Pengenalan Wajah Menggunakan Metode Independent Component Analysis.

(1)

Abstrak

PENGENALAN WAJAH MENGGUNAKAN

METODE INDEPENDENT COMPONENT ANALYSIS

Rudy Hova / 0222165

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia

Email : rudy_hova@yahoo.com

ABSTRAK

Ada banyak cara dalam mengenali identitas seseorang. Salah satunya adalah dengan menganalisa karakteristik pada tubuh orang tersebut. Ukuran fisiologis dan sifat atau kebiasaan yang terdapat pada individu (seperti sidik jari, pola tanda tangan, tampilan wajah, pola berjalan) yang digunakan untuk mengenali seseorang disebut biometrik. Banyak ukuran fisiologis dan kebiasaan dari seseorang yang bersifat unik. Oleh karena itu, teknologi biometrik ini lebih andal dalam mengenali identitas seseorang.

Dalam laporan Tugas Akhir ini dijelaskan mengenai suatu sistem pengenalan identitas manusia dengan menggunakan wajah sebagai parameter pengenalnya, atau yang biasa dikenal dengan sistem pengenalan wajah. Tujuan dari sistem yang dibuat adalah melakukan pengenalan pada gambar masukan terhadap gambar pada database sistem, dengan keputusan dikenali atau tidak dikenali gambar masukan sebagai salah satu individu pada database. Metode pengenalan wajah yang digunakan dalam tugas akhir ini adalah metode

Independent Component Analysis.

Pada sistem pengenalan wajah menggunakan metode Independent Component Analysis, perbedaan intensitas antara dua gambar (difference image), merupakan karakteristik penting yang dapat menggambarkan variasi gambar wajah seseorang. Difference image dapat diklasifikasikan ke dalam dua class,

Universitas Kristen Maranatha

(2)

Abstrak

yaitu intrapersonal variations class dan extrapersonal variations class. Jika

difference image berada dalam intrapersonal variations class maka dapat

dikatakan bahwa dua gambar pembentuk difference image merupakan gambar dari orang yang sama, dan sebaliknya jika difference image berada dalam

extrapersonal variations class, maka dapat dikatakan bahwa dua gambar

pembentuk difference image merupakan gambar dari orang yang berbeda.

Berdasarkan hasil percobaan yang dilakukan, sistem pengenalan wajah menggunakan metode Independent Component Analysis memiliki tingkat keberhasilan pengenalan sebesar 87.87 %.

Universitas Kristen Maranatha

(3)

Abstrak

FACE RECOGNITION USING

INDEPENDENT COMPONENT ANALYSIS METHOD

Rudy Hova / 0222165

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia

Email : rudy_hova@yahoo.com

ABSTRACT

There are lots of ways to recognize one’s identity. One of them is by analyzing the body’s characteristic of the person. The measurable characteristic or personal trait used to recognize the identity or verify the claimed identity is referred as biometrics. Lots of this measurable characteristic has a unique character. Therefore this biometrics technology is more reliable for recognizing someone’s identity.

In this final project, it is explained about human identification system using face as its identification parameter, which is known as face recognition system. The purpose of the system that built is to recognize an input image toward existing images in system database. The system decision for the input image is recognized or not recognized as a person in database. The face recognition method used in this final project is Independent Component Analysis.

Face recognition using Independent Component Analysis method believes that the intensity difference between two images (difference image) can describe the variation of someone’s face. Difference image can be classified into two classes, mainly intrapersonal variation class and extrapersonal variations class. If difference images lies in intrapersonal variation class, then it could be sad that the two images which construct the difference image belong to the same individual and if the difference image lies in extrapersonal variation class, then the it could

Universitas Kristen Maranatha

(4)

Abstrak

be said that the two images which construct the difference image belong to two different individuals.

Based on experimental results, face recognition system using Independent Component Analysis method achieves successful recognition rate about 87.87 %.

Universitas Kristen Maranatha

(5)

DAFTAR ISI

ABSTRAK ………....……….………….i

ABSTRACT ………....……….………...iii

KATA PENGANTAR ………...………...… iv

DAFTAR ISI ……… vi

DAFTAR GAMBAR ...viii

BAB I. PENDAHULUAN ……….………1

1.1. Latar Belakang ………….………1

1.2. Identifikasi Masalah ………….………2

1.3. Perumusan Masalah ……….………2

1.4. Maksud dan Tujuan ……….………2

1.5. Pembatasan Masalah ……….………2

1.6. Sistematika Penulisan ……….3

BAB II. DASAR TEORI ……….………4

2.1. Deteksi Wajah ……….………6

2.1.1. Segmentasi Kulit ……….………7

2.1.2. Proses Morfologi ………....10

2.1.3. Connected Region Analysis ………... 11

2.1.4. Ekstraksi Wajah ………... 12

2.2. Independent Component Analysis .………...11

BAB III. PERANCANGAN SISTEM ………...17

3.1. Deteksi Wajah ………...19

3.2. Perhitungan ICA (Independent Component Analysisi) ...24

BAB IV. SIMULASI DAN ANALISA ………...27

4.1. Deteksi Wajah ………...28

4.2. Konstruksi ICA ………...33

4.3. Klasifikasi ………...35

(6)

BAB V. KESIMPULAN DAN SARAN ………...40

5.1. Kesimpulan ………...40

5.2. Saran ………...40

DAFTAR PUSTAKA ...42

LAMPIRAN A: KODE PROGRAM

(7)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Proses face recognition ………4

Gambar 2.2 Proses deteksi wajah ………7

Gambar 2.3 Korelasi antara nilai Cb dan Cr yang menunjukan warna kulit ……9

Gambar 2.4 Nilai Cb dan Cr untuk warna kulit dan untuk seluruh gambar ……9

Gambar 2.5 Proses erosi dan dilasi ………..11

Gambar 2.6 Model dari perhitungan ICA ………..………..14

Gambar 2.7 Blind Source Separation model ………..15

Gambar 3.1 Diagram blok perancangan sistem ………..17

Gambar 3.2 Diagram alir sistem pengenalan wajah ...18

Gambar 3.3 Diaram alir proses deteksi wajah ...19

Gambar 3.4 Diagram alir pembatasan warna dan proses morfologi …………..21

Gambar 3.5 Diagram alir proses region analysis ………..22

Gambar 3.6 Diagram alir ekstraksi gambar wajah ………..24

Gambar 3.7 Diagram alir perhitungan ICA ………..26

Gambar 4.1 Komponen YCbCr ………..29

Gambar 4.2 Gambar topeng hasil proses segmentasi kulit ………..30

Gambar 4.3 Gambar topeng hasil proses morfologi ………..31

Gambar 4.4 Gambar topeng hasil proses connected region analysis …………..32

Gambar 4.5 Average face ………..33

Gambar 4.6 Set ICA ………..34

Gambar 4.7 Jarak Euclidian dan jarak cosinus ………..35

ii viii

(8)

LAMPIRAN

LISTING PROGRAM

(9)

% %%Program Utama tiga=imread('asal.gif'); tiga1=double(tiga); x=tiga1;

N=size(x,1); P=size(x,2); M=N; spherex;

xx=inv(wz)*x;

w=eye(N); count=0; perm=randperm(P); sweep=0; Id=eye(M); oldw=w; olddelta=ones(1,N*M); angle=1000; change=1000;

B=50; L=0.0006; F=5000;

for I=1:500 sep96; end;

% B=50; L=0.0003; F=5000; %

% for I=1:200 % sep96; % end; %

% B=50; L=0.0002; F=5000; %

% for I=1:200 % sep96; % end; %

% B=50; L=0.0001; F=5000; %

% for I=1:200 % sep96; % end;

uu=w*wz*xx; cov(uu') ;

(10)

% spherex

fprintf('\nsubtracting mean\n'); mx=mean(x');

x=x-(ones(P,1)*mx)';

fprintf('calculating whitening filter\n'); c=cov(x');

wz=2*inv(sqrtm(c)); fprintf('whitening\n'); x=wz*x;

% sep96 x=x(:,perm);

sweep=sweep+1; t=1; noblocks=fix(P/B); BI=B*Id;

for t=t:B:t-1+noblocks*B, count=count+B;

u=w*x(:,t:t+B-1);

w=w+L*(BI+(1-2*(1./(1+exp(-u))))*u')*w; if count>F

sepout;

count=count-F; end;

end;

% sepout

[change,olddelta,angle]=wchange(oldw,w,olddelta); oldw=w;

fprintf('****sweep=%d, change=%.4f angle=%.1f deg., [N%d,M%d,P%d,B%d,L%.5f]\n',...

sweep,change,180*angle/pi,N,M,P,B,L);

(11)

%%% proses crop gambar

LabelDir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program Asal\' imgDir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program

asal\Sumber\'

destdir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program asal\Hasil\'

homeDir = pwd;

XSIZE = 240; YSIZE = 292; EYES = 130;

TEETH_EYES = 165;

cd (destdir) load Labels cd (imgDir) r = dir;

for i = 4:(size(r,1)) imgName = r(i).name % [X,map] = imread([ t ]); I=imread(imgName); I=rgb2gray(I);

[height, width] = size(I);

dxeyes = marks(i-2,3) - marks(i-2,1); %Check these. dyeyes = marks (i-2,4) - marks(i-2,2);

dEeyes = sqrt(dxeyes^2 + dyeyes^2);

mean_eye_x = mean([marks(i-2,1), marks(i-2,3)]); mean_eye_y = mean([marks(i-2,2), marks(i-2,4)]);

dEteeth_eyes = sqrt((marks(i-2,5)-mean_eye_x)^2 + (marks(i-2,6)-mean_eye_y)^2);

%scale

yscale = TEETH_EYES / dEteeth_eyes; xscale = EYES / dEeyes; height_new = yscale*height; width_new = xscale*width;

tmp0=imresize(I,[height_new,width_new],'bicubic');

Reye_x = marks(i-2,1); Reye_y = marks(i-2,2);

W = 500;

padcols = zeros(size(tmp0,1),W); padrows = zeros(W,size(tmp0,2)+W); padcols = uint8(padcols); padrows=uint8(padrows);

tmp = [padrows;padcols,tmp0];

tmpx = xscale*Reye_x - W +W; tmpy = yscale*Reye_y - W +W; tmp1 = imcrop(tmp,[tmpx,tmpy,2*W,2*W]);

(12)

%figure(2);imshow(tmp1)

angle = 180/pi*atan((yscale*dyeyes)/(xscale*dxeyes)); tmp2 = imrotate(tmp1,angle,'bicubic','crop');

%figure(2); imshow(tmp2);

x = W - (XSIZE-EYES)/2; %y = W - YSIZE/2; y = W - YSIZE*1/3;

tmp3=imcrop(tmp2,[x,y,XSIZE,YSIZE]); figure(1); imshow(tmp3);

%save

[imgName, R] = strtok(imgName, '.'); fname = [destdir,imgName, '.pgm']; imwrite(tmp3,fname,'pgm')

end

(13)

%%%proses penandaan bagian wajah

imgdir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program asal\Sumber\'

destdir = 'C:\Documents and Settings\HOVA\Desktop\ICA\program\Program asal\Hasil\'

cd (imgdir); r = dir;

marks = [];

for i = 4:(size(r,1)) t = r(i).name

[X,map] = imread([ t ]);

figure(1) colormap gray; if isfloat(X)

image(gray2ind(mat2gray((X)))); else

image(X); end

title(t);

disp 'Click subjects right eye, left eye, then mouth.' [m,n] = ginput(3); pos = round([m,n]);

pos = reshape(pos',1,6); marks = [marks; pos]; end

cd (destdir)

save Labels marks r

(14)

% % %proses klasifikasi

function [testPerf,rankmat,rank] = nnclassFn(train,test,trainClass,answer);

numTest = size(test,2); numTrain = size(train,2);

dists=-1 * cosFn(test,train);

[Sdist,nearest] = sort(dists');

Nnbr = nearest(1,:); testClass = trainClass(Nnbr);

correct = find( (testClass - answer == 0)); testPerf = size(correct,1) / size(answer,1) if(size(correct,2)>size(correct,1))

testPerf = size(correct,2) / size(answer,2) 'check vector orientation'

end

cumtestPerf=0; for i = 1:30

rankmat(:,i) = trainClass(nearest(i,:)');

correcti = find( (rankmat(:,i) - answer == 0));

cumtestPerf = cumtestPerf + size(correcti,1) / size(answer,1); rank(i) = cumtestPerf;

end

%%%fungsi cosinus

function [S] = cosFn(mat1,mat2),

denom = sum(mat1.^2,1)*sum(mat2'.^2,2);

denom (find(denom==0)) = 0.00000000000000000000001; numer = mat1'*mat2;

S = numer./denom;

(15)

Bab I Pendahuluan

BAB I

PENDAHULUAN

I.1 Latar Belakang

Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan antara lain untuk sistem pengenalan biometrik (yang dapat juga dikombinasikan dengan fitur biometrik yang lain seperti sidik jari dan suara), sistem pencarian dan pengindeksan pada database citra digital dan database video digital, sistem keamanan kontrol akses area terbatas, konferensi video, dan interaksi manusia dengan komputer.

Melalui pengembangan suatu teknik seperti Independent Component Analysis (ICA), komputer sekarang dapat menyerupai kemampuan otak manusia dalam berbagai pengenalan wajah, terutama tugas-tugas yang membutuhkan pencarian pada database wajah yang besar.

Agar dapat memahami dan mengetahui kinerja sistem pengenalan wajah, maka dalam Tugas Akhir ini akan dilakukan pengujian melalui simulasi. Diharapkan Tugas Akhir ini dapat menambah pengetahuan dan memberikan masukan yang cukup berguna bagi rekan mahasiswa-mahasiswi lainnya khususnya mahasiswa-mahasiswi Jurusan Teknik Elektro, Universitas Kristen Maranatha.

(16)

Bab I Pendahuluan ₂

I.2 Identifikasi Masalah

Masalah yang akan diidentifikasi dalam tugas akhir ini adalah pengenalan wajah pada citra digital menggunakan metode Independent Component Analysis.

I.3 Perumusan Masalah

Bagaimana penerapan ICA dalam mencari komponen-komponen independent dari sumber (wajah)?

I.4 Maksud dan Tujuan

Tugas akhir ini bertujuan untuk membuat suatu desain dan implementasi sistem pengenalan wajah dengan masukan berupa citra digital sembarang. Sistem ini akan menghasilkan subcitra yang berisi wajah-wajah yang telah berhasil diidentifikasi.

I.5 Pembatasan Masalah

Masalah-masalah yang akan dibatasi dalam Tugas Akhir ini antara lain : 1. Gambar input yang akan diuji, memiliki dimensi maksimal 500 x 500 piksel. 2. Jenis citra yang digunakan adalah citra berwarna, dengan format JPEG.

3. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan dan hanya terdapat satu wajah dalam gambar masukan.

4. Metode yang dipakai adalah metode Independent Component Analysis.

(17)

Bab I Pendahuluan ₃

5. Simulasi menggunakan Matlab 6.5.1.

I.6 Sistematika Penulisan

Agar dalam penulisan laporan Tugas Akhir ini lebih terarah dan teratur serta terstruktur maka akan dibagi dalam :

BAB I PENDAHULUAN

Berisi latar belakang, identifikasi masalah, perumusan masalah, maksud dan tujuan, pembatasan masalah, dan sistematika penulisan. BAB II LANDASAN TEORI

Berisi pendahuluan, teori dari Independent Component Analysis.

BAB III PERANCANGAN

Berisi perancangan dari program Pengenalan Wajah Menggunakan Metode Independent Component Analysis.

BAB IV DATA PENGAMATAN

Menampilkan hasil pengamatan terhadap program yang telah dirancang.

BAB V KESIIMPULAN DAN SARAN

Berisi kesimpulan dan saran.

(18)

Bab V Kesimpulan dan Saran

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang didapat dari penyusunan Tugas Akhir ini adalah sebagai berikut :

1. Sistem pengenalan wajah menggunakan metode Independent Component Analysis pada Tugas Akhir ini telah berhasil direalisasikan.

2. Berdasarkan hasil percobaan yang dilakukan, performa sistem pengenalan wajah yang menggunakan metode Independent Component Analysis memiliki tingkat keberhasilan pengenalan sebesar 87,87 %. Performa pengenalan dapat ditingkatkan dengan menambah jumlah intrapersonal training difference image dan dengan menggunakan parameter M yang lebih besar pada proses training.

5.2 Saran

Berdasarkan hasil penelitian yang telah dilakukan, maka dapat dirumuskan beberapa saran sebagai berikut, yaitu :

1. Pendefinisian kotak wajah yang berlebih pada proses deteksi wajah disebabkan oleh penyesuaian terhadap dimensi gambar pada training set. Oleh karena itu, dengan memilih ukuran training set sesusai ukuran wajah (bukan ukuran persegi)

(19)

Bab V Kesimpulan dan Saran 41

dapat dipilih gambar wajah yang lebih tepat dan mengurangi bagian latar belakang gambar yang terbawa pada gambar wajah keluaran proses deteksi wajah. 2. Dengan membuang bagian latar belakang gambar yang masih terdapat dalam gambar wajah yaitu dengan melakukan proses masking pada gambar, akan meningkatkan kemampuan sistem dalam melakukan pengenalan.

3. Dengan memperbesar ukuran gambar training set dan menambah jumlah gambar untuk satu individu dalam kondisi yang berbeda-beda, seperti pose dan ekspresi yang berbeda-beda, kondisi cahaya yang bervariasi, penggunaan aksesoris kepala, dan kondisi lainnya, yang digunakan sebagai training set, kemampuan sistem dalam mengenali identitas akan meningkat.

4. Untuk pengembangan lebih lanjut dari sistem pengenalan wajah, diperlukan suatu sistem yang mampu memisahkan gambar wajah dari gambar latar secara otomatis dan melakukan proses identifikasi secara real time.

(20)

Daftar Pustaka

DAFTAR PUSTAKA

1. Bartlett, M. S., Movellan, J. R., Sejnowski, T. J., “Face Recognition by

Independent Component Analysis”, IEEE Transactions on Neural Networks,

Vol. 13, No. 6, November 2002.

2. Bartlett, M. S., Movellan, J. R., Sejnowski, T. J., “Face Modeling by

Infromation Maximization”.

3. Bruce A. Drapper, Kyungim Baek, Marian Stewart Bartlett, J. Ross Beveridge, “Recognizing Faces with PCA and ICA”, Department of Computer Science Colorado State University.

4. Stone, James V., “Independent Component Analysis”, A Tutorial Introduction. 5. Stone, James V., “Independent Component Analysis: an introduction”,

TRENDS in Cognitive Sciences Vol. 6 No. 2 February 2002.

6. Bartlett, Marian Stewart., “Information Maximization in Face Processing”, Institute for Neural Computation, University of California, San Diego.

7. Hyvarinen, Aapo., Oja, Erkki., “Independent Component Analysis:

Algorithms and Applications”, Neural Networks Research Centre, Helsinki

University of Technology, Finland.

8. Bartlett, Marian Stewart., Sejnowski, Terrence J., “Viewpoint invariant face

recognition using independent component analysis and attractor networks”.

(21)

Daftar Pustaka 43

9. Chengjun, Liu., Wechsler, Harry., “Comparative Assessment of Independent

Component Analysis (ICA) for Face Recognition”, Department of Computer

Science, George Mason University, USA.

10.Te-Won, Lee., Girolami, Mark., Bell, Anthony J., Sejnowski, Terrence J., “A

Unifying Information-theoretic Framework for Independent Component Analysis”, Howard Hughes Medical Institute, Computational Neurobiology

Laboratory, The Salk Institute, California.

(1)

Bab I Pendahuluan ₂

I.2 Identifikasi Masalah

Masalah yang akan diidentifikasi dalam tugas akhir ini adalah pengenalan wajah pada citra digital menggunakan metode Independent Component Analysis.

I.3 Perumusan Masalah

Bagaimana penerapan ICA dalam mencari komponen-komponen independent dari sumber (wajah)?

I.4 Maksud dan Tujuan

I.5 Pembatasan Masalah

(2)

Bab I Pendahuluan ₃

5. Simulasi menggunakan Matlab 6.5.1.

I.6 Sistematika Penulisan

Agar dalam penulisan laporan Tugas Akhir ini lebih terarah dan teratur serta terstruktur maka akan dibagi dalam :

BAB I PENDAHULUAN

Berisi latar belakang, identifikasi masalah, perumusan masalah, maksud dan tujuan, pembatasan masalah, dan sistematika penulisan. BAB II LANDASAN TEORI

Berisi pendahuluan, teori dari Independent Component Analysis.

BAB III PERANCANGAN

Berisi perancangan dari program Pengenalan Wajah Menggunakan Metode Independent Component Analysis.

BAB IV DATA PENGAMATAN

Menampilkan hasil pengamatan terhadap program yang telah dirancang.

BAB V KESIIMPULAN DAN SARAN

(3)

Bab V Kesimpulan dan Saran

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang didapat dari penyusunan Tugas Akhir ini adalah sebagai berikut :

1. Sistem pengenalan wajah menggunakan metode Independent Component Analysis pada Tugas Akhir ini telah berhasil direalisasikan.

5.2 Saran

Berdasarkan hasil penelitian yang telah dilakukan, maka dapat dirumuskan beberapa saran sebagai berikut, yaitu :

(4)

Bab V Kesimpulan dan Saran 41

(5)

Daftar Pustaka

DAFTAR PUSTAKA

1. Bartlett, M. S., Movellan, J. R., Sejnowski, T. J., “Face Recognition by Independent Component Analysis”, IEEE Transactions on Neural Networks, Vol. 13, No. 6, November 2002.

2. Bartlett, M. S., Movellan, J. R., Sejnowski, T. J., “Face Modeling by Infromation Maximization”.

3. Bruce A. Drapper, Kyungim Baek, Marian Stewart Bartlett, J. Ross Beveridge, “Recognizing Faces with PCA and ICA”, Department of Computer Science Colorado State University.

4. Stone, James V., “Independent Component Analysis”, A Tutorial Introduction. 5. Stone, James V., “Independent Component Analysis: an introduction”,

TRENDS in Cognitive Sciences Vol. 6 No. 2 February 2002.

6. Bartlett, Marian Stewart., “Information Maximization in Face Processing”, Institute for Neural Computation, University of California, San Diego.

7. Hyvarinen, Aapo., Oja, Erkki., “Independent Component Analysis: Algorithms and Applications”, Neural Networks Research Centre, Helsinki University of Technology, Finland.

(6)

Daftar Pustaka 43

9. Chengjun, Liu., Wechsler, Harry., “Comparative Assessment of Independent Component Analysis (ICA) for Face Recognition”, Department of Computer Science, George Mason University, USA.

10. Te-Won, Lee., Girolami, Mark., Bell, Anthony J., Sejnowski, Terrence J., “A Unifying Information-theoretic Framework for Independent Component Analysis”, Howard Hughes Medical Institute, Computational Neurobiology Laboratory, The Salk Institute, California.

Pengenalan Wajah Menggunakan Metode Independent Component Analysis.