Penggunaan Metode Viola Jones dalam mendeteksi wajah
Sistem Deteksi Wajah Dengan Menggunakan Metode Viola-Jones
· Pengenalan wajah (face recognition) yaitu membdaningkan citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling cocok dengan citra masukan tersebut.
· Autentikasi wajah (face authentication) yaitu menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya.
· Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra
· Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video secara real time.
· Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia.
Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh adanya faktor-faktor berikut:
· Posisi wajah. Posisi wajah di dalam citra dapat bervariasi karena posisinyabisa tegak, miring, menoleh, atau dilihat dari samping.
· Komponen-komponen pada wajah yang bisa ada atau tidak ada, misalnya kumis, jenggot, dan kacamata.
· Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi wajah seseorang, misalnya tersenyum, tertawa, sedih, berbicara, dan sebagainya
· Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek atau wajah lain, misalnya pada citra berisi sekelompok orang.
· Kondisi pengambilan citra. Citra yang diperoleh sangat dipengaruhi oleh faktor-faktor seperti intensitas cahaya ruangan, arah sumber cahaya, dan karakteristik sensor dan lensa kamera.
Pengelompokkan metode deteksi wajah menjadi empat kategori, yaitu:
1. Knowledge-based method. Metode ini kebanyakan digunakan untuk lokalisasi wajah.
2. Feature invariant approach. Metode ini kebanyakan digunakan untuk lokalisasi wajah.
3. Template matching method. Metode ini digunakan untuk lokalisasi wajah maupun deteksi wajah.
4. Appearance-based method. Metode inikebanyakan digunakan untuk deteksi wajah.
Deteksi Wajah Viola-Jones
Prosedur deteksi wajah dengan metode Viola-Jones adalah dengan mengklasifikasikan gambar berdasarkan pada nilai fitur sederhana. Terdapat banyak alasan untuk menggunakan fitur daripada piksel secara langsung. Alasan yang paling umum adalah bahwa fitur dapat digunakan untuk mengkodekan pengetahuan domain ad-hoc yang sulit dalam pembelajaran terhadap data latih yang terbatas jumlahnya. Alasan penting kedua untuk fitur adalah sistem fitur berbasis operasi jauh lebih cepat daripada sistem berbasis pixel. Klasifikasi gambar dilakukan berdasarkan nilai dari sebuah fitur. Penggunaan fitur dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan pemrosesan citra perpiksel.
Untuk memilih fitur yang spesifik yang akan digunakan dan untuk mengatur nilai ambangnya (threshold), Viola dan Jones menggunakan sebuah metode machine learning yang disebut AdaBoost. AdaBoost menggabungkan banyak classifier lemah untuk membuat sebuah classifier kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. Jika keseluruhan classifier lemah digabungkan maka akan menjadi classifier yang lebih kuat. AdaBoost memilih sejumlah classifier lemah untuk disatukan dan menambahkan bobot pada setiap classifier, sehingga akan menjadi classifier yang kuat. Viola-Jones menggabungkan beberapa AdaBoost classifier sebagai rangkaian filter yang cukup efisien untuk menggolongkan daerah image. Masing-masing filter adalah satu AdaBoost classifier terpisah yang terdiri classifier lemah atau satu filter fitur.
Karakteristik dari algoritma Viola-Jones adalah adanya klasifikasi bertingkat. Klasifikasi pada algoritma ini terdiri dari tiga tingkatan:
Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi menggunakan satu fitur. Hasil dari klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur Haar tertentu dan F (False) bila tidak. Klasifikasi ini kira-kira akan menyisakan 50% subcitra untuk diklasifikasi di tahap kedua. Hasil dari klasifikasi kedua berupa T (True) untuk gambar yang memenuhi proses integral image dan F (False) bila tidak. Seiring dengan bertambahnya tingkatan klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi lebih banyak. Jumlah subcitra yang lolos klasifikasi pun akan berkurang hingga mencapai jumlah sekitar 2% [1]. Hasil dari klasifikasi terakhir berupa T (True) untuk gambar yang memenuhi proses AdaBoost dan F (False) bila tidak.
Berikut ini merupakan skema proses deteksi wajah menggunakan metode Viola-Jones
Langkah awal yang dilakukan pada metode deteksi wajah Viola-Jones adalah membaca sampel gambar oleh MATLAB R2010a. Setelah itu dilakukan pembacaan fitur Haar dengan bantuan libray OpenCV 2.2 yaitu Haarcascade_frontalface_alt.mat. namun sebelum dilakukan pembacaan library OpenCV, dilakukan proses konversi file XML Haarcascade dari OpenCV ke
MATLAB R2010a. Dalam OpenCV 2.2 terdapat suatu library untuk membantu proses deteksi wajah yaitu Haarcascade_frontalface_alt yang berfungsi sebagai proses untuk memanggil bebarapa fitur Haar dalam suatu gambar. Fitur Haar adalah fitur yang digunakan dalam metode Viola-Jones yang dapat juga disebut fitur gelombang tunggal bujur sangkar (satu interval tinggi dan satu interval rendah), sedangkan untuk dua dimensi disebut sebagai satu terang dan satu gelap. Adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu di atas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada. Selanjutnya untuk menentukan ada atau tidaknya dari ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara efisien digunakan Integral Image. Pada umumnya, pengintegrasian tersebut menambahkan unit-unit kecil secara bersamaan. Dalam hal ini unit-unit kecil tersebut adalah nilai-nilai piksel. Nilai integral untuk masing-masing piksel adalah jumlah dari semua pikselpiksel dari atas sampai bawah. Dimulai dari kiri atas sampai kanan bawah, keseluruhan gambar itu dapat dijumlahkan dengan beberapa operasi bilangan bulat perpiksel. Kemudian untuk memilih fitur Haar yang spesifik yang akan digunakan dan untuk mengatur nilai ambangnya (threshold) digunakan sebuah metode machine learning yang disebut AdaBoost. AdaBoost menggabungkan banyak classifier lemah untuk membuat sebuah classifier kuat. dengan menggabungkan beberapa AdaBoost classifier sebagai rangkaian filter yang cukup efisien untuk menggolongkan daerah image. Masingmasing filter adalah satu AdaBoost classifier terpisah yang terdiri classifier lemah atau satu filter Haar. Selama proses pemfilteran, bila ada salah satu filter gagal untuk melewatkan sebuah daerah gambar, maka daerah itu langsung digolongkan sebagai bukan wajah. Namun ketika filter melewatkan sebuah daerah gambar dan sampai melewati semua proses filter yang ada dalam rangkaian filter, maka daerah gambar tersebut digolongkan sebagai wajah. Tahap selanjutnya yaitu cascade. Urutan filter pada cascade ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan bobot paling besar diletakkan pada proses pertama kali, bertujuan untuk menghapus daerah gambar bukan wajah secepat mungkin. Tahapan yang terakhir adalah menampilakan objeksampel gambar yang telah terdeteksi wajah ataupun bukan wajah, dengan memberi tanda bujur sangkar jika objek tersebut dianggap sebagai daerah wajah.
Dapat dilihat pada Gambar 6 bahwa pada umunya gambar yang terdeteksi sebagai wajah dengan posisi wajah tegak atau frontal ke depan. Walaupun ada beberapa gambar manusia menggunakan penutup kepala seperti topi (Gambar 6b dan Gambar 6f), namun berhasil di deteksi sebagai gambar yang memiliki wajah manusia. Terlihat juga pada semua Gambar 6 memiliki tingkat kecerahan yang cukup sehingga gambar-gambar tersebut berhasil dideteksi sebagai gambar yang memiliki wajah manusia. Sedangkan pada pengujian gambar yang tidak terdeteksi wajah, berikut ini merupakan hasil dari pengujian beberapa gambar yang tidak terdeteksi wajah menggunakan metode Viola-Jones.
Berdasarkan hasil deteksi wajah menggunakan metode ini, pada Gambar 7 adalah gambar-gambar yang tidak terdeteksi wajah manusia. Seperti pada Gambar 7a sampai Gambar 7f yang merupakan gambar hewan, sedangkan Gambar 7g dan Gambar 7h tidak terdeteksi wajah manusia karena posisi wajah tidak tegak ke depan. Sistem yang dibuat berhasil mendeteksi 18 citra manusia dari sampel citra manusia yaitu 22 citra dengan prosentase akurasi sebesar 90,9% dengan false positif sebesar 2 citra, dan false negatif sebesar 2 citra. Metode ini juga hanya memakan waktu yang relatif singkat untuk mendeteksi wajah yaitu rata-rata 15 detik per sampel yang diuji.
Kesimpulannya:
Metode dalam penelitian ini memiliki kelebihan tepat dibandingkan metode deteksi wajah lainnya dengan akurasi 90,9 %. Namun memiliki kelemahan dari sistem deteksi wajah ini yaitu tidak dapat menentukan wajah pada gambar yang memiliki wajah tidak tegak atau frontal. Posisi wajah yang tegak/tidak tegak sangat menentukan keberhasilan deteksi wajah ini. Dengan menggunakan metode maka pendeteksian wajah hanya menggunakan waktu rata-rata 15 detik untuk seluruh sampel yang diuji.
Sumber Artikel :
http://retno.blog.amikom.me/2015/06/10/sistem-deteksi-wajah-dengan-menggunakan-metode-viola-jones/
Komentar
Posting Komentar