Perbandingan Unjuk Kerja Pengenalan Waja
PAPER ID : 102
Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis
Fitur Local Binary Pattern dengan Algoritma PCA dan Chi
Square
Eko Wahyudi1), Hendra Kusuma2), Wirawan3)
1,2,3)
Jurusan Teknik Elektro ITS, Surabaya 60111
1)
email: [email protected]
Abstrak
– Algoritma pengenalan wajah dapat
dibedakan menjadi 2 bagian yaitu dengan pendekatan
fitur dan pendekatan penampilan. Pada makalah ini
akan dibahas teknik pengenalan wajah dengan
pendekatan fitur berdasarkan Local Binary Pattern
(LBP) dengan berbagai variasi pencahayaan. Pada
prinsipnya metoda ini akan mengekstrasi fitur wajah
dalam bentuk kode-kode biner yang diperoleh dari
proses binary derivatives. Kode-kode ini kemudian
akan dijadikan ftur berdasarkan histogram kode-kode
tersebut. Gabungan Proses LBP dan Histogram
Equalization (HE) akan meningkatkan tingkat
pengenalan wajah walaupun citra input wajah
mempunyai berbagai variasi pencahayaan.Uji coba
dilakukan pada database wajah Yale B yang terdiri
citra-citra gray scale dari 10 orang dengan variasi
pencahayaan yang berbeda. Algoritma pengenalan
wajah yang akan dibandingkan unjuk kerjanya adalah
algoritma PCA (Principal Componen Analysis) yang
berfungsi untuk mereduksi fitur LBP dan metode Chi
Square dimana 2 buah distribusi histogram dari citra
test dan training akan dibandingkan. Hasil uji coba
menunjukkan metode Chi Square lebih baik
dibandingkan LBP-PCA dengan akurasi mencapai
100% untuk ukuran window sebesar 11x11.
Kata Kunci: Loca l Bina r y P a tter n,P CA,
Histogram Equalization, Chi Squa r e.
1. PENDAHULUAN
Proses pengenalan wajah dipengaruhi oleh dua faktor
variabilitas , yaitu variabilitas extra-personal dan
intra-personal. Variabilitas extra-personal timbul
karena proses pengenalan wajah dilakukan pada wajah
yang berbeda. Sedangkan variabilitas intra-personal
adalah variasi yang muncul pada wajah yang sama [1].
Salah satu faktor variabilitas intra-personal timbul
karena adanya variasi pencahayaan. Variasi
pencahayaan ini disebabkan oleh sumber cahaya atau
intensitas cahaya yang berbeda. Hal ini memberikan
perbedaan yang sangat berarti seperti dapat dilihat
pada gambar 1. gambar wajah yang berasal data base
Yale B. Untuk mengatasi permasalahan tersebut,
dalam makalah ini akan diusulkan suatu metode untuk
mengekstrasi fitur wajah, yaitu dengan LBP Normal.
Metode ini akan merubah citra ke dalam bentuk citra
LBP sehingga variasi pencahayaan pada citra wajah
orang yang sama dapat dihilangkan. LBP juga akan
mengekstrasi citra tersebut kedalam fitur vektor
sehingga pengenalan wajah menjedi lebih akurat.
Gambar 1. Citra-citra wajah yang sama dengan pencahayaan
yang berbeda (Yale B Face Database)
2. Struktur Sistem Pengenalan Wajah
Sistem pengenalan wajah merupakan sistem
pengenalan pola (pattern recognition ) yang terdiri dari
4 modul , 4 modul tersebut antara lain :
Modul akuisisi data/sensor, melalui modul ini
akan didapatkan citra wajah dari para pengguna.
Modul pemrosesan awal (preprocessing ), modul
ini akan mengekstrak bagian wajah (facial region)
kemudian menormalisasi terhadap ukuran, rotasi
serta pencahayaan (photometric normalization ).
Modul ekstraksi fitur, modul ini bertujuan untuk
mendapatkan satu set fitur yang berasal dari
bagian wajah yang telah ternormalisasi, dimana
satu set fitur tersebut berasal dari bagian wajah
yang telah ternormalisasi menggunakan LBP.
Modul pencocokan (matching ), modul ini akan
mencocokkan fitur-fitur yang telah diperoleh dari
citra
wajah
yang
diinputkan
terhadap
template/model yang ada di database sistem.
Hasil dari prosedur pencocokan ini akan
digunakan untuk pengambilan keputusan tentang
identitas pengguna.
Struktur sistem pengenalan wajah dibagi menjadi 2
tahap yaitu tahap enrollment/registrasi dan tahap
pengenalan pada sistem pengenalan wajah. Pada tahap
enrollment akan dibentuk model atau
Template
berdasarkan vektor-vektor fitur LBP yang terekstrak
dari sejumlah citra training atau citra wajah pemakai.
Kemudian Template-template ini disimpan dalam
suatu basis data. Sedangkan pada tahap pengenalan
sistem akan memberikan output berupa identitas
wajah di basis data yang paling mirip dengan citra test
dengan menguji kemiripan fitur vektor (feature
vector) dari citra test dan training [2]. Struktur sistem
pengenalan wajah ini dapat dilihat pada gambar 2.
Gambar 2. Diagram fungsional sistem pengenalan wajah. Bagian atas merupakan tahap registrasi/ enrollment sedangkan
bagian bawah merupakah tahap pengenalan.
3. LOCAL BINARY PATTERN
Local Binary Pattern (LBP) adalah deskriptor tekstur
yang dapat juga digunakan untuk mewakili wajah,
karena gambar wajah dapat dilihat sebagai sebuah
komposisi micro-texture-pattern yaitu suatu operator
non parametrik yang menggambarkan tata ruang lokal
citra. LBP didefinisikan sebagai perbandingan nilai
biner piksel pada pusat citra dengan 8 nilai piksel
disekelilingnya. Misal pada sebuah citra berukuran
3x3, nilai biner pada pusat citra dibandingkan dengan
nilai sekelilingnya. Nilai sekelilingnya akan bernilai 1,
jika nilai piksel pusat lebih kecil dan bernilai 0 jika
nilai biner pusat lebih besar. Setelah itu, menyusun 8
nilai biner searah jarum jam atau sebaliknya dan
merubah 8 bit biner kedalam nilai decimal untuk
menggantikan nilai piksel pada pusat.[3]
Gambar 3. Local Binary Pattern (LBP)[3]
Nilai desimal dari 8 bit dari ( LBP code ) dapat
dinyatakan dalam persamaan berikut:
LBPP,R
c , yc
=
−1
=0 s
�p − g c 2p
(1)
Dan fungsi s(x) didefinisikan sebagai berikut:
s
=
1,
0,
≥0
Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis
Fitur Local Binary Pattern dengan Algoritma PCA dan Chi
Square
Eko Wahyudi1), Hendra Kusuma2), Wirawan3)
1,2,3)
Jurusan Teknik Elektro ITS, Surabaya 60111
1)
email: [email protected]
Abstrak
– Algoritma pengenalan wajah dapat
dibedakan menjadi 2 bagian yaitu dengan pendekatan
fitur dan pendekatan penampilan. Pada makalah ini
akan dibahas teknik pengenalan wajah dengan
pendekatan fitur berdasarkan Local Binary Pattern
(LBP) dengan berbagai variasi pencahayaan. Pada
prinsipnya metoda ini akan mengekstrasi fitur wajah
dalam bentuk kode-kode biner yang diperoleh dari
proses binary derivatives. Kode-kode ini kemudian
akan dijadikan ftur berdasarkan histogram kode-kode
tersebut. Gabungan Proses LBP dan Histogram
Equalization (HE) akan meningkatkan tingkat
pengenalan wajah walaupun citra input wajah
mempunyai berbagai variasi pencahayaan.Uji coba
dilakukan pada database wajah Yale B yang terdiri
citra-citra gray scale dari 10 orang dengan variasi
pencahayaan yang berbeda. Algoritma pengenalan
wajah yang akan dibandingkan unjuk kerjanya adalah
algoritma PCA (Principal Componen Analysis) yang
berfungsi untuk mereduksi fitur LBP dan metode Chi
Square dimana 2 buah distribusi histogram dari citra
test dan training akan dibandingkan. Hasil uji coba
menunjukkan metode Chi Square lebih baik
dibandingkan LBP-PCA dengan akurasi mencapai
100% untuk ukuran window sebesar 11x11.
Kata Kunci: Loca l Bina r y P a tter n,P CA,
Histogram Equalization, Chi Squa r e.
1. PENDAHULUAN
Proses pengenalan wajah dipengaruhi oleh dua faktor
variabilitas , yaitu variabilitas extra-personal dan
intra-personal. Variabilitas extra-personal timbul
karena proses pengenalan wajah dilakukan pada wajah
yang berbeda. Sedangkan variabilitas intra-personal
adalah variasi yang muncul pada wajah yang sama [1].
Salah satu faktor variabilitas intra-personal timbul
karena adanya variasi pencahayaan. Variasi
pencahayaan ini disebabkan oleh sumber cahaya atau
intensitas cahaya yang berbeda. Hal ini memberikan
perbedaan yang sangat berarti seperti dapat dilihat
pada gambar 1. gambar wajah yang berasal data base
Yale B. Untuk mengatasi permasalahan tersebut,
dalam makalah ini akan diusulkan suatu metode untuk
mengekstrasi fitur wajah, yaitu dengan LBP Normal.
Metode ini akan merubah citra ke dalam bentuk citra
LBP sehingga variasi pencahayaan pada citra wajah
orang yang sama dapat dihilangkan. LBP juga akan
mengekstrasi citra tersebut kedalam fitur vektor
sehingga pengenalan wajah menjedi lebih akurat.
Gambar 1. Citra-citra wajah yang sama dengan pencahayaan
yang berbeda (Yale B Face Database)
2. Struktur Sistem Pengenalan Wajah
Sistem pengenalan wajah merupakan sistem
pengenalan pola (pattern recognition ) yang terdiri dari
4 modul , 4 modul tersebut antara lain :
Modul akuisisi data/sensor, melalui modul ini
akan didapatkan citra wajah dari para pengguna.
Modul pemrosesan awal (preprocessing ), modul
ini akan mengekstrak bagian wajah (facial region)
kemudian menormalisasi terhadap ukuran, rotasi
serta pencahayaan (photometric normalization ).
Modul ekstraksi fitur, modul ini bertujuan untuk
mendapatkan satu set fitur yang berasal dari
bagian wajah yang telah ternormalisasi, dimana
satu set fitur tersebut berasal dari bagian wajah
yang telah ternormalisasi menggunakan LBP.
Modul pencocokan (matching ), modul ini akan
mencocokkan fitur-fitur yang telah diperoleh dari
citra
wajah
yang
diinputkan
terhadap
template/model yang ada di database sistem.
Hasil dari prosedur pencocokan ini akan
digunakan untuk pengambilan keputusan tentang
identitas pengguna.
Struktur sistem pengenalan wajah dibagi menjadi 2
tahap yaitu tahap enrollment/registrasi dan tahap
pengenalan pada sistem pengenalan wajah. Pada tahap
enrollment akan dibentuk model atau
Template
berdasarkan vektor-vektor fitur LBP yang terekstrak
dari sejumlah citra training atau citra wajah pemakai.
Kemudian Template-template ini disimpan dalam
suatu basis data. Sedangkan pada tahap pengenalan
sistem akan memberikan output berupa identitas
wajah di basis data yang paling mirip dengan citra test
dengan menguji kemiripan fitur vektor (feature
vector) dari citra test dan training [2]. Struktur sistem
pengenalan wajah ini dapat dilihat pada gambar 2.
Gambar 2. Diagram fungsional sistem pengenalan wajah. Bagian atas merupakan tahap registrasi/ enrollment sedangkan
bagian bawah merupakah tahap pengenalan.
3. LOCAL BINARY PATTERN
Local Binary Pattern (LBP) adalah deskriptor tekstur
yang dapat juga digunakan untuk mewakili wajah,
karena gambar wajah dapat dilihat sebagai sebuah
komposisi micro-texture-pattern yaitu suatu operator
non parametrik yang menggambarkan tata ruang lokal
citra. LBP didefinisikan sebagai perbandingan nilai
biner piksel pada pusat citra dengan 8 nilai piksel
disekelilingnya. Misal pada sebuah citra berukuran
3x3, nilai biner pada pusat citra dibandingkan dengan
nilai sekelilingnya. Nilai sekelilingnya akan bernilai 1,
jika nilai piksel pusat lebih kecil dan bernilai 0 jika
nilai biner pusat lebih besar. Setelah itu, menyusun 8
nilai biner searah jarum jam atau sebaliknya dan
merubah 8 bit biner kedalam nilai decimal untuk
menggantikan nilai piksel pada pusat.[3]
Gambar 3. Local Binary Pattern (LBP)[3]
Nilai desimal dari 8 bit dari ( LBP code ) dapat
dinyatakan dalam persamaan berikut:
LBPP,R
c , yc
=
−1
=0 s
�p − g c 2p
(1)
Dan fungsi s(x) didefinisikan sebagai berikut:
s
=
1,
0,
≥0