Kata kunci-- Deteksi Wajah,Pelacakan Wajah, Viola Jones, Tingkat Akurasi perhitungan

  IJCCS , Vol.x, No.x, Julyxxxx, pp. 1~5

ISSN: 1978-1520

  1 PENERAPAN ALGORITMA KALMAN FILTER

UNTUK PELACAKAN WAJAH

  1

  2

  3 Ali Daud* , Akbar Saputra , Derry Alamsyah 1,2

  STMIK GI MDP; Jl. Rajawali No.14 Palembang, Telp: (0711) 376400, Fax: (0711) 376360

3 Jurusan Teknik Informatika, STMIK GI MDP, Palembang

  1

  2

  3

  e-mail: * ali_daud90@yahoo.com , akbarsaputra37@gmail.com , derrymdp@gmail.com

  

Abstrak

Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting

dalam penentuan wilayah wajah. Pelacakan wajah (face tracking) adalah teknologi komputer

yang dapat mengikuti pergerakan wajah manusia. Deteksi wajah juga dapat digunakan untuk

pencarian atau pengindeksan data wajah dari citra atau video yang berisi wajah dengan

berbagai sudut, pencahyaan, dan jarak terhadap wajah.Algoritma yang biasanya digunakan

pada penggunaan pendeteksian wajah adalah algoritma Viola-Jones. Proses pendeteksian

wajah dilakukan dengan mengklasifikasikan sebuah gambar setelah sebelumnya sebuah

pengklasifikasi dibentuk dari sebuah data. Kalman filter, juga dikenal sebagai estimasi kuadrat

linear, merupakan algoritma yang menggunakan serangkaian pengukuran diamati dari waktu

ke waktu, yang mengandung noise dan ketidakakuratan lainnya, dan menghasilkan perkiraan

variabel yang tidak diketahui yang cenderung lebih tepat daripada yang didasarkan pada

pengukuran tunggal saja. Penerapan algoritma kalman filter pada pelacakkan wajah telah

berjalan baik. Hal ini ditunjukkan pada nilai error yang didapat masih dibawah 1 untuk

keadaan normal. Kemampuan kalman filter juga berjalan baik untuk kondisi wajah terhalang

benda lain dan intensitas cahaya yang kurang .

  .

  Deteksi Wajah,Pelacakan Wajah, Viola Jones, Tingkat Akurasi perhitungan

  Kata kunci--

  algoritma Kalman filter

  

Abstract

Face detection is one of the very important initial step in determining the facial region. Face

Tracking is a computer technology that can follow the movement of the human face. Face

detection can also be used to search or indexing the data of face images or video that contains

faces with different angles, of lighting, and distance to face.Algoritma usually used on the face

detection is Viola-Jones algorithm . Face detection process is done by classifying an is formed

from a data. The Kalman filter, also known as the linear quadratic estimation, an algorithm that

uses a series of measurements observed over time, containing noise and other inaccuracies, and

produce an estimate of the unknown variables that tend to be more precise than those based on

a single measurement. Application of Kalman filter algorithm on face tracking has done well.

  

This is shown by the error value is still below 1 for the normal state. The ability of the Kalman

filter has also done well under occlution situations and the light intensity is less st th th

2 ISSN: 1978-1520

  

Keywords -- Face Detection, Face Tracking, Viola Jones, calculation accuracy rate Kalman filter

  algorith

  1. PENDAHULUAN eteksi wajah (face detection) adalah teknologi komputer yang dapat mengenali wajah manusia secara umum dengan cara mengenali posisi mata, hidung, mulut manusia, dan titik

  D

  koordinat wajahnya kemudian akan mengabaikan objek-objek lain di sekitarnya seperti pohon, rumah, dan benda-benda lainnya. Manfaat dari face detection antara lain adalah untuk sistem pengenalan biometrik (di samping fitur biometrik yang lain seperti sidik jari dan suara), sistem pencarian dan pengindeksan database citra digital dan database video digital, sistem keamanan kontrol akses area terbatas, konferensi video, media penyaringan seperti sidik jari, dan interaksi manusia dengan komputer. Kelemahan face detection adalah ketika wajah dilakukan deteksi saat cahaya terlalu terang(tinggi) dan gelap(rendah) maka deteksi akan terganggu atau mengalami masalah sehingga deteksi dikatakan gagal. Pelacakan wajah (face tracking) adalah teknologi komputer yang dapat mengikuti pergerakan wajah manusia. Penggunaan pelacakan wajah (face tracking) sangat bermanfaat untuk mengestimasi posisi objek karena data observasi memiliki noise atau mengatasi kelemahan dari

  object detection yaitu ketika nilai deteksi hilang atau gagal mendeteksi objek

  1.1 CITRA Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan [5].

  1.2 Algoritma Viola Jones Algoritma Viola-Jones yang biasanya digunakan untuk mendeteksi wajah atau citra. Proses pendeteksian wajah dilakukan dengan mengklasifikasikan sebuah gambar setelah sebelumnya sebuah pengklasifikasi dibentuk dari sebuah data. Klasifikasi citra dilakukan berdasarkan nilai dari sebuah fitur. Penggunaan fitur dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan pemrosesan citra perpiksel. Prosedur deteksi wajah Viola-Jones mengklasifikasikan gambar berdasarkan pada nilai fitur sederhana. Terdapat banyak alasan untuk menggunakan fitur daripada piksel secara langsung. Alasan yang paling umum adalah bahwa fitur dapat digunakan untuk mengkodekan pengetahuan domain ad-hoc yang sulit dalam pembelajaran terhadap data latih yang terbatas jumlahnya. Alasan penting kedua untuk menggunakan fitur adalah sistem fitur berbasis operasi jauh lebih cepat daripada sistem berbasis pixel. Algoritma viola-jones ini berpusat pada penghitungan setiap piksel sehingga perhitungnya harus benar-benar terperinci [7].

1.3 Algoritma Kalman Filter

  Kalman Filter adalah metode rekursif untuk memecahkan masalah filtering linear dari

  data diskrit dimana proses dilakukan pada saat data awal diperoleh dengan membuat sebuah pemisalan angka taksiran sehingga akan diperoleh angka tetap[1]. Untuk melakukan perhitungan angka terdapat dua langkah perhitungan yaitu :

  IJCCS

ISSN: 1978-1520

  3 Algorithm Kalman_filter , , :

  , Σ Time Update

  

(1) + ̅ =

(2) Σ =

• Σ

  Measurement

• (3) = Σ Σ

  = ̅ + − ̅ (4)

  −

  (5) Σ = Σ return

  , Σ Tahapan Time Update merupakan proses prediksi, dimana ̅ merupakan nilai prediksi pada frame-t, sedangkan merupakan nilai estimasi sebelumnya, dengan

dan Σ masing-masing merupakan variabel kontrol dan kovariannya pada frame-t.

Sedangkan tahapan Measurement merupakan tahapan estimasi, dimana nilai estimasi

dipengaruhi oleh nilai prediksi ̅ dan kalman gain . Sehingga nilai ini merupakan

suatu nilai koreksi dari sebuah prediksi.

  Data masukan berupa citra yang berisikan wajah yang terdeteksi, maka nilai

variabel kontrol tidak didapatkan sehingga model yang ada disesusaikan menjadi seperti

tabel 1.

  Tabel 1 Model dasar Kalman Filter Dalam hal ini nilai merupakan nilai prediksi sementara merupakan nilai

kovariannya, sendangkan merupakan nilai estimasinya. Dalam hal ini, guna

menggatikan nilai variabel kontrol maka nilai kalman gain dinaikan 10 kali lebih besar.

2. METODE PENELITIAN

  Dalam melakukan penelitian ini, penulis menggunakan metode prototype dengan tahap- tahap analis, rancangan, Implementasi dan Penarikan Kesimpulan.

2.1 Analisis

  Pada tahap ini, penulis melakukan pencarian kebutuhan agar dapat mendukung tingkat keberhasilan penerapan kalman filter pada pergerakkan wajah dimana penulis mengumpulkan

  4 ISSN: 1978-1520 dari beberapa contoh dan jurnal mengenai bagaimana penerapan metode kalman filter pada pergerakkan wajah agar pergerakkan wajah dan penerapan metode kalman filter nya berhasil dengan baik.

  2.2 Rancangan

  Pada tahap ini, penulis mendesain prototyping dengan membuat perancangan sementara yang berfokus pada penyajian aplikasi dengan menerapkan metode kalman filter yang akan dibuat dan menganalisis kebutuhan apa saja yang digunakan dalam membangun rancangan sementara untuk penerapan metode kalman filter yang akan dibuat.

  .

  2.3 Implementasi Sistem

  Pada tahap ini, prototype harus dilakukan percobaan terhadap metode kalman filter pada pergerakkan wajah dan mengumpulkan keluaran dan hasil eksekusi sehingga didapat penerapan metode kalman filter yang sesuai dengan kemauan. Hasil dari implementasi akan di evaluasi kembali untuk menilai seberapa besar kebenaran dan efisiensi penerapan metode kalman filter pada pergerakkan wajah.

  2. 3.1Gambar

  Dalam merancang sistem, terdapat alur kerja sistem dimana alur ini menunjukkan bagaimana rancangan akan dibuat.

  Gambar 1 Alur Kerja Sistem

  2.4 Penarikan Kesimpulan

  Pada tahap ini, penulis dapat menarik kesimpulan berdasarkan pengujian yang telah dilakukan, dengan adanya metode kalman filter pada dua permasalahan face tracking dan pendeteksian wajah diatas, dapat diambil keputusan bahwa setiap pergerakkan wajah saat melakukan tracking angka atau data pada noise tidak selalu sama dengan data, setelah dilakukan proses dengan menggunakan kalman filter adalah untuk mengestimasi nilai berdasarkan nilai terdahulu.

3. IMPLEMENTASI DAN ANALIS

  Metode kalman filter sebagai pelacak pergerakkan wajah dari hasil observasi dari metode

  

Viola-Jones untuk deteksi wajah secara Realtime pada OpenCv sebagai library citra. Dimana

ISSN: 1978-1520

  1

  1

  1

  2

  1

  1

  3

  1

  1

  4

  1

  1

  5

  1

  6

  1

  1

  1

  7

  1

  1

  8

  1

  1

  9

  1

  2

  1 A

  x is T it le Xk-1 Vk

  1

  1

  IJCCS

  1

  5 metode ini melakukan proses pelacakan pergerakkan wajah dengan menerapkan 3 kondisi. Penerapan kalman filter dilakukan dengan 3 tahap pengujian(skenario) yaitu :

  1. Skenario pergerakkan Normal Pergerakkan wajah dilakukan dengan bergerak normal dimana setiap pergerakkan wajah dilakukan dengan pergerakkan keatas,kebawah,kedepan dan kesamping sesuai dengan keinginan.

  2. Skenario pergerakkan terhalang benda lain Pergerakkan wajah dilakukan dengan bergerak normal kemudian terhalang oleh benda lain selain wajah maka pendeteksian wajah tidak berhasil maka dilakukan pelacakkan dengan kalman filter saat deteksi gagal.

  3. Skenario intensitas cahaya Pendekteksian dilakukan dengan intensitas pencahayaan rendah(gelap) dan tinggi(terang),dimana jika intesitas cahaya terlalu tinggi dan intensitas cahaya terlalu rendah, maka deteksi tidak dapat dilakukan(gagal), pada saat gagal inilah dilakukan pelacakkan wajah dengan kalman filter untuk menggantikan nilai yang hilang saat deteksi wajah mengalami kegagalan.

  No. Evaluasi Skenario Error Posisi X Posisi Y

  

1. Pergerakkan Normal 0,64002 0,51705

  

2. Terhalang Benda Lain 0,32583 0,5448

  

3. Intensitas Cahaya 0,27148 0,10339

  Tabel 2 Hasil error berdasarkan Mase dengan jumlah frame 200 Gambar 2 Grafik Perhitungan Error dengan Mase pada Pergerakkan Normal

  1

  1

  1

  2

  3

  1

  1

  4

  1

  5

  1

  6

  1

  7

  1

  8

  1

  9

  1

• 500 500 1000 1500 2000
>1500
• 1000

ISSN: 1978-1520

  8 Xk-1

  1

  2

  7

  1

  3

  6

  1

  4

  5

  1

  5

  4

  3

  6

  8

  1

  7

  2

  1

  8

  1

  1

  9

• 500 500 1000 1500 2000

  1

  9

  1

  1

  1

  6

  6 Gambar 3 Grafik Perhitungan Error dengan Mase pada Pergerakkan Terhalang Benda Lain

  Vk

  1

  1

  1

  9

  2

  8

  3

  7

  4

  5

  2

  5

  6

  4

  7

  3

  8

  2

  9

  1

  1

  1

  9

  9

• 2500
• 2000
• 1500
• 1000

  Untuk pengembangan lebih lanjut metode ini untuk pergerakkan wajah wajah dapat menggunakan metode yang lain agar dapat lebih baik perbandingan akurasi pergerakkan wajah.

  3

  1

  3

  6

  1

  4

  5

  1

  5

  4

  1

  6

  1

  2

  7

  2

  1

  8

  1

  1

  9

  1

  9

  9 Xk-1

  Vk

  Gambar 3 Grafik Perhitungan Error dengan Mase pada Intensitas Cahaya

  7

  1

  Penerapan algoritma kalman filter pada pelacakkan wajah telah berjalan baik. Hal ini ditunjukkan pada tabel 2, yaitu nilai error yang didapat masih dibawah 1 untuk keadaan normal. Kemampuan kalman filter juga berjalan baik untuk kondisi wajah terhalang benda lain dan intensitas cahaya yang kurang.

  8

  50 100 150 200 250 300

  1

  1

  1

  9

  2

  8

  3

  7

  4

  6

  5

  5

  6

  4

  7

  3

  8

  2

  9

  1

  1

  1

  9

  1

  1

4. KESIMPULAN

5. SARAN

  IJCCS

ISSN: 1978-1520

  7 Dalam pengembangan lebih lanjut dengan metode ini pergerakkan wajah dapat mengetahui pergerakkan wajah yang lebih smooth dan data hasil pergerakkannya pun baik dengan error yang kecil.

  DAFTAR PUSTAKA [1]Cornel 2011, Robust Object Tracking Using Kalman Filters with Dynamic Covarianc. Diakses 07 Maret 2014, dari http://www.cs.cornell.edu [2]Estiningtiyas 2012, Artikel detail Sistem Cerdas Face Tracking. Diakses 03 Maret 2014, dari http://estiningtiyas-s-m-fst09.web.unair.ac.id [3]Junto, Akira 2012, Pengertian dari Metode Kalman Filter. Diakses 01 Maret 2014, dari http://akirajunto.wordpress.com [4]Putra, Darma 2012, Pengolahan Citra Digital, Andi, Yogyakarta. Salahuddin, M., Rosa, A.S, 2011, Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur

  & Berorientasi Objek). Modula, Bandung

  [5]Sangheon,Park, 2012, 3D Hand Tracking Using Kalman Filter In Depth Space. vol.1 no.35 hal.3-12, dari : http://www.ingenta.com [6]Welch, Greg 2012, Perhitungan Algortima Kalman Filter. Diakses 10 Maret 2014,dari http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx [7]Wulanlatu 2010, Pendektesian Wajah Menggunakan Algortima Viola-Jones. Diakses 05 Maret 2014,dari http://purpalacious.arieflatu.net/2010/03/deteksi-wajah-menggunakan- algoritma-viola-jones/