial application for face detection and recognition have
implemented, this technology not perfect yet, it need to develop for best result.
Based on the background, problem can be pointed how to design and make face
tracking system with haar method and pre-study face recognition with histogram
comparison.
Haar algorithm has used in the research to face tracking and histogram
comparison for face recognition. Microsoft Visual C++ 6.0 compiler, C++
language, and image processing library OpenCV from Intel have used in this
research too. Face tracking have specialized for frontal face not the others.
The result gives 80 percent success for face tracking and recognition
without changing light and structural component. Lightening factor and face
expression haven’t influence face tracking, since camera can capture face.
Structural component haven’t influence either, since tracking process hasn’t lose
the feature and vice versa. The size of tracking image depends on the distance of
the object and camera, so much longer so much the smaller.
Recognition process depends on lightening because it use histogram
algorithm which get image intensity value. System can be used for every
lightening condition if it has stagnant lightening for capture and database image.
Face recognition can be used for every background according skin face histogram
from tracking image.
Key words : face tracking, haar method, face recognition, histogram
comparison
PRAKATA
Puji syukur peneliti panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan karunia-Nya sehingga peneliti dapat menyelesaikan
laporan akhir penelitian dosen muda ini. Laporan akhir penelitian dosen muda ini.
Peneliti tidak lupa mengucapkan terimakasih yang sebesar-besarnya
kepada semua pihak yang telah berperan dalam menyelesaikan laporan akhir
penelitian dosen muda ini.
Peneliti menyadari bahwa laporan akhir penelitian dosen muda ini masih
banyak kekurangannya, oleh karena itu kritik dan saran membangun sangat
peneliti harapkan. Akhirnya peneliti berharap semoga karya tulis ini dapat
bermanfaat bagi semua pihak.
Yogyakarta, 6 September 2010
Peneliti
DAFTAR ISI
HALAMAN JUDUL .......................................................................................... i
HALAMAN PENGESAHAN............................................................................. ii
RINGKASAN ..................................................................................................... iii
SUMMARY ........................................................................................................ iv
PRAKATA.......................................................................................................... v
DAFTAR ISI....................................................................................................... vi
DAFTAR GAMBAR .......................................................................................... ix
DAFTAR TABEL............................................................................................... xiii
DAFTAR LAMPIRAN....................................................................................... xv
BAB I PENDAHULUAN .................................................................................. 1
BAB II TINJAUAN PUSTAKA......................................................................... 4
2.1 Keaslian Penelitian ....................................................................................... 4
2.2 Landasan Teori ............................................................................................. 5
2.2.1
Data citra ................................................................................................ 5
2.2.2
Visi Komputer (Computer Vision ) ........................................................ 7
2.2.3
Pola dan Pengenalan Pola ...................................................................... 8
2.2.4
Pelacakan Wajah ..................................................................................... 10
2.2.4.1 Metode Pendeteksian Wajah ................................................................... 10
2.2.4.1.1 Metode Berbasiskan Pengetahuan (Knowledge-based methods)...... 13
2.2.4.1.2 Pendekatan Ciri Invarian (Feature invariant approaches) ............... 14
2.2.4.1.3 Metode Pencocokan Template (Template matching methods).......... 16
2.2.4.1.4 Metode Berbasiskan Penampilan (Appearance-based methods) ...... 18
2.2.4.2 Pelacakan Wajah dengan Metode Haar ................................................. 19
2.2.5
Pengenalan Wajah................................................................................... 24
2.2.6
Pengenalan Wajah dengan Perbandingan Histogram ............................. 26
2.2.6.1 Histogram citra ....................................................................................... 26
2.2.6.2 Perbandingan Histogram ........................................................................ 27
BAB III TUJUAN DAN MANFAAT PENELITIAN ...................................... 30
3.1 Tujuan Penelitian ........................................................................................ 30
3.2 Manfaat Penelitian ..................................................................................... 30
BAB IV METODE PENELITIAN .................................................................... 31
4.1 Bahan yang digunakan ................................................................................ 31
4.2 Peralatan yang digunakan ........................................................................... 31
4.3 Jalan Penelitian ........................................................................................... 31
BAB V HASIL DAN PEMBAHASAN.............................................................. 34
5.1 Perancangan dan pembuatan perangka tlunak Sistem identifikasi ............... 34
5.1.1 Gambaran Umum....................................................................................... 34
5.1.1.1 Pelacakan Wajah .................................................................................... 34
5.1.1.2 Pengenalan Wajah .................................................................................. 34
5.1.2 Algoritma dan Pemrograman .................................................................... 35
5.1.2.1 Algoritma dan Pemrograman Pelacakan Wajah .................................... 35
5.1.2.2 Algoritma dan Pemrograman Pengenalan Wajah .................................. 42
5.1.3 Antarmuka Aplikasi .................................................................................. 47
5.2 Hasil pengujian dan analisis ......................................................................... 53
5.2.1 Pengujian Proses Pelacakan Wajah............................................................ 53
5.2.1.1 Pengaruh Faktor Posisi Wajah ............................................................... 53
5.2.1.2Pengaruh Faktor Tingkat Pencahayaan.................................................... 54
5.2.1.3 Pengaruh Faktor Ukuran Citra ................................................................ 56
5.2.1.4 Pengaruh Faktor Keberadaan Komponen Struktural/Penghalang .......... 58
5.2.1.5 Pengaruh Faktor Ekspresi Wajah ............................................................ 60
5.2.1.6 False Positive dan False Negative ......................................................... 61
5.2.2 Pengujian Proses Pengenalan Wajah ........................................................ 62
5.2.2.1 Pengaruh Faktor Ada Tidaknya File Citra Wajah dalam Basisdata ...... 62
5.2.2.2 Pengaruh Tingkat Pencahayaan ............................................................. 71
5.2.2.3 Pengaruh Perbedaan Ukuran Citra ......................................................... 78
5.2.2.4 Pengaruh Penghalang ............................................................................. 86
5.2.2.5 Pengaruh Perbedaan Ekspresi ................................................................ 90
5.2.3.Kelebihan dan Kelemahan Sistem ............................................................ 98
BAB VI PENUTUP ............................................................................................ 99
6.1 Kesimpulan ................................................................................................... 99
6.2 Saran-saran.................................................................................................... 100
DAFTAR PUSTAKA ......................................................................................... 102
LAMPIRAN........................................................................................................ 106
DAFTAR GAMBAR
Gambar 2.1 Sebuah sistem visi komputer (Jain, 1989) ...................................... 8
Gambar 2.2 Pemetaan dalam representasi abstrak pengenalan pola................... 9
Gambar 2.3 Struktur umum sistem pengenalan pola ......................................... 10
Gambar 2.4 Pendekatan Teknik Pendeteksian Wajah Menurut Hjelmas (2001) 11
Gambar 2.5 Contoh Pengkodean Wajah .......................................................... 14
Gambar 2.6 Contoh Proses Segmentasi Citra ................................................... 15
Gambar 2.7 Segmentasi Wajah Menurut Scassellati ......................................... 16
Gambar 2.8 Model Template dan Variasinya ..................................................... 17
Gambar 2.9 Pengelompokan Wajah dan Bukan Wajah Menurut Sung-Poggio 19
Gambar 2.10 Diagram Blok Sistem Pengenalan Wajah ................................... 21
Gambar 2.11 Himpunan ciri pada algoritma Haar (Viola and Jones, 2001)....... 22
Gambar 2.12 “Ccascade of classifier” pelacakan wajah saat penolakan terjadi
pada setiap klasifikasi (Bradski, 2005) ................................................... 23
Gambar 2.13 Ilustrasi Sistem Pengenalan Wajah menurut Yang (2003)........... 25
Gambar 2.14 Contoh citra aras keabuan dan histogramnya................................ 27
Gambar 4.1 Diagram alir Penelitian ................................................................... 33
Gambar 5.1 Flowchart algoritma proses pelatihan sampai dengan
menghasilkan file xml (classifier)........................................................... 38
Gambar 5.2 Flowchart algoritma proses pelacakan wajah dengan file xml ...... 39
Gambar 5.3 Flowchart algoritma proses pra pengolahan citra wajah .............. 43
Gambar 5.4 Flowchart algoritma proses pengenalan wajah dengan
perbandingan histogram ......................................................................... 44
Gambar 5.5 Tampilan Utama Command Prompt Program Sistem Identifikasi
Otomatis dengan Pelacakan dan Pengenalan Wajah............................... 48
Gambar 5.6 Tampilan Utama Hasil Pelacakan Wajah........................................ 49
Gambar 5.7 Histogram sampel warna kulit ....................................................... 49
Gambar 5.8 Citra Back projection .................................................................... 50
Gambar 5.9 Citra “Capture” hasil pelacakan otomatis ....................................... 50
Gambar 5.10 Histogram Citra “Capture” ........................................................... 50
Gambar 5.11 Citra Acuan1 dan histogramnya.................................................... 51
Gambar 5.12 Citra Acuan2 dan histogramnya.................................................... 51
Gambar 5.13 Data histogram citra dan perbandingannya................................... 52
Gambar 5.14 Hasil pengenalan citra wajah......................................................... 52
Gambar 5.15 Hasil pengujian pelacakan dengan pengaruh posisi wajah ........... 54
Gambar 5.16 Hasil pengujian pelacakan dengan pengaruh pencahayaan
(siang/terang) .......................................................................................... 55
Gambar 5.17 Hasil pengujian pelacakan dengan pengaruh pencahayaan
(malam/kurang terang) ............................................................................ 55
Gambar 5.18 Hasil pengujian pelacakan dengan pengaruh ukuran citra
terlacak/jarak obyek ................................................................................ 56
Gambar 5.19 Hasil pengujian pelacakan dengan pengaruh ukuran citra keberadaan
komponen struktural/penghalang ............................................................ 59
Gambar 5.20 Hasil pengujian pelacakan dengan pengaruh ekspresi wajah........ 60
Gambar 5.21 Hasil pengujian pelacakan False Positive..................................... 62
Gambar 5.22 Data wajah terlacak yang digunakan untuk pengenalan citra wajah
ada dalam basisdata wajah .................................................................................. 63
Gambar 5.23 Citra Acuan pengenalan citra wajah ada dalam basisdata wajah . 64
Gambar 5.24 Citra Acuan pengenalan citra wajah tidak ada dalam basisdata
wajah ....................................................................................................... 67
Gambar 5.25 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah tidak ada dalam basisdata wajah.................................................. 68
Gambar 5.26 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah terhadap pecahayaan agak redup .................................................. 72
Gambar 5.27 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah terhadap pecahayaan redup........................................................... 73
Gambar 5.28 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ukuran lebih besar dibanding citra acuan......................... 80
Gambar 5.29 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ukuran lebih kecil dibanding citra acuan ......................... 81
Gambar 5.30 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan faktor keberadaan komponen struktural ......................... 87
Gambar 5.31 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi senang ............................................................... 91
Gambar 5.32 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi sedih ................................................................... 91
Gambar 5.33 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi marah.................................................................. 92
Gambar 5.34 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi terkejut .............................................................. 92
DAFTAR TABEL
Tabel 2.1 Pengelompokkan Metode Deteksi Wajah Menurut Yang et al., 2002 13
Tabel 2.2 Kelebihan dan Kekurangan Metode Berbasiskan Pengetahuan......... 14
Tabel 2.3 Kelebihan dan Kekurangan Metode Berbasiskan Ciri........................ 16
Tabel 2.4 Kelebihan dan Kekurangan Metode Pencocokan Template .............. 17
Tabel 2.5 Kelebihan dan Kekurangan Metode Berbasiskan Penampilan ........... 19
Tabel 2.6 Aplikasi Sistem Pengenalan Wajah menurut Yang (2003)................ 25
Tabel 5.1 Hasil pengujian ukuran wajah terlacak ............................................... 57
Tabel 5.2 Data hasil pengujian pengenalan citra terlacak ada dalam basis data
wajah .......................................................................................................... 65
Tabel 5.3 Data hasil pengujian pengenalan citra terlacak tidak ada dalam basis
data wajah .................................................................................................. 69
Tabel 5.4 Data hasil pengujian pengenalan citra terlacak terhadap pecahayaan
agak redup .................................................................................................. 74
Tabel 5.5 Data hasil pengujian pengenalan citra terlacak terhadap pecahayaan
redup........................................................................................................... 76
Tabel 5.6 Pengaruh pencahayaan terhadap tingkat pengenalan.......................... 78
Tabel 5.7 Data hasil pengujian perbedaan ukuran citra terlacak lebih besar ...... 82
Tabel 5.8 Data hasil pengujian perbedaan ukuran citra terlacak lebih kecil....... 84
Tabel 5.9 Data hasil pengujian pengenalan citra terlacak dengan adanya
penghalang ................................................................................................. 88
Tabel 5.10 Pengaruh ekspresi terhadap tingkat pengenalan ............................... 93
Tabel 5.11 Data hasil pengujian pengenalan citra terlacak dengan adanya ekspresi
wajah .......................................................................................................... 94
DAFTAR LAMPIRAN
Biodata Peneliti 1 ................................................................................ 107
Biodata Peneliti 2 ................................................................................ 109
RINGKASAN
HASIL PENELITIAN DOSEN MUDA
Sistem Identifikasi Teroris
Dengan Pelacakan Dan Pengenalan Wajah
Oleh :
Endah Sudarmilah, S.T, M.Eng
Umi Fadlillah, S.T
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2010
RINGKASAN
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan
asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat
diekstraksi dari citra. Saat ini, kendati aplikasi komersial tentang pengenalan
wajah telah diimplementasikan, namun pada dasarnya teknologi ini belum matang
sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil
yang
diinginkan.
Berdasarkan
latarbelakang
dapat dirumuskan
masalah
bagaimana merancang dan membuat sistem pelacakan wajah metode haar dan
studi awal pengenalan wajah dengan perbandingan histogram.
Metode yang digunakan pada penelitian adalah algoritma Haar untuk
pelacakan wajah dan metode perbandingan histogram citra wajah untuk system
pengenalannya yang akan ditulis dengan bahasa pemrograman C++, compiler
Microsoft Visual C++ 6.0 dan image processing library OpenCV dari Intel.
Tingkat keberhasilan pelacakan dan pengenalan sampai dengan 80% tanpa
adanya perbedaan pencahayaan dan keberadaan komponen struktural atau
penghalang. Faktor pencahayaan dan ekspresi wajah apapun tidak berpengaruh
pada proses pelacakan wajah, selama kamera masih bisa menangkap gambar
maka pelacakan masih dapat dilakukan. Jarak obyek dari kamera mempengaruhi
ukuran citra hasil pelacakan semakin jauh dari kamera semakin kecil citra hasil
pelacakan
Proses pengenalannya sangat tergantung pada pencahayaan
karena
menggunakan algoritma histogram yang murni menggunakan nilai intensitas citra
tetapi sistem dapat digunakan pada kondisi pencahayaan apapun asalkan
pencahayaan tetap (kondisi cahaya pengambilan citra kamera dan kondisi cahaya
pada pengambilan citra basis data adalah sama). Sistem dapat digunakan pada
kondisi background apapun karena pengenalan hanya dilakukan pada citra wajah
terlacak saja dan sudah dapat mengeliminasi background yang ada dan sudah
disesuaikan dengan histogram warna kulit wajah.
Kata-kata Kunci : pelacakan wajah, metode haar, pengenalan wajah,
perbandingan histgram
PENDAHULUAN
Hubungan sosial manusia yang berkaitan dengan identitas dan emosi
wajah memegang peranan yang penting. Kemampuan manusia untuk mengenal
wajah sangat luar biasa. Manusia dapat mengenal ribuan wajah selama hidupnya
dan mampu mengidentifikasi wajah-wajah yang akrab dalam waktu sekejap walau
sudah lama tidak bertemu. Kemampuan tersebut dinilai sangat handal walaupun
perubahan visual wajah terjadi karena kondisi penglihatan, ekspresi, umur, dan
faktor lain seperti pemakaian kacamata dan perubahan tipe rambut.
Media informasi memungkinkan terjadinya metode interaksi antara
manusia dan komputer yang lebih efektif dan lebih akrab dengan mengadopsi
kemampuan manusia tersebut. Metode interaksi ini tidak bergantung pada
peralatan konvensional seperti keyboard dan mouse (Pentland, 2000), tetapi
mengandalkan peralatan-peralatan digital yang terhubung dengan komputer
misalnya kamera video. Salah satu metode interaksi manusia dan komputer ini
menerapkan konsep teknologi visi komputer di bidang pengenalan wajah.
Teknologi pengenalan wajah dengan teknologi biometrika lainnya
(pemindaian iris, pemindaian retina, pengenalan bunyi/suara, sidikjari, geometri
tangan/jari, verifikasi tandatangan, verifikasi penekanan tombol keyboard, gaya
berjalan, telinga dan, bau badan atau anggota lain) walaupun kelihatannya masih
eksotis, namun akan berkembang sedemikian rupa pada masa mendatang sehingga
menjadi seperti disebutkan dalam MIT Technology Review (Woodward et al.,
2003), bahwa biometrika akan menjadi ”top ten emerging technologies that will
change the world”.
Perkembangan metode ini didukung oleh perkembangan teknologi
komputer, khususnya perkembangan prosesor komputer dan teknologi video.
Dengan teknologi ini maka implementasi pengenalan wajah semakin terbuka,
bahkan tidak mustahil akan menjadi aplikasi yang penting dan digunakan pada
semua sistem yang membutuhkannya (Yang et al., 2002). Model komputasi wajah
telah menjadi area yang aktif untuk diteliti sejak tahun 1980 karena area ini tidak
hanya berada dalam domain teoritis saja namun memungkinkan diciptakannya
aplikasi-aplikasi praktis dalam hal pengenalan wajah, misalnya identifikasi
kriminal, sistem keamanan, pemrosesan citra dan film, dan interaksi manusiakomputer dan sebagainya. Namun, pengembangan model komputasi untuk
pengenalan wajah tidak mudah, karena wajah memiliki karakteristik rumit,
multidimensi, dan berubah dari waktu ke waktu.
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan
asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat
diekstraksi dari citra. Asumsi selanjutnya adalah bahwa komputer dapat bereaksi
sesuai dengan citra yang ’dilihatnya’. Penelitian tentang pengenalan wajah dan
ekspresi wajah telah menarik perhatian para peneliti. Saat ini, kendati aplikasi
komersial tentang pengenalan wajah telah diimplementasikan (Fraser, 2003),
namun pada dasarnya teknologi ini belum matang (Woodward et al., 2003)
sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil
yang diinginkan. Untuk mengembangkan implementasi pendeteksian dan
pengenalan wajah salah satunya dilakukan dengan penelitian sistem identifikasi
dengan pelacakan dan pengenalan wajah.
Aplikasi sistem pelacakan dan pengenalan wajah dapat diterapkan untuk
sistem identifikasi teroris yang saat ini sangat diperlukan terutama dalam sistem
keamanan oleh pihak yang terkait yaitu kepolisian. Untuk itu penelitian ini
mendesain sebuah sistem identifikasi teroris dengan pelacakan dan pengenalan
wajah.
DAFTAR PUSTAKA
Achmad, B, &Kartika Firdausy, 2005, Teknik Pengolahan Citra Digital
Menggunakan Delphi, Ardhi publishing, Yogyakarta.
Anymous, 2000, Intel Image Processing Library – Reference Manual, Intel
Corporation, USA.
Anymous, 2001, Open Source Computer Vision Library – Reference Manual,
Intel Corporation, USA.
Bhuiyan, M, Ampornaramveth, Muto, &Ueno, 2003, Face Detection and Facial
Feature Localization for Human machine Interface, Research Paper.
Bradski, G, Adrian Kaehler, &Vadim Pisarevsky, 2005, Learning-Based
Computer Vision with Intel’s Open Source Computer Vision Library,
Intel Technology Journal, Volume 9, Issue 2, page119-129,
http://developer.intel.com/technology/itj/index.htm.
Fraser, F, 2003, Exploring The Use of Face Recognition Technology for Border
Control Applications, Biometric Consorsium Conference.
Guillamet, D, &Vitria, 2000, A comparison of global versus local color
histograms for object recognition, Pattern Recognition, Proceedings.
15th International Conference, Volume 2, Page(s): 422 – 425.
Gunturk, B, Batur, Altunbasak, Hayes III, &Mersereau, 2002, Eigenface-based
super-resolution for face recognition, International Conference Image
Processing Proceedings, Volume 2, Page(s):II-845 - II-848, IEEE.
Hjelmas, E &Low, 2001, Face Detection: A Survey, Computer Vision and Image
Understanding, vol. 83 236–274.
Jain, K, 1989, Fundamental of Digital Image Processing, Prentice Hall, London.
Jiali, Z,
Wen Jinwei, &Lou Siwei, 2001, Face recognition: a facial action
reconstruction and ICA representation approach, Proceedings of ICII
International Conferences, Volume 3, Page(s):456 - 461, IEEE.
Kanade, T, 1973, Picture Processing System by Computer Complex and
Recognition of Human Faces, Doctoral dissertation, Kyoto University.
Kotropoulus, C, & itas, 1997, Rule-based Face Detection in Frontal Views, Proc.
Int. Conf. Acoustic, Speech and Signal Processing, vol. 4 2537–2540.
Kuranov, A, Rainer Lienhart, &Vadim Pisarevsky, 2002, An Empirical Analysis
of Boosting Algorithms for Rapid Objects With an Extended Set of
Haar-like Features, Intel Technical Report MRL.
Lanitis, A, Taylor, &Cootes, 1995, An Automatic Face Identification SystemUsing
Flexible Appearance Models, Image and Vision Computing, vol. 13,
no. 5. pp. 394–401, Department Medical Biophysis University of
Manchester.
Lienhart, R &Jochen Maydt, 2002, An Extend ed Set of Haar-like Features for
Rapid Object Detection, ICIP2002.
Linde, O, &Lindeberg, 2004, Object recognition using composed receptive field
histograms of higher dimensionality, ICPR Proceedings of the 17th
International Conference, Volume 2, 23-26 Aug. 2004 Page(s):1 - 6
Vol.2.
Miao, J, Yin, Wang, Shen, &Chen, 1999, Hierarchical Multiscale and Multiangle
System for Human Face Detection in a Complex Background Using
Gravity-Center Template, Pattern Recognition, vol.32, no. 7, pp. 1237–
248, Dept of Computer Science, Beijing Polytechnic University.
Munir, R, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik,
Informatika Bandung.
Nazeer, S, Omar, &Khalid, 2007, Face Recognition System using Artificial
Neural Networks Approach, Proceedings of International Conference
Signal Processing, Communications and Networking, Page(s):420 –
425, IEEE.
Peer, P, &Solina, 2000, An Automatic Human Face Detection Method, Faculty of
Computer and Information Science University of Ljubljana.
Pentland, A, 2000, Perceptual Intelligence, Communications Association for
Computing Machinery, vol. 43, no. 3, pp. pp. 35–44.
Pigeon, S, &Vanderdrope, 1997, The M2VTS Multimodal Face Database, Proc.
First. Intl. Conf. Audio and Video-based Biometric Person
Authentication.
Scassellati, B, 1998, Eye Finding via Face Detection for a Foveated, Active
Vision System, American Association for Artificial Intelligence.
Schiele,
B, &Crowley, 1996, Probabilistic object recognition using
multidimensional receptive field histograms, Proceedings of the 13th
International Conference, Volume 2, 25-29 Aug. 1996 Page(s):50 - 54
vol.2.
Seo, N, 2007, Tutorial: OpenCV haartraining (Rapid Object Detection With A
Cascade of Boosted Classifiers Based on Haar-like Features),
PukiWiki Plus.
Shan, Y, Sawhney, Matei, &Kumar, 2006, Shapeme histogram projection and
matching for partial object recognition, Pattern Analysis and Machine
Intelligence, IEEE Transactions, Volume 28, Issue 4, April 2006
Page(s):568 – 577.
Sung, K, &Poggio, 1994, Example-based Learning for View-based Human Face
Detection, IEEE Trans. Pattern Analysis and Machine Intelligence,
vol.20, no. 1, pp. 38–44.
Taylor, S, “Intel® Integrated Performance Primitives,” in How to Optimize
Software
Applications
Using
Intel®
IPP”,
http://www.intel.com/intelpress/sum_ipp.htm.
Wang, G, &Ou, 2006, Face Recognition Based on Image Enhancement and
Gabor Features, Proceedings of Intelligent Control and Automation,
Volume 2 Page(s):9761 – 9764, IEEE.
Viola, P, &Michael J, Jones, 2001, Rapid Object Detection using a Boosted
Cascade of Simple Features, IEEE CVPR.
Woodward, J, Horn, Gatune, &Thomas, 2003, Biometrics: A Look at Facial
Recognition, Virginia State Crime Commision.
Yang, Chen, &Kunz, 2002, A PDA-based Face Recognition System, Sixth IEEE
Workshop on Applications of Computer Vision, School of Computer
Science, Carnegie Mellon University.
Yang, M, 2003, Recent Advances in Face Detection, ICIP 2003 Tutorial: Advance
in Face Processing.
Yang, M, Kriegman, &Ahuja, 2002, Detecting Faces in Images: A Survey, IEEE
Trans. Pattern Analysis and Machine Intelligence, vol. 24,no. 1, pp. 34–
58.
Yuille,A, Hallinan, &Cohen, 1992, Fetures Extraction from Faces using
Deformable Templates, International Journal Computer Vision, vol. 8,
no.2, pp 99–111.
Zhao, W, Chellappa, Rosenfeld, &Phillips, 2000, Face Recognition: A Literature
Survey, National Institute of Standards and CVL Technical Report,
University of Maryland.
LAPORAN PENELITIAN
DOSEN MUDA
Sistem Identifikasi Teroris
Dengan Pelacakan Dan Pengenalan Wajah
Oleh :
Endah Sudarmilah, S.T, M.Eng
Umi Fadlillah, S.T
Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah VI
Sesuai dengan Surat Perjanjian Pelaksanaan Dosen Muda
dan Studi Kajian Wanita
Nomor kontrak: 008/O06.2/PP/SP/2010
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2010
RINGKASAN
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan
asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat
diekstraksi dari citra. Saat ini, kendati aplikasi komersial tentang pengenalan
wajah telah diimplementasikan, namun pada dasarnya teknologi ini belum matang
sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil
yang diinginkan. Berdasarkan latarbelakang dapat dirumuskan masalah
bagaimana merancang dan membuat sistem pelacakan wajah metode haar dan
studi awal pengenalan wajah dengan perbandingan histogram.
Metode yang digunakan pada penelitian adalah algoritma Haar untuk
pelacakan wajah dan metode perbandingan histogram citra wajah untuk system
pengenalannya yang akan ditulis dengan bahasa pemrograman C++, compiler
Microsoft Visual C++ 6.0 dan image processing library OpenCV dari Intel.
Tingkat keberhasilan pelacakan dan pengenalan sampai dengan 80% tanpa
adanya perbedaan pencahayaan dan keberadaan komponen struktural atau
penghalang. Faktor pencahayaan dan ekspresi wajah apapun tidak berpengaruh
pada proses pelacakan wajah, selama kamera masih bisa menangkap gambar maka
pelacakan masih dapat dilakukan. Jarak obyek dari kamera mempengaruhi ukuran
citra hasil pelacakan semakin jauh dari kamera semakin kecil citra hasil pelacakan
Proses pengenalannya sangat tergantung pada pencahayaan karena
menggunakan algoritma histogram yang murni menggunakan nilai intensitas citra
tetapi sistem dapat digunakan pada kondisi pencahayaan apapun asalkan
pencahayaan tetap (kondisi cahaya pengambilan citra kamera dan kondisi cahaya
pada pengambilan citra basis data adalah sama). Sistem dapat digunakan pada
kondisi background apapun karena pengenalan hanya dilakukan pada citra wajah
terlacak saja dan sudah dapat mengeliminasi background yang ada dan sudah
disesuaikan dengan histogram warna kulit wajah.
Kata-kata Kunci : pelacakan wajah, metode haar, pengenalan wajah,
perbandingan histgram
SUMMARY
Face detection and recognition research rises with assumption identity,
feature and character information of someone have extracted from images.
Although commercial application for face detection and recognition have
implemented, this technology not perfect yet, it need to develop for best result.
Based on the background, problem can be pointed how to design and make face
tracking system with haar method and pre-study face recognition with histogram
comparison.
Haar algorithm has used in the research to face tracking and histogram
comparison for face recognition. Microsoft Visual C++ 6.0 compiler, C++
language, and image processing library OpenCV from Intel have used in this
research too. Face tracking have specialized for frontal face not the others.
The result gives 80 percent success for face tracking and recognition
without changing light and structural component. Lightening factor and face
expression haven’t influence face tracking, since camera can capture face.
Structural component haven’t influence either, since tracking process hasn’t lose
the feature and vice versa. The size of tracking image depends on the distance of
the object and camera, so much longer so much the smaller.
Recognition process depends on lightening because it use histogram
algorithm which get image intensity value. System can be used for every
lightening condition if it has stagnant lightening for capture and database image.
Face recognition can be used for every background according skin face histogram
from tracking image.
Key words : face tracking, haar method, face recognition, histogram
comparison
PRAKATA
Puji syukur peneliti panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan karunia-Nya sehingga peneliti dapat menyelesaikan
laporan akhir penelitian dosen muda ini. Laporan akhir penelitian dosen muda ini.
Peneliti tidak lupa mengucapkan terimakasih yang sebesar-besarnya
kepada semua pihak yang telah berperan dalam menyelesaikan laporan akhir
penelitian dosen muda ini.
Peneliti menyadari bahwa laporan akhir penelitian dosen muda ini masih
banyak kekurangannya, oleh karena itu kritik dan saran membangun sangat
peneliti harapkan. Akhirnya peneliti berharap semoga karya tulis ini dapat
bermanfaat bagi semua pihak.
Yogyakarta, 6 September 2010
Peneliti
DAFTAR ISI
HALAMAN JUDUL .......................................................................................... i
HALAMAN PENGESAHAN............................................................................. ii
RINGKASAN ..................................................................................................... iii
SUMMARY ........................................................................................................ iv
PRAKATA.......................................................................................................... v
DAFTAR ISI....................................................................................................... vi
DAFTAR GAMBAR .......................................................................................... ix
DAFTAR TABEL............................................................................................... xiii
DAFTAR LAMPIRAN....................................................................................... xv
BAB I PENDAHULUAN .................................................................................. 1
BAB II TINJAUAN PUSTAKA......................................................................... 4
2.1 Keaslian Penelitian ....................................................................................... 4
2.2 Landasan Teori ............................................................................................. 5
2.2.1
Data citra ................................................................................................ 5
2.2.2
Visi Komputer (Computer Vision ) ........................................................ 7
2.2.3
Pola dan Pengenalan Pola ...................................................................... 8
2.2.4
Pelacakan Wajah ..................................................................................... 10
2.2.4.1 Metode Pendeteksian Wajah ................................................................... 10
2.2.4.1.1 Metode Berbasiskan Pengetahuan (Knowledge-based methods)...... 13
2.2.4.1.2 Pendekatan Ciri Invarian (Feature invariant approaches) ............... 14
2.2.4.1.3 Metode Pencocokan Template (Template matching methods).......... 16
2.2.4.1.4 Metode Berbasiskan Penampilan (Appearance-based methods) ...... 18
2.2.4.2 Pelacakan Wajah dengan Metode Haar ................................................. 19
2.2.5
Pengenalan Wajah................................................................................... 24
2.2.6
Pengenalan Wajah dengan Perbandingan Histogram ............................. 26
2.2.6.1 Histogram citra ....................................................................................... 26
2.2.6.2 Perbandingan Histogram ........................................................................ 27
BAB III TUJUAN DAN MANFAAT PENELITIAN ...................................... 30
3.1 Tujuan Penelitian ........................................................................................ 30
3.2 Manfaat Penelitian ..................................................................................... 30
BAB IV METODE PENELITIAN .................................................................... 31
4.1 Bahan yang digunakan ................................................................................ 31
4.2 Peralatan yang digunakan ........................................................................... 31
4.3 Jalan Penelitian ........................................................................................... 31
BAB V HASIL DAN PEMBAHASAN.............................................................. 34
5.1 Perancangan dan pembuatan perangka tlunak Sistem identifikasi ............... 34
5.1.1 Gambaran Umum....................................................................................... 34
5.1.1.1 Pelacakan Wajah .................................................................................... 34
5.1.1.2 Pengenalan Wajah .................................................................................. 34
5.1.2 Algoritma dan Pemrograman .................................................................... 35
5.1.2.1 Algoritma dan Pemrograman Pelacakan Wajah .................................... 35
5.1.2.2 Algoritma dan Pemrograman Pengenalan Wajah .................................. 42
5.1.3 Antarmuka Aplikasi .................................................................................. 47
5.2 Hasil pengujian dan analisis ......................................................................... 53
5.2.1 Pengujian Proses Pelacakan Wajah............................................................ 53
5.2.1.1 Pengaruh Faktor Posisi Wajah ............................................................... 53
5.2.1.2Pengaruh Faktor Tingkat Pencahayaan.................................................... 54
5.2.1.3 Pengaruh Faktor Ukuran Citra ................................................................ 56
5.2.1.4 Pengaruh Faktor Keberadaan Komponen Struktural/Penghalang .......... 58
5.2.1.5 Pengaruh Faktor Ekspresi Wajah ............................................................ 60
5.2.1.6 False Positive dan False Negative ......................................................... 61
5.2.2 Pengujian Proses Pengenalan Wajah ........................................................ 62
5.2.2.1 Pengaruh Faktor Ada Tidaknya File Citra Wajah dalam Basisdata ...... 62
5.2.2.2 Pengaruh Tingkat Pencahayaan ............................................................. 71
5.2.2.3 Pengaruh Perbedaan Ukuran Citra ......................................................... 78
5.2.2.4 Pengaruh Penghalang ............................................................................. 86
5.2.2.5 Pengaruh Perbedaan Ekspresi ................................................................ 90
5.2.3.Kelebihan dan Kelemahan Sistem ............................................................ 98
BAB VI PENUTUP ............................................................................................ 99
6.1 Kesimpulan ................................................................................................... 99
6.2 Saran-saran.................................................................................................... 100
DAFTAR PUSTAKA ......................................................................................... 102
LAMPIRAN........................................................................................................ 106
DAFTAR GAMBAR
Gambar 2.1 Sebuah sistem visi komputer (Jain, 1989) ...................................... 8
Gambar 2.2 Pemetaan dalam representasi abstrak pengenalan pola................... 9
Gambar 2.3 Struktur umum sistem pengenalan pola ......................................... 10
Gambar 2.4 Pendekatan Teknik Pendeteksian Wajah Menurut Hjelmas (2001) 11
Gambar 2.5 Contoh Pengkodean Wajah .......................................................... 14
Gambar 2.6 Contoh Proses Segmentasi Citra ................................................... 15
Gambar 2.7 Segmentasi Wajah Menurut Scassellati ......................................... 16
Gambar 2.8 Model Template dan Variasinya ..................................................... 17
Gambar 2.9 Pengelompokan Wajah dan Bukan Wajah Menurut Sung-Poggio 19
Gambar 2.10 Diagram Blok Sistem Pengenalan Wajah ................................... 21
Gambar 2.11 Himpunan ciri pada algoritma Haar (Viola and Jones, 2001)....... 22
Gambar 2.12 “Ccascade of classifier” pelacakan wajah saat penolakan terjadi
pada setiap klasifikasi (Bradski, 2005) ................................................... 23
Gambar 2.13 Ilustrasi Sistem Pengenalan Wajah menurut Yang (2003)........... 25
Gambar 2.14 Contoh citra aras keabuan dan histogramnya................................ 27
Gambar 4.1 Diagram alir Penelitian ................................................................... 33
Gambar 5.1 Flowchart algoritma proses pelatihan sampai dengan
menghasilkan file xml (classifier)........................................................... 38
Gambar 5.2 Flowchart algoritma proses pelacakan wajah dengan file xml ...... 39
Gambar 5.3 Flowchart algoritma proses pra pengolahan citra wajah .............. 43
Gambar 5.4 Flowchart algoritma proses pengenalan wajah dengan
perbandingan histogram ......................................................................... 44
Gambar 5.5 Tampilan Utama Command Prompt Program Sistem Identifikasi
Otomatis dengan Pelacakan dan Pengenalan Wajah............................... 48
Gambar 5.6 Tampilan Utama Hasil Pelacakan Wajah........................................ 49
Gambar 5.7 Histogram sampel warna kulit ....................................................... 49
Gambar 5.8 Citra Back projection .................................................................... 50
Gambar 5.9 Citra “Capture” hasil pelacakan otomatis ....................................... 50
Gambar 5.10 Histogram Citra “Capture” ........................................................... 50
Gambar 5.11 Citra Acuan1 dan histogramnya.................................................... 51
Gambar 5.12 Citra Acuan2 dan histogramnya.................................................... 51
Gambar 5.13 Data histogram citra dan perbandingannya................................... 52
Gambar 5.14 Hasil pengenalan citra wajah......................................................... 52
Gambar 5.15 Hasil pengujian pelacakan dengan pengaruh posisi wajah ........... 54
Gambar 5.16 Hasil pengujian pelacakan dengan pengaruh pencahayaan
(siang/terang) .......................................................................................... 55
Gambar 5.17 Hasil pengujian pelacakan dengan pengaruh pencahayaan
(malam/kurang terang) ............................................................................ 55
Gambar 5.18 Hasil pengujian pelacakan dengan pengaruh ukuran citra
terlacak/jarak obyek ................................................................................ 56
Gambar 5.19 Hasil pengujian pelacakan dengan pengaruh ukuran citra keberadaan
komponen struktural/penghalang ............................................................ 59
Gambar 5.20 Hasil pengujian pelacakan dengan pengaruh ekspresi wajah........ 60
Gambar 5.21 Hasil pengujian pelacakan False Positive..................................... 62
Gambar 5.22 Data wajah terlacak yang digunakan untuk pengenalan citra wajah
ada dalam basisdata wajah .................................................................................. 63
Gambar 5.23 Citra Acuan pengenalan citra wajah ada dalam basisdata wajah . 64
Gambar 5.24 Citra Acuan pengenalan citra wajah tidak ada dalam basisdata
wajah ....................................................................................................... 67
Gambar 5.25 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah tidak ada dalam basisdata wajah.................................................. 68
Gambar 5.26 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah terhadap pecahayaan agak redup .................................................. 72
Gambar 5.27 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah terhadap pecahayaan redup........................................................... 73
Gambar 5.28 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ukuran lebih besar dibanding citra acuan......................... 80
Gambar 5.29 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ukuran lebih kecil dibanding citra acuan ......................... 81
Gambar 5.30 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan faktor keberadaan komponen struktural ......................... 87
Gambar 5.31 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi senang ............................................................... 91
Gambar 5.32 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi sedih ................................................................... 91
Gambar 5.33 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi marah.................................................................. 92
Gambar 5.34 Data wajah terlacak yang digunakan untuk pengenalan citra
wajah dengan ekspresi terkejut .............................................................. 92
DAFTAR TABEL
Tabel 2.1 Pengelompokkan Metode Deteksi Wajah Menurut Yang et al., 2002 13
Tabel 2.2 Kelebihan dan Kekurangan Metode Berbasiskan Pengetahuan......... 14
Tabel 2.3 Kelebihan dan Kekurangan Metode Berbasiskan Ciri........................ 16
Tabel 2.4 Kelebihan dan Kekurangan Metode Pencocokan Template .............. 17
Tabel 2.5 Kelebihan dan Kekurangan Metode Berbasiskan Penampilan ........... 19
Tabel 2.6 Aplikasi Sistem Pengenalan Wajah menurut Yang (2003)................ 25
Tabel 5.1 Hasil pengujian ukuran wajah terlacak ............................................... 57
Tabel 5.2 Data hasil pengujian pengenalan citra terlacak ada dalam basis data
wajah .......................................................................................................... 65
Tabel 5.3 Data hasil pengujian pengenalan citra terlacak tidak ada dalam basis
data wajah .................................................................................................. 69
Tabel 5.4 Data hasil pengujian pengenalan citra terlacak terhadap pecahayaan
agak redup .................................................................................................. 74
Tabel 5.5 Data hasil pengujian pengenalan citra terlacak terhadap pecahayaan
redup........................................................................................................... 76
Tabel 5.6 Pengaruh pencahayaan terhadap tingkat pengenalan.......................... 78
Tabel 5.7 Data hasil pengujian perbedaan ukuran citra terlacak lebih besar ...... 82
Tabel 5.8 Data hasil pengujian perbedaan ukuran citra terlacak lebih kecil....... 84
Tabel 5.9 Data hasil pengujian pengenalan citra terlacak dengan adanya
penghalang ................................................................................................. 88
Tabel 5.10 Pengaruh ekspresi terhadap tingkat pengenalan ............................... 93
Tabel 5.11 Data hasil pengujian pengenalan citra terlacak dengan adanya ekspresi
wajah .......................................................................................................... 94
DAFTAR LAMPIRAN
Biodata Peneliti 1 ................................................................................ 107
Biodata Peneliti 2 ................................................................................ 109
RINGKASAN
HASIL PENELITIAN DOSEN MUDA
Sistem Identifikasi Teroris
Dengan Pelacakan Dan Pengenalan Wajah
Oleh :
Endah Sudarmilah, S.T, M.Eng
Umi Fadlillah, S.T
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2010
RINGKASAN
Penelitian mengenai pengenalan wajah dengan cepat berkembang dengan
asumsi bahwa informasi tentang identitas, status dan karakter seseorang dapat
diekstraksi dari citra. Saat ini, kendati aplikasi komersial tentang pengenalan
wajah telah diimplementasikan, namun pada dasarnya teknologi ini belum matang
sehingga penelitian masih perlu terus dikembangkan untuk memperoleh hasil
yang
diinginkan.
Berdasarkan
latarbelakang
dapat dirumuskan
masalah
bagaimana merancang dan membuat sistem pelacakan wajah metode haar dan
studi awal pengenalan wajah dengan perbandingan histogram.
Metode yang digunakan pada penelitian adalah algoritma Haar untuk
pelacakan wajah dan metode perbandingan histogram citra wajah untuk system
pengenalannya yang akan ditulis dengan bahasa pemrograman C++, compiler
Microsoft Visual C++ 6.0 dan image processing library OpenCV dari Intel.
Tingkat keberhasilan pelacakan dan pengenalan sampai dengan 80% tanpa
adanya perbedaan pencahayaan dan keberadaan komponen struktural atau
penghalang. Faktor pencahayaan dan ekspresi wajah apapun tidak berpengaruh
pada proses pelacakan wajah, selama kamera masih bisa menangkap gambar
maka pelacakan masih dapat dilakukan. Jarak obyek dari kamera mempengaruhi
ukuran citra hasil pelacakan semakin jauh dari kamera semakin kecil citra hasil
pelacakan
Proses pengenalannya sangat tergantung pada pencahayaan
karena
menggunakan algoritma histogram yang murni menggunakan nilai intensitas citra
tetapi sistem dapat digunakan pada kondisi pencahayaan apapun asalkan
pencahayaan tetap (kondisi cahaya pengambilan citra kamera dan kondisi cahaya
pada pengambilan citra basis data adalah sama). Sistem dapat digunakan pada
kondisi background apapun karena pengenalan hanya dilakukan pada citra wajah
terlacak saja dan sudah dapat mengeliminasi background yang ada dan sudah
disesuaikan dengan histogram warna kulit wajah.
Kata-kata Kunci : pelacakan wajah, metode haar, pengenalan wajah,
perbandingan histgram