Deteksi Kedip Mata Berbasis Metode SURF - UNIB Scholar Repository
Deteksi Kedip Mata Berbasis Metode SURF
Indra Agustian1*
1 Staf Pengajar Program Studi Teknik Elektro FT Universitas Bengkulu, *Email: indraunib@gmail.com
A BSTRAK This research presents the realtime eye blink detection system based on image processing technique using SURF method. The first process of system is face detection, next, the area resulted from face detection is used for eye detection process, both of detections are supported by Haarcascade Classifier. Eye region resulted from eye detection is optimized for an effective computation process and it is used as region of interest(ROI) for eye blink detection using SURF method. SURF method for eye blink detection leads to a combination of interest point detection and description of eye opened-closed images and matching steps. The experiment and discuss shows that eye blink detection using SURF method his reliable for realtime processing with accuracy 97,6% at normal blink detection and 100% at blink duration detection.
Keywords: eye detection, face detection, blink detection, haarcascade classifier, SURF.
Penelitian [3] merancang deteksi kedip mata dari citra sumber dengan tingkat kontras yang rendah mendekati tingkat keterangan infrared. Deteksi kedip mata dilakukan berdasarkan perbedaan citra biner antar frame dengan dukungan optical flow tracking dari fitur yang diperoleh melalui metode SIFT untuk mendapatkan ROI deteksi kedip mata. Pengolahan citra memanfaatkan Graphical Processor Unit (GPU) untuk meningkatkan kinerja waktu komputasi. Tingkat akurasi deteksi kedip mata pada penelitian ini sebesar 97%.
Penelitian [2] merancang sistem deteksi kedip mata melalui analisis gerakan berdasarkan metode pada penelitian [1], yaitu gradien antar frame masukan kamera dengan tambahan open-eye template. Deteksi kedip mata pada penelitian ini menghasilkan tingkat akurasi deteksi sebesar 95,3%.
Penelitian [1] merancang suatu metode klik mouse dengan menggunakan kedip mata dan gerakan alis yang tertangkap kamera. Metode pendeteksian berdasarkan perbedaan atau gradien citra biner antar frame dari masukan kamera. Hasil eksperimen menunjukkan tingkat keakuratan klik sebesar 95.6% dengan deteksi kedip mata, dan 89.0% dengan gerakan alis.
INJAUAN P USTAKA
2. T
1. P ENDAHULUAN
dengan metode tapis gabor.
Classifier [5][6][7], area hasil deteksi mata dijadikan Region of Interest (ROI) deteksi kedip yang dilakukan
Deteksi kedip mata pada penelitian-penelitian sebelumnya berbasis metode gradient[1][2], SIFT[3], tapis gabor[4]. Penelitian [1] dan [2] menggunakan perbedaan citra antar frame, penelitian [3] menggunakan optical flow tracking fitur yang diperoleh dari metode SIFT. Penelitian [4] melakukan deteksi wajah dan mata menggunakan Haarcascade
gestur tubuh atau sebagian dari bagian tubuh manusia yang dapat dimanfaatkan untuk keperluan bidang HCI (Human-Computer Interface), dan juga biomedis. Deteksi kedip mata merupakan bagian dari gestur wajah yang dapat dimanfaatkan sebagai masukan untuk interaksi manusia dengan komputer, selain itu, deteksi kedip mata dan pola kedipnya bisa dimanfaatkan dalam bidang penelitian kesehatan mata ataupun bidang perilaku manusia.
Computer Vision saat ini adalah deteksi gerakan dan
Penelitian [4] merancang sistem deteksi kedip mata dengan tapis gabor. Haarcascade classifier digunakan untuk mendeteksi mata, hasil deteksi dijadikan template area mata, selanjutnya area mata ditemukan dengan menggunakan metode template matching dan dilanjutkan dengan tapis gabor untuk mendeteksi kedip mata secara realtime. Tingkat akurasi deteksi kedip mata diklaim mencapai 100%.
Penelitian [5][6][7] merancang suatu metode deteksi objek, yang dikenal juga dengan sebutan sistem deteksi Viola-Jones sesuai dengan nama perancangnya, dan ditambahkan beberapa fitur deteksi oleh Lienhart[6].
Classifier dilatih dengan sampel positif yaitu sampel
gambar objek yang hendak dideteksi, dan sampel negatif yaitu sampel gambar lain yang bukan merupakan objek target deteksi, sampel negatif dapat diambil gambar- gambar yang mungkin menjadi latar belakang dari objek target. Kedua sampel positif dan negatif diskala ke
Salah satu fokus utama penelitian bidang
Berbeda dengan penelitian-penelitian di atas, pada penelitian ini, proses deteksi kedipan mata dilakukan dengan berbasis metode SURF[8]. Berbeda dengan metode SIFT, deteksi interest point, deskripsi dan pencocokan pada metode SURF dilakukan dengan berdasarkan metode integral image[5][6]. Jurnal Amplifier r Vol. 2 No. 2, No opember 2012
ukuran yang g sama (Vio ola-Jones me engambil uku uran 24x24).
Teknik classifier yan ng digunakan adalah cascad de of
boosted cla assifier pada a fitur Haa ar-Like . Casc cade classifier ter rdiri atas seju umlah stage y yang mengand dung strong classif ifier untuk bag gian positif da an weak class sifier
untuk bagia an. Stage di iperoleh dari i hasil pelat tihan
classifier den ngan AdaBoo ost. Fungsi se etiap stage ad dalah
untuk menen ntukan apaka ah sub-window w yang diber rikan “pasti buka an obyek ya ang hendak dideteksi” atau “mungkin o byek yang h hendak didete eksi”. Jika
sub- window dikl lasifikasi “pas sti bukan oby yek yang hen ndak
dideteksi” m maka bagian tersebut didi iskualifikasi. Dan jika sub-win dow diklasifik kasi sebagai “ “mungkin- ob byek yang hendak k dideteksi” maka dilan njutkan ke s stage selanjutnya. Ini berarti semakin ban nyak stage y yang
1. Skema utama sistem Gam mbar
dilewati oleh h sub-window w , semakin be esar kemungk kinan sub-window adalah wajah. .
Peneliti ian [8] meran ncang suatu m metode pendet teksi da an desciptor dari
interest poin nt(discrete im mage point)
suatu suatu c citra sumber, metode ini di iberi nama SU URF (Speeded Up Up Robust Fe eature ). SUR RF dikembang gkan dengan berd dasarkan pada a 2D Haar wavelet , inte egral
image dan m matriks Hessian n. SURF terdi iri atas dua ba agian
utama yaitu u: interest p point detector r , interest p point
descriptor . Data yang diperoleh da ari SURF d dapat
digunakan untuk penc cocokan an ntara deskrip ptor- deskriptor pa ada sumber c citra yang be rbeda (descrip iptor ).
matcher
Bagian Interest poin t descriptor menyajikan ve m ektor fitur dari pi iksel-piksel te etangga untuk k masing-ma asing Gam mbar
2. Skema a proses de eteksi wajah Haarcascade e Classif fier interest poin t. Deskriptor i ini harus mem miliki karakter ristik
khusus, tidak k sensitif terha adap derau, m memiliki nilai t tetap
A. Deteksi Waja ah
atau hampir r tetap terhad dap perubaha an geometri citra Deteksi w ajah dengan Haarcascad de Classifier r ataupun per rubahan phot tometric. Bag gian pencoco okan men nggunakan v variabel scal lefactor = 1 1.1, variabel l
descriptor ve ector merupak kan pencocok kkan interest p point min nSize = 200 0x200, variab bel minNeig ghbors = 2. .
antara suat tu citra den ngan citra lainnya den ngan Koo ordinat pusat (x, y) ditentu ukan sebesar 0 0,5 kali lebar r berdasarkan vektor desk kriptor/vektor fitur yang t telah dan n 0,4 kali tin nggi area per rsegi empat hasil deteksi i diproses sebe elumnya.
Haa arcascade Cla assifier . Gam mbar 2 menunj jukkan skema a deta ail proses dete eksi wajah.
ET TODOLOGI
3. M
Hasil detek ksi wajah real ltime dengan Haarcascade e Sistem deteksi mata pada penelit tian ini diranc cang memi iliki penyimp pangan sebesa ar ±1 hingga a
Cla assifier
menggunaka an bahasa pem mrograman C C++ dengan
IDE ±3 piksel setiap p framenya, s sehingga dipe erlukan suatu u
Visual Studi io Ultimate 2 2010 dan Ope enCV 2.3 Lib brary tapi is untuk untu uk mengurang gi penyimpang gan ini, yaitu u pada sistem operasi Wind dows 7 Home Basic. Pengu ujian berd dasarkan bes sar perbedaan n lokasi koo ordinat pusat t dilakukan de engan menggu unakan Lapto op Aspire 475
50G, waj jah antara fr rame sekaran ng dan akan n ada respon n prosesor inte el core i5, 2G GB DDR3 M Memory, HD L LED perg geseran jika n nilai salah sat tu atau kedua nilai tersebut t LCD 14.23x x8 inchi2, reso olusi 1366 x 7 768 dan Web bcam lebi ih besar da ari ±3. Se hingga ditet tapkan nilai i Acer Crystal l Eye 1.3MP yang terinteg grasi pada lap ptop, perg geseran 5 sebagai ko onstanta bata as pergeseran n
≤ 5 dengan frame operasi rata-rata 10 f fps
e rate
untu uk fungsi d deteksi mata, , dengan as sumsi bawah h Sistem deteksi kedip p mata SURF F yang diban ngun dete eksi kedip m mata dilakuk kan untuk w wajah dalam m pada penelit tian ini didah hului oleh p pra-proses det teksi kea adaan diam. kedip, yang t terdiri atas pr roses deteksi w wajah dan det teksi mata, seperti i terlihat pada Gambar 1.
ISSN: 2089-2020
meter yang cukup kuat, m
mplate mata t eteksi.
turan nilai a diam berdasar untuk keperlu kan koordinat diam. n metode SU ibrasi nilai aw kan antara menunjukkan ibrasi awal
H ASIL D AN P aarcascade
atau Flan minasi pasanga at dengan men an pencocoka n mata terbu eteksi.
cher
sebagai mata t kan dapat d
cher ) setiap in
nHessian 164 muka pengguna ji minHessian t
I a sistem deteksi terhadap jumlah
adaan mata ter hwa deteksi
nHessian dar
Gambar 7 d
Gambar 5 s panel kali ngambilan tem ta tampilan de
Penggunaan merlukan kali ng membedak utup.
Deteksi ha nggunakan at am keadaan d kil wajah, u bang pergerak agai keadaan
4. H
dan Tabel 1 m i citra mata rbuka dan tert kedip dapat 43-4000, yai
diperoleh p maka proses d
Gambar
perlukan citra mbil sebelum
5 p l a i l , i k t g k
a m n n t i
t .
mata inisial), rentang nilai bar 6 untuk abel 1 terlihat pada rentang eadaan tidak h e n . e i
essian, panel
ukan dengan diasumsikan kan koordinat unakan nilai kurang dari 5 deteksi kedip dapatkan hasil ka dan mata yang terdiri
N
interest point rak euclidian.
nterest point p
pada langkah dilanjutkan ke pada keadaan mata tertutup. ngan metode dan diperbaiki
i kedip mata h interest point
URF untuk d wal hingga did mata terbuk n antarmuka nilai minHe terbuka(citra menunjukkan a pada Gamb tutup. Dari Ta t berjalan p itu suatu ke
mata dilaku ambang yang rkan pergerak uan ini dig wakil wajah
EMBAHASAN
d an-pasangan i nggunakan jar an maka dip uka yang diam
nn matcher
terbuka dan m dilakukan den
uk mengelim ng kurang tepa tuk melakuka abase keadaan ivasi proses de
Jika param tama belum c ncocokan(matc ng diketahui s oses pencocok
Mata
Gambar 3 me um deteksi de kan sebagai R ahulu dioptim efektif. Nilai n Haarcascad
teksi kedip di yang digunak
bandingkan a an-keadaan te ang cukup ku n tertutup. U engan membu rasi sebelum ma SURF yang
c wajah yang
i kedip mata cari interest p up pada beb
Kedip Mata S
m alir pada G si mata sebelu mata digunak n terlebih da yang lebih e p mata dengan ksi wajah.
iagram alir de ata kema SURF y edip
dengan SUR
adalah memb pada keadaa parameter ya terbuka dan diperkuat de bisa dikalibr Skema utam Gambar 4.
photomectric
Deteksi adalah menc mata tertutu
Deteksi K
Diagram proses deteks hasil deteksi mata dengan komputasi y deteksi kedip dengan detek C.
4. Sk ke
3. Di ma Gambar
B. Deteksi M
SURF
point antara m
6. Citra uj
Gam Gam
5. Antarm mbar
min mbar
kea bah
min
untu yan Unt data akti men dala wak amb seb mem yan tertu atas pen sert
Bru
pert pen yan Pro
dikan mata ini yang eksi. pada
berapa lokas g terdeteksi. L ada dan tidakn ersebut yang uat untuk men
point
detail Area kedip ujuan iabel sama rnya dan ntasi tama
teksi teksi
RF pada dasar mata terbuka si dan orien Langkah pert nya interest p dapat dijad ndefinisikan m kah pertama mal hessian y si proses dete ditunjukkan p
de Classifier s
enunjukkan d teksi kedip. A ROI deteksi k masi untuk tuj variabel-vari
imulai dari de kan untuk det
Untuk langk uat nilai minim mengaktivas g digunakan
ute force matc Jurnal Amplifier r Vol. 2 No. 2, No opember 2012
Gambar
7. Gr rafik hasil uj i jumlah inte erest point(ord dinat) ke eadaan mata b uka dan tutup p berdasarkan nilai Gam mbar
8. Contoh h kalibrasi SUR RF dengan min nHessian 1200 mi inHessian(axis) ) dengan n (a)mata tertu utup dan (b) mata terbuka, , pasang gan i dan ii ad dalah mata ini isial dan mata a
T T ABEL
1 sekaran ng
UMLAH INTER REST POINT TERH HADAP NILAI MI
IN ESSIAN OPTIM MAL J H UNTUK K DETEKSI KEDIP P DARI CITRA UJI
I PADA AMBAR R G
6 Interest t Point
minHess sian
buka tutup 1635
5
5
1 1636
6
5
1 1637
7
5
1 Gam mbar
9. Pasang gan buka-tutup mata minHe ssian = 1800, , dengan n bagian kanan n pasangan citr ra mata adalah h
1638
8
5
1
inisial( (i) dan bagian k kiri adalah citr ra sekarang (ii) )
1639
9
5
1
masing g-masing: a fro ontal , b lirik kanan, c lirik k
1640
5
1
bawah, , d lirik kiri, e li irik atas
1641
1
5
1
1642
2
5
1 pers syaratan stan ndar matching g untuk digu unakan dalam m 1643
3
5 1 dete eksi kedip ma ata.
Untuk bebe erapa keadaan n tertentu pada a saat operasi i 1644
4
5 berl langsung bis a saja terjad di suatu kea adaan deteksi i 1645
5
5 ked dipan mata yang tidak dapat dilaku ukan dengan n 1646
6
5
stan ndard match hing , sehing gga digunak kan metode e
1647
7
5 pen ncocokan seba agai cadangan n jika pendete eksian interest t 1648
8
5
poin nt saja tidak c cukup, yaitu ji ika tidak terda apat pasangan n
1649
9
5 yan ng ditemukan n antara ma ata inisial d dengan mata a ..... ..... ..... sek arang, maka didefenisika an bahwa m mata sekarang g
4000
2 dala am keadaan te ertutup (good matching ).
Gambar 10 0 menunjukk kan bahwa m metode good d terdapat inte rest point wa aktu mata tertu utup dan min imal
mat tching denga an berdasarka an jarak euc clidian dapat t 1 interest poi int saat mata t terbuka(standa dard matching ) ).
men ndiskualifikas si pasangan yang tidak k
interest poin t
Penguji ian deteksi ke dip mata hany ya dilakukan p pada sign nifikan. Sehin ngga penggun naan good ma atching dapat t mata kiri, de engan tingkat t pencahayaan n optimal ope erasi ditu ujukan untuk k meminimal lisir kemung gkinan masih h
haarcascade e (rata-rata
4 400 Lux). Gambar 8(a) terd deteksinya pas sangan interes st point saat m mata menutup, , menunjukkan n kalibrasi aw wal yang dihar rapkan, sedang gkan dan n pada pengg gunaannya ak ktivasi kedip dengan good d Gambar 8(b
b) menunjukk kan hasil pen ncocokan inte erest
mat tching aktif jika standar rd matching menemukan n point citra m mata yang sed dang berlangs sung dengan citra
inte erest point yan ng cocok. Pe erhatikan Gam mbar 11, jika a mata inisial. tida ak ada inter rest point ya ang cocok d dengan good d
Keadaa an ideal dalam m deteksi ke edip mata ad dalah
mat tching maka d didefinisikan b bahwa mata d alam keadaan n
dengan terde eteksinya sejum mlah pencoco okan interest p point tertu utup. (minimal 1) ) pada saat mata terbuka a dan tidak ada
Hasil ekspe erimen kedip mata norma l dan deteksi i interest poin nt yang coc ok pada saa at mata tertu utup. ked dip mata den ngan durasi mata tertutup p pada nilai i
Gambar 9 m menunjukkan bahwa uji co oba keadaan b buka min nHessian opti imal 1800 pa ada pencahay yaan rata-rata a dan tutup d dengan nilai minHessian 1800 memen nuhi
400 0 Lux ditunjuk kkan pada Tab bel 2 dan Tabe el 3.
ISSN: 2089-2020
dan ebesar 97,6% eksi keadaan m dan 15 detik.
i i n i
Jones, “Robust Journal of Com No. 2, hal. 137- Maydt, 2002, “A
New Generations Jones, “Rapid ade of Simple F on and Pattern
e, David Byrns nis Laurendea th GPU-Based ference, Compu onny Mardiyan on and Gaze Es bor Filter Utiliz rnational Con
Real Time”, on and Pattern , M. Betke, “R on with USB C ence Technical R
R EFERE , M. Betke on Via Eye Bli
matching
I PULAN
5, sehingga p adaan wajah t na fluktuasi p l deteksi ked
eksi kedip ma terdiri atas eteksi mata, d teksi kedip metode Haarc diberikan tapi
5. K ESIMP
K. Grauman, “Communicati Analysis in Computer Visi 2, 2001 Michael Chau Blink Detectio Computer Scie Marc Lalonde Teasdale, Den Detection wit Canadian Conf Kohei Aai, R Blink Detectio Particular, Gab Eighth Inter Technology: N P. Viola, M. Boosted Casca Computer Visio P. Viola, J. J. International J 5691, Vol. 57, N R.Lienhart, J.M Features for R International C
e
ata berbasis m tiga proses d dan deteksi k mata diranc
assifier . Hasil
wakil wajah si selanjutnya ak mengalami
05-12, 2005 non, Normand e Eye Blink cking”, Fourth
G. Bradski, n and Duration of the IEEE onference, Vol. e Tracking and ston University
memiliki n normal, dan dalam durasi
hing
ng dilengkapi
Haarcascace
sifie r. Sistem
cascade Class
metode SURF deteksi, yaitu kedip. Deteksi cang dengan
Recognition, 20 t Real-Time Fa mputer Vision,
Report No. 200 s, Langis Gag au, “Real-tim d SIFT Trac uter and Robot V nto, “Compara stimation Metho zed Blink Detec nference on s, 2011 d Object Detec Features” IEEE
Proceedings Recognition C Real Time Eye Cameras”, Bos
ENSI , J. Gips, inks - Detection
is koordinat proses deteks terdeteksi tida pendeteksian dip mata yan n good match untuk kedipan mata tertutup
ngan standar gkat akurasi se 0% untuk dete etik, 10 detik
≤ jalan pada kea geseran karen
F u i n m h a i
T ABEL
h dan good m mata adalah in a sekarang(ii) engan good ma ng
KEDIP MATA DE
i kedip posit mendeteksi ad eteksi kedip mendeteksi ad ip. ksperimen y ksi kedip ma k kedip mata n p dalam duras deteksi yang ncahayaan ya tan mengatur n menyebabkan n dengan baik
mata tertutup p positif salah sa
Deteksi kedip de (ii) citra sekaran T D ETEKSI KED kedip kedip positif sa kedip negatif s T
Standard match pasangan citra kiri adalah citra
Dari e sistem detek 97,6% untuk mata tertutup Kesalahan d tingkat pen Ketidaktepat awal dapat m tidak berjalan
ABEL
Deteksi mata tidak m berkedip, de kedip mata m tidak berkedi
D ETEKSI Durasi Deteksi kedip Akurasi
11. D ( Total deteksi Total deteksi Total deteksi Total akurasi
Gambar
10. S p k
Gambar
2 DIP MATA NORM alah alah T
if salah adal danya kedipan negatif salah danya kedipa yang dilakuka ata yang dira normal dan 10 i 5 detik, 10 d terjadi dapat ang terkadan nilai minHess sistem detek k.
3 ENGAN KEADAAN TERTUTUP 5s alah 0 100%
, n E . d y d k h n n , n A n ,
[1] [2] [3] [4] [5] [6] [7] [8]
den ting 100 5 de
Cla
kedip mata teksi mata urasi capai teksi detik. oleh tabil. brasi a ini yan dete waj men dete den berj perg
A 5s 00%
kanan agian nisial,
00% untuk det detik dan 15 d disebabkan ng tidak st
Sistem dete ng dirancang eksi wajah, d jah dan det nggunakan m eksi wajah d ngan nilai
lah deteksi k n pada saat m h adalah det an pada saat m an, total aku ancang menc
10s 1 100% 10
12 97,6% N DURASI MATA
28
MAL 2000
atch, bagian k nisial(i), dan ba atch, (i) citra in
Vision, 2007. ative Study on ods for HCI, in ction Method”, Information ction Using A Conference on 001 ace Detection”, , ISSN: 0920- 4,
- e e , , ,
- 154, May 2004 An Extended S Detection”, Proc n Image Proc k, USA, hal. I nne Tuytelaars, res (SURF)”,
Luc Van Gool, Elsevier, 2008
Set of Haar-like ceedings of the cessing (ICIP), I-900 – I-903,
02 Andreas Ess, Tin Robust Featur
Rapid Object D Conference on ter, New York
ksi kedip mata
8
ian pada kalib
IEEE, Roches September 200 Herbert Bay, A “Speeded-Up