Face Recognition Menggunakan Metode PCA

Dian Parikesit JURUSAN MAGISTER ILMU KOMPUTER UNIVERSITAS BUDI LUHUR

Abstrak Pelacakan dan pengenalan wajah manusia merupakan salah satu bidangyang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkandalam bidang keamanan (security system) seperti ijin akses masukruangan, pengawasan lokasi (surveillance), maupun pencarian identitasindividu pada database kepolisian. Pada tugas akhir ini, pembuatansystem pengenalan wajah dilakukan dengan menggunakan algoritma PCA(Principal Component Analysis). PCA adalah salah satu algoritma yangdigunakan untuk pengenalan berdasarkan appearance based. PCA ini jugamerupakan algoritma reduksi dimensi yang mampu menghasilkan komponen-komponen wajah yaitu eigenface. Pemilihan atau seleksi eigenvectordilakukan untuk mengetahui eigenvector mana yang sesuai dengankandungan informasi yang lebih tinggi. Hasil yang diperoleh pada tugasakhir ini antara lain jumlah feature yang sedikit PCA memberikan hasilyang lebih baik bila dibangdingkan dengan penggunaan PCA, bahwa nilaiminimal terletak pada data ke 12, data ke 12 merupakan orang ke 6pose ke 2. Sehingga data yang diuji tersebut dikenali sebagaiorang yang ke 6 pose dan jumlah ciri ke 10 adalah yang palingminimal.

I. PENDAHULUAN1.1 Latar Belakang t Alysis)

Sistem pengenalan wajah banyakdimanfaatkan pada biometricsyang digunakan untukidentifikasi personal padapenggunaan mesin absensi, akseskontrol dan lain-lain. Secaraumum sistem pengenalan image

tidak menggunakan bitmap pixelsecara langsung melainkan iabekerja pada domain feature.Image direpresentasikan kedalambentuk featureyang lebih kompak yang kemudiandigunakan untuk pengenalan,

dengan demikian dapat menghematkomputasi. Berbagai metodeekstrasi feature telahdimanfaatkan seperti metodemoment, feature filter Gabor,Wavelet, dan lain-lain. MetodePCA dikenal juga dengannama Karhunen-Loevetransformation (KLT), yang telahdikenal sejak 30 tahun dalamdunia pengenalan pola. PCAmemberikan transformasiortogonal yang disebut dengan‘eigenimage’ yang mana sebuahimage direpresentasikan kedalambentuk proyeksi linier searahdenganeigenimage yang bersesuaiandengan nilai eigen terbesar darimatrix covariance (atau scattermatrix). Secara praktis matrixcovariance ini dibangun darisekumpulan image training yangdiambil dari berbagaiobyek/kelas.

1.2 Tujuan PenelitianUntuk membuat software yangdapat mengidentifikasi wajahseseorang berdasarkan eigen faceyang dimiliki suatu image, dandibandingkan dengan image yangmenjadi training pada database.Untuk metode pengenalannya,digunakan metodePCA (Prinsipal ComponentAnalysis)

1.3 Batasan MasalahDalam makalah ini beberapa halterkait yang akan di batasidalam pembahasan antara lain :1.System warna RGB adalah

kombinasi aditif dari ketigawarna utama merah, hijau danbiru. Ketiga warna ini dicampur bersama maka akandiperoleh warna putih atauwarna hitam tergantung nilaiRGB dari pixel-pixel tersebut.System warna RGB merupakansystem warna standard yangdipakai. Warna RGB terdiridari 24 bit.masing- masing 8bit untuk Red, Green dan Blue.Bila masing-masing 8 bit itumemiliki nilai yang sama. Makaakan didapatkan imagegreyscale. Dalam makalah ini,di gunakan image-imagegrayscale.

2.Dalam proses trainingdigunakan PCA. PCA digunakanuntuk mereduksi dimensi dariimage-image yang diproses.

II. ALGORITMA PRINCIPAL COMPONENTS ANALYSIS (PCA)2.1 Principal Components Analysis

(PCA)Pengenalan wajah adalah suatumasalah pada pengenalan polavisual. Dimana dalam suatuwajah yang direpresentasikan

menjadi suatu citra tigadimensi (3D) terdapatdidalamnya variasi tingkatpecerahan, pencahayaan, pose,ekspresi dan lain-lain yangkemudian dilakukan prosesidentifikasi berdasarkaninformasi citra duadimensinya (2D). Suatuparameter terdekat yangdigunakan untuk prosespengenalan wajah ini salahsatunya yaitu melaluipencarian lokasi fitur khusus(Local fitur-based) daricitra, seperti mata, hidungdan mulut, yang kemudiandilakukan perhitungan jarakantar fiturnya. Metode lainuntuk pengenalan wajah dapatdilakukan denganmembandingkan citra yangtelah diproyeksikan menjadilevel grayscale menjadi citrayang memilikidimensi rendah, metode inibiasa disebut dengan metodeeigenfaces (Holistic fitur-based).

Untuk reduksi dimensi data(Dimensional Reduction)

Ekstraksi struktur data daridataset high dimensondimenson.

Mencari basis signalberdasarkan data statistikobjek objek. .

Matriks covariance dengandimensi m x m,dimana m adalah jumlah imagetraining. Dengandekomposisi eigen berlaku :

V V C Hitungi eigen value () daneigen vector

(V) dari matriks C menggunakanmetode Jacobi.Eigen value dan eigen vectoryang bersesuaiandiurutkan secara descending .Eigen faces yangdidapatkan ini dapat dilihatdalam ilustrasi dibawah ini :

III. PERANCANGAN SISTEM

Ektraksi PCA image test

Hasil proyeksi tersebutdiektraksi dengan perhitunganPCA untuk mendapatkan featuredari image. Feature adalahkomponen–komponen penting dariimage-image training yangdidapatkan dari proses training.Feature inilah yang nanti akandigunakan untukmengidentifikasikan imageyang akan dikenali. Kalkulasinilai eigenface untuk matrikstestface, dengan cara yang sama

dengan penentuan eigenface untukvector ciri.

Gambar 1. Perhitungan eigenface untukimage test

Cari distance minimum antaraimage test dan image hasil training.Bandingkan nilai euclideandistance minimum dari image yangdi-capture dengan image yangsudah ada di database. Setelahnilai eigenface untuk image testdiperoleh maka kita bisamelakukan identifikasi denganmenentukan jarak (distance)terpendek dengan eigenface darieigenvector training image. Caranyadengan menentukan nilaiabsolute dari pengurangan barisi pada matriks eigenface trainingimage dengan eigenface daritestface, kemudian jumlahkanelemen-elemen penyusun vektoryang dihasilkan daripengurangan tadi dan ditemukan

jarak d indeks i. Lakukan untuksemua baris. Cari nilai d yangpaling kecil.

Gambar 2. Proses Indentifikasidengan Input Image test

Langkah-langkah dari prosespengenalan wajah (recognition)dari sebuah citra denganmetode fisherface terlihat padaflowchart (Gambar 3) dibawah ini:

Gambar 3. Flowchart Tahapan ProsesPengenalan Wajah Metode Fisherface

Contoh Contoh: : Eigenfaces vsFisherfaces

Konstruksi fisherface adalahpembuatan suatu set fisherfacedari suatu set gambar trainingdengan menggunakan perhitunganPCA dan FLD. Perhitungan PCAdilakukan dengan langkahsebagai berikut :1. Buat MakeFlatVectors(ImageList, N, M): Image Listadalah kumpulan dari Ntraining image, dimana setiap

image adalah W x H piksel. Madalah ukuran dari vector flatyang harus dibuat.

2. Gabungkan setiap image dalamWH elemen vector denganmenggabungkan semua baris.Buat image matriks sebagaimatriks N x WH berisi semuagambar yang digabung.

3. Jumlahkan semua barispada image matriks dan bagidengan N untuk mendapatkanrataan vektor gabungan.Namakan vektor elemen WHdengan R.

4. Kurangi image matriksdengan average image R. Namakanmatriks baru ukuran N x WHsebagai R’. Kemudianidentifikasi dilakukandengan menggunakanperhitungan FLD sebagaiberikut:

1. BuatProjectToFaceSpace(test_image): Image berukuran W x HPiksel.2. Transformasikan training setke dalam

vektor kolom.3. Bentuk average face darifacespace4. Hitung nilai deviasi image.

5. Eliminasi nilai terkecileigenvalue.6. Hitung eigenvector dan matrikskovarian.7. Hitung matriks proyeksifisher dengan mengurutkan vektoreigen berdasarkan besarnyanilai eigen masing-masingvektor eigen dan mengambilkomponen vektor eigen yangmemiliki nilai eigen tidak nol.8. Hitung bobot tiap fisherfaceterhadap masing-masing gambarwajah pada training set denganmemproyeksikan nilai deviasifacespace terhadap average facekedalam matriks proyeksioptimal. Proses terakir adalahidentifikasi yaitu denganmemproyeksikan test image ke facespace dan menghitung score.1. Load semua wajah yang sudahdiproyeksikan ke database2.Proj=projectToFaceSpace(test_image).3. Lakukan operasipengurangan, proj dengan semuawajah yang telahdiproyeksikan. Ambil nilaiabsolutnya dan jumlahkan,hasil adalah distance.

4. Hitung jarak distance antarabobot image test dan bobottraining set.5. Ambil distance terkecilsebagai hasil dari wajah yangtelah diproyeksikan. Wajah inimenjadi hasil identifikasi.Untuk lebih jelasnya algoritmafisherface dapat diuraikan dalamilustrasi sebagai berikut :1. Proses Image TestLangkah pertama setelahdidapatkan citra wajah hasilcapture, citra wajah dirubah kedari bentuk RGB ke dalambentuk grayscale, setelahdidapatkan citra keabuan ubahmenjadi citra hitam putihdengan melakukan tresshold agarkompleksitas citra lebihsederhana.

Gambar 3.12 Proses Mengubah CitraRGB ke grayscale dan tresshold

Penyusunan flatvectorLangkah pertama adalahmenyusun seluruh training image

menjadi suatu matriks tunggal.Misalnya image yang disimpanberukuran H x W piksel danjumlahnya N buah, maka akandimiliki vector ciri dengandimensi N x (W x H). Misalnyadalam training image terdapat 3image dengan ukuran 3 x 4piksel maka kita akanmempunyai eigenvector ukuran 3 x9. Ilustrasinya sebagaiberikut :

Gambar 4. Penyusunan flatvector

IV PENGUJIAN SISTEMPerhitunganTingkat KemiripanDari vector ciri yang telahdiperoleh, jumlahkan seluruhbarisnya sehingga diperolehmatriks berukuran 1 x (W x H).Setelah itu bagi matrikstersebut dengan jumlah image Nuntuk mendapatkan nilai rata-rata vector ciri, ilustrasinyasebagai berikut :

Tabel 5. Ciri dari 7 Orang, Masing-masing 2 pose

Misalkan citra yang diujimempunyai ciri ke 1, 2, 3 dan4 dan masing-masing adalah 7,6, 10, 9. Maka beda kuadratdari masing-masing ciripelatihan terhadap citra ujidapat dilihat pada tabel 5.Dengan persamaan

Maka didapatkan nilai bedakuadrat dari masing-masingciri pelatihan terhadap citrauji.Tabel 6 Beda Kuadrat dari masing-masing ciri pelatihan Terhadap CitraUji

Tabel 7. Hasil Penjumlahan Beda Kuadrat Dari Masing-Masing Ciri Pelatihan TerhadapCitra Uji

Cari distance minimum antara imagetest dan image hasil training.Bandingkan nilai euclidean distanceminimum dari image yang di-capturedengan image yang sudah ada didatabase. Setelah nilai eigenfaceuntuk image test diperoleh makakita bisa melakukan identifikasidengan menentukan jarak (distance)

minimum dengan eigenface darieigenvector training image. Denganpersamaan :

Maka akan didapatkan nilaidistance minimum dari setiappose image. Seperti terlihat padaTabel 3.6 dibawah ini :

Tabel 8. Hasil Akhir PerhitunganTingkat Kemiripan MenggunakanEucledean Distance

V KESIMPULANDari hasil percobaan ternyatasecara umum bila variasi imagetraining cukup tinggi (misalnya:iluminasi dan ekspresi) makapenggunaan PCA akan memberikankontribusi yang tinggi. Bahkandengan jumlah feature yangsedikit PCA memberikan hasilyang lebih baik bila

dibangdingkan dengan penggunaanPCA saja. Pengambilan jumlahfeature yang dihitung harusdipertimbangkan. Bila terlalusedikit atau terlalu banyak akanmenurunkan recognition percentage.Jumlah feature yang benar-benaroptimal bisa didapatkan denganmelakukan eksperimen berulang-ulang. Dari eksperimen yangtelah dilakukan, bahwa nilaiminimal terletak pada data ke12, data ke 12 merupakan orangke 6 pose ke 2. Sehingga datayang diuji tersebut dikenalisebagai orang yang ke 6 posedan jumlah ciri ke 10 adalahyang paling minimal.

DAFTAR PUSTAKA[1] R. Chellappa, C. Wilson, andS. Sirohey,"Human and machine recognition:Asurvey," Proceedings of the IEEE, vol.83, no. 5, pp. 705--740, 1995.[2] M. Turk and A. Pentland,"Eigenfaces forrecognition." Journal of CognitiveNeuroscience, Vol. 3, pp. 71-86,1991.[3] K. Etemad and R. Chellappa,"Discriminant Analysis forRecognition ofHuman Face Images," Journal ofOptical

Society of America A, pp. 1724-1733,Aug. 1997.[4] P.N. Belhumeur, J.P.Hespanha, and D.J.Kriegman, "Eigenfaces vs.fisherfaces:Recognition using class specificlinearprojection", IEEE Trans. PAMI, Vol.19,No. 7, July 1997.[5] Press, William H., et. al.,NumericalRecipes In C, The Art Of ScientificComputing, Second Edition,Cambridge :Cambridge University Press,1995.[6] Nayar, Shree K. and TomasoPoggio,Early Visual Learning. Oxford : OxfordUniversity Press, 1996.

Lampiran :

Gambar Asli

Script Matlab PCA

Hasilnya :

Diperbesar hasil PCA :