Deteksi Dan Pencarian Fitur-Fitur Wajah Manusia Dengan Menggunakan Metode Principal Component Analysis (PCA).

DETEKSI DAN PENCARIAN FITUR-FITUR WAJAH MANUSIA DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

TESIS

Oleh MULIYADI 107034013/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATRA UTARA

MEDAN

DETEKSI DAN PENCARIAN FITUR-FITUR WAJAH MANUSIA DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

TESIS

Untuk Memperoleh Gelar Magister Teknik Dalam Program Studi Magister Teknik Elektro Pada Fakultas Teknik Universitas Sumatera Utara

Oleh MULIYADI 107034013/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA MEDAN

Judul Tesis : DETEKSI DAN PENCARIAN FITUR-FITUR WAJAH MANUSIA DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

Nama Mahasiswa : Muliyadi Nomor Induk : 107034013

Program Studi : Magister Teknik Elektro

Menyetujui Komisi Pembimbing:

(Prof. Drs. Tulus, M.Si.,P.hD) (Fahmi, ST, M.Sc) Ketua Anggota

Sekretaris Program Studi Dekan,

(Drs. Hasdari Helmi,MT) (Prof.Dr.Ir. Bustami Syam, MSME)

Telah diuji pada

Tanggal : 29 November 2012

PANITIA PENGUJI TESIS

Ketua

Anggota : 1. Fahmi, ST, M.Sc

2. Prof. Dr. Opim S. Sitompul, M.Sc 3. Soeharwinto, ST, M.T

ABSTRAK

Motion capture dengan menggunakan marker aktif yang ada saat ini membutuhkan perangkat dan pakaian khusus yang dipakai oleh aktor yang mengakibatkan aktor sulit untuk melakukan gerakan-gerakan yang kompleks. Hal ini kemungkinan ada bagian marker yang terlepas atau tidak tertangkap oleh kamera sehingga mempengaruhi hasil capture. Dalam penelitian ini akan menggunakan metode Principal Component Analysis (PCA) untuk mendeteksi fitur–fitur wajah yang meliputi alis, mata, hidung, mulut dan lengkungan wajah. tanpa menggunakan marker akan tetapi dengan menggunakan titik landmark pada setiap fitur-fitur wajah, yang nantinya dapat memberikan kontribusi pada bidang penelitian facial motion capture dan pada dunia animasi serta game development sehingga akan mempermudah para kreator dalam membuat animasi yang realistis sebagaimana gerakan aslinya atau alami dari aktor tanpa menggunakan pakaian khusus atau

marker.

Kata kunci : Principal component analysis, fitur–fitur wajah manusia, ficial motion capture, marker aktif, landmark, game development.

ABSTRACT

The exist motion capture which use active marker requires specific tool and clothes that were woren by the actors which result unease movements when the actors conduct complex moves. it is probably causd by some loss of markers or camera uncaptured ones then affected the results capture. this reserch was using the method of Principal Component Analysis (PCA) due to detect the features of human face including eye-brow, eyes, nose, mouth and facial contour. instead of using marker, the point of the landmark at every features of the face. later, the contribution of the research will assist the field research of facial motion capture and animation world including game development. thus, it will make the easy work to the animator in creating creatures as they natural movements or as the real moves of the actors without any special effect such as specific clothes or marker.

Keywords : Principal Component Analysis, features of human face, facial motion capture, active marker, landmark, game development.

KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas rahmat dan hidayah Nya sehingga penulis dapat menyiapkan proposal penelitian ini dengan baik. Proposal penelitian ini dilakukan untuk memenuhi salah satu syarat untuk melangkah pada penulisan penelitian tesis sesuai kurikulum Program Studi Magister Teknik Elektro Fakultas Teknik Universitas Sumatera Utara, Medan. Penelitian tesis ini berjudul Deteksi Dan

Pencarian Fitur–Fitur Wajah Manusia Dengan Menggunakan Metode Prinncipal

Component Analysis (PCA)

Penulis juga mengucapkan terima kasih yang tak terhingga dan penghargaan yang setinggi-tingginya kepada Bapak Prof. Tulus, M.Si dan Bapak Fahmi, ST, M.Sc. sebagai pembimbing atas segala saran, bimbingan dan nasehatnya selama penulisan proposal penelitian ini.

Terima kasih juga penulis ucapkan kepada institusi Politeknik Negeri Lhokseumawe yang telah memberi kesempatan berupa bantuan dan dorongan moril untuk dapat melakukan penelitian ini.

Proposal penelitian ini juga melibatkan berbagai pihak yaitu Bapak Prof. Dr. Ir. Usman Baafai selaku Ketua Program Studi atas upaya dan usahanya menyukseskan Program Studi Megister Teknik Elektro, serta seluruh staf pengajar Program Studi Magister Teknik Elektro. Untuk itu penulis mengucapkan terima kasih atas konstribusi dan bantuannya.

Penulis terutama sekali mengucapkan terima kasih kepada orang tua tercinta, istri, dan anak-anak tersayang atas doa dan dorongan batin yang tak ternilai harganya. Mudah-mudahan penelitian tesis ini nantinya dapat bermanfaat bagi Institusi Politeknik Negeri Lhokseumawe dan kepada pembaca khususnya yang tertarik mengenai Deteksi dan Pencarian Fitur–Fitur Wajah Manusia Metode Prinncipal Component Analysis ( PCA )

Kritik dan saran dari pembaca yang sifatnya membangun sangat penulis harapkan.

Medan, 29 November 2012

Penulis,

DAFTAR RIWAYAT HIDUP

IDENTITAS :

Nama : Muliyadi

Tempat/ Tanggal Lahir : Punteuet, 28 Oktober 1976

Jenis Kelamin : Laki-laki

Agama : Islam

Bangsa : Indonesia

Alamat : Jl.Medan – Banda Aceh,Mesjit Punteuet 7A Blang Mangat -

Lhokseumawe.

RIWAYAT PENDIDIKAN :

 Sekolah Dasar Negeri Punteuet tamat tahun 1989.

 Sekolah Menengah Pertama Negeri Bayau tamat 1992

 Sekolah Menengah Atas Negeri 2 Lhokseumawe 1995

 Politeknik Negeri Lhokseumawe tamat tahun 2001

 Diploma IV Institut Teknologi Sepuluh November Surabaya tamat tahun 2004

RIWAYATPEKERJAAN :

 Staf Pengajar Teknik Elektro Politeknik Negeri Lhokseumawe sejak 01

Desember 2004 sampai dengan sekarang

Medan , 29 November 2012

Penulis,

DAFTAR PUSTAKA

Halaman ABSTRAK...

ABSTRAC... KATA PENGANTAR... DAFTAR RIWAYAT HIDUP... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... i ii iii v vi viii ix BAB 1 PENDAHULUAN...

1.1. Latar Belakang... 1.2. Perumusan Masalah... 1.3. Batasan Masalah... 1.4. Tujuan Penelitian... 1.5. Manfaat Penelitian...

1 1 4 4 5 5

BAB 2 TINJAUAN PUSTAKA...

2.1. Motion Capture... 2.1.1. Bidang aplikasi... 2.1.2. Sistem dan metode motion capture... 2.1.3. Optical system... 2.1.4. Marker pasif ... 2.1.5. Marker aktif... 2.1.6. Time modulate active marker... 2.1.7. Semi-passive imperceptible marker... 2.1.8. Makerless motion capture... 2.2. Principal Component Analysis (PCA)... 2.3. Active Appearance Models (AAM)...

6 6 6 8 9 10 11 12 12 13 14 20

2.4. Analis Procrustes ... 2.4.1. Translasi... 2.4.2. Isomorphic Scaling...

2.4.3. Rotasi...

20 23 23 24

BAB 3 METODELOGI PENELITIAN...

3.1. Deskripsi Model Fitur ... 3.1.1. Fitur alis mata... 3.1.2. Fitur mata...

3.1.3. Fitur hidung... 3.1.4. Fitur mulut ... 3.1.5. Fitur lengkungan wajah... 3.2. Pelatihan Data Landmark ... 3.3. Inisialisasi Shape...

3.4. Pergerakan Shape...

26 27 27 28 29 29 30 30 34 35

BAB 4 HASIL DAN PEMBAHASAN...

4.1. Pengujian Hasil Training... 4.2. Hasil Training... 4.2.1. Fitur alis mata... 4.2.2. Fitur mata... 4.2.3. Fitur hidung... 4.2.4. Fitur mulut... 4.2.5. Fitur lengkungan wajah... 4.2.6. Distribusi landmark setelah proses pelatihan...

38 38 42 42 43 43 44 45 45

BAB 5 KESIMPULAN DAN SARAN...

5.1. Kesimpulan... 5.2. Saran...

DAFTAR PUSTAKA... LAMPIRAN 46 46 46 47

DAFTAR TABEL

Nomor Judul Halaman

1.1. Penelitian yang pernah dilakukan ... 2 2.1. Algoritma Generalized Orthogonal Procrustes Analysis (GPA)... 20 4.1. Hasil pengujian data training ... 37

DAFTAR GAMBAR

Nomor Judul Halaman

2.1. Reflektif marker menempel pada kulit untuk mengidentifikasi

landmark tulang dan gerakan 3D dari bagian tubuh ... 8 2.2. Contoh beberapa marker ditempatkan di titik-titik tertentu pada

tubuh dan wajah aktor selama adegan motion capture... 10 2.3. Contoh markerless mendeteksi gerakan ekspresi wajah …... 12 2.4. Contoh PCA dari distribusi Gaussian multivaria ... 14 2.5. Distribusi titik yang merepresentasikan bentuk tangan setelah

dilakukan proses rata-rata yang diberikan pada warna merah... 21

3.1. Diagram proses pelatihan deteksi fitur–fitur wajah ... 25

3.2. Alis mata yang akan diberikan landmark untuk pencirian ... 26 3.3. Contoh fitur mata yang akan berikan landmark sebagai pencirian fitur wajah... 26 3.4. Contoh fitur hidung yang akan diberikan landmark ... 27 3.5. Contoh fitur mulut yang akan diberikan landmark ... 27 3.6. Lengkungan wajah yang akan diberikan landmark sebagai pencirian fitur wajah ...………... 28 3.7. Distribusi titik yang digunakan sebagai data pelatihan... 33 4.1. Grafik persentasi error pada setiap penambahan data training dan jumlah iterasi ... 36 4.2. Fitur alis mata yang telah diberikan landmark... 39 4.3. Fitur mata yang telah diberikan landmark... 39

4.4. Fitur hidung yang telah diberikan landmark ... 40 4.5. Fitur mulut yang telah diberikan landmark ....... 40 4.6. Fitur lengkungan wajah yang telah diberikan landmark ... 41 4.7. Distribusi landmark setelah proses pelatihan pada masing–masing fitur wajah.......... 41

ABSTRAK

Motion capture dengan menggunakan marker aktif yang ada saat ini membutuhkan perangkat dan pakaian khusus yang dipakai oleh aktor yang mengakibatkan aktor sulit untuk melakukan gerakan-gerakan yang kompleks. Hal ini kemungkinan ada bagian marker yang terlepas atau tidak tertangkap oleh kamera sehingga mempengaruhi hasil capture. Dalam penelitian ini akan menggunakan metode Principal Component Analysis (PCA) untuk mendeteksi fitur–fitur wajah yang meliputi alis, mata, hidung, mulut dan lengkungan wajah. tanpa menggunakan marker akan tetapi dengan menggunakan titik landmark pada setiap fitur-fitur wajah, yang nantinya dapat memberikan kontribusi pada bidang penelitian facial motion capture dan pada dunia animasi serta game development sehingga akan mempermudah para kreator dalam membuat animasi yang realistis sebagaimana gerakan aslinya atau alami dari aktor tanpa menggunakan pakaian khusus atau

marker.

Kata kunci : Principal component analysis, fitur–fitur wajah manusia, ficial motion capture, marker aktif, landmark, game development.

ABSTRACT

The exist motion capture which use active marker requires specific tool and clothes that were woren by the actors which result unease movements when the actors conduct complex moves. it is probably causd by some loss of markers or camera uncaptured ones then affected the results capture. this reserch was using the method of Principal Component Analysis (PCA) due to detect the features of human face including eye-brow, eyes, nose, mouth and facial contour. instead of using marker, the point of the landmark at every features of the face. later, the contribution of the research will assist the field research of facial motion capture and animation world including game development. thus, it will make the easy work to the animator in creating creatures as they natural movements or as the real moves of the actors without any special effect such as specific clothes or marker.

Keywords : Principal Component Analysis, features of human face, facial motion capture, active marker, landmark, game development.

BAB 1 PENDAHULUAN

1.1. Latar Belakang

Dalam bidang animasi, motion capture adalah salah satu cara yang dipakai para kreator animasi untuk mengambil gerakan yang dapat diterapkan dalam pembuatan animasi, sehingga gerakan yang didapatkan lebih alami [1]. Penggunaan motion capture sekarang sangat luas misalnya untuk menganimasikan karakter dalam film, industri

game, analisa bio mekanik dan lain–lain [2]. Penggunaan teknologi ini membutuhkan biaya yang mahal sehingga tidak semua industri animasi dan industri game dapat menggunakannya [3]. Motion capture dengan menggunakan marker aktif yang ada saat ini membutuhkan perangkat dan pakaian khusus yang dipakai oleh aktor yang mengakibatkan aktor sulit untuk melakukan gerakan yang kompleks akibatnya ada

bagian marker yang terlepas atau tidak tertangkap oleh kamera sehingga

mempengaruhi hasil capturenya [1].

Penelitian ini menerapkan suatu metode yang dapat mempermudah dalam pembuatan animasi maupun game dengan melakukan deteksi fitur–fitur wajah untuk mendapatkan gerakan ekspresi wajah tanpa menggunakan marker aktif akan tetapi dengan menggunakan titik landmark pada setiap fitur-fitur wajah. Untuk mendeteksi fitur–fitur wajah, pada penelitian ini menggunakan metode Principal Component Analisis (PCA) [4]. Dalam melakukan penelitian ini ada beberapa faktor yang harus

diperhatikan saat pengambilan gambar yang dijadikan sebagai data training untuk proses deteksi fitur–fitur wajah, diantaranya sebagai berikut:

a. Posisi: Posisi wajah relatif terhadap kamera yang bervariasi, dapat mengakibatkan oklusi (tumpang tindih) sebagian atau seluruh fitur wajah (misalnya profil, upside-down 45 derajat) [5].

b. Kehadiran komponen struktural lainnya: seperti jenggot, kumis dan kacamata dan lain-lain.

c. Perubahan Ekspresi wajah: Munculnya perubahan wajah secara langsung dipengaruhi oleh kondisi tertentu.

d. Terhalangnya sebagian wajah oleh benda-benda lainnya seperti bayangan dan pencahayaan.

e. Rotasi bidang wajah.

Tabel 1.1. Penelitian yang pernah dilakukan

No Penelitian Judul Metode Hasil yang dicapai

1 _{Yusron Rijal,}

Riza Dhian Ariefianto,

2008

Deteksi Wajah Berbasis Segmentasi Model Warna Menggunakan

Template Matching Pada Objek Bergerak

Template Matching

Persentase akurasi dari sistem pendeteksian wajah ini sebesar 65% dengan kecepatan rata-rata

Tabel 1.1. (sambungan)

No Penelitian Judul Metode Hasil yang dicapai

2 _{Riyanto Sigit1,} Dadet Pramadihanto1 , Rully Sulaiman2, 2005 Sistem Pengenalan Ekpresi Wajah Secara

Real Time

Propagasi balik

Mengkombinasi gerakan tubuh, warna kulit

wajah dan bentuk

ellipse dapat digunakan

untukmendeteksi

lokasi wajah dengan baik dan cepat.

3 Thanh Nguyen

Duc, Tan Nguyen Huu, Luy Nguyen Tan, 2007

Facial Expression Recognition Using AAM Algoritm

AAM

4 Esben

Plenge,2008

Facial Motion Capture With Sparse 2D-to-3D Active Appearance Models

AAM

5 Esty

Vidyaningrum, Prihandoko, 2009

Pembuatan Aplikasi Deteksi Wajah manusia Pada Citra Digital Menggunakan Metode

Eigenface Untuk Berbagai

Pose Wajah Manusia

Eigenface Pengenalan wajah atau verifikasi wajah

6 Atthariq,2011 Facial Motion Capture

dengan menggunakan

metode Active

Appearance Model

AAM Mendeteksi gerakan

fitur-fitur wajah berikut tekturnya.

Tabel 1.1. (sambungan)

No Penelitian Judul Metode Hasil yang dicapai

7 _Penelitian (Muliyadi)

Deteksi dan Pencaraian Fitur–Fitur Wajah Manusia Principal Component Analysis (PCA)

Dapat medeteksi

Fitur–Fitur Wajah Manusia

1.2. Perumusan Masalah

Bedasarkan latar belakang masalah maka dapat dirumuskan permasalahan sebagai berikut:

1. Bagaimana mendeteksi fitur–fitur wajah manusia yang terdiri dari fitur hidung, mata, alis, mulut dan lengkungan wajah.

2. Bagaimana menggantikan marker yang selama ini digunakan pada

pengambilan gerakan aktor khususnya pada wajah dalam motion capture.

1.3. Batasan Masalah

Dalam penyelesaian penelitian ini terdapat beberapa batasan masalah, antara lain:

a. Hanya mendeksi fitur–fitur wajah manusia yang terdiri dari mata, alis, mulut, hidung dan lengkungan wajah.

b. Pemberian landmark hanya pada fitur–fitur wajah.

1.4. Tujuan Penelitian

Tujuan penelitian ini adalah sebagai berikut: 1. Untuk mendeteksi fitur–fitur wajah manusia.

2. Menggantikan marker fisik yang selama ini digunakan dalam proses

pengambilan gerakan aktor, khususnya pada wajah.

1.5. Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat:

1.

Kontribusi pada penelitian bidang facial motion capture.

BAB 2

TINJAUAN PUSTAKA

2.1. Motion Capture

Pada saat ini motion capture banyak ditemukan dalam berbagai bidang, terutama pada dunia animasi dalam pembuatan film, industri game, analis bio mekanik dan lain–lain [3]. Dengan semakin berkembangnya industri film dan game

maka saat ini bidang motion capture telah mengalami perkembangan yang sangat pesat pula. Produk motion capture yang ada saat ini biasanya menggunakan optik, magnetik ataupun alat mekanikal motion capture dengan menggunakan pakaian khusus ataupun marker di seluruh tubuh. motions capture didefinisikan sebagai pembentukan representasi objek 3D secara live, game development adalah pasar terbesar untuk motion capture dengan pendapatan seperti pendapatan produksi film

[1].

Pada umumnya ada dua tipe utama karakter animasi objek 3D yang digunakan dalam permainan yaitu: real-time playback dan cinematics, real-time playback

memungkinkan pemain untuk memilih dari pre-created moves, sehingga

pengendalian bergerak dalam real-time. Sedangkan cinematics adalah animasi full render yang biasa digunakan untuk intro dan cut-scenes dalam game. Cinematics

umumnya tidak penting untuk game-play, tetapi menambahkan banyak visualisasi ke

permainan dan sangat membantu dalam pengembangan cerita. Motion capture

menciptakan karakter yang bergerak secara realistis, dalam situasi yang tidak praktis atau terlalu berbahaya untuk aktor. Beberapa karakter film memerlukan penggunaan

motion capture supaya gerakan animasi tampak nyata [3]. Motion capture dapat memberikan penghematan waktu yang besar untuk proyek animasi. Motion capture

dapat membuat proses animasi lebih mudah, terutama ketika menciptakan karakter animasi yang realistis, seperti interaksi dari beberapa karakter 3D, atau ketika karakter terlibat dalam aktifitas olahraga. Animasi sederhana, seperti karakter yang sedang berdiri tanpa melakukan hal yang jauh lebih mudah dan lebih realistis ketika menggunakan motion Capture [6].

2.1.1. Bidang aplikasi

Video game sering menggunakan motion capture untuk menganimasikan atlet, seniman bela diri, dan karakter dalam game, hal ini telah dilakukan sejak game Atari Jaguar berbasis CD Highlander: The Last dari MacLeods, dirilis pada tahun 1995.

Motion capture mulai digunakan secara intensif untuk memproduksi film yang mensimulasikan tampilan bioskop secara live-action, dengan hasil hampir mendekati fotorealistik dari model karakter digital [9].

The Polar Express menggunakan motion capture untuk memungkinkan Tom Hanks dapat tampil beberapa karakter dalam bentuk berbeda. Film adaptasi tentang

Beowulf tahun 2007 adalah karakter animasi digital yang penampilanmnya didasarkan

sebagian pada para aktor yang memberikan gerakan mereka dan suara. James

Pandora. Walt Disney Company telah mengumumkan bahwa mereka akan mendistribusikan Robert Zemeckis's A Christmas Carol dan Tim Burton's Alice in Wonderland menggunakan teknik ini. Disney juga telah melakukan akuisisi Zemeckis Image Movers digital yang memproduksi film motion capture. Film seri televisi yang diproduksi sepenuhnya dengan animasi motion capture termasuk Laflaque di Kanada, Sprookjesboom dan Cafe de Wereld di Belanda, dan Headcases di Inggris [9]. Selama pembuatan film James Cameron's Avatar semua adegan yang dilakukan pada proses ini di diarahkan secara realtime dengan menggunakan kostum pada aktor dengan

motion cupture yang terlihat seperti di film, sehingga memudahkan Cameron untuk mengarahkan film seperti pada viewer. Metode ini memungkinkan Cameron untuk melihat adegan-adegan yang tidak dapat dilihat dari pandangan dan sudut dari animasi.

2.1.2. Sistem dan metode motion capture

Motion tracking atau motion capture dimulai sebagai sebuah alat analisis fotogrametri dalam penelitian biomekanika pada 1970-an dan 1980-an, dan diperluas ke pendidikan, pelatihan, olahraga, animasi, bioskop, dan video game sebagai teknologi baru. Seorang aktor memakai penanda atau marker pada masing-masing

joint untuk mengidentifikasi gerak seperti pada Gambar 2.1. Akustik, inertial, LED,

marker magnetik atau reflektif, atau kombinasi dari semua gerakan ini diulang beberapa kali sesuai dengan tingkat frekuensi yang diinginkan, untuk posisi submillimeter [9].

Gambar 2.1. Reflektif marker menempel pada kulit untuk mengidentifikasi landmark

tulang dan gerakan 3D dari bagian tubuh [9]

2.1.3. Optical system

Sistem optik memanfaatkan data yang diambil dari sensor untuk melakukan

tracking pada posisi 3D dari sebuah objek dengan satu atau beberapa kamera yang telah dikalibrasi. Pengambilan data secara tradisional dilaksanakan dengan menggunakan marker khusus yang melekat pada aktor yang menyebabkan data yang dihasilkan tidak akurat. Namun dengan sistem terbaru dari optical system mampu menghasilkan data yang akurat dengan melakukan tracking permukaan fitur yang di

identifikasi secara dinamis untuk setiap objek. Dalam memperluas area tracking dan

daerah capture para aktor melakukan dengan penambahan kamera, sistem ini

menghasilkan data dengan pergeseran 3 derajat untuk setiap marker [9].

2.1.4. Marker pasif

Sistem marker pasif menggunakan marker yang dilapisi dengan material yang bersifat “retroreflective” yang mampu merefleksikan kembali cahaya yang dihasilkan dekat dengan lensa kamera. Threshold dari kamera bisa diatur sedemikian rupa hingga hanya cahaya terang hasil refleksi marker yang akan disampel dan tidak melakukan sampling terhadap kulit dan kain yang ada pada aktor.

Centroid dari marker adalah hasil estimasi dari perhitungan image dua dimensi yang ditangkap. Nilai keabuan atau graysclae value dari setiap piksel dapat digunakan untuk menyediakan akurasi dari sub piksel dengan menemukan centroid

dari Gaussian. Sebuah objek dengan posisi marker yang telah diketahui digunakan untuk melakukan kalibrasi kamera dan mendapatkan posisinya dengan distorsi lensa setiap kamera telah diukur [9].

Secara umum sistem yang ada menggunakan 6 sampai 24 kamera. Vendor

memiliki kendala perangkat lunak untuk mengurangi masalah dari marker swapping

karena semua marker tampak identik. Tidak seperti sistem marker aktif dan sistem magnetik, sistem pasif tidak membuat aktor untuk menggunakan kawat atau peralatan elektronik [1].

Gambar 2.2. Contoh beberapa marker ditempatkan di titik-titik tertentu pada tubuh dan wajah aktor selama adegan motion capture [9]

Sebaliknya, ratusan bola karet melekat dengan selotip reflektif yang perlu diganti secara berkala. Marker biasanya menempel langsung ke kulit seperti dalam biomekanik, atau mereka dipasang pada pakain actor yang mengenakan full body

yang dirancang khusus untuk motion capture seperti pada Gambar 2.2[9].

2.1.5. Marker aktif

Sistem optikal aktif melakukan triangulasi posisi dengan memperlihatkan satu

LED dengan waktu yang sangat cepat atau beberapa LED dengan software untuk mengidentifikasi LED terhadap posisi relatif dengan memantulkan kembali cahaya yang dihasilkan secara eksternal, pada marker sendiri mempunyai kemampuan untuk memancarkan cahayanya sendiri. Salah satu penerapan nya adalah pada serial TV ("Stargate SG1") diproduksi menggunakan sistem optik aktif untuk VFX (Visual

Effects). Aktor harus berjalan di sekitar alat peraga hal ini akan menyulitkan untuk penggunaan sistem marker aktif [9].

2.1.6. Time modulated active marker

Sistem marker aktif adalah sistem marker dengan menyalakan satu penanda pada waktu tertentu, atau melakukan tracking beberapa marker dalam waktu tertentu dengan melakukan modulasi dari amplitudo untuk mendapatkan indentitas. Resolusi spasial 12 megapiksel pada sistem yang termodulasi menunjukkan pergerakan lebih halus dari sistem optik 4 megapiksel yang memiliki resolusi yang lebih tinggi. Dengan sistem ini sutradara dapat melihat gerakan aktor secara real time pada

motion capture, penempatan marker yang akurat akan mengurangi nilai error

sehingga dapat menghasilkan data yang lebih bersih [1].

2.1.7. Semi-passive imperceptible marker

Sebuah sistem yang didasarkan pada kamera kecepatan tinggi, sistem ini menggunakan multi-LED proyektor berkecepatan tinggi yang murah. Sistem ini dirancang secara khusus pada ruang motion capture. Dibandingkan penggunaan

retro-reflektif atau LED marker, sistem ini menggunakan tag marker foto sensitif untuk memproses sinyal optik pada poin scene, tag dapat menghitung tidak hanya lokasi pada setiap titik, tetapi juga orientasi, pencahayaan, dan reflektansi [9].

2.1.8. Markerless motion capture

Teknik dan penelitian dalam visi komputer menuju perkembangan pesat dari pendekatan motion capture beralih ke markerless motion capture, sistem seperti yang dikembangkan di Stanford, University of Maryland, MIT, dan Max Planck Institute

dalam melakukan tacking objek tidak memakai peralatan khusus akan tetapi dengan system komputer yang dirancang khusus dan diterapkan pada sistem untuk menganalisisa beberapa aliran input optik dan mengidentifikasi bentuk tersebut untuk

tracking [10], seperti pada Gambar 2.3.

Gambar 2.3. Contoh aplikasi markerless dalam mendeteksi gerakan ekspresi wajah [ 10]

2.2. Principal Component Analysis (PCA)

Principal Component Analysis (PCA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemorosesan citra dan sinyal processing seperti pada Gambar 2.4 [4]. Untuk mewakili benda yang mampu terdeformasi, baik dalam 2D dan 3D. Tujuan utama dari PCA adalah untuk pemadatan data atau pengurangan dimensi. Komponen yang tidak berkorelasi diberi nama “Principal Component”, yang terbukti sesuai dengan nilai-nilai eigen terbesar dan eigen vektor dari matrik

varians-kovarians dari data sampel [4].

Gambar 2.4. Contoh PCA dari distribusi Gaussian multivariat [4]

Sumbu panjang menunjukkan arah sebaran titik dengan varians terbesar sedangkan sumbu pendek menunjukkan luas sebaran titik, untuk sumbu panjang dijadikan sebagai komponen utama (Principal Component) dan kemudian baru sumbu

arah sebaran titik luas sebaran titik

x y

yang pendek. Principal Component Analysis (PCA) merupakan teknik linier untuk memproyeksikan data vektor yang berdimensi tinggi ke vektor yang mempunyai dimensi lebih rendah, Principal Component Analysis (PCA) lebih banyak digunakan untuk keperluan ektraksi fitur gambar, dimana jumlah dimensi dari gambar jauh lebih besar dibandingkan dengan jumlah data sampel yang digunakan. Untuk melakukan proyeksi sampel vektor dari gambar pelatihan, semua gambar pelatihan disusun dalam bentuk vektor baris. Apabila vektor gambar pelatihan mempunyai dimensi mxn

tersebut diortogonalisasi dengan menentukan eigenvector dan eigenvalue, maka dimensinya akan berubah menjadi mxm, dimana m<n. Pengurangan dimensi yang sangat signifikan ini akan sangat membantu untuk mempercepat proses komputasi saat melakukan klasifikasi fitur. Sebelum klasifikasi fitur dilakukan maka akan dilakukan penyelesaian eigenface untuk data pelatihan. Model matrik data pelatihan dapat ditulis dalam persamaan (2.1).

...(2.1)

jika n>>m dimana n merupakan dimensi gambar, dan m adalah jumlah gambar yang dilatih. Berdasarkan persamaan (2.1) maka rata-rata seluruh data sampel dapat dihitung dengan menggunakan persamaan (2.2). Hasil persamaan (2.2) merupakan vektor yang berbasis nilai rata-rata, karena jumlah dimensi adalah n, maka nilai

...(2.2) Nilai rata-rata nol (zero mean) dari suatu sampel data dapat dihitung dengan mengurangkan nilai masing-masing data sampel dengan rata-rata data jumlah seluruh data sampel. Persoalannya adalah dimensi yang tidak sama antara data sampel (mxn), sedangkan dimensi dari rata-rata seluruh data sampel (1xm). Matrik rata-rata gambar data sampel yang telah digandakan sebanyak m kali dapat ditulis menggunakan persamaan (2.3).

... (2.3)

Dan nilai dari pada baris ke i = nilai baris ke i + 1 dan

berlaku , maka hasil persamaan (2.3) dapat digunakan

untuk menghitung zero mean. Zero mean data dapat dimodelkan menggunakan persamaan (2.4) [4].

...(2.4)

...(2.5)

Hasil perhitungan zero mean digunakan untuk mendapatkan nilai matrik konvarian selain dapat dimodelkan menggunakan persamaan (2.5), juga dilakukan dengan mengalikan transpos zero mean, seperti pada persamaan (2.6).

...(2.6)

Matrik konvarian disusun dari nilai-nilai varian yang telah ditentukan, dengan model simetris. Untuk dua parameter yaitu xidan xi+1, maka matrik konvarian dapat

ditulis seperti pada persamaan (2.4). Untuk 3 parameter dan n parameter persamaan dapat ditulis seperti pada persamaan (2.7) dan (2.8).

....(2.8)

Berdasarkan persamaan (2.8), maka dimensi dari konvarian menjadi mxn, dengan berkurangnya jumlah dimensi yang sangat signifikan pada matrik konvarian, maka akan menyebabkan berkurangnya dimensi pada saat menentukan eigenvector.

...(2.9)

... (2.10)

Untuk mendapatkan ciri dari suatu data sampel yang di representasikan dalam bentuk matrik, maka dihitung eigenvector dan eigenvalue dari matrik konvarian. Jika C adalah matrik bujur sangkar dengan ukuran sembarang m>1, maka vektor tidak nol pada Rn disebut eigenvector dari C jika suatu penggandaan skalar dari , ditunjukan pada persamaan (2.10). Skala tersebut sebagai eigenvalue dari C dan

disebut sebagai eigenvector dari C yang berpadanan terhadap , untuk mendapatkan

eigenvector dan eigenvalue, maka dapat ditunjukan pada persamaan (2.11).

... (2.11)

...(2.12) Atau dapat dituliskan menggunakan persamaan (2.13) berikut:

...(2.13)

...(2.14)

Hasil dari persamaan (2.14) adalah berupa vektor, yaitu eigenvalue

diurutkan secara menurun dari nilai paling besar menuju nilai yang paling kecil . Eigenvector yang bersesuaian dengan nilai terbesar dari

eigenvalue mempunyai ciri yang paling dominan, sedangkan nilai eigenvector yang bersesuaian dengan eigenvalue yang paling kecil mempunyai ciri paling tidak doniman.

2.3. Active Appearance Models (AAM)

AAM erat terkait dengan konsep aktif blobs dan modelmorphable, non-linear,

generatif, dan parametrik model dari fenomena visual tertentu untuk memaksimalkan

"match point" antara contoh model dan citra masukan [11,14]. Model parameter yang kemudian digunakan dalam aplikasi tertentu. Sebagai contoh, parameter dapat dimasukkan ke classifier untuk menghasilkan algoritma pada pengenalan wajah [12]. Pendekatan yang biasa secara iteratif memecahkan update aditif tambahan untuk parameter (bentuk dan koefisien penampilan). Mengingat perkiraan parameter bentuk citra masukan ke koordinat frame model dan kemudian untuk menghitung kesalahan model. AAM merupakan metode pembelajaran statistik, yang dilatih dari sebuah kelas obyek non-rigid dalam hal ini wajah. AAM bekerja dengan fitting model untuk sebuah parameter gambar suatu optimasi pencari jenis obyek [13]. Tujuan dari pencarian ini adalah untuk mencapai deskripsi parameter obyek dalam citra. Active Appearance Models memiliki sekumpulan model template deformable, dan dapat dipahami sebagai metode pencocokan template yang canggih [1].

2.4. Analisis Procrustes

Korespondensi dan analisis bentuk memainkan peran yang penting dalam bidang komputer vision, tidak hanya dalam menentukan korespondensi, tetapi juga menentukan validitas algoritma yang digunakan untuk menempatkan landmark di lokasi yang akurat. Analisis harus didefinisikan dengan baik sehingga tidak bias dan menyeluruh dalam evaluasi. Procrustes analisis yang digunakan adalah analisis bentuk kaku yang menggunakan skala isomorfis, translation, dan rotasi untuk menemukan

adanya kesesuaian antara dua atau lebih bentuk landmark. Analisis procrustes adalah orthogonal atau biasa disebut Generalized Orthogonal Procrustes Analysis (GPA) digunakan untuk korespondensi bentuk karena sifat orthogonal rotasi matriks. Gower

telah memerankan peran penting dalam pengenalan dan derivasi dari analisis

Procrustes ortogonal pada tahun 1971-1975. Meskipun Hurley dan Cattell pertama kali menggunakan istilah analisis procrustes pada tahun 1962 dengan metode yang tidak membatasi untuk transformasi sebuah matriks ortogonal [15]. Pada teknik ini mengeksplorasi bentuk dan mempertahankannya.

Tabel 2.1. Algoritma generalized orthogonal procrustes analysis (GPA) [15]

1. Memililih satu bentuk menjadi bentuk perkiraan rata-rata awal (yaitu set bentuk pertama).

2. Menyejajarkan posisi bentuk dengan bentuk mean perkiraan.

a.Menghitung centroid masing-masing bentuk (atau sekumpulan Landmark). b.Menyelaraskan semua bentuk centroid ke bentuk asal.

c.Menormalkan centroid setiap bentuk ukuran.

d.Memutar bentuk masing-masing untuk menyelaraskan dengan rata-rata

perkiraan terbaru.

3. Mengitung rata-rata perkiraan baru dari bentuk selaras.

4. Jika rata-rata perkiraan dari langkah 2 dan 3 berbeda kembali ke langkah 2, jika tidak, berarti telah menemukan bentuk mean sebenarnya dari himpunan.

Analisis procrustes memiliki beberapa keunggulan, terutama pada pendekatan proses korespondensi pada bentuk, kompleksitas algoritmanya rendah sehingga memungkinkan untuk diimplementasi dengan mudah. Selain itu Generalized

Orthogonal Procrustes Analysis (GPA) merupakan solusi praktis untuk penyelarasan obyek yang mirip. Analisis Procrustes adalah cara yang efektif untuk menyesuaikan bentuk bahkan Hurley dan Cattell menulis bahwa analisis procrustes cocok untuk feat

brutal terhadap pengambilan hampir semua data [15]. Gambar 2.5 distribusi titik yang merepresentasikan bentuk tangan setelah dilakukan proses rata-rata yang diberikan pada warna merah [15].

Gambar 2.5. Distribusi titik yang merepresentasikan bentuk tangan setelah dilakukan proses rata-rata yang diberikan pada warna merah [15]

x y

2.4.1. Translasi

Tahap translasi memindahkan semua bentuk ke pusat dasarnya, titik awalnya adalah (0,0) ini adalah yang paling mungkin untuk mewakili titik pusat umumnya, namun tidak secara eksklusif begitu. Sebagai contoh berikut ini titik asal yang akan menjadi pusat umum.

...(2.15)

...(2.16)

Dimana:

X: k x m matriks koordinat dari Landmark k dalam dimensi m (m=2 atau 3) Xc: baru koordinat dari X berpusat pada titik asal

Titik pusat dihitung dari jumlah kolom matriks X dibagi dengan jumlah

landmark (sejumlah baris). Setelah titik pusat dihitung kemudian mengurangkan titik pusat dari setiap elemen di pusat akan matriks itu pada titik asal [1].

2.4.2. Isomorphic Scaling

Skala isomorfik adalah teknik manipulasi yang mentransformasikan bentuk yang lebih kecil atau lebih besar sambil mempertahankan rasio proporsi bentuk.

Normalisasi adalah jenis transformasi isomorfik yang berguna untuk skala bentuk pada ukuran yang sama.

...(2.17)

X: koordinat X berpusat pada titik asal Xn: koordinat X berpusat dan normalisasi

2.4.3. Rotasi

Bila matriks telah disesuaikan dan diskalakan selanjutnya akan dilakukan proses rotasi. Pada saat melakukan rotasi perlu dilakukan penyelarasan semua bentuk ke satu bentuk target.

X: koordinat X berpusat dan normalisasi.

Q: rotasi ortogonal matriks untuk menyelaraskan X dengan rata-rata. : rata-rata matriks.

Rotasi akan menggunakan eucidean/frobenius normal di mana ||A||=trace (A'A), yang merupakan jumlah kuadrat dari elemen A[2]. Jadi, akan meminimalkan perbedaan antara rata-rata dan merotasikan bentuk matriks dengan menggunakan jumlah kuadrat.

...(2.18)

...(2.19) Oleh karena bagian pertama tidak mengandung Q, maka:

...(2.20)

Dengan Menggunakan dekomposisi nilai singular dari dan properti

cyclic dari trace maka dapat dilihat pada persamaan ( 2.21).

…....(2.21)

H=V'QU adalah ortogonal (pxp) matriks karena merupakan produk dari orthogonal matriks. Dengan demikian, memiliki persamaan (2.22).

...(2.22) Oleh karena itu, karena si adalah bilangan tidak-negatif dan trace (SH) adalah

maksimum pada saat hii= 1 untuk i = 1, 2 ... p (nilai maksimal dari suatu matriks ortogonal), memiliki persamaan (2.23).

...(2.23) Sehingga Q minimum || XQ - || adalah:

...(2.24) Oleh karena itu rotasi tersebut diselesaikan dengan mengalikan VU' ke X matriks agar selaras dengan matrik [1].

BAB 3

METODELOGI PENELITIAN

Pada ini menjelaskan langkah-langkah serta metode penelitian yang akan dilakukan dimana dimulai dengan mempelajari konsep-konsep matematis yang menunjang penelitian ini. Secara garis besar langkah-langkah dalam tahap melakukan penelitian ini dapat dijelaskan dimulai dari proses pengumpulan referensi, melakukan pengambilan sampel image dengan menggunakan kamera.

Setelah proses pengambilan image dilakukan selanjutnya melakukan pelatihan data dengan cara memberi landmark pada fitur–fitur wajah yang disebut dengan

landmark file. Setelah proses pelatihan selesai dilakukan maka tahap berikutnya adalah melakukan penyelarasan data untuk menghitung rata-rata dari kumpulan data

landmark yang telah diberikan pada fitur–fitur wajah dengan dengan menggunakan

principal componen analisis (PCA) [4].

Principal vectors sebagai arah deformasi merupakan proses optimalisasi untuk mendapatkan arah titik landmark wajah yang telah dirata–ratakan sehingga proses pembentukan model fitur wajah dari data landmark yang telah diberikan pada masing fitur dapat terbentuk, proses ini disebut dengan tringulasi [6]. Gambar 3.1. merupakan diagram proses pelatihan deteksi fitur-fitur wajah manusia.

Gambar 3.1. Diagram proses pelatihan deteksi fitur–fitur wajah

3.1. Diskripsi Model Fitur

Pada penelitian ini semua fitur wajah akan diberikan landmark dan akan dideteksi pada saat pengujian. Fitur yang akan dideteksi meliputi alis kanan dan kiri, mata kanan dan kiri, hidung, mulut dan lengkungan wajah.

3.1.1. Fitur alis mata

Alis mata terletak diatas mata, fitur tersebut akan dipakai sebagai fitur pertama yang akan diberikan landmark, jumlah landmark yang diberikan adalah sebanyak empat titik, untuk mencirikan secara geometris dari fitur alis mata kanan dan kiri seperti pada Gambar 3.2.

Gambar 3.2. Alis mata yang akan diberikan landmark

untuk pencirian fitur wajah

3.1.2. Fitur Mata

Fitur mata merupakan suatu indera manusia yang sangat unik berbeda antara satu orang dengan yang lain. Tapi secara bentuk mirip, namun struktur geometrisnya pasti berbeda. Untuk mewakili bentuk dari fitur mata, pada penelitian ini diberikan sejumlah landmark untuk masing-masing mata. Untuk tiap–tiap mata diberikan enam titik landmark seperti pada Gambar 3.3.

Gambar 3.3. Fitur mata yang akan berikan landmark

3.1.3. Fitur hidung

Lokasi fitur hidung dapat ditemukan pada bagian tengah tulang hidung serta pada bagian kanan dan kiri bagian bawah hidung pada bagian tersebut akan diberikan empat titik pada bagian tengah tulang hidung dan lima titik pada bagian bawah hidung seperti pada Gambar 3.4.

Gambar 3.4. Contoh Fitur hidung yang akan diberikan landmark

3.1.4. Fitur mulut

Mulut setiap orang juga mempunyai bentuk yang sangat unik, oleh karena itu mulut juga dapat digunakan sebagai fitur pembeda ciri seseorang. Pada bagian fitur mulut akan diberikan dua puluh landmark pada bagian bibir atas, bawah dan bagian dalam seperti pada Gamabr 3.5.

3.1.5. Fitur lengkungan wajah

Kelengkungan wajah setiap orang juag berbeda dan kemungkinan sangat kecil untuk berubah. Pada bagian fitur lengkungan wajah ini akan diberikan 17 landmark,

dimulai dari sisi kanan wajah, dagu dan sisi kiri wajah seperti pada Gambar 3.6.

Gambar 3.6. Lengkungan wajah yang akan diberi landmark

sebagai pencirian fitur wajah

3.2 Pelatihan data landmark

Untuk melakukan proses pelatihan, pertama-tama dicari terlebih dahulu rata-rata landmark untuk setiap data pelatihan. Rata-rata landmark untuk semua data pelatihan tersebut dapat ditulis dengan menggunakan persamaan (3.1) dan (3.2) [8].

...(3.2)

Berdasarkan persamaan (3.1) dan (3.2) maka akan didapatkan nilai rata-rata

landmark dalam bentuk vektor sejumlah landmark yang digunakan pada data pelatihan. Proses selanjutnya adalah menentukan rata-rata keseluruhan landmark dari seluruh data pelatihan menggunakan persamaan (3.3). dan (3.4).

...(3.3)

dan

...(3.4)

Dari hasil perhitungan persamaan (3.3) dan (3.4) dan dengan

maka nilai titik tengan rata-rata untuk x dan y setiap landmark dapat dihitung berdasarkan nilai tengah rata-rata maksimum dan minimum dapat dituliskan persamaan (3.5) dan (3.6).

...(3.5)

dan maka jarak koordinat data pelatihan ke j

pada landmark ke i adalah hasil pengurangan landmark data pelatihan dengan nilai rata-rata landmark ke I yang disebut sebagai zero mean, dapat menggunakan persamaan (3.7) dan (3.8).

...(3.7) dan

...(3.8)

Hasil perhitungan persamaan (3.7) dan (3.8), dapat dicari nilai

yang minimum dan maksimum ke I menggunakan persamaan (3.9), (3.10), (3.11) dan (3.12).

...(3.9) ...(3.10) ...(3.11) ...(3.12) Variasi landmark data pelatihan, dapat dihitung menggunakan persamaan (3.13) dan (3.14).

...(3.13) ...(3.14) Dan rata-rata variasi landmark ke I pada data pelatihan dapat dihitung menggunakan persamaan (3.15) dan (3.16).

...(3.15)

...(3.16)

Berdasarkan persamaan (3.13), (3.14), (3.15), dan (3.16), maka nilai titik tengah zero mean untuk setiap landmark ke i baru dapat ditulis dengan menggunakan persamaan (3.17 dan 3.18).

...(3.17)

...(3.18)

Tabel 3.1. Algoritma proses pelatihan model [12]

1. Menghitung rata-rata xt1

dan yt1 untuk data pelatihan menggunakan persamaan (3.1) dan (3.2).

2. Menghitung rata-rata semua landmark menggunakan persamman (3.3) dan (3.4). 3. Menghitung nilai titk tengah rata-rata maksimum dan minimum untuk setiap

landmark menggunakan persamman (3.5) dan (3.6).

4. Menghitung zero mean pada data pelatihan

ke j setiap landmark ke i menggunakan persamaan (3.7) dan (3.8).

5. cari nilai maksimum dan minimum hasil langkah ke 4

Tabel 3.1. (sambungan)

6. Menghitung variasi landmark ke i menggunakan persamaan (3.13) dan (3.14). 7. Menghitung rata-rata variasi lanmark ke i menggunakan persamaan (3.15) dan

(3.16).

8. Menghitung nilai titik tengah zero mean pada setiap landmark, menggunakan persamaan (3.17) dan (3.18).

3.3. Inisialisasi Shape

Sebelum proses deteksi multi fitur dilakukan maka perlu diestimasi terlebih dahulu untuk meletakkan inisialisasi shape. Estimasi posisi inisialisasi shape

dilakukan berdasarkan nilai rata-rata dari seluruh data pelatihan. Seluruh landmark

dijumlahkan dengan rata-rata variasi landmark ke I pada data pelatihan, dengan menggunakan persamaan (3.19) dan (3.20) berikut ini:

...(3.19) ...(3.20) Model persamaan tersebut merupakan justifikasi dari seluruh data pelatihan dengan mempertimbangkan rata-rata variasi pada landmark ke i dari sebaran landmark data pelatihan sehingga shape awal dari proses pencarian dapat mendekati fitur yang dideteksi. Gambar 3.8 distribusi titik yang digunakan sebagai data pelatihan. Distribusi titik–titik merupakan proses pembentukan bentuk fitur setelah diberikan landmark, titik tengah ditunjukan dengan garis warna hitam merupakan urutan landmark yang dihubungkan sesuai dengan nomor urutannya.

Tabel 3.2. Algoritma proses inisialisasi shape [12]

1. , mengerjakan langkah 2

2. , mengerjakan langkah 3

3. Menghitung inisialisasi landmark menggunakan persamaan (3.19) dan (3.20)

Gambar 3.8. Distribusi titik yang digunakan sebagai data pelatihan

3.4. Pergerakan Shape

Pada proses ini, semua shape diperlukan sebagai satu kesatuan. Pergerakan

shape dipengaruhi oleh jumlah landmark pada semua data pelatihan, rata-rata maksimum dan minimum pada setiap landmark, gradient data pelatihan, rata-rata

landmark pada data pelatihan disimbolkan menggunakan XYTi, untuk landmark x

disimbolkan xti, dan y disimbolkan yti, landmark bergerak berdasrkan nilai gradient

garis maksimal. Jika suatu landmark pada data pelatihan dengan koordinat (xt, yt), ditranslasi masing-masing sebesar tx dan ty maka akan menghsilkan koordinat baru (xt’, yt’), maka hasil translasi dapat ditulis menggunakan persamman (3.21) dan persamaan (3.22) berikut ini:

...(3.21) ...(3.22) Atau dapat ditulis dengan menggunakan persamaan (3.23).

...(3.23)

Jika landmark pada data pelatihan dengan koordinat (xt, yt) diskalakan sebesar sx dan

sy menghasilkan koordinat baru (xt’,yt’) dapat dimodelkan dengan bentuk persamaan

(3.24) dan (3.25).

Jika landmark pada data pelatihan dengan koordinat (xt, yt) diskalakan sebesar sx dan

sy menghasilkan koordinat baru (xt’,yt’) dapat dimodelkan dengan bentuk persamaan

(3.24) dan (3.25).

xt’=xt.sx ... (3.24) yt’=yt.sy ... (3.25)

Atau dapat ditulis dengan menggunakan persamaan (3. 26).

Jika suatu landmark pada data pelatihan dengan koordinat (xt,yt) diskalakan sebesar

θ, menghasilkan koordinat baru (xt’,yt’) dapat dimodelkan dengan bentuk persamaan (3.27) dan (3.29).

... (3.27) ... (3.28) Atau dapat ditulis dengan menggunakan persamaan (3. 29).

...(3.29)

Jika tiga buah operasi di satukan, suatu landmark pada data pelatihan dengan koordinat (xt,yt) digeser pada sumbu x sebesar tx, di geser pada sumbu y

sebesar ty, kemudian di sekalakan sebesar sx dan sy, dan di putar sebesar , maka

meghasilkan koordinat baru (xt’,yt’) yang dapat ditulis dalam bentuk persamaan (3.30).

BAB 4

HASIL DAN PEMBAHASAN

4.1. Pengujian Hasil Training

Penambahan jumlah data training sangat berpengaruh terhadap besarnya

error, dalam pengujian ini akan mencari komposisi jumlah data dan besar iterasi yang terbaik untuk dijadikan sebagai data acuan. Faktor besarnya error juga dipengaruhi oleh data awal pada saat proses di training, bila data yang ditraining antara satu file dengan file yang lain mengalami pergerakan yang terlalu besar atau pada saat pemberian landmark tidak akurat maka error yang dihasilkan menjadi lebih besar seperti pada Gambar 4.1.

Untuk data training 25 sampai dengan 50 pada setiap proses iterasi menghasilkan error yang relatif besar bila dibandingkan dengan proses iterasi untuk data training 75, sedangkan untuk data trainingm100 sampai 130 menghasilkan error

yang relatif lebih kecil dan stabil bila dibandingkan data training 75.

Gambar 4.1. Grafik persentase error pada setiap penambahan data training dan jumlah iterasi.

Tabel 4.1. Hasil pengujian data training

Data Training Jumlah Iterasi % Error

25 10 47.4400

25 20 43.4400

25 30 43.4400

25 40 43.4400

25 50 41.4400

25 60 40.2400

25 70 35.9000

25 80 35.9000

25 90 35.7400

25 100 35.6900

50 10 35.6900

50 20 35.6200

50 30 35.5400

50 40 36.8400

50 50 34.8400

50 60 35.3400

50 70 33.8500

50 80 35.8400

Tabel 4.1. (sambungan)

Data Training Jumlah Iterasi % Error

50 100 35.0800

75 10 34.9800

75 20 34.8800

75 30 34.7800

75 40 30.0900

75 50 30.0900

75 60 30.0900

75 70 30.0900

75 80 30.1900

75 90 31.0900

75 100 30.8000

100 10 30.9500

100 20 31.1100

100 30 30.0900

100 40 30.0900

100 50 31.0900

100 60 30.0900

Tabel 4.1. (sambungan)

Data Training Jumlah Iterasi % Error

100 80 30.2900

100 90 30.2900

100 100 30.2900

130 10 30.2900

130 20 30.0900

130 30 30.0900

130 40 29.9900

130 50 29.9100

130 60 29.8300

130 70 30.0900

130 80 30.0900

130 90 30.0900

130 100 30.0900

Penambahan dan pengurangan data training akan mempengaruhi hasil pengujian. Penambahan data training dan jumlah iterasi merupakan faktor yang harus diperhatikan saat dilakukan pengujian.

4.2. Hasil Training

Setelah melakukan proses training maka hasil penggabungan dari semua fitur-fitur wajah yang meliputi alis kanan dan alis kiri, mata kanan dan mata kiri, hidung, mulut dan lengkungan wajah dengan total jumlah landmark adalah 66 titik landmark, data ini yang kemudian digunakan sebagai data pelatihan. Titik ini merupakan satu set titik-titik pada permukaan bentuk fitur yang ditempatkan dengan akurat sehingga dapat menggambarkan bentuk fitur wajah.

4.2.1. Fitur alis mata

Alis mata terletak diatas mata, fitur tersebut akan dipakai sebagai fitur pertama yang akan diberikan landmark, jumlah landmark yang diberikan adalah sebanyak empat titik, untuk mencirikan secara geometris dari fitur alis mata kanan dan kiri seperti pada Gambar 4.2.

4.2.2. Fitur mata

Fitur mata merupakan suatu indera manusia yang sangat unik dan berbeda antara satu orang dengan yang lain. Tapi secara bentuk mirip, namun struktur geometrisnya pasti berbeda, untuk masing-masing mata diberikan enam titik

landmark seperti pada Gambar 4.3.

Gambar 4.3. Fitur mata yang telah diberikan landmark

4.2.3. Fitur hidung

Lokasi fitur hidung dapat di temukan pada bagian lekukan pada bagian kanan dan kiri bagian bawah hidung, pada bagian bawah hidung dan batang tulang hidung jumlah titik landmark yang digunakan untuk mewakili bentuk hidung adalah sembilan titik seperti pada Gambar 4.4.

4.2.4. Fitur mulut

Mulut setiap orang juga mempunyai bentuk yang sangat unik, oleh karena itu mulut juga dapat digunakan sebagai fitur pembeda. Bentuk mulut mempunyai bentuk yang hampir sama dengan bentuk mata tetapi mulut memiliki ketebalan antara bibir atas dan bawah dengan jumlah titik dua puluh landmark seperti pada Gambar 4.5.

4.2.5. Fitur lengkungan wajah

Kelengkungan wajah setiap orang berbeda, dan kemungkinan sangat kecil untuk berubah, pada fitur lengkungan wajah diberikan 17 landmark untuk mewakili lengkungan wajah seperti pada Gambar 4.6.

Gambar 4.6. Fitur lengkungan wajah yang telah diberikan landmark

4.2.6. Distribusi landmark setelah proses pelatihan

Setelah melakukan proses pelatihan pada masing–masing fitur maka distribusi

landmark, distribusi landmark tersebut merupakan jumlah data landmark yang telah dirata–ratakan pada masing–masing fitur wajah seperti pada Gambar 4.7.

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan uji coba dan analisa hasil pengujian maka dapat disimpulkan sebagai berikut:

1. Metode Principal Component Analisis (PCA) dapat digunakan untuk

merekonstruksi fitur wajah berupa titik landmark.

2. Principal Component Analisis (PCA) akan berkerja secara optimum jika menggunakan traning sebanyak 75 data training.

3. Dengan metode ini dapat menggantikan marker fisik yang selama ini

digunakan dalam motion capture dan dapat diterapkan pada dunia animasi,

game, serta pada aplikasi lain dibidang komputer vision.

5.2 Saran

1. Dalam pemberian landmark pada data training harus sesuai urutan dan teliti. 2. Pada pergerakan wajah yang terlalu besar dan sudut yang melebihi 300 atau

-300 maka akan terjadi error pada saat pengujian. Dalam pengambilan data harus diperhatikan pegerakan wajah tetap pada sudut 300 agar error pada saat pemberian landmark tidak terjadi.

DAFTAR PUSTAKA

[1] Atthariq. “Facial Motion Capture using Active Appearance Models Method Master's thesis”, Electrical Engineering, Multimedia Intelegent Network Sepuluh Nopember Institute Of Technology, 2011.

[2] Michel Gleicher and Nicola Ferrier, “Evaluting Vedio Based Motion Capture, Proceedings of Computer Animation”, 2002.

[3] Sukoco, “Teknologi Motion Capture untuk Pembuatan Film Animasi 3D”, speed 10 Edisi Web Febuari 2011, ISSN: 2088-0154.

[4] I.T. Jolliffe. “Principal Component Analysis”. Springer, Aberdeen, UK, 2nd edition, April 2002.

[5] Gower, John C. and Dijksterhuis, Garmt B.: “Procrustes Problems”, Oxford University Press,

[6] Esty Vidyaningrum and Prihandoko. “Human Detection by using eigenface method for various pose of human face, Faculty of Industrial Technologi”, Gunadarma, 2009

[7] Thanh Nguyen Duc, Tan Nguyen Huu, Luy Nguyen Tan. “Facial Expression Recognition Using Aam Algorithm Division of Automatic Control”, Ho Chi Minh University of Technology, Vietnam,National key lab for Digital Control & System Engineering, Vietnam, 2008.

[8] Arif Muntasa, Mochhamad Hariadi, Mauridhi Hery Purnomo. “A New

Formulation of Face Sketch Multiple Features Detection Using Pyramid Parameter Model and Simultaneously Landmark Movement”,International Journal of Computer Science and Network Security, VOL.9 No.9 September 2009

[9]

[11] T. F. Cootes and C. J. Taylor. “Active appearance models. In IEEE Transactions on Pattern Analysis and Machine Intelligence”, pages 484,498. Springer, 1998.

[12] S. Baker, R. Gross, and I. Matthews. Lucas-kanade 20 years on: “A unifying framework”: Part 4, 2004. Technical Report CMU-RI-TR-04-14, Robotics Institute, Carnegie Mellon University

[13] Matthews and S. Baker. “Active appearance models revisited”. IJCV, 2004.

[14] M. B. Stegmann. “Active appearance models: Theory, extensions and cases. Master's thesis”, Informatics and Mathematical Modelling, Technical University of Denmark, DTU, Richard Petersens Plads, aug 2000

[15] Gower, John C. and Dijksterhuis, Garmt B.: “Procrustes Problems”, Oxford University Press, 2004.

[16] F. L. Bookstein. “Landmark methods for forms without landmarks: Localizing group differences in outline shape”. In MMBIA '96: Proceedings of the 1996 Workshop on Mathematical Methods in Biomedical Image Analysis (MMBIA'96) Washington, DC, USA, 1996. IEEE Computer Society.

[17] Roland, K.Markerless “Motion Capture of Complex Human Movements from Multiple Views”.ZURICH : Submitted dissertation, 2005.

[18] Menache, Alberto. “Understanding n motion capture for computer animation and video games”. Sea Harbour Drive, Orlando, Florida : Academic Press, 2000. 0-12-490630-3.

Jumlah Landmark

Gambar 1 Jumlah Landmark

Gambar 1 _Jumlah Landmark

Gambar 1

x1 y2 x1 y2 x1 y2

1 273 361 23 295 383 45 317 405

2 274 362 24 296 384 46 318 406

3 275 363 25 297 385 47 319 407

4 276 364 26 298 386 48 320 408

5 277 365 27 299 387 49 321 409

6 278 366 28 300 388 50 322 410

7 279 367 29 301 389 51 323 411

8 280 368 30 302 390 52 324 412

9 281 369 31 303 391 53 325 413

10 282 370 32 304 392 54 326 414

11 283 371 33 305 393 55 327 415

12 284 372 34 306 394 56 328 416

13 285 373 35 307 395 57 329 417

14 286 374 36 308 396 58 330 418

15 287 375 37 309 397 59 331 419

16 288 376 38 310 398 60 332 420

17 289 377 39 311 399 61 333 421

18 290 378 40 312 400 62 334 422

19 291 379 41 313 401 63 335 423

20 292 380 42 314 402 64 336 424

21 293 381 43 315 403 65 337 425

Jumlah Landmark

Gambar 2 Jumlah Landmark

Gambar 2 _Jumlah Landmark

Gambar 2

x2 y3 x2 y3 x2 y3

1 278 361 23 300 383 45 322 405

2 279 362 24 301 384 46 323 406

3 280 363 25 302 385 47 324 407

4 281 364 26 303 386 48 325 408

5 282 365 27 304 387 49 326 409

6 283 366 28 305 388 50 327 410

7 284 367 29 306 389 51 328 411

8 285 368 30 307 390 52 329 412

9 286 369 31 308 391 53 330 413

10 287 370 32 309 392 54 331 414

11 288 371 33 310 393 55 332 415

12 289 372 34 311 394 56 333 416

13 290 373 35 312 395 57 334 417

14 291 374 36 313 396 58 335 418

15 292 375 37 314 397 59 336 419

16 293 376 38 315 398 60 337 420

17 294 377 39 316 399 61 338 421

18 295 378 40 317 400 62 339 422

19 296 379 41 318 401 63 340 423

20 297 380 42 319 402 64 341 424

21 298 381 43 320 403 65 342 425

Jumlah Landmark

Gambar 3 Jumlah Landmark

Gambar 3 _Jumlah Landmark

Gambar 3

x3 y3 x3 y3 x3 y3

1 278 366 23 300 388 45 322 410

2 279 367 24 301 389 46 323 411

3 280 368 25 302 390 47 324 412

4 281 369 26 303 391 48 325 413

5 282 370 27 304 392 49 326 414

6 283 371 28 305 393 50 327 415

7 284 372 29 306 394 51 328 416

8 285 373 30 307 395 52 329 417

9 286 374 31 308 396 53 330 418

10 287 375 32 309 397 54 331 419

11 288 376 33 310 398 55 332 420

12 289 377 34 311 399 56 333 421

13 290 378 35 312 400 57 334 422

14 291 379 36 313 401 58 335 423

15 292 380 37 314 402 59 336 424

16 293 381 38 315 403 60 337 425

17 294 382 39 316 404 61 338 426

18 295 383 40 317 405 62 339 427

19 296 384 41 318 406 63 340 428

20 297 385 42 319 407 64 341 429

21 298 386 43 320 408 65 342 430

Jumlah Landmark

Gambar 4 Jumlah Landmark

Gambar 4 _Jumlah Landmark

Gambar 4

x4 y4 x4 y4 x4 y4

1 274 365 23 342 324 45 355 253

2 294 372 24 342 302 46 365 247

3 307 373 25 311 291 47 359 233

4 321 371 26 321 281 48 343 231

5 374 369 27 338 280 49 326 232

6 392 374 28 352 280 50 252 334

7 407 373 29 366 284 51 254 306

8 420 363 30 305 240 52 257 274

9 278 338 31 315 251 53 259 247

10 286 350 32 324 261 54 269 228

11 303 352 33 340 261 55 287 203

12 321 340 34 357 261 56 310 188

13 306 333 35 368 255 57 339 185

14 288 333 36 378 240 58 371 183

15 369 345 37 367 229 59 394 193

16 384 351 38 353 224 60 413 214

17 400 349 39 340 222 61 425 245

18 415 336 40 322 225 62 434 275

19 398 329 41 309 230 63 434 295

20 381 334 42 316 248 64 436 324

21 343 361 43 327 254 65 437 340

Jumlah Landmark

Gambar 5 Jumlah Landmark

Gambar 5 _Jumlah Landmark

Gambar 5

x5 y5 x5 y5 x5 y5

1 275 359 23 341 320 45 353 251

2 287 369 24 337 299 46 364 247

3 305 369 25 312 285 47 359 233

4 320 367 26 322 279 48 342 231

5 373 365 27 341 276 49 328 234

6 391 367 28 353 276 50 255 330

7 408 365 29 369 282 51 256 306

8 418 355 30 306 241 52 254 279

9 277 340 31 315 253 53 260 261

10 285 349 32 329 261 54 265 232

11 298 351 33 339 262 55 277 215

12 318 340 34 350 262 56 293 196

13 302 332 35 363 257 57 313 188

14 286 334 36 375 247 58 337 183

15 368 340 37 368 231 59 370 183

16 379 348 38 353 226 60 390 190

17 396 348 39 337 226 61 408 210

18 411 336 40 327 226 62 420 237

19 396 332 41 315 231 63 429 260

20 379 333 42 320 248 64 434 284

21 342 356 43 329 251 65 437 312

Jumlah Landmark

Gambar 6 Jumlah Landmark

Gambar 6 _Jumlah Landmark

Gambar 6

x6 y6 x6 y6 x6 y6

1 273 359 23 341 319 45 361 250

2 285 370 24 341 299 46 356 237

3 304 369 25 313 287 47 343 235

4 321 366 26 325 280 48 333 235

5 374 364 27 341 278 49 323 237

6 394 367 28 352 278 50 255 329

7 410 366 29 372 283 51 256 309

8 419 356 30 308 245 52 256 286

9 278 340 31 318 255 53 258 257

10 289 348 32 327 261 54 264 234

11 305 350 33 341 261 55 275 216

12 321 338 34 354 261 56 300 193

13 305 334 35 367 253 57 317 187

14 289 333 36 379 244 58 353 181

15 369 342 37 367 234 59 385 185

16 382 350 38 349 229 60 412 206

17 400 346 39 331 229 61 426 234

18 415 334 40 319 233 62 431 261

19 400 330 41 310 238 63 436 283

20 381 333 42 323 250 64 437 308

21 342 360 43 336 252 65 437 325

Jumlah Landmark

Gambar 7 Jumlah Landmark

Gambar 7 _Jumlah Landmark

Gambar 7

x7 y7 x7 y7 x7 y7

1 273 358 23 345 316 45 357 250

2 286 371 24 344 295 46 368 245

3 304 374 25 312 286 47 361 237

4 325 370 26 326 278 48 343 234

5 377 371 27 339 278 49 325 235

6 399 374 28 353 278 50 256 332

7 415 371 29 370 283 51 258 299

8 424 361 30 304 242 52 257 282

9 275 340 31 313 250 53 260 258

10 290 351 32 326 257 54 269 232

11 311 351 33 338 261 55 282 207

12 321 340 34 350 261 56 294 199

13 305 333 35 364 256 57 310 192

14 289 333 36 378 245 58 336 187

15 370 344 37 369 229 59 357 186

16 385 350 38 352 222 60 378 188

17 402 350 39 339 220 61 405 202

18 411 339 40 325 227 62 418 223

19 397 329 41 312 234 63 425 245

20 384 331 42 321 247 64 431 267

21 344 358 43 334 252 65 436 286

Jumlah Landmark

Gambar 8 Jumlah Landmark

Gambar 8 Jumlah Landmark

Gambar 8

x8 y8 x8 y8 x8 y8

1 274 357 23 340 320 45 353 250

2 280 370 24 339 298 46 363 245

3 294 371 25 311 286 47 353 238

4 313 370 26 321 278 48 341 238

5 375 366 27 340 276 49 327 238

6 393 366 28 355 276 50 256 329

7 405 367 29 369 283 51 256 300

8 415 358 30 310 244 52 258 275

9 273 340 31 319 256 53 262 255

10 287 350 32 334 261 54 273 225

11 301 351 33 347 260 55 285 213

12 315 345 34 356 261 56 297 203

13 302 333 35 366 255 57 316 189

14 285 333 36 376 245 58 331 188

15 368 343 37 364 235 59 358 184

16 383 348 38 347 230 60 383 188

17 400 346 39 332 230 61 401 202

18 415 335 40 321 233 62 416 222

19 401 329 41 315 237 63 427 246

20 384 329 42 320 248 64 433 269

21 342 356 43 329 251 65 434 297

Jumlah Landmark

Gambar 9 Jumlah Landmark

Gambar 9 _Jumlah Landmark

Gambar 9

x9 y9 x9 y9 x9 y9

1 276 362 23 341 313 45 353 250

2 288 369 24 341 301 46 361 248

3 306 369 25 315 288 47 362 237

4 324 366 26 323 280 48 348 234

5 374 367 27 340 277 49 329 237

6 391 366 28 355 277 50 255 320

7 409 366 29 369 283 51 257 294

8 420 356 30 309 245 52 261 275

9 276 338 31 318 253 53 263 250

10 288 350 32 328 259 54 271 230

11 301 351 33 342 260 55 290 207

12 319 340 34 350 260 56 307 192

13 306 335 35 360 255 57 332 183

14 288 332 36 373 247 58 366 182

15 370 340 37 366 232 59 387 191

16 382 346 38 349 227 60 405 206

17 397 346 39 334 227 61 418 224

18 414 334 40 324 231 62 429 248

19 398 329 41 315 235 63 433 271

20 382 332 42 321 248 64 435 292

21 342 352 43 331 253 65 437 309

Jumlah Landmark

Gambar 10 Jumlah Landmark

Gambar 10 Jumlah Landmark

Gambar 10

x10 y10 x10 y10 x10 y10

1 275 365 23 343 316 45 354 250

2 285 371 24 341 298 46 363 247

3 299 371 25 314 287 47 358 238

4 320 369 26 327 276 48 347 237

5 372 366 27 342 274 49 333 235

6 389 369 28 354 274 50 257 332

7 405 369 29 371 282 51 256 312

8 417 361 30 310 243 52 255 290

9 274 338 31 323 254 53 257 268

10 282 348 32 334 258 54 264 250

11 298 350 33 347 259 55 273 222

12 319 340 34 357 256 56 288 204

13 302 333 35 370 250 57 304 189

14 285 332 36 379 241 58 321 182

15 370 343 37 368 233 59 343 177

16 384 348 38 356 229 60 378 181

17 399 346 39 343 227 61 400 193

18 412 337 40 326 229 62 415 218

19 399 331 41 316 235 63 426 241

20 381 333 42 320 246 64 433 264

21 342 352 43 331 252 65 437 287

Jumlah Landmark

Gambar 11 Jumlah Landmark

Gambar 11 Jumlah Landmark

Gambar 11

x11 y11 x11 y11 x11 y11

1 276 366 23 341 313 45 356 250

2 289 371 24 339 293 46 365 246

3 305 372 25 311 286 47 356 237

4 319 370 26 326 276 48 343 235

5 375 368 27 342 273 49 326 239

6 392 369 28 353 274 50 256 328

7 407 368 29 370 282 51 256 307

8 419 360 30 306 245 52 256 280

9 278 338 31 317 255 53 264 250

10 288 348 32 331 262 54 277 218

11 305 349 33 341 261 55 295 198

12 320 338 34 352 261 56 318 186

13 309 332 35 368 252 57 344 181

14 291 332 36 378 244 58 369 183

15 368 340 37 362 232 59 394 192

16 380 346 38 344 227 60 414 213

17 399 345 39 326 228 61 426 238

18 414 333 40 318 232 62 432 266

19 399 329 41 311 238 63 438 295

20 378 334 42 315 245 64 440 315

21 344 356 43 327 250 65 437 334

Jumlah Landmark

Gambar 12 Jumlah Landmark

Gambar 12 Jumlah Landmark

Gambar 12

x12 y12 x12 y12 x12 y12

1 275 365 23 343 316 45 354 250

2 285 371 24 341 298 46 363 247

3 299 371 25 314 287 47 358 238

4 320 369 26 327 276 48 347 237

5 372 366 27 342 274 49 333 235

6 389 369 28 354 274 50 257 332

7 405 369 29 371 282 51 256 312

8 417 361 30 310 243 52 255 290

9 274 338 31 323 254 53 257 268

10 282 348 32 334 258 54 264 250

11 298 350 33 347 259 55 273 222

12 319 340 34 357 256 56 288 204

13 302 333 35 370 250 57 304 189

14 285 332 36 379 241 58 321 182

15 370 343 37 368 233 59 343 177

16 384 348 38 356 229 60 378 181

17 399 346 39 343 227 61 400 193

18 412 337 40 326 229 62 415 218

19 399 331 41 316 235 63 426 241

20 381 333 42 320 246 64 433 264

21 342 352 43 331 252 65 437 287

Jumlah Landmark

Gambar 13 Jumlah Landmark

Gambar 13 Jumlah Landmark

Gambar 13

y13 y13 y13 y13 y13 y13

1 276 366 23 341 313 45 356 250

2 289 371 24 339 293 46 365 246

3 305 372 25 311 286 47 356 237

4 319 370 26 326 276 48 343 235

5 375 368 27 342 273 49 326 239

6 392 369 28 353 274 50 256 328

7 407 368 29 370 282 51 256 307

8 419 360 30 306 245 52 256 280

9 278 338 31 317 255 53 264 250

10 288 348 32 331 262 54 277 218

11 305 349 33 341 261 55 295 198

12 320 338 34 352 261 56 318 186

13 309 332 35 368 252 57 344 181

14 291 332 36 378 244 58 369 183

15 368 340 37 362 232 59 394 192

16 380 346 38 344 227 60 414 213

17 399 345 39 326 228 61 426 238

18 414 333 40 318 232 62 432 266

19 399 329 41 311 238 63 438 295

20 378 334 42 315 245 64 440 315

21 344 356 43 327 250 65 437 334

Landmark _{x10 y10} Landmark _{x10 y10} Landmark _{x10 y10}

1 275 365 23 343 316 45 354 250

2 285 371 24 341 298 46 363 247

3 299 371 25 314 287 47 358 238

4 320 369 26 327 276 48 347 237

5 372 366 27 342 274 49 333 235

6 389 369 28 354 274 50 257 332

7 405 369 29 371 282 51 256 312

8 417 361 30 310 243 52 255 290

9 274 338 31 323 254 53 257 268

10 282 348 32 334 258 54 264 250

11 298 350 33 347 259 55 273 222

12 319 340 34 357 256 56 288 204

13 302 333 35 370 250 57 304 189

14 285 332 36 379 241 58 321 182

15 370 343 37 368 233 59 343 177

16 384 348 38 356 229 60 378 181

17 399 346 39 343 227 61 400 193

18 412 337 40 326 229 62 415 218

19 399 331 41 316 235 63 426 241

20 381 333 42 320 246 64 433 264

21 342 352 43 331 252 65 437 287

22 342 333 44 342 252 66 439 319

Landmark _{x11 y11} Landmark _{x11 y11} Landmark _{x11 y11}

1 276 366 23 341 313 45 356 250

2 289 371 24 339 293 46 365 246

3 305 372 25 311 286 47 356 237

4 319 370 26 326 276 48 343 235

5 375 368 27 342 273 49 326 239

6 392 369 28 353 274 50 256 328

7 407 368 29 370 282 51 256 307

8 419 360 30 306 245 52 256 280

9 278 338 31 317 255 53 264 250

10 288 348 32 331 262 54 277 218

11 305 349 33 341 261 55 295 198

12 320 338 34 352 261 56 318 186

13 309 332 35 368 252 57 344 181

14 291 332 36 378 244 58 369 183

15 368 340 37 362 232 59 394 192

16 380 346 38 344 227 60 414 213

17 399 345 39 326 228 61 426 238

18 414 333 40 318 232 62 432 266

19 399 329 41 311 238 63 438 295

20 378 334 42 315 245 64 440 315

21 344 356 43 327 250 65 437 334

Landmark _{x12 y12} Landmark _{x12 y12} Landmark _{x12 y12}

1 275 365 23 343 316 45 354 250

2 285 371 24 341 298 46 363 247

3 299 371 25 314 287 47 358 238

4 320 369 26 327 276 48 347 237

5 372 366 27 342 274 49 333 235

6 389 369 28 354 274 50 257 332

7 405 369 29 371 282 51 256 312

8 417 361 30 310 243 52 255 290

9 274 338 31 323 254 53 257 268

10 282 348 32 334 258 54 264 250

11 298 350 33 347 259 55 273 222

12 319 340 34 357 256 56 288 204

13 302 333 35 370 250 57 304 189

14 285 332 36 379 241 58 321 182

15 370 343 37 368 233 59 343 177

16 384 348 38 356 229 60 378 181

17 399 346 39 343 227 61 400 193

18 412 337 40 326 229 62 415 218

19 399 331 41 316 235 63 426 241

20 381 333 42 320 246 64 433 264

21 342 352 43 331 252 65 437 287

22 342 333 44 342 252 66 439 319

Landmark _{y13 y13} Landmark _{y13 y13} Landmark _{y13 y13}

1 276 366 23 341 313 45 356 250

2 289 371 24 339 293 46 365 246

3 305 372 25 311 286 47 356 237

4 319 370 26 326 276 48 343 235

5 375 368 27 342 273 49 326 239

6 392 369 28 353 274 50 256 328

7 407 368 29 370 282 51 256 307

8 419 360 30 306 245 52 256 280

9 278 338 31 317 255 53 264 250

10 288 348 32 331 262 54 277 218

11 305 349 33 341 261 55 295 198

12 320 338 34 352 261 56 318 186

13 309 332 35 368 252 57 344 181

14 291 332 36 378 244 58 369 183

15 368 340 37 362 232 59 394 192

16 380 346 38 344 227 60 414 213

17 399 345 39 326 228 61 426 238

18 414 333 40 318 232 62 432 266

19 399 329 41 311 238 63 438 295

20 378 334 42 315 245 64 440 315

21 344 356 43 327 250 65 437 334

Landmark _{x14 y14} Landmark _{x14 y14} Landmark _{x14 y14}

1 270 361 23 343 321 45 361 248

2 278 372 24 342 302 46 370 240

3 291 373 25 312 290 47 359 231

4 310 371 26 323 281 48 346 230

5 380 370 27 337 280 49 328 230

6 395 372 28 351 280 50 250 324

7 408 369 29 365 286 51 250 298

8 418 357 30 307 242 52 254 273

9 277 343 31 315 255 53 262 241

10 290 351 32 331 264 54 275 211

11 307 351 33 348 264 55 289 193

12 321 340 34 361 257 56 315 174

13 307 335 35 373 248 57 349 167

14 291 333 36 378 238 58 376 170

15 368 342 37 365 226 59 402 188

16 382 350 38 347 220 60 417 214

17 402 346 39 327 221 61 427 242

18 413 335 40 316 226 62 435 269

19 397 332 41 310 233 63 435 291

20 380 333 42 320 248 64 436 317

21 342 356 43 335 253 65 436 333

22 343 337 44 351 253 66 435 347

Landmark _{x15 y15} Landmark _{x15 y15} Landmark _{x15 y15}

1 276 366 23 341 313 45 356 250

2 289 371 24 339 293 46 365 246

3 305 372 25 311 286 47 356 237

4 319 370 26 326 276 48 343 235

5 375 368 27 342 273 49 326 239

6 392 369 28 353 274 50 256 328

7 407 368 29 370 282 51 256 307

8 419 360 30 306 245 52 256 280

9 278 338 31 317 255 53 264 250

10 288 348 32 331 262 54 277 218

11 305 349 33 341 261 55 295 198

12 320 338 34 352 261 56 318 186

13 309 332 35 368 252 57 344 181

14 291 332 36 378 244 58 369 183

15 368 340 37 362 232 59 394 192

16 380 346 38 344 227 60 414 213

17 399 345 39 326 228 61 426 238

18 414 333 40 318 232 62 432 266

19 399 329 41 311 238 63 438 295

20 378 334 42 315 245 64 440 315

21 344 356 43 327 250 65 437 334