pengenalan algoritma

Pengenalan wajah dengan algorithma Eigen Face
Oleh: Hanif Al Fatta
Abstraksi
Pengenalan wajah (face recognition) yang merupakan salah satu penerapan image
processing, kini telah dipakai untuk banyak aplikasi. Pada tulisan ini akan dibahas
salah satu teknik pengenalan wajah dengan algoritma eigen face. Eigen face
digunakan untuk mereduksi vektor image menjadi vektor yang lebih sederhana yang
dinamakan eigen vector. Pada tulisan ini aplikasi akan dibatasi pada kondisi
lingkungan yang terkontrol (controlled environment) dimana input image yang
diproses merupakan image dengan ukuran 78 x 78 pixel dengan tipe grayscale.
Kata kunci: face recognition, eigen face
1. Pendahuluan
Face recognition sekarang telah dikembangkan untuk banyak aplikasi terutama untuk
aplikasi-aplikasi keamanan. Penggunaan wajah sebagai identifier mempunyai banyak
manfaat, terutama kepraktisannya karena tidak perlu dibuat kartu atau photo untuk
identifikasi. Masalah utamanya adalah sebuah image yang mewakili sebuah gambar
terdiri dari vektor dengan ukuran relatif besar. Ada banyak teknik untuk mereduksi
dimensi dari image yang akan diproses, salah satunya yang akan dibahas disini
dengan menggunakan eigen face algorithm.
2. Eigen Face
Eigen face adalah salah satu algoritma pengenalan wajah yang berdasarkan pada
Principle Component Analysis (PCA) yang dikembangkan di MIT. Algoritma Eigen
Face secara keseluruhan cukup sederhana. Training Image direpresentasikan dalam
sebuah vektor flat (gabungan vektor) dan digabung bersama-sama menjadi sebuah
matriks tunggal. Eigen Vector kemudian diekstraksi dan disimpan dalam file
temporary atau database. Training image kemudian kemudian diproyeksikan dalam
feature space, dinamai face space yang ditentukan oleh eigen vektor. Adapun
algoritma selengkapnya adalah:
1. Buat MakeEigenVectors(ImageList, N, M): Image List adalah kumpulan
dari N training image, dimana setiap image adalah W x H pixel. M adalah
jumlah eigen vektor yang harus dibuat.
2. Gabungkan setiap image dalam WH elemen vektor dengan
menggabungkan semua baris. Buat ImageMatrix sebagai matrik N x WH
berisi semua gambar yang digabung
3. Jumlahkan semua baris pada ImageMatrix dan bagi dengan N untuk
mendapatkan rataan gambar gabungan. Kita namakan vektor elemen WH
ini dengan ψ.
4. Kurangi ImageMatrix dengan average image ψ. Kita namakan matriks baru
ukuran N x WH sebagai Ф.
5. Hitung dot product dari semua kemungkinan pasangan gambar. Kita
mendapatkan L sebagai matrix ukuran N x N dimana L[i][i]=dot product dari
Ф[i] dan Ф[j].
6. Hitung N eigen value dan eigen vektor yang bersesuiain dari L. ambil
eigen vektor M yang memiliki eigen value tertinggi. Setiap Eigen Vektor
akan memilki panjang N elemen
7. Lakukan perkalian matrik dari setiap M eigen vektor yang terpilih dengan Ф
dan simpan hasilnya yaitu matrik yang berukuran 1 x WH. Simpan juga
hasil rataan ψ.
Kemudian lakukan proyeksi dengan algoritma sebagai berikut:
1. projectToFaceSpace(image): image berukuran W x H pixel
2. kita gabung elemen vektor WH dan kita sebut img
3. load nilai rataan ψ dan EigenMatrix dari database atau file
4. kurangi img dengan ψ, kita dapatkan img’
5. lakukan dot product antara img’ dengan ψ untuk mendapatkan vektor
ukuran M img’’
6. hitung nilai norm =
bagi setiap elemen pada img’’ dengan norm, di dapat face space dari gambar.
Learning adalah proses untuk memproyeksikan semua wajah yang dikenal ke face
space dan meyimpan hasil representasinya serta mengidentifikasi setiap orang .
LearnFace(ImageList,N,M): Image List adalah kumpulan dari N training image,
dimana setiap image adalah W x H pixel. M adalah jumlah eigen vektor yang harus
dibuat.
1. Panggil MakeEigenVector(ImageList,N,M)
2. Untuk setipa gambar pada imageList, panggil projectTofaceSpace(image)
dan simpan hasilnya pada database.
Proses terakhir adalah identifikasi, yaitu memproyeksikan test image ke face space
dan menghitung score.
1. Load semua wajah yang sudah diproyeksikan dari database
2. Proj=projectToFaceSpace(image)
3. Lakukan dot product antara proj dengan semua wajah yang telah
diproyeksikan. Hasilnya adalah score.
4. Ambil Nilai yang tertinggi sebagai hasil tertinggi dari wajah yang telah
diproyeksikan , wajah ini senagai hasil identifikasi.
3. Rancangan Sistem
3.a Basis Input face
Pengenalan wajah dengan eigen face dapat dibagi menjadi 2 tahapan utama
pertama, membuat basis eigen face dan pengenalan wajahnya. Untuk lebih jelasnya
dapat dilihat pada flowchart berikut ini :
Gambar 1: Flow Chart dari proses pengenalan wajah dengan algoritma Eigen faceInput Face database yang digunakan adalah image dengan ukuran yang sama yaitu
78 x 78 pixel dengan kualitas warna grayscale. Input face database yang digunakan
terdiri dari beberapa orang, dimana masing-masing orang mempunyai 2-4 pose yang
berbeda-beda. Untuk lebih jelasnya perhatikan contoh berikut:
Gambar 2: 4 pose dari 1 orang yang sama
Penggunaan beberapa pose untuk 1 objek dimaksudkan agar proses identifikasi bisa
mengenali objek tersebut meskipun objek menggunakan beberapa ekspresi misalnya
senang atau sedih.
3.b Proyeksi basis input face ke basis eigen face
Untuk mendapatkan basis database eigen face dari input face yang ada digunakan
algoritma yang telah dijelaskan pada bagian 2. Aplikasinya dituangkan dalam sebuah
class yang dibuat dengan bahasa Visual Basic. Selengkapnya dapat dilihat pada
lampiran dengan nama classImageProcessing. Sedangkan untuk proses matching
input dengan databasenya (identifikasi) ditangani oleh ClassFaceRecognizer.
Adapun input dilakukan secara otomatis (program men-scan database wajah dan
mengambil input face secara sekuensial) untuk dicocokkan dengan semua eigen face
yang telah dihitung.
4. Implementasi
gambar 3: tampilan aplikasi pengenalan wajah
Button training digunakan untuk memanggil classImageProcessing yang akan
mendapatkan basis eigen face dari semua input face yang ada dalam database
(dalam implementasi ini disimpan dalam file). Ketika semua face telah diproyeksikan
Button test akan aktif dan siap untuk proses identifikasi wajahnya.
Gambar 4: Hasil identifikasi wajah yang benar
hasil dari test menunjukkan dengan input image yang mempunyai ekspresi biasa,
sistem bisa mencocokkan objek wajah yang sama dengan ekspresi yang berbeda
(tertawa.). Sistem bisa juga membedakan perubahan wajah seseorang karena
pemakaian aksesoris seperti kacamata.
gambar 5: objek dengan kacamata masih bisa dikenali
Tetapi Sistem kadang salah mengidentifikasi kalau ada 2 orang yang mempunyai
wajah hampir sama.
Gambar 5: hasil identifikasi yang salah
5. Kesimpulan
Kesimpulan yang dapat diambil diantaranya adalah :
1. Pengenalan wajah dengan algoritma Eigenface bisa digunakan untuk
mengidentifikasi wajah meskipun objek yang diidentifikasi menampilkan
ekspresi wajah yang berbeda-beda.
2. Pada penelitian ini belum diukur berapa persen tingkat kesalahan yang
dilakukan oleh sistem
Daftar pustaka
Anonim, Eigen Faces, http://www.stanford.edu/~mbinu/perception/node48.html
Anonim, eigenface and codification,
http://sirio.psi.ucm.es/PROYECTOS/EIGENCAR/eiweb1_e.html
Dimitri Pissarenko, Eigen face Based face Recognition,
http://openbio.sourceforge.net/resources/eigenfaces/eigenfaces-
html/facesOptions.html
Jon Krueger, Marshal Robinson, Doug Kochelek, Matthew Escara: Obtaining the
Eigenface Basis, http://cnx.rice.edu/content/m12531/latest/
ClassImageProcessing and ClassFaceRecognition downloaded from:
http://www.fuzzgun.btinternet.co.uk/