Amadea K. Nastiti


just an exquisite cat lady around

Face Recognition

Manusia sering menggunakan wajah untuk mengenali seseorang dan perkembangan komputer dan program saat ini dapat melakukan hal yang sama secara otomatis. Algoritma face recognition pada awalnya menggunakan model geometrik sederhana, namun pada prosesnya kini telah dikembangkan menjadi ilmu representasi matematika dan matching processes. Kini, face recognition digunakan untuk verifikasi dan identifikasi seseorang (open-set dan closed-set)

Sebuah metode untuk deteksi wajah manusia dari video berwarna atau gambar adalah untuk menggabungkan berbagai metode untuk mendeteksi warna, bentuk, dan tekstur. Pertama, menggunakan model warna kulit untuk memisahkan benda-benda yang memiliki  warna kulit. Selanjutnya, gunakan model wajah untuk menghilangkan deteksi palsu dari model warna dan untuk mengekstrak fitur wajah seperti mata, hidung, dan mulut. Algoritma yang cukup terkenal antara lain Algoritma Viola-Jones.

Violajones cascade

Klasifikasi bertumpuk pada Viola-Jones

Ada dua jenis pendekatan predominan pada face recognition: geometric (feature based), yaitu ektraksi komponen citra pembentuk wajah, antara lain mata, hidung, mulut yang kemudian dihubungkan secara geometris membentuk model wajah; dan photometric (view based), dimana kini, telah banyak jenis algoritma yang dikembangkan, tiga diantaranya yang telah banyak digunakan dalam literatur adalah Principal Components Analysis (PCA), Linear Discriminant Analysis (LDA), dan Elastic Bunch Graph Matching (EBGM).

Principal Components Analysis (PCA)
PCA atau secara umum merupakan penggunaan dari eigenfaces, merupakan teknik yang ditemukan oleh Kirby dan Sirivich pada 1988. Dengan PCA, probe dan gallery images harus memiliki ukuran yang sama dan harus dinormalkan terlebih dahulu untuk membariskan mata dan mulut pada subjek didalam images. Pendekatan PCA digunakan untuk mereduksi dimensi data dengan menggunakan rata-rata pada data compression basics dan menemukan struktur dimensi rendah yang paling efektif untuk pola wajah. Reduksi pada dimensi ini menghilangkan informasi yang tidak berguna dan secara tepat mengurai struktur wajah menjadi komponen orthogonal (atau dikenal sebagai eigenfaces). Tiap images wajah dapat direpresentasikan sebagai jumlah bobot (dengan vektor) pada eigenfaces, yang tersimpan pada 1D array.

eigface

Standard Eigenfaces: didapat dari turunan vektor

Probe image dibandingkan dengan gallery image dengan mengukur jarak antar ciri vektor masing-masing. Pendekatan PCA umumnya membutuhkan gambaw wajah penuh dari depan, atau hasilnya akan tidak begitu baik. Keuntungan dari teknik ini sendiri adalah dapat mereduksi data yang dibutuhkan untuk mengidentifikasi seseorang pada 1/1000 data yang diberikan.

Linear Discriminant Analysis (LDA)
LDA merupakan pendekatan statistik untuk mengklasifikasi sampel dari unknown classes berdasarkan training samples dengan known classes. Teknik ini bertujuan untuk maksimalisasi variasi antar masing-masing class (across users) dan meminimalisasi variasi dalam class (within user). Dalam gambar dibawah dimana tiap blok merepresentasikan class, dimana ada variasi yang cukup besar antar masing-masing class, namun hanya sedikit variasi dalam class.

kelasLDA

contoh classes

Namun ketika menggunakan high dimensional face data, teknik ini memiliki masalah ukuran sampel yag kecil dimana terdapat sedikit training samples yang ada dibandingkan pada dimensi pada ruang sampel.

Elastic Bunch Graph Matching (EBGM)
EBGM berdasar pada konsep dimana image wajah yang sebenarnya memiliki banyak karakteristik non linear yang tidak dapat diatasi oleh metode analisis linear, misal dengan variasi lighting, pose, dan ekspresi. Gabor wavelet transform membuat arsitektur link dinamis yang memproyeksikan wajah pada elastic grid. Gambar dibawah menunjukkan perilaku image pada pixel, dimana Gabor jet merupakan node pada elastic grid (lingkaran-lingkaran yang menyambungkan antar grid).

ebgm

Node hasil dari Transformasi Gabor

Tiap wajah memiliki kurang lebih 80 node, dimana beberapa yang diukur antara lain jarak antar mata, lebar hidung, kedalaman lubang mata, bentuk tulang pipi, dan panjang garis rahang. Pengukuran-pengukuran ini menghasilkan kode numerik faceprint. Hasil dari konvolusi image dengan filter Gabor, digunakan untuk mendeteksi bentuk dan mengekstraksi ciri dengan image processing. Pengenalan wajah berdasarkan kemiripan pada respon filter Gabor pada tiap node Gabor. Kesulitan dari metode ini adalah dibutuhkan landmark localization yang akurat, dimana kadang didapat dari mengombinasikan metode PCA dan LDA.

Aplikasi dari face recognition misalnya dapat dilihat dalam MyHeritage.com, dimana disana penggunaan neural untuk mendeteksi wajah dan mencari kemiripan dari selebriti seluruh dunia. Mau coba? ;) mau dong atau lebih detailnya lagi bisa didapat dari kumpulan jurnal dalam Face Recognition Homepage dan Face Detection Homepage.

 

Sumber:

Bonsor, K.. "How Facial Recognition Systems Work"

biometrics(dot)gov/Documents/facerec.pdf

purpalacious.arieflatu(dot)net/2010/03/deteksi-wajah-menggunakan-algoritma-viola-jones/


1. arifin

pada : 07 February 2013

"ehhheeemmmm keren bangettt artkel - artikelnya kalau boleh saya mau belajar kak ......... "


Tinggalkan Komentar

Nama :
E-mail :
Web : tanpa http://
Komentar :
Verification Code :