Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local ...
Post on 06-Feb-2017
225 Views
Preview:
Transcript
Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis
Fitur Local Binary Pattern dengan Algoritma PCA dan Chi
Square
Eko Wahyudi
1), Hendra Kusuma
2), Wirawan
3)
1,2,3)Jurusan Teknik Elektro ITS, Surabaya 60111 1)
email: cooke.xoitsby@engineer.com
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: Local Binary Pattern,PCA,
Histogram Equalization, Chi Square.
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
PPAAPPEERR IIDD :: 110022
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 𝑥c , yc = s𝑝−1𝑝=0 𝑔p − gc 2p (1)
Dan fungsi s(x) didefinisikan sebagai berikut:
s 𝑥 = 1, 𝑥 ≥ 00, 𝑥 < 0
(2)
Gambar 4. Citra-citra hasil operasi Local Binary Pattern
(LBP) yang menunjukkan ketahanan LBP terhadap variasi
pencahayaan
Fungsi (1) bertujuan untuk menghilangkan variabilitas
yang disebabkan oleh iluminasi kontras sehingga citra
wajah dengan berbagai variasi pencahayaan akan
mendapatkan output yang hampir mirip. Dengan
melakukan ekstrasi piksel menggunakan LBP, maka
didapatkan suatu nilai matrik baru yang akan dirubah
kesuatu histogram untuk memperoleh fitur vektor
wajah.
4. HISTOGRAM EQUALIZATION (HE)
Histogram equalization merupakan suatu metode
penyesuaian kontras menggunakan histogram dari
citra wajah. Nilai histogram equalization didapatkan
dengan cara memperlebar puncak dan memperkecil
titik minimum dari histogram citra supaya penyebaran
nilai piksel pada tiap citra merata (uniform), sehingga
memperbaiki kekontrasan citra secara keseluruhan.
Proses ini bekerja dengan cara meyebarkan harga-
harga intensitas piksel yang sering terjadi secara
merata pada citra[4]. Seperti ditunjukkan pada
Gambar 5.
Gambar 5. Histogram equalization [5]
HE yaitu pemetaan nonlinear monotonik yang
membagi nilai intensitas piksel pada citra input. Hal
ini terkait dengan distribusi kecerahan semua nilai
pada citra. Teknik ini sering digunakan dalam
perbandingan citra karena efektif dalam meningkatkan
detail dan koreksi. Secara umum, histogram
Equalization menyebabkan kontras citra meningkat
karena dynamic range mengalami peregangan dengan
distribusi kepadatan dari citra dibuat sama. Secara
umum, Histogram Equalization dapat didefinisikan
sebagai berikut, jika probabilitas p(i) =𝑛𝑖
𝑁. Yaitu
histogram dari I(x.y) pada kehadiran suatu piksel
dengan gray level i, dimana i = 0, 1, ...., k-1 dan ni
merupakan jumlah piksel pada I(x,y) dengan harga
gray level i. Maka mapping dari suatu harga intensitas
dinyatakan , i menjadi inew dinyatakan sebagai[4]:
inew
1
0
1
0)(
k
i
k
i
iip
N
n (3)
Persamaan (3) mendefinisikan bahwa suatu
mapping dari harga-harga intensitas piksel original,
yaitu dari 0-255 menuju domain 0-1. Oleh Karena itu
untuk menghasilkan harga piksel pada domain
original, harga inew harus di skala ulang.
Transformasi distribusi intensitas piksel suatu
citra wajah menjadi distribusi yang merata (uniform)
telah terbukti meningkatkan unjuk kerja pengenalan
wajah jika dibandingkan dengan tanpa pemrosesan
awal citra wajah.
5. PRINCIPAL COMPONEN ANALYSIS (PCA)
Principal Component Analysis (PCA) adalah teknik
reduksi dimensi yang umum digunakan pada aplikasi
pemrosesan citra. Prinsip dasar dari algoritma PCA
adalah menentukan dan mempertahankan komponen –
komponen dari sekumpulan citra yang mempunyai
distribusi maksimum. PCA digunakan untuk
mendapatkan vektor-vektor atau disebut juga sebagai
principal component yang dapat memberikan
informasi tentang variance maksimum database
wajah. Setiap principal component merupakan
representasi dari suatu kombinasi linier dari semua
citra-citra wajah training yang sudah dikurangi dengan
mean citra. Gabungan dari citra wajah inilah yang
dinamakan eigenface. Eigenface-eigenface ini adalah
merupakan fitur dari suatu citra wajah yang akan
dikenali. Hal umum yang dilakukan pada teknik PCA
adalah dengan menyusun citra training kedalam
sebuah matrik. Dengan mendefinisikan terlebih dahulu
citra wajah berukuran (Nx x Ny) dikonversi kedalam
sebuah matrik satu kolom (T) dengan ukuran (N x 1)
dimana ukuran dari N = (Nx x Ny) yang kemudian
disusun menjadi training set berukuran (N x P). P
adalah jumlah dari citra-citra training.
𝑇 = [𝑇1 , 𝑇2 , … , 𝑇𝑃] (4)
Mean Face merupakan rata-rata aritmetika dari
vektor-vektor citra training pada setiap titik piksel dan
berukuran (P x 1).
Mean T =1
P 𝑇𝑖
𝑃𝑖=1
(5)
Mean subtracted image merupakan pengurangan citra
training dari mean face. Mean subtracted image
merupakan matrik yang berukuran (P x 1)
Mean subtracted Φ = 𝑇 − T (6)
Difference Matrix merupakan matrik yang berasal dari
semua vektor citra training yang sudah dikurangi
dengan mean dan berukuran (NxP) .
Difference Matrix 𝐴 = Φ1 , Φ2, … , Φ𝑃 (7)
Pada metoda Eigenface, perhitungan eigenvector
tidak diperoleh secara langsung dari matrik (N x N)
melainkan melalui matrik (P x P), dimana P
merupakan jumlah dari citra-citra wajah. Eigenvector
matrik (N x N) diperoleh dari eigenvector-eigenvector
matrix (P x P) tersebut kerena jika eigenvector dicari
langsung menggunakan matrik (N x N) akan sangat
sulit untuk dikerjakan karena ukuran matrik yang
sangat besar (computational complexity) [6].
Covariance Matrix Y = AT
. A = T𝑖TT𝑖
𝑃
𝑖=1 (8)
6. CHI SQUARE
Chi Square digunakan sebagai classifier dalam ruang
fitur. Pengujian pengenalan wajah dilakukan dengan
cara menguji kemiripan dari 2 buah distribusi, yaitu
distribusi dari histogram citra test dan distribusi dari
histogram citra-citra training. Prinsip dasar Chi Square
adalah dengan menghitung nilai minimum dari rata-
rata 2 histogram citra untuk menentukan kemiripan
dari 2 citra wajah.
𝑥2 𝑆, 𝑀 = 𝑆𝑖−𝑀𝑖
2
𝑆𝑖+𝑀𝑖 𝑖 (9)
Untuk daerah spatial dapat dihitung dengan
menjumlahkan i (bin dari histogram) dan j (region
citra). Dengan membagi wajah kedalam daerah atau
region yang lebih kecil diharapkan dapat memberikan
informasi yang lebih banyak dari citra wajah jika
dibandingkan tanpa membagi citra wajah menjadi
beberapa region. Sebagai contoh, pada suatu citra
wajah daerah mata akan memberikan banyak
informasi dibanding region yang lainnya[7].
𝑥2𝑤 𝑆, 𝑀 = 𝑤𝑗
(𝑆𝑖 ,𝑗−𝑀𝑖 .𝑗 )2
𝑆𝑖 ,𝑗 +𝑀𝑖 ,𝑗 𝑗 𝑖 (10)
Dimana wj adalah bobot untk setiap region j.
7. HASIL PER COB AAN DAN
PEMBAHASAN
Pada penelitian ini dilakukan eksperimen untuk
membandingkan unjuk kerja dari metoda PCA dan
CHI SQUARE dalam proses pengenalan wajah
berbasis fitur LBP. Percobaan dilakukan dengan
menggunakan database wajah Yale B [8]. Terdapat 10
wajah subyek dalam database Yale B dan setiap
subyek pada database ini mempunyai 60 citra wajah
dengan kondisi pencahayaan yang berbeda sehingga
memiliki total 600 citra. Citra wajah untuk setiap class
(orang) dapat dilihat pada gambar 6. Citra-citra
subyek dalam database Yale B dibagi dalam 5 subset
berdasarkan keekstriman percahayaan, masing–
masing subset terdiri dari 12 citra. Citra sample dari
masing – masing subset ditunjukkan pada gambar 7.
Untuk pembelajaran digunakan subset 1 yaitu citra-
citra wajah yang mempunyai pencahayan yang relatif
normal, menggunakan dua metoda yaitu Principal
Component Analysis (PCA) dan Chi Square. Sampel
dari citra training di tunjukkan gambar 7 (A).
Sebelum pembelajaran dan proses pengenalan wajah,
dilakukan ekstraksi fitur pada semua citra dengan
metoda yang diusulkan yaitu LBP. Area wajah
terlebih dahulu dibagi menjadi daerah yang lebih kecil
dengan jumlah region (5x5) sampai (11x11).
Selanjutnya dirubah kedalam histogram LBP yang
digabungkan menjadi satu untuk dijadikan satu fitur
yang mewakili citra wajah, sehingga didapat vektor
fitur histogram dari setiap citra wajah. Sebelum
percobaan dimulai, semua citra dinormalisasi crop
dengan ukuran 130 x 150. Sedangkan untuk pengujian
digunakan 480 citra-citra wajah dengan berbagai
variasi pencahayaan yang terbagi dalam 4 Subset yaitu
sabset 2, subset 3, subset 4, dan subset 5 seperti pada
gambar pada gambar 7 (B). Sebelum percobaan semua
citra test, terlebih dahulu dilakukan ekstraksi fitur
dengan LBP untuk mendapat fitur vektor histogram
dari setiap citra test dengan variasi blok yang berbeda
dan mengetahui pengaruh jumlah blok atau region
dalam proses pengenalan citra. Pada percobaan
pertama, fitur vektor histogram dari setiap blok yang
berbeda dijadikan input dari algoritma PCA dengan
dimensi fitur sebesar 60, 80, dan 100, dan pada
percobaan kedua dijadikan input Chi Square. Akurasi
Pengenalan (φ) dengan 120 kali percobaan untuk
setiap subset diperoleh dengan rumus sebagai berikut,
Akurasi (𝜑) =𝑇𝑒𝑠𝑡 𝑦𝑎𝑛𝑔 𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙
𝐽𝑢𝑚𝑙𝑎 ℎ 𝑃𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛× 100% (11)
Pada gambar 8 ditunjukkan bahwa dengan
melakukan ekstrasi fitur dengan menggunakan LBP
dapat memperbaiki tingkat pengenalan (recognition
rate) wajah. Dengan pengekstrasian fitur wajah
dengan LBP akan didapatkan informasi yang lebih
detail jika dibandingkan dengan hanya menganggap
sebuah citra sebagai fitur vektor tunggal. Pada
percobaan berikutnya penggunaan Histogram
Equalization juga dapat memperbaiki tingkat
pengenalan wajah. Dengan melakukan normalisasi
pencahayaan pada citra wajah didapatkan
pencahayaan yang hampir merata pada citra wajah
sehingga akan meningkatkan tingkat pengenalan
wajah terutama untuk tingkat pencahayaan yang
kurang (subset 5).
8. KESIMPULAN
Hasil percobaan menunjukkan bahwa pengenalan
wajah menggunakan metode Chi Square lebih baik
jika dibandingkan dengan metode eigenspace PCA.
Pada metode Chi Square tingkat pengenalan
(recognition rate) berbanding lurus dengan jumlah
blok atau region. Tingkat pengenalan yang paling baik
ada pada region yang paling besar yaitu region
(11x11) sebesar 100% untuk subset 2, 99,2% untuk
subset 3, 83,3% untuk subset 4, dan 50%untuk subset
5.
Dengan cara mengekstraksi fitur wajah
menggunakan metode LBP, yang diterapkan pada
ruang eigen (eigenspace) mampu meningkatkan akurasi
tingkat pengenalan wajah. Dari hasil percobaan
didapatkan bahwa proses pengenalan menggunakan
PCA mengalami peningkatan jika input yang digunakan
adalah fitur LBP. Tingkat pengenalan ada pada jumlah
blok atau region (9x9) sebesar 99% untuk subset 2,
83% untuk subset 3, 56% untuk subset 4, dan
23%untuk subset 5.
Dengan menggabung teknik Histogram
Equalization (HE) dengan Ekstrasi fitur LBP, yaitu
citra diproses dengan Histogram Equalization
kemudian diekstrasi fitur menggunakan LBP yang
diterapkan pada metode PCA ternyata mampu
memperbaiki akurasi pengenalan dibandingkan
dengan hanya diekstrasi fitur menggunakan LBP,
terutama pada citra-citra dengan pencahayaan kurang
yaitu pada subset 5. Dari hasil percobaan didapatkan
Untuk subset 2 tidak mengalami peningkatan, untuk
subset 3 rata – rata penambahan tingkat pengenalan
wajah sebesar 4%, Subset 4 sebesar 7% dan subset
5sebesar 10%. Sedangkan pada metode Chi Square
penggunaan teknik HE mengurangi tingkat
pengenalan pada wajah terutama pada subset 5.
DAFTAR REFERENSI
[1] Ming-Hsuan Yang, David J. Kriegman, Narendra
Ahuja. Detecting Faces in Images: A Survey.
IEEE Trans. Pattern Analysis and Machine
Intelligence, vol. 24, no. 1, pp.34–58, Jan 2002.
[2] Hendra Kusuma, Wirawan, Djoko Purwanto,
“Single Scale Retinex dan Histogram Remapping
untuk perbaikan recognition rate pada
Eigenspace-based Face Recognition”, Seminar
on Intelligent Technology and Its applications,
Oktober 2010.
[3] Timo Ahonen, Abdenour Hadid,and Matti Pietik¨
ainen, “Face Description with Local Binary
Pattern:Application to Face Recognition”, vol.
28 no. 12, pp. 2037-2041, December 2006.
[4] Vitomir ˇStruc, Janez ˇZibert, Nikola
PaveˇSi´C, “Histogram Remapping as a
Preprocessing Step for Robust Face
Recognition”, Issue 3, Volume 6, March 2009.
[5] Soong-Der Chen, Abd. Rahman Ramli, “
Minimum Mean Brightness Error Bi-Histogram
Equalization in Contrast Enhancement”, IEEE
Transactions on Consumer Electronics, Vol. 49,
No. 4, NOVEMBER 2003.
[6] Hendra Kusuma, Wirawan, “Appearance-based
Face Recognition dengan menggunakan
PrincipalComponent Analysis (PCA) dan
Nearest Mean Classifier”,2008.
[7] Guillaume Heusch, Yann Rodriguez and S´
ebastien Marcel, “Local Binary Pattern as an
Image Preprocessing for Face Authentication”
IDIAP Research Institute, Martigny, 2006.
Gambar 6. 10 Citra wajah dari Yale B database
Gambar 7. (A) Contoh Citra-citra untuk pengujian,
(B) Contoh Citra-citra untuk pembelajaran
Gambar 8. Hasil uji coba pengenalan wajah dengan metoda PCA pada Region ( 9 X 9 )
Gambar 9. Hasil uji coba pengenalan wajah dengan metoda Chi Square
Gambar 10. Hasil uji coba pengenalan wajah dengan metoda Chi Square dengan preprosesing Histogram Equalization
0
20
40
60
80
100
60 80 100 60 80 100 60 80 100 60 80 100
PCA LBP+PCA HE+PCA HE+LBP+PCA
93
93
93 9
9
99
99 10
0
10
0
10
0
99
99
99
48
48
48
83 83
82
75 76
76 8
6 88
87
22 23
23
55 56
56 58
56
56 6
3 63
63
11
10
10 2
1 23 23
54
53
53
43
43
43
(ϕ)
Akura
si P
engen
alan
(%
)
Jumlah Eigenvecktor yang digunakan (%), Metoda Pengenalan
Subset 2 Subset 3 Subset 4 Subset 5
0.0
20.0
40.0
60.0
80.0
100.0
5 X 5 6 X 6 7 X 7 8 X 8 9 X 9 10 X 10 11 X 11
99
.2
99
.2
99
.2
99
.2
10
0
10
0
10
0
74
.2 87
.5
87
.5
93
.3
95
.8
95
.0
99
.2
40
.0 55
.8
55
.0 65
.8 73
.3
74
.2
80
.0
16
.7
21
.7
25
.0 35
.8
42
.5
41
.7 61
.7
(ϕ)
Akura
si P
engen
alan
(%
)
Ukuran Window Chi Square
Subset 2 Subset 3 Subset 4 Subset 5
0.0
20.0
40.0
60.0
80.0
100.0
5 X 5 6 X 6 7 X 7 8 X 8 9 X 9 10 X 10 11 X 11
10
0.0
99
.2
99
.2
10
0.0
10
0
10
0
10
0
75
.0 90
.0
85
.8 94
.2
97
.5
92
.5 99
.2
43
.3 55
.8
59
.2 69
.2 77
.5
70
.0 83
.3
17
.5
19
.2 28
.3
31
.7 44
.2
40
.8 50
.0
(ϕ)
Akura
si P
engen
alan
(%
)
Ukuran Window Chi Square
Subset 2 Subset 3 Subset 4 Subset 5
top related