Pengenalan Wajah Menggunakan Metode Eigenface.
ABSTRAK
Dalam laporan tugas akhir ini dijelaskan mengenai suatu sistem pengenal
identitas manusia dengan menggunakan wajah sebagai pengenalnya, atau yang
lebih dikenal dengan
Face Recognition
. Tujuan dari sistem yang dibuat adalah
untuk menentukan sebuah citra apakah berupa wajah atau tidak. Metode
Face
Recognition
yang digunakan dalam tugas akhir ini adalah metode
eigenface
yang
diperkenalkan oleh Turk dan Pentland (1991) yang menggunakan teknik PCA
(
Principal Component Analysis
) yang dikembangkan oleh Kirby dan Sirovich
(1987).
Sistem yang dibuat dalam tugas akhir ini dibagi ke dalam dua modul
utama, yaitu konstruksi
eigenface
dan pengenalan. Dalam modul pertama
dibentuk suatu set
eigenface
dari suatu
training
set dan dihitung bobotnya
masing-masing. Pada modul kedua dilakukan proses pengenalan dengan cara
memproyeksikan gambar masukan terhadap
eigenface
atau menghitung jarak
euklidis minimumnya dari masing-masing input terhadap
eigenface
yang telah
dibentuk.
Pengujian dilakukan dengan input gambar wajah yang terdapat pada
training set dengan input gambar wajah tidak dikenal, dan bukan wajah. Hasil
pengamatan yang didapat adalah bahwa jarak euklidis maksimum untuk suatu
wajah kira-kira 15000 dan jarak euklidis minimumnya adalah di sekitar 11000.
(2)
ABSTRACT
In this final project is explained about human identification system using
face as an identity and later we call it face recognition. The purpose from the
system that is builded to make decision if a picture represent a person image
or not. The method that used in this final project is eigenface method. This
method is proposed by Turk and Pentland (1991) using PCA (Principal
Component Analysis) technique that developed by Kirby and Sirovich (1987).
The system is divided into two main stage, they are eigenface construction,
and recognition. The first stage construct a set of eigenface from training set
and measure the weight of every image on the training set. The recognition
process is applied in the last stage to project the input face to the eigenface or
measuring the minimum Euclidean distance for every input to the eigenface.
Tested image are input face image from the training set, with input face image
an unknown face, and not a face image. The final result represents the
maximum Euclidean distance for a face is approximately 15000 and the
minimum is around 11000.
(3)
DAFTAR ISI
ABSTRAK………i
ABSTRACT………ii
KATA PENGANTAR………iii
DAFTAR ISI………v
DAFTAR GAMBAR……….vii
DAFTAR TABEL……….…..ix
BAB I PENDAHULUAN
I.1 Latar Belakang………1
I.2 Perumusan Masalah………3
I.3 Tujuan……….3
I.4 Pembatasan Masalah………...3
I.5 Sistematika Pembahasan……….3
BAB II DASAR TEORI
II.1 Pengertian Citra……….……….6
II.1.1 Citra………..………6
II.1.2 Bitmap……….……...……..………6
II.2 Konsep Dasar Pengolahan Citra……….6
II.3 Face Recognition ………..……….7
II.4 Ekualisasi Histogram ………..………..….8
II.5 Segmentasi Warna ………..………...8
II.6 Morfologi………....9
II.7 Normalisasi………...…10
II.8 Contoh Aplikasi ………..……….10
(4)
BAB III IMPLEMENTASI ALGORITMA EIGENFACE DAN REALISASI
PERANGKAT LUNAK
III.1 Eigenface …………..……….………….………13
III.1.1 Algoritma Eigenface………..………..….13
III.1.2 Pengenalan Menggunakan Eigenface………..……….15
III.2 Realisasi Perangkat Lunak ……….………..………..16
III.2.1 Konstruksi Eigenface…………..………..18
III.2.2 Perhitungan Bobot Eigenface ………..19
III.2.3 Pengenalan (Recognition)……..………...20
BAB IV HASIL PENGAMATAN DAN ANALISA DATA
IV.1 Konstruksi Eigenface ………..………….………..22
IV.2 Pengenalan (recognition)………..…………..………25
IV.3 Pengenalan Pada Gambar Input Yang Terdapat Dalam Training Set..…..27
IV.4 Pengenalan Pada Gambar Input Yang Tidak Terdapat Dalam Training
Set ………32
IV.5 Pengenalan Pada Gambar Input Yang Tidak Terdapat Dalam Training
Set Dan Bukan Wajah………...37
IV.6 Hasil Pengamatan………….………..………43
IV.7 Analisa Hasil Pengamatan…………..………49
BAB V KESIMPULAN DAN SARAN
V.1 Kesimpulan……...………...51
V.2 Saran……….51
DAFTAR PUSTAKA
LAMPIRAN A Listing Program Eigenface...…………...………A1
(5)
DAFTAR GAMBAR
Gambar II.1 : Blok Diagram Face Recognition………...……….7
Gambar II.2 : Blok Diagram Aplikasi Sistem Autentikasi Visa Dan Paspor….11
Gambar III.1 : Diagram Blok Perancangan Sistem Pengenalan Wajah
Menggunakan Metode Eigenface………..…...15
Gambar III.2 :Diagram Alir Proses Pengenalan Wajah Menggunakan
Eigenface………..………16
Gambar III.3 : Diagram Alir Sub Program Konstruksi Eigenface ………..17
Gambar III.4 : Diagram Alir Sub Program Perhitungan Bobot Eigenface Pada
Training Set………..19
Gambar III.5 : Diagram Alir Sub Program Perhitungan Bobot Eigenface Pada
Gambar Baru………19
Gambar IV.1 : Training Set Untuk Membentuk Set Eigenface………...21
Gambar IV.2 : Training Set Setelah Di Normalisasi………22
Gambar IV.3 : Average Face ………...….………...………...23
Gambar IV.4 : Set Eigenface ……….………..23
Gambar IV.5 : Gambar Input 1 Dan Gambar Rekonstruksinya ………..24
Gambar IV.6 : Bobot Dan Jarak Euklidis Gambar Input 1………...……...25
Gambar IV.7 : Training Set Untuk Gambar Input Yang Akan Dicoba …...….26
Gambar IV.8 : Gambar Input 8 Dan Gambar Rekonstruksinya ………..27
Gambar IV.9 : Bobot Dan Jarak Euklidis Gambar Input 8………...……...27
Gambar IV.10 : Gambar Input 10 Dan Gambar Rekonstruksinya ……...……....28
Gambar IV.11 : Bobot Dan Jarak Euklidis Gambar Input 10……….……...28
Gambar IV.12 : Gambar Input 32 Dan Gambar Rekonstruksinya ………....29
Gambar IV.13 : Bobot Dan Jarak Euklidis Gambar Input 32……….……...29
Gambar IV.14 : Gambar Input 56 Dan Gambar Rekonstruksinya ………....30
Gambar IV.15 : Bobot Dan Jarak Euklidis Gambar Input 56……….……...30
Gambar IV.16 : Gambar Input Baru 1 Dan Gambar Rekonstruksinya…………..31
(6)
Gambar IV.17 : Bobot Dan Jarak Euklidis Gambar Input Baru 1……….32
Gambar IV.18 : Gambar Input Baru 2 Dan Gambar Rekonstruksinya…………..32
Gambar IV.19 : Bobot Dan Jarak Euklidis Gambar Input Baru 3……….33
Gambar IV.20 : Gambar Input Baru 3 Dan Gambar Rekonstruksinya…………..33
Gambar IV.21 : Bobot Dan Jarak Euklidis Gambar Input Baru 3……….34
Gambar IV.22 : Gambar Input Baru 4 Dan Gambar Rekonstruksinya…………..34
Gambar IV.23 : Bobot Dan Jarak Euklidis Gambar Input Baru 4……….35
Gambar IV.24 : Gambar Input Baru 5 Dan Gambar Rekonstruksinya…………..35
Gambar IV.25 : Bobot Dan Jarak Euklidis Gambar Input Baru 5……….36
Gambar IV.26 : Gambar Input Bukan Wajah 1 Dan Gambar Rekonstruksinya ...37
Gambar IV.27 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 1……...37
Gambar IV.28 : Gambar Input Bukan Wajah 2 Dan Gambar Rekonstruksinya ...38
Gambar IV.29 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 2……...38
Gambar IV.30 : Gambar Input Bukan Wajah 3 Dan Gambar Rekonstruksinya ...39
Gambar IV.31 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 3……...39
Gambar IV.32 : Gambar Input Bukan Wajah 4 Dan Gambar Rekonstruksinya ...40
Gambar IV.33 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 4……...40
Gambar IV.34 : Gambar Input Bukan Wajah 5 Dan Gambar Rekonstruksinya ...41
Gambar IV.35 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 5……...41
Gambar IV.36 : Grafik Untuk Tabel IV.3 Dengan Input B1-B5……….…..45
Gambar IV.37 : Grafik Untuk Tabel IV.3 Dengan Input B6-B10…………...…..45
Gambar IV.38 : Grafik Untuk Tabel IV.4 Dengan Input Bw1-Bw5……….……47
Gambar IV.39 : Grafik Untuk Tabel IV.4 Dengan Input Bw6-Bw10……….…..48
(7)
DAFTAR TABEL
Tabel IV.1
: Jarak Euklidis Maksimum Dan Minimum Semua Gambar
Training Set Yang Dicoba………42
Tabel IV.2
: Jarak Euklidis Maksimum Dan Minimum Input Baru Dan Bukan
Wajah………...43
Tabel IV.3
: Beda Jarak Euklidis Minimum Antara Training Set Dengan Input
Baru………..43
Tabel IV.4
: Beda Jarak Euklidis Min Antara Training Set Dengan Input
Bukan Wajah………46
(8)
Pro
ce
% Pengenalan wajah menggunakan metode Eigenface
clear close clc
%Ba
M=4
%Pemilihan standar deviasi dan rata-rata.
um= ustd=8
%Me
S=[ figure
for i=1:M str
eval('gbr=imread(str);'
gbr=gb sub ims
if i== title( end drawnow; [ir temp=reshape(gbr',irow*icol,1); S=[S t end
%Mengganti mean dan standar deviasi dari semua gambar for i=
temp=double(S(:,i)); m=mean(temp);
t=std(temp);
(:,i)=(temp-m)*ustd/st+um;
nd
Menampilkan gambar yang sudah dinormalisasi for i=1:M
tr=strcat(int2str(i),'.jpg'); br=reshape(S(:,i),icol,irow); br=gbr';
val('imwrite(gbr,str)');
ubplot(ceil(sqrt(M)),ceil(sqrt(M)),i) mshow(gbr)
rawnow; i==4
itle('Training Set setelah di Normalisasi','fontsize',18)
end
gram Simulasi Eigenfa
all all
nyaknya jumlah gambar yang akan di training set.
;
100; 0;
mbaca dan menampilkan gambar.
]; (1);
=strcat(int2str(i),'.bmp'); );
r(:,:,1);
plot(ceil(sqrt(M)),ceil(sqrt(M)),i) how(gbr)
4
'Training set','fontsize',18)
ow icol]=size(gbr); emp]; 1:size(S,2) s S e % figure(2); s g g e s i d if t
(9)
end
(m);
(tmgbr,icol,irow);
'Average Face','fontsize',18)
e(S(:,i));
arians C=A'A, L=AA'
vv,2) i)]; ); eros(size(index)); mp=zeros(size(index)); dex(i); mp; temp;
igen dari matriks C
sqrt(d(i)); %Gambar rata2 ean(S,2); m=m tmgbr=uint8 gbr=reshape br'; gbr=g figure(3); (gbr); imshow
title( dbx=[];
for i=1:M temp=doubl dbx=[dbx temp]; end v %Matriks ko A=dbx'; L=A*A'; [vv dd]=eig(L); v=[]; d=[]; ize(
for i=1:s
if(dd(i,i)>1e-4) vv(:,i)]; v=[v d=[d dd(i, end end ndex]=sort(d [B i =z ind dte vtemp=zeros(size(v)); pjg=length(index);
for i=1:pjg
dtemp(i)=B(pjg+1-i); ind(i)=pjg+1-in vtemp(:,ind(i))=v(:,i); end d=dte v=v
%Menormalisasikan vektor2 eigen for i=1:size(v,2)
kk=v(:,i); temp=sqrt(sum(kk.^2)); v(:,i)=v(:,i)./temp; end e %Vektor2 u=[]; =1:size(v,2)
for i temp=
(10)
u=[u (dbx*v(:,i))./temp]; 2) 2)); ure(4); u,2) l,irow); 5); ot(ceil(sq (M)),ceil(sqrt(M)),i) w(gbr)
genfaces','fontsize',18)
i masing2 wajah yang ada di training set.
,2) ; =1:size(u,2) u(:,i)'; :, '); aru
masukan input yang akan di coba dan enya\n','s');
cat('D:\Franky\T.A\Software\Percobaan\',Gbrinput)); input =Gbrinput(:,:,1); ure(5) );title('Gambar size',18) rinput)',irow*icol,1); an(temp); d(temp); end
for i=1:size(u, kk=u(:,i);
temp=sqrt(sum(kk.^ u(:,i)=u(:,i)./temp;
end
%Menampilkan gambar2 eigenface
fig
for i=1:size(
gbr=reshape(u(:,i),ico gbr=gbr'; gbr=histeq(gbr,25 rt subpl ho ims drawnow;
if i==4 title('Ei end end
%Mencari berat dar
omega = [];
for h WW=
=1:size(dbx []
for i t =
Bobotgbr = dot(t,dbx( h) WW = [WW; Bobotgbr];
end
omega = [omega WW];
end
%Mengambil input gambar b
put = input('Tolong
Gbrin format fil Gbrinput = ead(str imr Gbr fig subplot(1,2,1) olormap('gray' imagesc(Gbrinput); c
Input','font
Gbrmsk=reshape(double(Gb temp=Gbrmsk; me=me st st= temp=(temp-me)*ustd/st+um; = temp; Gbrnorm
Selisih = temp-m;
(11)
p = []; aa=si
i = 1:aa ze(u,2);
(:,i));
,1:aa)*p;
pe(GbrRekonstuksi,icol,irow); konstuksi = GbrRekonstuksi';
ksi); colormap('gray');
tsize',18)
= dot(t,Selisih');
= [BobotBaru; BobotGbrInput];
1:M; e(6) plot(1,2,1) s 2) t); = 1:size(e,2); for
ptg = dot(Gbrnorm,u ;
p = [p; ptg]
end
(: GbrRekonstuksi = m + u
konstuksi = resha GbrRe
Re Gbr
%Menampilkan gambar rekonstruksi
2) subplot(1,2,
imagesc(GbrRekonstu
title('Gambar Rekonstruksi','fon
BobotBaru = [];
for i=1:size(u,2) t = u(:,i)';
put BobotGbrIn BobotBaru end ll = ur fig sub stem(ll,BobotBaru)
Gambar Input','fontsize',14) title('Bobot
jarak eklidi %Mencari
e=[];
ega,
for i=1:size(om q = omega(:,i);
ru-q; SelisihBobot = BobotBa
norm(SelisihBobo mag =
e = [e mag];
end
kk
subplot(1,2,2) stem(kk,e)
title('Jarak Euklidis Gambar input','fontsize',14)
Jarak_euklidis_maksimum =max(e) ) Jarak_euklidis_minimum =min(e
(12)
BAB I
PENDAHULUAN
I.1 Latar Belakang
Semua makhluk hidup yang ada di dunia ini memiliki kemampuan untuk
mengenali identitas dirinya dan makhluk serta benda-benda lain di sekitarnya.
Kemampuan adaptasi setiap makhluk hidup pada lingkungan tempat tinggalnya
merupakan salah satu contoh identifikasi dari makhluk hidup yang bersangkutan
terutama terhadap perubahan lingkungan sekitar, yang nantinya akan menentukan
aksi apa yang harus dilakukan sehingga bisa bertahan hidup lebih lama.
Manusia dianugerahi lima buah indera yang berfungsi untuk
mengidentifikasi keadaan lingkungan di luar tubuhnya, dengan otak sebagai pusat
proses dan kontrol dari kelima indera tersebut. Dalam hal melakukan identifikasi,
otak manusia memiliki kemampuan yang luar biasa. Dari hasil pendengaran ia
bisa membedakan identitas individu lain dari suaranya. Dari hasil penglihatan ia
mampu membedakan individu lain dari fisik tubuh, terutama wajahnya.
Berdasarkan penelitian para ahli, dapat diketahui bahwa melalui kelima
inderanya manusia membedakan individu lain dengan suatu parameter tertentu
terutama ukuran fisik individu yang bersangkutan. Telinga akan membedakan
identitas dengan ukuran perbedaan tekanan suara, warna suara, intensitas suara,
dan lainnya. Hidung akan membedakan melalui bau-bauan yang diterimanya,
mata akan membedakan manusia melalui ukuran fisik yang terlihat.
Ukuran-ukuran fisik manusia secara umum merupakan sesuatu yang bersifat unik. Artinya
setiap manusia akan memiliki ukuran tertentu pada tubuhnya yang belum tentu
sama dengan yang lainnya. Dari sinilah setiap individu akan mampu membedakan
individu lain, dengan akurasi yang sangat tinggi. Ukuran-ukuran pada tubuh ini
dikenal sebagai
biometrik.
(13)
2
Secara umum biometrik merupakan ukuran yang terdapat pada fisik setiap
individu yaitu pada fisiologi tubuh dan sifat atau kebiasaan dari suatu individu
tertentu yang digunakan sebagai pengenal individu yang bersangkutan.
Berdasarkan definisinya, maka secara garis besar teknologi biometrik ini dibagi
menjadi dua macam, yaitu :
a.
Biometrik fisiologi
Biometrik fisiologi menggunakan ukuran fisiologi manusia sebagai
pengenalnya, misalnya pola sidik jari, pola iris mata, geometri tangan,
suara, retina, wajah, struktur DNA dan sebagainya.
b.
Biometrik behavioral
Biometrik behavioral menggunakan kebiasaan manusia sebagai
pengenalnya, misalnya cara bicara, cara berjalan, cara menulis dan
sebagainya.
Secara umum manusia menggunakan wajah untuk mengenali seseorang.
Kemampuan otak manusia membedakan wajah setiap individu yang dilihatnya
sangat menganggumkan, sehingga manusia mampu membedakan mana yang
dikenal dan yang tidak dikenal. Inilah yang melatarbelakangi para ahli terutama
yang bergerak dalam bidang computer vision untuk menciptakan suatu sistem
yang dapat melakukan identifikasi otomatis seperti yang terjadi pada otak manusia
(walaupun tidak sesempurna otak) dengan menggunakan biometrik sebagai
parameter utamanya, sistem ini dikenal sebagai Face Recognition [1].
Menurut (Samal and Iyengar, 1992; Chellapa, etc., 1995) face recognition
merupakan suatu sistem yang sulit untuk dibuat karena kekompleksan dari
keadaan wajah itu sendiri yaitu dalam hal kualitas gambar dan fotometri yang
ditangkap, dari mulai segi warna, pencahayaan dan iluminasi hingga posisi
gambar yang tertangkap. Hal lain yang lebih kompleks adalah dalam hal
perubahan geometri (karena perubahan ekspresi), kesamaran yang dimungkinkan
karena wajah tertutup sesuatu seperti kacamata, masker dan sebagainya. Karena
pada umur yang berbeda keadaan wajah seseorang secara umum berubah.
Keadaan alat untuk menangkap gambar yang terbaik dan yang terpenting adalah
algoritma yang mantap (robust algorithm). Dalam tugas akhir ini digunakan
algoritma
eigenface yang mampu diterapkan pada berbagai macam kondisi,
(14)
3
sehingga sistem bisa digunakan dengan mudah oleh siapapun dan dimana saja
tergantung dari keperluannya.
I.2 Perumusan Masalah
1.
Bagaimana merealisasikan perangkat lunak untuk proses pengenalan
wajah dengan menggunakan algoritma eigenface ?
2.
Bagaimana rekonstruksi gambar input dengan training set jika gambar
input ada di dalam training set, jika gambar input tidak ada di dalam
training set dan, jika gambar input bukan wajah ?
I.3 Tujuan
Merealisasikan suatu perangkat lunak untuk menentukan sebuah citra
apakah berupa wajah atau tidak dengan menggunakan metode eigenface.
I.4 Pembatasan Masalah
1.
Pengenalan wajah menggunakan metode eigenface.
2.
Menggunakan bahasa pemrograman Matlab.
3.
Gambar yang akan diuji memiliki ukuran antara 80 x 96 piksel.
4.
Gambar yang akan diolah telah disimpan dahulu dalam format BMP.
5.
Ukuran piksel gambar yang akan dicoba atau dibandingkan harus sama
dengan ukuran piksel gambar training set yang telah diolah..
I.5 Sistematika Penulisan
Laporan Tugas akhir ini memiliki sistematika pembahasan sebagai berikut:
BAB I PENDAHULUAN
Dalam bab ini berisi tentang pendahuluan yang melingkupi latar belakang,
perumusan masalah, tujuan, pembatasan masalah, serta sistematika penulisan.
BAB II DASAR TEORI
(15)
4
Dalam bab ini berisi tentang dasar teori mengenai sejarah face recognition,
konsep pengolahan citra digital, permasalahan yang timbul dalam face
recognition, ekualisasi histogram, segmentasi warna, morfologi, normalisasi dan
contoh aplikasi face recognition
.
BAB III IMPLEMENTASI ALGORITMA EIGENFACE DAN REALISASI
PERANGKAT LUNAK
Bab ini berisi tentang implementasi metode eigenface dan algoritmanya
serta realisasi perangkat lunak berdasarkan algoritma tersebut.
BAB IV HASIL PENGAMATAN DAN ANALISA DATA
Bab ini berisi tentang hasil pengamatan dan analisa data.
BAB V KESIMPULAN DAN SARAN
(16)
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Kesimpulan yang diperoleh dari Tugas Akhir ini adalah sebagai berikut:
1.
Realisasi perangkat lunak menggunakan metode dan algoritma
eigenface
telah berhasil dilakukan.
2.
Dari semua percobaan dalam tugas akhir ini didapat jarak euklidis
minimum rata-rata untuk gambar training set = 10322,29 untuk input baru
di luar training set = 11042,9 dan untuk input bukan wajah = 13697,4.
3.
Jarak euklidis maksimum untuk suatu wajah kira-kira 15000 dan jarak
euklidis minimumnya adalah di sekitar 11000.
V.2 Saran
Saran yang dapat digunakan untuk pengembangan selanjutnya adalah:
1.
Implementasikan untuk aplikasi
real time
dengan langsung mengambil
foto wajah orang yang akan dikenali.
2.
Penambahan jumlah
database
dalam
training
set dan satu orang memiliki
pose dengan ekspresi yang berbeda-beda. Bisa juga wajah-wajah dalam
training
set diusahakan dari berbagai macam suku bangsa dan beberapa
wajah menggunakan aksesoris selain kacamata untuk meningkatkan
kemampuan sistem dalam melakukan pengenalan.
(17)
DAFTA
AKA
1.
Bonsor, Kevin. “ How Facial Recognition System Work” 2002. June 24,
s.com/facial-recognition.htm
2.
R PUST
2002. http://www.howstuffwork
Chendrillon, Raphael. “Real Time Face Recognition Using Eigenface”.
Thesis for Bachelor Degree at Queensland University. Desember 1999.
3.
Leung, Carlos. “Real Time Face Recognition”. Thesis for Bachelor Degree
at Queensland University, Australia. 2001.
4.
Motttram, Bob. “Face Location in Unstructured Images”. 7
thJan 2001.
http://www.btinternet.com
.
5.
Penman, Richard. “The Role of Facial Recognition Biometric in the
Security Indrutry”. Research Paper 6 July 2002.
Russ, John C. (1999). “The Image Processing Handbook”, Third Edition.
6.
A CRC Handbook Published in Cooperation with IEEE Press 2000
Corporate Blvd.,N. W., Boca Raton Florida 33431.
ital Image Processing and Computer
8.
Tutorial”. Drexel University.
9.
for recognition”, 1991,
7.
Schalkoff, Robert J. (1989). “Dig
Vision”. John Wiley & Sons, Inc. Singapore.
Serrano, Santiago. (2003), “Eigenface
Turk, M. A., Pentland, A. P., “Eigenfaces
Cognitive Neurosci., V. 3, no.1.
(1)
BAB I
PENDAHULUAN
I.1 Latar Belakang
Semua makhluk hidup yang ada di dunia ini memiliki kemampuan untuk mengenali identitas dirinya dan makhluk serta benda-benda lain di sekitarnya. Kemampuan adaptasi setiap makhluk hidup pada lingkungan tempat tinggalnya merupakan salah satu contoh identifikasi dari makhluk hidup yang bersangkutan terutama terhadap perubahan lingkungan sekitar, yang nantinya akan menentukan aksi apa yang harus dilakukan sehingga bisa bertahan hidup lebih lama.
Manusia dianugerahi lima buah indera yang berfungsi untuk mengidentifikasi keadaan lingkungan di luar tubuhnya, dengan otak sebagai pusat proses dan kontrol dari kelima indera tersebut. Dalam hal melakukan identifikasi, otak manusia memiliki kemampuan yang luar biasa. Dari hasil pendengaran ia bisa membedakan identitas individu lain dari suaranya. Dari hasil penglihatan ia mampu membedakan individu lain dari fisik tubuh, terutama wajahnya.
Berdasarkan penelitian para ahli, dapat diketahui bahwa melalui kelima inderanya manusia membedakan individu lain dengan suatu parameter tertentu terutama ukuran fisik individu yang bersangkutan. Telinga akan membedakan identitas dengan ukuran perbedaan tekanan suara, warna suara, intensitas suara, dan lainnya. Hidung akan membedakan melalui bau-bauan yang diterimanya, mata akan membedakan manusia melalui ukuran fisik yang terlihat. Ukuran-ukuran fisik manusia secara umum merupakan sesuatu yang bersifat unik. Artinya setiap manusia akan memiliki ukuran tertentu pada tubuhnya yang belum tentu sama dengan yang lainnya. Dari sinilah setiap individu akan mampu membedakan individu lain, dengan akurasi yang sangat tinggi. Ukuran-ukuran pada tubuh ini
(2)
2
Secara umum biometrik merupakan ukuran yang terdapat pada fisik setiap individu yaitu pada fisiologi tubuh dan sifat atau kebiasaan dari suatu individu tertentu yang digunakan sebagai pengenal individu yang bersangkutan. Berdasarkan definisinya, maka secara garis besar teknologi biometrik ini dibagi menjadi dua macam, yaitu :
a. Biometrik fisiologi
Biometrik fisiologi menggunakan ukuran fisiologi manusia sebagai pengenalnya, misalnya pola sidik jari, pola iris mata, geometri tangan, suara, retina, wajah, struktur DNA dan sebagainya.
b. Biometrik behavioral
Biometrik behavioral menggunakan kebiasaan manusia sebagai pengenalnya, misalnya cara bicara, cara berjalan, cara menulis dan sebagainya.
Secara umum manusia menggunakan wajah untuk mengenali seseorang. Kemampuan otak manusia membedakan wajah setiap individu yang dilihatnya sangat menganggumkan, sehingga manusia mampu membedakan mana yang dikenal dan yang tidak dikenal. Inilah yang melatarbelakangi para ahli terutama yang bergerak dalam bidang computer vision untuk menciptakan suatu sistem yang dapat melakukan identifikasi otomatis seperti yang terjadi pada otak manusia (walaupun tidak sesempurna otak) dengan menggunakan biometrik sebagai parameter utamanya, sistem ini dikenal sebagai Face Recognition [1].
Menurut (Samal and Iyengar, 1992; Chellapa, etc., 1995) face recognition merupakan suatu sistem yang sulit untuk dibuat karena kekompleksan dari keadaan wajah itu sendiri yaitu dalam hal kualitas gambar dan fotometri yang ditangkap, dari mulai segi warna, pencahayaan dan iluminasi hingga posisi gambar yang tertangkap. Hal lain yang lebih kompleks adalah dalam hal perubahan geometri (karena perubahan ekspresi), kesamaran yang dimungkinkan karena wajah tertutup sesuatu seperti kacamata, masker dan sebagainya. Karena pada umur yang berbeda keadaan wajah seseorang secara umum berubah. Keadaan alat untuk menangkap gambar yang terbaik dan yang terpenting adalah algoritma yang mantap (robust algorithm). Dalam tugas akhir ini digunakan algoritma eigenface yang mampu diterapkan pada berbagai macam kondisi,
(3)
sehingga sistem bisa digunakan dengan mudah oleh siapapun dan dimana saja tergantung dari keperluannya.
I.2 Perumusan Masalah
1. Bagaimana merealisasikan perangkat lunak untuk proses pengenalan wajah dengan menggunakan algoritma eigenface ?
2. Bagaimana rekonstruksi gambar input dengan training set jika gambar input ada di dalam training set, jika gambar input tidak ada di dalam training set dan, jika gambar input bukan wajah ?
I.3 Tujuan
Merealisasikan suatu perangkat lunak untuk menentukan sebuah citra apakah berupa wajah atau tidak dengan menggunakan metode eigenface.
I.4 Pembatasan Masalah
1. Pengenalan wajah menggunakan metode eigenface. 2. Menggunakan bahasa pemrograman Matlab.
3. Gambar yang akan diuji memiliki ukuran antara 80 x 96 piksel. 4. Gambar yang akan diolah telah disimpan dahulu dalam format BMP. 5. Ukuran piksel gambar yang akan dicoba atau dibandingkan harus sama
dengan ukuran piksel gambar training set yang telah diolah..
I.5 Sistematika Penulisan
Laporan Tugas akhir ini memiliki sistematika pembahasan sebagai berikut: BAB I PENDAHULUAN
Dalam bab ini berisi tentang pendahuluan yang melingkupi latar belakang, perumusan masalah, tujuan, pembatasan masalah, serta sistematika penulisan. BAB II DASAR TEORI
(4)
4
Dalam bab ini berisi tentang dasar teori mengenai sejarah face recognition, konsep pengolahan citra digital, permasalahan yang timbul dalam face recognition, ekualisasi histogram, segmentasi warna, morfologi, normalisasi dan contoh aplikasi face recognition.
BAB III IMPLEMENTASI ALGORITMA EIGENFACE DAN REALISASI PERANGKAT LUNAK
Bab ini berisi tentang implementasi metode eigenface dan algoritmanya serta realisasi perangkat lunak berdasarkan algoritma tersebut.
BAB IV HASIL PENGAMATAN DAN ANALISA DATA Bab ini berisi tentang hasil pengamatan dan analisa data. BAB V KESIMPULAN DAN SARAN
(5)
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Kesimpulan yang diperoleh dari Tugas Akhir ini adalah sebagai berikut:
1. Realisasi perangkat lunak menggunakan metode dan algoritma eigenface
telah berhasil dilakukan.
2. Dari semua percobaan dalam tugas akhir ini didapat jarak euklidis
minimum rata-rata untuk gambar training set = 10322,29 untuk input baru di luar training set = 11042,9 dan untuk input bukan wajah = 13697,4.
3. Jarak euklidis maksimum untuk suatu wajah kira-kira 15000 dan jarak
euklidis minimumnya adalah di sekitar 11000.
V.2 Saran
Saran yang dapat digunakan untuk pengembangan selanjutnya adalah:
1. Implementasikan untuk aplikasi real time dengan langsung mengambil
foto wajah orang yang akan dikenali.
2. Penambahan jumlah database dalam training set dan satu orang memiliki pose dengan ekspresi yang berbeda-beda. Bisa juga wajah-wajah dalam
training set diusahakan dari berbagai macam suku bangsa dan beberapa
wajah menggunakan aksesoris selain kacamata untuk meningkatkan kemampuan sistem dalam melakukan pengenalan.
(6)
DAFTA
AKA
1. Bonsor, Kevin. “ How Facial Recognition System Work” 2002. June 24,
s.com/facial-recognition.htm 2.
R PUST
2002. http://www.howstuffwork
Chendrillon, Raphael. “Real Time Face Recognition Using Eigenface”. Thesis for Bachelor Degree at Queensland University. Desember 1999. 3. Leung, Carlos. “Real Time Face Recognition”. Thesis for Bachelor Degree
at Queensland University, Australia. 2001.
4. Motttram, Bob. “Face Location in Unstructured Images”. 7th Jan 2001.
http://www.btinternet.com.
5. Penman, Richard. “The Role of Facial Recognition Biometric in the
Security Indrutry”. Research Paper 6 July 2002.
Russ, John C. (1999). “The Image Processing Handbook”, Third Edition. 6.
A CRC Handbook Published in Cooperation with IEEE Press 2000 Corporate Blvd.,N. W., Boca Raton Florida 33431.
ital Image Processing and Computer
8. Tutorial”. Drexel University.
9. for recognition”, 1991,
7. Schalkoff, Robert J. (1989). “Dig
Vision”. John Wiley & Sons, Inc. Singapore. Serrano, Santiago. (2003), “Eigenface
Turk, M. A., Pentland, A. P., “Eigenfaces Cognitive Neurosci., V. 3, no.1.