Perbandingan Teknik Scale Invariant Feature Transform (SIFT) dan Multiscale Local Binary Pattern (MLBP) dalam Pengenalan Wajah dengan Citra Masukan Berupa Citra Sketsa Wajah.

i

Universitas Kristen Maranatha PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM

(SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM

PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH

Yuwono (0922013)

Jurusan Teknik Elektro Universitas Kristen Maranatha email: e1_musicjazz@yahoo.com

ABSTRAK

Wajah memiliki informasi yang dapat diolah menjadi sebuah data yang dapat dipakai dalam bidang tertentu. Salah satu media untuk mendapatkan informasi wajah adalah sketsa wajah. Namun dalam proses pengenalan wajah terdapat beberapa kendala termasuk perbedaan modalitas yang terkandung dalam sketsa wajah dan foto. Perbedaan tersebut adalah masalah tekstur dan bentuk.

Ada banyak metode untuk mengatasi masalah tersebut. Dalam tugas akhir ini, digunakan teknik SIFT dan MLBP sebagai fitur ekstrasi yang dapat mengatasi masalah perbedaan modalitas di atas. Tugas akhir ini juga meneliti perbandingan antara metode SIFT dengan metode MLBP.

Dalam simulasi pengujian dan pengenalan wajah, digunakan tiga puluh sketsa sebagai citra uji. Akurasi hasil pengenalan SIFT dengan citra uji tanpa pembedaan jenis kelamin sebesar 83,33%. Sedangkan akurasi pengenalan untuk citra uji berjenis kelamin wanita dan pria saja sebesar 93,33% dan 86,67% . Untuk MLBP, akurasi hasil pengenalan dengan citra uji tanpa pembedaan jenis kelamin sebesar 73.33%. Sedangkan akurasi pengenalan untuk citra uji berjenis kelamin wanita dan pria saja sebesar 93,33% dan 80%. Dari data pengamatan ini, dapat disimpulkan bahwa Pengenalan dengan teknik SIFT lebih baik daripada MLBP. Kata kunci : Modalitas, Pengenalan wajah, Ekstraksi fitur, SIFT, MLBP

ii

Universitas Kristen Maranatha

COMPARISON BETWEEN SCALE INVARIANT FEATURE

TRANSFORM (SIFT) AND MULTISCALE LOCAL BINARY

PATTERN (MLBP) IN FACE RECOGNITION WITH FACE

SKETCH IMAGE AS INPUT

Yuwono (0922013)

Electrical Engineering of Maranatha Christian University email: e1_musicjazz@yahoo.com

ABSTRACT

Face has information which can be proceed into useful data in several areas. Face sketching is a method that can be used to get that information. In face recognition processing, there are few troubles can occur, included for those face sketches have many different modality. Those differences are texture and form.

There are a lot of methods to overcome those problems. In this final project, SIFT and MLBP technic will be used as extraction feature to overcome those modality difference troubles. This final project also find out comparison between SIFT method and MLBP method.

In face recognition and testing simulation, there are thirty image sketches that being used as test image. SIFT recognition method with test image without gender difference has 83.33% accuration. Recognition accuration for female gender test has 86,67% accuration. MLBP recognition method with test image without gender difference has 73,33% accuration. Besides, in MLBP recognition accuration for female gender test image is 93,33% and male gender test has 80% accuration. Based on those datas, it is concluded that SIFT recognition method is better than MLBP method.

iii

Universitas Kristen Maranatha

DAFTAR ISI

LEMBAR PENGESAHAN

PERNYATAAN ORISINALITAS LAPORAN

PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... vi

DAFTAR GAMBAR ... ix

DAFTAR TABEL ...x

BAB I ...1

PENDAHULUAN ...1

I.1. Latar Belakang ... 1

I.2. Rumusan Masalah ... 3

I.3. Tujuan ... 3

I.4. Batasan Masalah ... 3

I.5. Sistematika Penulisan ... 4

BAB II ...5

LANDASAN TEORI ...5

II.1. Citra Digital ... 5

II.1.1 Pengolahan Citra Digital ... 5

II.2 Pengenalan Wajah (Face Recognition) ... 6

II.2.1 Pengolahan Deteksi Wajah ... 8 vi

iv

Universitas Kristen Maranatha

II.2.2 Proses Penjajaran Wajah ... 8

II.2.3 Proses Ekstraksi Ciri ... 9

II.2.4 Proses Pencocokan ... 9

II.3 Scale Invariant Feature Transform (SIFT) ... 9

II.3.1 Mencari Nilai Ekstrim pada Skala Ruang ... 10

II.3.2 Menentukan Keypoint ... 12

II.3.3 Penentuan Orientasi ... 13

II.3.4 Deskriptor Keypoint ... 14

II.4 Local Binary Pattern (LBP) ... 15

II.4.1 Pola Uniform[5] ... 17

II.4.2 Multiscale Local Binary Pattern (MLBP) ... 18

II.5 Interpolasi Bilinear ... 19

II.6 Euclidian Distance ... 21

II.7 MATLAB ... 22

II.7.1 Ruang Kerja MATLAB... 22

II.7.2 M-File Editor ... 24

II.7.3 GUIDE (Graphical User Interface builDEr) ... 25

v

Universitas Kristen Maranatha

BAB III ...26

PERANCANGAN PERANGKAT LUNAK ...26

III.1. Arsitektur Perancangan ... 26

III.2. Diagram Alir ... 27

III.2.1 Diagram Alir Pelatihan (Training) ... 27

III.2.2 Diagram Alir SIFT Descriptor ... 30

III.2.3 Diagram Alir MLBP Descriptor ... 31

III.2.4 Diagram Alir proses pencocokan (Matching) ... 33

BAB IV ...35

SIMULASI DAN ANALISA DATA ...35

IV.1 Simulasi dan Database ... 35

IV.2 Data Pengamatan ... 36

IV.2.1 Pengenalan Wajah dengan Teknik deskriptor SIFT ... 36

IV.2.2 Pengenalan Wajah dengan Teknik MLBP... 47

IV.3 Analisis Data ... 57

BAB V...59

KESIMPULAN DAN SARAN ...59

V.1 Kesimpulan ... 59

V.2 Saran ... 59

DAFTAR PUSTAKA ...60

LAMPIRAN A LIST PROGRAM PADA MATLAB ... A

LAMPIRAN B KUMPULAN CITRA... B

vi

Universitas Kristen Maranatha

DAFTAR GAMBAR

Gambar II.1 Blok Diagram Pengenalan Wajah secara Umum ... 8

Gambar II.2 Proses Filtering DOG ... 11

Gambar II.3 Proses Perbandingan Poin Sampel dengan Piksel Tetangga ... 11

Gambar II.4 Proses Deskriptor keypoint... 15

Gambar II.5 Cara kerja Local Binary Pattern (LBP) ... 16

Gambar II.6 Microfitur tekstur primitif ... 18

Gambar II.7 Circular piksel tetangga (8,1), (16,2), (8,2) ... 19

Gambar II.8 Letak Koordinat Interpolasi Bilinear ... 20

Gambar II.9 Tampilan ruang kerja MATLAB ... 23

Gambar III.1 Diagram Blok Pengenalan sketsa wajah secara umum... 26

Gambar III.2 Diagram Alir proses pelatihan SIFT ... 27

Gambar III.3 Diagram Alir proses pelatihan MLBP... 28

Gambar III.4 Diagram Alir SIFT Descriptor ... 30

Gambar III.5 Diagram Alir MLBP Descriptor... 31

Gambar III.6 Diagram Alir proses pengujian SIFT ... 33

Gambar III.7 Diagram Alir proses pengujian MLBP ... 34

Gambar IV.1 Hasil Simulasi Pengenalan Sketsa Wajah ... 35

vii

Universitas Kristen Maranatha DAFTAR TABEL

Tabel IV.1 Pengujian SIFT Tanpa Pembedaan Jenis Kelamin pada Citra Uji ... 37

Tabel IV.2 Pengujian SIFT dengan Citra Uji Berjenis Kelamin Wanita ... 42

Tabel IV.3 Pengujian SIFT dengan Citra Uji Berjenis Kelamin Pria ... 45

Tabel IV.4 Pengujian MLBP Tanpa Pembedaan Jenis Kelamin pada Citra Uji... 47

Tabel IV.5 Pengujian SIFT dengan Citra Uji bBrjenis Kelamin Wanita ... 53

Tabel IV.6 Pengujian SIFT dengan Citra Uji Berjenis Kelamin Pria ... 55

1

Universitas Kristen Maranatha

BAB I

PENDAHULUAN

I.1. Latar Belakang

Identitas atau jati diri merupakan suatu tanda atau ciri yang sudah dimiliki manusia sejak lahir. Identitas itu bersifat unik dan khas. Keunikannya itu dapat dilihat dan dikenali dari karakteristik fisik atau perilakunya. Maka, dengan mengenali setiap identitas yang dimilikinya, manusia dapat mengenal dirinya sendiri dan sesamanya dengan sangat baik. Oleh sebab itu, identitas selalu dipakai dalam aktifitas manusia

Tetapi, seiring perkembangan waktu, jumlah manusia meningkat pesat, maka mulai terjadinya kesulitan dalam pengenalan identitas. Oleh sebab itu, munculah teknologi biometrik yang membantu dalam proses pengenalan identitas. Teknologi biometrik yang terkenal salah satunya adalah pengenalan wajah. Wajah itu dianggap memiliki informasi yang penting dan tentunya berbeda-beda bagi setiap orang. Maka pengenalan wajah kini mulai banyak diaplikasikan dalam kehidupan sehari-hari. Misalnya, aplikasi untuk keamanan, yaitu proses verifikasi wajah untuk dapat akses masuk ke dalam restricted area yang hanya dapat dimasuki orang-orang yang berkepentingan. Contoh lainnya adalah dalam penegakan hukum, yaitu dengan mengidentifikasi wajah untuk mendapatkan informasi seseorang yang dicurigai sang pelaku kriminal. Tentunya dalam kasus kriminal, untuk mendapat informasi ciri-ciri dari pelaku kriminal tidaklah mudah. Salah satu cara untuk mendapatkan informasi tersebut dari tangkapan kamera (bila ada) atau dari keterangan saksi yang melihat ciri-ciri pelaku. Untuk mendapatkan ciri-ciri keseluruhan pelaku, polisi menginterpretasikan ciri-ciri yang disampaikan oleh saksi ke dalam bentuk sketsa wajah.

2

Universitas Kristen Maranatha Menurut Brendan F. Klare, Zhifeng Li, dan Anil K. Jain [1], sketsa wajah dibagi menjadi 2 tipe, yaitu viewed sketches dan forensic sketches.Viewed sketches merupakan sketsa yang digambar sambil melihat objek gambarnya. Sedangkan forensic sketches digambar dari keterangan verbal yang disampaikan oleh saksi mata mengenai deskripsi tersangka. Apabila dilihat dari ketepatan dan akurasi, forensic sketches tidak setepat viewed sketches. Keterbatasan saksi dalam mengingat penampilan dan ciri-ciri pelaku merupakan faktor yang mempengaruhi akurasi forensic sketches. Tetapi dalam dunia nyata, forensic sketches yang selalu diterapkan.

Menurut Xiaogang Wang dan Xiaoou Tang[6], terdapat 2 aspek perbedaan diantara sketsa dengan foto, yaitu tekstur dan bentuk. Dari segi tekstur, sketsa yang digambar menggunakan media pensil tentu memiliki tekstur yang berbeda dengan foto. Dari segi bentuk, penggambaran suatu bentuk komponen wajah pada sketsa, ukuran dan bentuknya dapat berbeda dengan ukuran yang sesungguhnya.

Karena terdapat dua aspek perbedaan antara sketsa dan foto, maka terdapat kesulitan pada teknologi biometrik dalam mengekstraksi ciri yang terkandung dalam sketsa. Tetapi seiring perkembangan dalam teknologi biometrik, terdapat dua teknik yang dapat mengatasi sebagian perbedaan tersebut. Pertama adalah teknik SIFT. Teknik ini memiliki keunggulan dalam proses mendeskripsikan bentuk (shape). Lalu yang kedua adalah teknik MLBP. Teknik ini memiliki keunggulan dalam proses mendeskripsikan tekstur citra wajah. Oleh sebab itu, pada Tugas Akhir ini, penulis akan merancang sebuah simulasi pengenalan wajah dengan citra masukan berupa sketsa wajah dengan melakukan perbandingan dua teknik dalam ekstraksi citra, yaitu SIFT dan MLBP.

3

Universitas Kristen Maranatha

I.2. Rumusan Masalah

Masalah yang akan dibahas pada Tugas Akhir ini adalah :

1) Bagaimana merepresentasikan citra sketsa wajah dengan teknik SIFT dan MLBP ke dalam simulasi MATLAB untuk proses pengenalan dan pencocokan wajah ?

2) Bagaimana perbandingan hasil pengenalan atau pencocokan wajah dengan masukan berupa citra sketsa wajah untuk kedua teknik tersebut ?

I.3. Tujuan

1. Dapat merepresentasikan citra sketsa wajah dengan teknik SIFT dan MLBP, serta mensimulasikanya ke dalam perangkat lunak MATLAB 2. Membandingkan akurasi proses pengenalan dan pencocokan wajah

dengan citra masukan berupa sketsa wajah

I.4. Batasan Masalah

Dalam Tugas Akhir ini, terdapat batasan-batasan masalah yang dibahas sebagai berikut :

1. Citra uji dan training set diambil dari CUHK dataset 2. Input Sketsa wajah menggunakan tipe Viewed Sketch

3. Dalam proses pencocokan database, hanya digunakan foto atau sketsa yang memiliki pose wajah menghadap ke depan (frontal view), tingkat pencahayaan normal, dan tidak menggunakan aksesoris apapun.

4. Hanya terdapat satu wajah dalam citra sketsa wajah.

5. Pengenalan wajah ini dilakukan dalam simulasi dengan menggunakan MATLAB

4

Universitas Kristen Maranatha I.5. Sistematika Penulisan

Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut :  Bab I. Pendahuluan

Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah, identifikasi masalah, tujuan, pembatasan masalah, dan sistematika penulisan dari Tugas Akhir ini.

 Bab II. Landasan Teori

Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan digunakan untuk merancang simulasi perbandingan teknik Scale Invariant Feature Transform dan Multiscale Local Binary Pattern dengan citra masukan berupa citra sketsa wajah

 Bab III. Perancangan Perangkat Lunak

Pada bab ini akan dibahas penjelasan tentang desain perancangan perangkat lunak untuk perbandingan teknik Scale Invariant Feature Transform dan Multiscale Local Binary Pattern dengan citra masukan berupa citra sketsa wajah

 Bab IV. Simulasi dan Analisa Data

Bab ini berisi data pengamatan hasil pengujian program, perhitungan tingkat keberhasilan metoda yang digunakan dan analisis dari hasil data pengamatan

 Bab V. Kesimpulan dan Saran

Bab ini berisi tentang kesimpulan dari hasil pengujian program dan saran-saran yang diperlukan untuk pengembangan di masa mendatang

59

Universitas Kristen Maranatha

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

1. Simulasi untuk teknik SIFT Descriptor dan MLBP Descriptor sudah berhasil direalisasikan.

2. Hasil pengenalan dengan SIFT Descriptor lebih baik daripada MLBP Deskriptor. 3. Adanya kesalahan pengenalan dipengaruhi oleh perbedaan modality antara citra

wajah dan jenis kelamin.

V.2 Saran

1. Dengan memberi bobot yang berbeda untuk tiap patch akan lebih memperbaiki hasil pengenalan wajah.

2. Untuk pengembangan pengenalan wajah yang menggunakan citra masukan berupa forensic sketches, diharapkan dapat menggunakan sketsa yang digambar menggunakan model artist, agar proses pengenalan wajah dapat mendekati dengan keadaan yang real

60

Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1] B. F. Klare, Z. Li dan A. K. Jain, “Matching Forensic Sketches to Mug Shot Photos,” IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 33, pp. 639-646, March 2011.

[2] S. Z. Li dan A. K.Jain, Handbook of Face Recognition, Springer, 2004.

[3] D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” Int’l J. Computer Vision, vol. 60, pp. 91-110, 2004.

[4] B. F. Klare dan A. K. Jain, “Sketch to Photo Matching: A Feature-based Approach,” Proc. SPIE Conf. Biometric Technology for Human Identification, 2010.

[5] T. Ojala, M. Pietikäinen dan T. Mäenpää, ““Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, pp. 971-987, July 2002.

[6] X. Wang dan X. Tang, “Face Photo-Sketch Synthesis and Recognition,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 31, pp. 1955-1967, November 2009.

[7] T. Ahonen, A. Hadid dan M. Pietikäinen, “Face Description with Local,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 28, pp. 2037-2041, Dec 2006.

61

Universitas Kristen Maranatha

[8] T. Ahonen, A. Hadid dan M. Pietikainen, “Face Recognition with Local Binary

Patterns,” Machine Vision Group, Infotech Oulu.

[9] M. H. Purnomo dan A. Muntasa, Konsep Pengolahan Citra Digital dan Ekstraksi Fitur, Graha Ilmu, 2010.

[10] R. Munir, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab.

[11] http:// mmlab.ie.cuhk.edu.hk/facesketch.html. CUHK Face Sketch Database

[12] http://www.codeforge.com/read/229104/README.txt__html

[13] http://dining-engineers.github.io/Multi-scale-Local-Binary-Pattern/

2

Universitas Kristen Maranatha Menurut Brendan F. Klare, Zhifeng Li, dan Anil K. Jain [1], sketsa wajah dibagi menjadi 2 tipe, yaitu viewed sketches dan forensic sketches.Viewed sketches merupakan sketsa yang digambar sambil melihat objek gambarnya. Sedangkan forensic sketches digambar dari keterangan verbal yang disampaikan oleh saksi mata mengenai deskripsi tersangka. Apabila dilihat dari ketepatan dan akurasi, forensic sketches tidak setepat viewed sketches. Keterbatasan saksi dalam mengingat penampilan dan ciri-ciri pelaku merupakan faktor yang mempengaruhi akurasi forensic sketches. Tetapi dalam dunia nyata, forensic sketches yang selalu diterapkan.

Menurut Xiaogang Wang dan Xiaoou Tang[6], terdapat 2 aspek perbedaan diantara sketsa dengan foto, yaitu tekstur dan bentuk. Dari segi tekstur, sketsa yang digambar menggunakan media pensil tentu memiliki tekstur yang berbeda dengan foto. Dari segi bentuk, penggambaran suatu bentuk komponen wajah pada sketsa, ukuran dan bentuknya dapat berbeda dengan ukuran yang sesungguhnya.

Karena terdapat dua aspek perbedaan antara sketsa dan foto, maka terdapat kesulitan pada teknologi biometrik dalam mengekstraksi ciri yang terkandung dalam sketsa. Tetapi seiring perkembangan dalam teknologi biometrik, terdapat dua teknik yang dapat mengatasi sebagian perbedaan tersebut. Pertama adalah teknik SIFT. Teknik ini memiliki keunggulan dalam proses mendeskripsikan bentuk (shape). Lalu yang kedua adalah teknik MLBP. Teknik ini memiliki keunggulan dalam proses mendeskripsikan tekstur citra wajah. Oleh sebab itu, pada Tugas Akhir ini, penulis akan merancang sebuah simulasi pengenalan wajah dengan citra masukan berupa sketsa wajah dengan melakukan perbandingan dua teknik dalam ekstraksi citra, yaitu SIFT dan MLBP.

3

Universitas Kristen Maranatha I.2. Rumusan Masalah

Masalah yang akan dibahas pada Tugas Akhir ini adalah :

1) Bagaimana merepresentasikan citra sketsa wajah dengan teknik SIFT dan MLBP ke dalam simulasi MATLAB untuk proses pengenalan dan pencocokan wajah ?

2) Bagaimana perbandingan hasil pengenalan atau pencocokan wajah dengan masukan berupa citra sketsa wajah untuk kedua teknik tersebut ?

I.3. Tujuan

1. Dapat merepresentasikan citra sketsa wajah dengan teknik SIFT dan MLBP, serta mensimulasikanya ke dalam perangkat lunak MATLAB 2. Membandingkan akurasi proses pengenalan dan pencocokan wajah

dengan citra masukan berupa sketsa wajah

I.4. Batasan Masalah

Dalam Tugas Akhir ini, terdapat batasan-batasan masalah yang dibahas sebagai berikut :

1. Citra uji dan training set diambil dari CUHK dataset 2. Input Sketsa wajah menggunakan tipe Viewed Sketch

3. Dalam proses pencocokan database, hanya digunakan foto atau sketsa yang memiliki pose wajah menghadap ke depan (frontal view), tingkat pencahayaan normal, dan tidak menggunakan aksesoris apapun.

4. Hanya terdapat satu wajah dalam citra sketsa wajah.

5. Pengenalan wajah ini dilakukan dalam simulasi dengan menggunakan MATLAB

4

Universitas Kristen Maranatha I.5. Sistematika Penulisan

Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut :

 Bab I. Pendahuluan

Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah, identifikasi masalah, tujuan, pembatasan masalah, dan sistematika penulisan dari Tugas Akhir ini.

 Bab II. Landasan Teori

Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan digunakan untuk merancang simulasi perbandingan teknik Scale Invariant Feature Transform dan Multiscale Local Binary Pattern dengan citra masukan berupa citra sketsa wajah

 Bab III. Perancangan Perangkat Lunak

Pada bab ini akan dibahas penjelasan tentang desain perancangan perangkat lunak untuk perbandingan teknik Scale Invariant Feature Transform dan Multiscale Local Binary Pattern dengan citra masukan berupa citra sketsa wajah

 Bab IV. Simulasi dan Analisa Data

Bab ini berisi data pengamatan hasil pengujian program, perhitungan tingkat keberhasilan metoda yang digunakan dan analisis dari hasil data pengamatan

 Bab V. Kesimpulan dan Saran

Bab ini berisi tentang kesimpulan dari hasil pengujian program dan saran-saran yang diperlukan untuk pengembangan di masa mendatang

59

Universitas Kristen Maranatha

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

1. Simulasi untuk teknik SIFT Descriptor dan MLBP Descriptor sudah berhasil direalisasikan.

2. Hasil pengenalan dengan SIFT Descriptor lebih baik daripada MLBP Deskriptor. 3. Adanya kesalahan pengenalan dipengaruhi oleh perbedaan modality antara citra

wajah dan jenis kelamin.

V.2 Saran

1. Dengan memberi bobot yang berbeda untuk tiap patch akan lebih memperbaiki hasil pengenalan wajah.

2. Untuk pengembangan pengenalan wajah yang menggunakan citra masukan berupa forensic sketches, diharapkan dapat menggunakan sketsa yang digambar menggunakan model artist, agar proses pengenalan wajah dapat mendekati dengan keadaan yang real

60

Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1] B. F. Klare, Z. Li dan A. K. Jain, “Matching Forensic Sketches to Mug Shot Photos,” IEEE Transaction on Pattern Analysis and Machine Intelligence, vol. 33, pp. 639-646, March 2011.

[2] S. Z. Li dan A. K.Jain, Handbook of Face Recognition, Springer, 2004.

[3] D. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” Int’l J. Computer Vision, vol. 60, pp. 91-110, 2004.

[4] B. F. Klare dan A. K. Jain, “Sketch to Photo Matching: A Feature-based Approach,” Proc. SPIE Conf. Biometric Technology for Human Identification, 2010.

[5] T. Ojala, M. Pietikäinen dan T. Mäenpää, ““Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, pp. 971-987, July 2002.

[6] X. Wang dan X. Tang, “Face Photo-Sketch Synthesis and Recognition,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 31, pp. 1955-1967, November 2009.

[7] T. Ahonen, A. Hadid dan M. Pietikäinen, “Face Description with Local,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 28, pp. 2037-2041, Dec 2006.

61

Universitas Kristen Maranatha [8] T. Ahonen, A. Hadid dan M. Pietikainen, “Face Recognition with Local Binary

Patterns,” Machine Vision Group, Infotech Oulu.

[9] M. H. Purnomo dan A. Muntasa, Konsep Pengolahan Citra Digital dan Ekstraksi Fitur, Graha Ilmu, 2010.

[10] R. Munir, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab.

[11] http:// mmlab.ie.cuhk.edu.hk/facesketch.html. CUHK Face Sketch Database

[12] http://www.codeforge.com/read/229104/README.txt__html

[13] http://dining-engineers.github.io/Multi-scale-Local-Binary-Pattern/