M ENGGUNAKAN M ETODE

  Vol. 12 No. 1 (2016) Hal. 1-8

ISSN 1858-3075

  ACE ECOGNITION N TTENDANCE YSTEM SING ETHOD OF YNAMIC

  IMES

  F R O A S U M D T

  RAPPING RINCIPAL OMPONENT NALYSIS AND ABOR AVELET

  W , P C A G W # !" !" ₁ *Email:wiryadinata@untirta.ac.id ₂ Jurusan Teknik Elektro, Universitas Sultan Ageng Tirtayasa, Banten

Jurusan Teknik Elektro, Universitas Jenderal Soedirman, Purwokerto

  111 Presensi adalah suatu pendataan kehadiran, bagian dari pelaporan aktivitas suatu institusi, atau komponen

institusi itu sendiri yang berisi data1data kehadiran yang disusun dan diatur sedemikian rupa sehingga mudah untuk

dicari dan dipergunakan apabila sewaktu1waktu diperlukan oleh pihak yang berkepentingan. Aplikasi komputer yang

dikembangkan pada sistem presensi adalah aplikasi komputer yang dapat mengenali wajah seseorang hanya dengan

menggunakan . Pengenalan wajah dalam penelitian ini menggunakan sebuah untuk menangkap suatu

citra kondisi ruangan pada waktu tertentu yang kemudian diidentifikasi wajah yang ada. Beberapa metode yang

digunakan dalam penelitian disini adalah metode ( DTW ) ,

(PCA) dan . Pada sistem ini, digunakan pengujian dengan ekspresi citra wajah normal. Tingkat

keberhasilan pengenalan dengan citra wajah ekspresi normal menggunakan metode DTW sebesar 80%, PCA 100 % dan

97 %.

  : Presensi, PCA, DTW, 111 Presensi is a logging attendance, part of activity reporting an institution, or a component institution itself

which contains the presence data compiled and arranged so that it is easy to search for and used when required at any

time by the parties concerned. Computer application developed in the presensi system is a computer application that can

recognize a person's face using only a webcam. Face recognition in this study using a webcam to capture an image of

the room at any given time who later identified the existing faces. Some of the methods used in the research here is a

method of the Dynamic Times Wrapping (DTW), Principal Component Analysis (PCA) and Gabor Wavelet. This

system, used in testing with normal facial image expression. The success rate of the introduction with the normal

expression of face image using DTW amounting to 80%, 100% and PCA Gabor wavelet 97%.

   !" # $ Presence, PCA, DTW, Eigenface, Gabor Wavelet.

  2. Hilang buku presensi (manual).

  $ 3. Kesulitan dalam rekapitulasi data kehadiran.

  Adanya komputer sebagai alat yang Sistem presensi menggunakan identifikasi wajah menghasilkan informasi dan alat pengolahan data, sebagai dan menganalisa tingkat akurasi sehingga kemajuan teknologi komputer dapat pengenalan yang dilakukan oleh sistem. Teknik ini diimplementasikan pada sistem presensi dapat diimplementasikan dengan menggunakan menggantikan sistem presensi yang belum kamera digital sebagai media wajah, atau terkomputerisasi (manual).Sistem presensi manual dengan menggunakan . menggunakan sistem pengarsipan biasa

  Peneliti memilih proses rancang bangun sebuah (pembukuan). Beberapa permasalahan yang sering sistem presensi dengan menggunakan identifikasi muncul apabila proses dilakukan secara manual [1], wajah sebagai dan menganalisa tingkat akurasi yaitu : pengenalan sistem berdasarkan algoritma 1. Kemungkinan manipulasi data kehadiran. Pengenalan Wajah Pada Sistem Presensi Menggunakan Metode Dynamic Times Wrapping, Principal Component Analysis dan Gabor Wavelet [Romi Wiryadinata, dkk]

  dengan metode PCA 1 (komponen analisis utama).

  Teknologi pengenalan wajah secara digital atau lebih sering dikenal dengan . Secara umum cara kerjanya adalah dengan mengkonversikan foto, sketsa, dan gambar video menjadi serangkaian angka, yang disebut dengan faceprint kemudian membandingkannya dengan rangkaian angka lain yang mewakili wajah1wajah yang sudah dikenal. Secara garis besar proses pengenalan citra wajah oleh sistem dapat dibagi menjadi lima tahap[3], yaitu:

  )

  Metode pengenalan obyek dapat didefinisikan sebagai proses penentuan identifikasi obyek berdasarkan citra yang ada. Tujuan digunakannya t adalah untuk memunculkan ciri1ciri khusus dari citra yang telah dikonvolusi terhadap kernel sebagai filter digunakan

  $ " ) &

  DTW ( ) adalah metode untuk menghitung jarak antara dua data time series. Keunggulan DTW dari metode jarak yang lainnya adalah mampu menghitung jarak dari dua vektor data dengan panjang berbeda. Jarak DTW diantara dua vektor dihitung dari jalur pembengkokkan optimal ( $) dari kedua vektor tersebut [5], [6].

  $ + ' ' % (,

  Tujuan dari PCA adalah mencari struktur hubungan antara sejumlah variable stokastik yang ditemukan dalam suatu pengamatan, dengan maksud untuk mencari karakteristik pokok data1datanya. PCA digunakan untuk menemukan pola di dalam sejumlah variabel data, dan mengekspresikan data dari variabel1variabel tersebut dengan menonjolkan kemiripan maupun perbedaannya[4].

  Prinsip PCA adalah memproyeksikan citra ke dalam ruang eigen1nya dengan cara mencari yang dimiliki setiap citra dan kemudian memproyeksikan ke dalam ruang eigen yang didapat tersebut. Besar ruang tergantung dari jumlah citra referensi yang digunakan.

  %$ % + % & "'%" & ,

  4. Pengkodean 5. Perbandingan.

  3. Normalisasi

  2. Pengenalan Posisi

  1. Deteksi

  '$ ( ( & " ) *

  Adapun tujuan dari penelitian ini adalah seperti di bawah ini.

  Citra biner hanya mempunyai dua nilai keabuan, 0 dan 1. Oleh karena itu, 1 bit sudah cukup untuk merepresentasikan nilai pixel.Citra biner diperoleh melalui proses pemisahan pixel berdasarkan derajat keabuan yang dimilikinya. Proses pembineran dilakukan dengan membulatkan ke atas atau ke bawah untuk setiap nilai keabuan dari pixel yang berada di atas atau bawah harga ambang. Metode untuk menentukan besarnya nilai ambang disebut thresholding[2].

  (#

  adalah warna1warna % yang berada dalam rentang gradasi warna hitam dan putih. Format citra ini disebut dengan derajat keabuan karena ada warna abu1abu diantara warna minimum (hitam) dan warna maksimum (putih)[2].

  '#

  Citra berwarna direpresentasikan dalam beberapa kanal ( $ ) yang menyatakan komponen1 komponen warna penyusunnya. Banyaknya kanal yang digunakan bergantung pada model warna yang digunakan pada citra tersebut. Intensitas suatu titik pada citra berwarna merupakan kombinasi dari tiga intensitas yaitu derajat keabuan merah ( $(% )), hijau (fhijau(% )) dan biru ( &% )).

  "#

  1 RGB)[2].

  Citra digital (diskrit) dihasilkan dari citra analog (kontinu) melalui digitalisasi. Pada umumnya citra digital berbentuk empat persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar (atau lebar x panjang). Menciptakan dan menampilkan warna pada citra digital merupakan kombinasi dari tiga warna dasar pembentuk, yaitu merah, hijau, dan biru ( !

  $ $ % &

  3. Mengetahui akurasi sistem terhadap jarak dari subjek dengan dan mengetahui akurasi dari citra wajah berekspresi.

  2. Mengetahui dampak penggunaan kacamata dan kerudung pada wajah terhadap sistem identifikasi.

  )

  1. Mengetahui dampak sistem presensi pengenalan wajah yang dirancang menggunakan metode dan algoritma PCA (

  2D yang diperoleh dengan memodulasi gelombang sinus 2D pada frekuensi dan orientasi tertentu dengan [7], [8].

  DINAMIKA REKAYASA Vol. 12 No. 1 (2016)

  ISSN 1858-3075

  Lakukan gambar, melakukan

  $

  cropping kemudian diubah menjadi citra Pada proses pengenalan ini, dilakukan pencocokkan antara data yang didapatkan oleh

  3. Simpan wajah ke dalam format *.jpg webcam dengan data yang terdapat pada .

  4. Ekstraksi ciri dengan menggunakan PCA Pada pengenalan ini menggunakan metode DTW

  5. Pencocokkan terhadap dengan ( ), menggunakan metode DTW. Pencocokan

  PCA dan . Gambar11 berikut dilakukan sebanyak datayang terdapat pada adalah blok diagram dari proses pengenalan.

  . Dicari nilai yang paling mendekati _{Webcam Kalkulasi Eigen Value Database Normalisasi Images Proses Matching} untukdilakukan pengenalan. _{Kalkulasi Eigen} Citra Wajah _{Vector eigen value citra input yang paling mendekati Cari nilai Eigen vector wajah dan data citra input} Tampilkan citra input _wajah

• - . $Diagram blokprosesidentifikasiwajah

  dengan .#$Diagram blokprosesidentifikasiwajah dengan DTW. - 1. Citra wajah di menggunakan .

  Hasil dari e ini adalah gambar yang bertipe .jpg.

  2. Citra wajah ini kemudian dinormalisasi dengan beberapa tahapan. Pertama citra diturunkan kualitas warnanya dari RGB menjadi .

  3. Setelah didapatkan citra wajah yang ternormalisasi, hitung nilai dari citra wajah tersebut, misalnya diperoleh nilai %.

  4. Koleksi citra wajah yang telah tersimpan pada

• * masing1masing dikalkulasi nilai

  nya dan dikumpulkan dalam yang dinamakan . Misalkan didapat nilai

  ./$ Diagram blok proses identifikasi wajah - (%1, %2,%3, . .. % ). dengan .

  5. Proses $ dilakukan dengan mencocokkan nilai dengan nilai1nilai pada Gambar13 menunjukkan proses pengenalan dan mencari nilai yang paling wajah dengan menggunakan . Berikut adalah mendekati. proses1prosesnya. Jika nilai yang paling mendekati telah 1. Buka . ditemukan cari data mahasiswa yang 2. Ambil gambar. berkorespondensi dengan nilai tersebut.

  3. Format citra *.jpg. Hitung nilai RGB dari tiap1 Gambar12 menunjukkan proses pengenalan tiap citra dengan menggunakan DTW, berikut adalah 4. Hitung nilai YIQ dari masing1masing citra. prosesnya : 5. Hitung dekomposisi .

  1. Buka

  6. Nilai dari dekomposisi ,

  2. Ambil gambar perbandingan citra dengan citra pada .

• - .7$ +
• -(&. Pengumpulan data citra.

  ukan pada proses l presensi secara oleh asisten yang ilan dapat

  data mahasiswa dilakukan ra mengumpulkan data1data afatar sebagai praktikan, ada Ada 12 data sukan ke dalam . di bagi menjadi isian data atau penambahan ngan menekan tombol program akan mengeksekusi pan data. Tombol cari program penjelajah data a mengisikan nomor induk am akan menampilkan data hasiswa tersebut. Tombol enghapus data. Tombol data1data presensi.

  . , untukmengekstrakcitra. a wajah ( citra wajah untuk s presensi), citra wajah tra wajah dari ),dan tombol s mengidentifikasi citra wajah). sensi (melihat hasil p program).

  im, nama dan status mahasiswa). data, data dan mahasiswa (data mahasiswa yang itampilkan pada kolom ).

  Proses pengisian data oleh asisten, dengan cara me mahasiswa yang terdafatar kemudian mengisikan pada mahasiswa yang dimasukan Proses pengisian data pada beberapa tahapan. Pengisian data dapat dilakukan dengan atau , sehingga progra perintah dan menyimpan berfungsi sebagai progra mahasiswa dengan cara men mahasiwa, maka program ak nama dan status mahasisw berfungsi untuk mengha presensi akan nampilkan data proses , sistem akan ahasiswa, dapat dilihat pada ampilan presensi.

  9. Tombol % (menutup prog

  8. Tombol presensi presensi).

  7. Tombol citra waja pengujian dan proses pres (mengambil data citra wa cari (proses men

  6. Tombol citra, untu

  4. Kolom citra untuk 5. Kolom citra.

  3. Tampilan mahas telah diisikan akan ditampi

  2. Tombol pencarian, data.

  1. Kolom input data (nim, na

  Keterangan Gambar19:

  Setelah melewati proses masuk ke menu daftar mahasi Gambar19.

  3 an berbagai ekspresi. n aksesoris kacamata. n aksesoris kerudung. ngan variasi jarak.

  2

  5

  1)

  ari pengumpulan data n data citra wajah erupa nim, nama dan erupakan citra wajah

  

enggunakan Metode Dynamic Times Wrapping,

Wavelet [Romi Wiryadinata, dkk]

• - .8$ Tampila
>- .3$ Contoh hasil citra dengan ber
• - .4$ Contoh hasil citra dengan
• - .5$Contoh hasil citra dengan akse
• - .6$ Contoh hasil citra dengan v

  presensiadalah . Hasil pr keseluruhan dapat dilakukan oleh berlaku sebagai admin. Tampilan dilihat pada Gambar18.

  '$

  15

  10 Jarak

  60 Aksesoris

  ( 1) & * Ekspresi

  Pada penelitian ini, terdiri dari pen mahasiswa dan pengumpulan data mahasiswa. Data mahasiswa berupa status, sedangkan data citra merupak dari masing1masing mahasiswa.

  0$ $ ( 1 21&

  Pengenalan Wajah Pada Sistem Presensi Men Principal Component Analysis dan Gabor Wav

21 Hal pertama yang dilakukan

  DINAMIKA REKAYASA Vol. 12 No. 1 (2016) )

  ISSN 1858-3075

  Usai proses data, otomatis akan citra wajah. Jika citra citra wajah mahasiswa dalam keadaan menyala, kemudian d dian dilakukan 5 kali teridentifikasi dan sesuai deng i dengan data pada wajah sebagai citra latih yang h yang akan disimpan maka mahasiswa tersebut ebut dikatakan melakukan pada . Hasil citra waja a wajah terdapat pada presensi. Gambar110.

  Hasil rekap presensi data si data dapat dilihat dengan menekan tombol view presen presensi, hal ini hanya dapat dilakukan oleh asisten yang be ang berperan sebagai admin. Hasil dari presensi jika si jika dicetak akan terlihat pada Gambar112.

  . 9$ Hasil input da - data citra.

  Tampilan usai in sai input data pada Gambar111a, sedangkan pada pada Gambar111b merupakan hasil input data ma a mahasiswa yang diperjelas.

  sil laporan presensi.

• - . #. Hasil lap

  %$ ( : ; ! % ) * ) *

  Proses identifikasi wajah wajah dilakukan pengujian dengan citra wajah bere berekspresi, penggunaan

  . . Tampilan menu data. - aksesoris dan variasi jarak.

  "# , ) - $ - $ )

  Data identifikasi pertama rtama, didapat berdasarkan hasil pengujian dengan ngan ekspresi normal, pencahayaan yang terang, wajah menghadap depan atau formal. Penguji engujian dilakukan oleh 3 mahasiswa, masing1masing c sing citra wajah mahasiswa tersebut dilakukan proses proses identifikasi wajah sebanyak 5 kali. Hasil identi identifikasi dengan ekspresi normal dapat dilihat pada Tabe Tabel12 dan Gambar113.

  Tabel12. Hasil percobaan identifikasi tifikasi dengan ekspresi normal.

• - ( < - ;(.

  Faisal Surya Raya

  . -. Hasil data mah ta mahasiswa. - Keterangan Tabel2: = Wajah teridentifikasi.

  Proses input data selesai selan selanjutnya proses

  X= Wajah tidak terindentifikasi ifikasi

  , saat proses ini masuk keda k kedalam pengujian Pengenalan Wajah Pada Sistem Presensi Men enggunakan Metode Dynamic Times Wrapping, Principal Component Analysis dan Gabor Wav Wavelet [Romi Wiryadinata, dkk]

  (# , ) - $ - $ . / )

  Data identifikasi ketiga, etiga, didapat berdasarkan hasil pengujian dengan jarak jarak 150cm, pencahayaan yang terang, wajah m ajah menghadap depan atau formal, dilakukan sebanyak 5 yak 5 kali percobaan. Hasil percobaan identifikasi denga dengan jarak 100cm dapat dilihat pada Tabel14 dan Gamb Gambar115.

• -(&.3$ Hasil percobaan identifikas tifikasi dengan jarak 150cm.

  ( < - ( ;(.

  Ahmad N

  X X

  X X

  X Keterangan Tabel14: . /$ Hasil identifikasi dengan ek gan ekspresi normal. - = wajah teridentifikasi.

  Keterangan Gambar113 : X = wajah tidak terindentifik entifikasi

  1. Citra wajah Surya Harjaya;

  2. Data Surya Harjaya; 3. Data Surya Harjaya pada m mahasiswa.

  '# , ) - $ )

  Data identifikasi citra wajah wajah menggunakan kerudung, pengujian dilakukan oleh n oleh 2 mahasiswi, masing1masing citra wajah maha mahasiswi tersebut dilakukan proses identifikasi wajah s ajah sebanyak 5 kali. Pengujian dilakukan dengan penc pencahayaan yang terang, wajah menghadap ghadap depan atau formal. Hasil identifikasi mengguna nggunakan kerudung dapat dilihat pada Tabel13 dan Gamba Gambar114.

• -(&./$ Hasil percobaan identifikasi menggu enggunakan kerudung.

  ( < - ;( ;(. . 4$ Hasil tidak terid k teridentifikasi citra wajah - dengan jarak 1 arak 150cm.

  Raya

  Pada saat pengujian denga dengan citra wajah ekspresi

  Rt. Nufus

  terkejut dan sedih terdapat c apat citra wajah yang salah

  Keterangan Tabel13 : identifikasi, dapat terlihat pada at pada Gambar116 dan 17.

  = Wajah teridentifikasi. X= Wajah tidak terindentifikasi

• - . 5$ Hasil citra tidak tidak teridentifikasi dengan ekspresi terk si terkejut.

  . 3$ Hasil identifikasi mengguna ggunakan kerudung. - Keterangan Gambar116 : Keterangan Gambar114:

  1. Citra wajah Ferdy;

  1. Citra wajah Rt. Nufus; 2. data Caesa;

  2. Data Rt. Nufus; 3. data Ferdy ada pada .

  3. Data Rt. Nufus pada mahasiswa. maha

  DINAMIKA REKAYASA Vol. 12 No. 1 (2016) )

  ISSN 1858-3075 ∑ %

  x 100% 100% Akurasi = -(&.7$ Tingkat keberhasilan identi identifikasi.

  & ! : ; ! & + (-( * ! & ( 1) ) =, * '( & * Ekspresi

  60

  75

  71

  71 4 94.66% Aksesoris

  60

  20

  16

  16 4 80.00% Jarak

  15

  15

  5 10 33.33% Gambar117. Hasil citra tidak teridentifi dentifikasi dengan

• -(&.8$ Keberhasilan sistem presen presensi .

  ekspresi sedih.

  Jumlah hasil asil Jumlah hasil Keterangan Gambar117 : Klasifikasi identifikasi identifikasi Total 1. Citra wajah Maul. positif negatif 2. Data Rt. Nufus.

  3. Data Maul ada pada . Jumlah citra wajah yang TP FN TP+FN teridentifikasi

  Hasil dari pengujian identi identifikasi wajah mahasiswa dan hasil presensi maka d maka dapat diketahui

  Jumlah citra

  tingkat keberhasilannya pada Tabel1 15, 6 dan7. wajah yang tidak FP TN FP+TN

  teridentifikasi -(&.4$ Hasil pengujian identifikasi ekspresi spresi. Keterangan Tabel19 :

  & ! : ; ! ;!2 (! a. TP ( ) = Citra Citra wajah teridentifikasi dan

• * ) '( ( & *

  benar datanya ada pada Normal

  60

  15

  15

  b. FP( ) = Citra Citra wajah teridentifikasi dan Tersenyum

  60

  15 15 salah datanya ada pada

  c. TN ( ) = Citra Citra wajah teridentifikasi tetapi Sedih

  60

  15

  13

  2 tidak dikenali. Terkejut

  60

  15

  13

  2

  d. FN ( ) = = Citra wajah tidak dapat Berkedip

  60

  15

  15 teridentifikasi

• -(&. 9$Sensivisitas,Spesifisitas,d danAkurasi.
• -(&.5$ Hasil pengujian identifikasi aksesor ksesoris.

  & ! : ; ! Sensivisitas Spesifisitas ifisitas Akurasi

  ;!(! ! %

• * *
• * ) '( & *

  100% 55.55% 69.33% Kerudung

  60

  10

  8

2 Kacamata

  60

  10

  8

  2 -(&. $ Waktu Proses Sistem.

• -(&.6$ Hasil pengujian identifikasi jarak.

  Proses Waktu Proses & ! : ; ! &

  Webcam 2 detik ; '( & * * )

  , citra 5 detik 50cm

  60

  5

  5 Identifikasi 2 detik 100cm

  60

  5

  5 Pecarian data 1 detik 150cm

  60

  5

5 Training citra 213 detik

  Waktu proses input cit ut citra dibutuhkan Tingkat keberhasilan : beberapa detik untuk mendap endapatkan hasil citra wajah Persentase keberhasilan dari tiap tiap pengujianyang berjumlah 5, karena proses in ses input yang terlalu cepat dihitung dengan rumus, citra wajah yang dihasilkan ilkan untuk citra latih pada

  ∑

  % Keberhasilan = × 100% 100% hanya berjumlah sed lah sedikit yaitu kurang dari

  ∑

  5. Semakin banyak citra w itra wajah yang digunakan Sensivisitas = x 100 % dalam melakukan training unt untuk setiap sampel,maka pengenalan akan semakin bai in baik, tetapi waktu proses

  Spesifisitas= x100 % untuk training data citra wajah wajah meningkat.

  Pengenalan Wajah Pada Sistem Presensi Menggunakan Metode Dynamic Times Wrapping, Principal Component Analysis dan Gabor Wavelet [Romi Wiryadinata, dkk]

  [3] H. A. Fatta, ) - $.

  [7] dan J. B. B. Duc, S. Fisher, “Face Authentication with Gabor Information on Deformable Graphs,” , , 1999; 8 (4): 504–515.

  4 4 ) . 2007.

  3

  [6] J. V. Luis E., Raul P., “Face Localization In Color Images Using Dynamic Time Warping and Integral Projections.,” in , /

  , 2007; 11: 561–580.

  ) 2 $ - ) ) , ) + ) ) Jakarta: Universitas Islam Negeri Syarif Hidayatullah. 2011. [5] S. Salvador and P. Chan, “FastDTW : Toward Accurate Dynamic Time Warping in Linear Time and Space,”

  Yogyakarta: Penerbit Andi. 2009. [4] P. F.T., & - $#

  1 , # Bandung: Penerbit Informatika. 2004.

  0$ $ (! 21&

  [2] R. Munir, $ &

  ) Jakarta: Fakultas Teknologi Informasi, Universitas Budi Luhur. 2012.

  > [1] Indra., 0 - $

  Masih terdapat kekurangan dalam penelitian ini sehingga perlu pengembangan agar menjadi lebih baik lagi, untuk penelitian lebih lanjut seperti, sistem presensi yang dibangun dapat menghitung jumlah mahasiswa yang telah melakukan presensi, pengujian dilakukan menggunakan dengan resolusi yang tinggi, proses pengujian dilakukan dengan mengukur berbagai sudut kemiringan posisi wajah dan intensitas pencahayaan dan pengujian proses identifikasi dilakukan pada wajah kembar.

  '$

  1 proses utama, dan proses identifikasi berhasil dilakukan pada wajah dengan berbagai ekspresi normal. Adapun tingkat keberhasilannya 100%.

  Berdasarkan hasil penelitian terdapat kesimpulan yaitu, dampak dari sistem presensi yang dibangun dapat mengurangi tindak kecurangan, membantu keamanan prosedur presensi, data dapat dilihat dicetak. Pada ketiga jarak yang telah ditentukan pada pengujian 50cm, 100cm, dan 150cm maka jarak diatas 50cm pengenalan tidak dapat dilakukan sedangkan yang berhasil hanya 50cm dengan tingkat keberhasilan yaitu 33.33%. Jarak mempengaruhi pengenalan, semakin dekat jarak yang digunakan, semakin besar kesempatan wajah tersebut dikenali dengan benar. Metode DTW membutuhkan waktu yang lama dalam melakukan pengenalan karena terdapat 2 proses utama. Metode membutuhkan waktu yang relative singkat dalam pengenalan karena hanya ada

  [8] T. S. Lee., “Image representation using 2D Gabor wavelets.,” , 5 $ , 1996; 18(10): 959–971.