Perbandingan Ukuran Jarak padaProses Pengenalan Wajah BerbasisProses Pengenalan Wajah Berbasis

Principal Component Analysis (PCA)(PCA)

Pembimbing: Dr. Ir. Wirawan, DEAPembimbing: Dr. Ir. Wirawan, DEA(Ir. Hendra Kusuma, M.Eng)

Nimas Setya Yaniar2208.100.616

POSE ( i i j h)POSE (posisi wajah)

POSEPOSE

ILLUMINATION (pencahayaan)ILLUMINATION (pencahayaan)

ILLUMINATIONILLUMINATION

EXPRESSION ( k i j h)EXPRESSION (ekspresi wajah)

EXPRESSIONEXPRESSION

PROBLEM IN FACE RECOGNITION

• Pemodelan Citra Wajah(Face Representation)

• Pencocokan (Matching)

REPRESENTASI CITRA DALAM R R RDIMENSI TINGGI

Suatu citra adalah suatu titik pada ruang berdimensi tinggi (Rn)

nn 11

mm m x nm x n

Citra wajah 2DCitra wajah 2D Vektor kolom(N-dimensi)

Vektor kolom(N-dimensi)

VARIASI INTER-SUBYEK VERSUS R R RVARIASI INTRA-SUBYEK

TUJUANTUJUAN

• Pengenalan wajah dengan Algoritma PCA denganbeberapa cara pengukuran jarak

• Membandingkan ukuran jarak yang paling akurat

PERMASALAHAN1. Dengan menggunakan algoritma PCA, ukuran jarak apa yang

paling akurat?2. Apakah algoritma PCA bisa mengadaptasi factor intrapersonal p g g p p

kondisi pencitraan (illumination) ?

BATASAN MASALAH• Software Matlab-GUI• Database Yale-B, Att-face (telah di crop dan digrayscale)grayscale)• Ukuran wajah untukdatabase 150x135 piksel(Yale-B) 150x135 (Att-(Yale B), 150x135 (Attface)•Variasi 5 Pencahayaan(Yale-B)(Yale-B), •9 posisi wajah (Att-face)

BLOK SISTEM PENGENALAN WAJAH

Normalized facial image Pencocokanfacial image Ekstraksi

Fitur(PCA)

Pencocokan(Ukuran

Jarak) dan Similarity(PCA) Threshold

Database

PENGENALAN WAJAHPENGENALAN WAJAH

Permasalahan penting pada pengenalan wajah:1. Representasi Wajah / Pemodelan berdasarkan fitur

dan berdasarkan keseluruhan citra / holisticdan berdasarkan keseluruhan citra / holistic2. Pencocokan / Matching

REPRESENTASI CITRA DALAM R R RDIMENSI TINGGI

Suatu citra adalah suatu titik pada ruang berdimensi tinggi (Rn)

nn 11

mm m x nm x n

Citra wajah 2DCitra wajah 2D Vektor kolom(N-dimensi)

Vektor kolom(N-dimensi)

PCAPCAProyeksi PCA digunakan untuk mendapatkan vektor-vektor (principal

component) yang memberikan nilai varian maksimumcomponent) yang memberikan nilai varian maksimum

BLOK SISTEM ALGORITMA PCA DENGAN METODE PENGUKURAN

JARAKJARAK

PCA PENGENALAN WAJAHPCA PENGENALAN WAJAH

• Citra ukuran: dimana UTraining Set• Training Set ukuran: dimana Nt = jumlah citra latih

• Mean faceMean face ukuran:

• Mean Substracted Image ukuran:

• Difference Matrixukuran:ukuran:

• Covariance Matrixukuran:

TAHAP REDUKSI DIMENSITAHAP REDUKSI DIMENSI

• Eigenvektor dengan ukuran juga didapat darieigenvektor Z dengan ukuran

TAHAP KLASIFIKASI• Eigenface dikurangi 30% dilambangkan dimana• Proyeksi• Proyeksi

dimana k = 1,2,3,…,N’ • Matrik Bobot

ukuran:

PROYEKSI CITRA TESPROYEKSI CITRA TES

• Vektor Citra Tesukuran: (U x 1)Mean Substracted Image• Mean Substracted Imageukuran: (Ux1)

• ProyeksiProyeksidimana k=1,2,…., N’

• Matrik Bobotukuran: (N’x1)

• Rekonstruksiukuran: (Ux1)ukuran: (Ux1)

• Rata-rata Proyeksi kelas

METODE PENGUKURAN JARAKMETODE PENGUKURAN JARAK

• Similarity

• Distance Threshold

• Ukuran Jarak

Maka, ɛ > ϑ B kan s at ajah• ɛ > ϑ Bukan suatu wajah

• ɛ < ϑ , δi > ϑ dalam database, tapi tidak diketahui• ɛ < ϑ , δi < ϑ dalam database, anggota kelas i, , gg

PENGUKURAN JARAK

PENGUKURAN JARAKEuclidean DistanceEuclidean Distance

Mirip A mendekati 0Tidak Mirip B>0Bergantung batasthresholdnyathresholdnya

PENGUKURAN JARAKManhattan DistanceManhattan Distance

Mirip A mendekati 0Tidak Mirip B>0

Bergantung batasthresholdnya

PENGUKURAN JARAKMahalanobis DistanceMahalanobis Distance

Mirip A>0Mirip A>0Tidak MiripB mendekati 0

Bergantung batasthresholdnyathresholdnya

dimana

PENGUKURAN JARAKCorrelationCorrelation Distance

Mirip A mendekati 1, Tidak Mirip B mendekati 0 hingga 1mendekati 0 hingga -1

Bergantung batasBergantung batasthresholdnya

PENGUKURAN JARAKAngle-based DistanceAngle-based Distance

Mirip sudut A dan A1 Tidak Mirip sudut A danA1

Bergantung batasthresholdnya

PENGUKURAN JARAKSquared EuclideanSquared Euclidean Distance

Mirip A mendekati 0Tidak Mirip B>0

Bergantung batasthresholdnyathresholdnya

PENGUJIAN

CITRA TESCITRA TESSumber: Database Yale-BUkuran: 150 x 135 pikselUkuran: 150 x 135 pikselJumlah: 100 citra wajah

CITRA LATIHS b D t b Y l BSumber: Database Yale-BUkuran: 150 x 135 pikselJumlah: 20 citra wajahJumlah: 20 citra wajah

TINGKAT AKURASIRPENGENALAN WAJAH

Pengujian dilakukan untuk database citra sebanyak 20 wajahPengujian dilakukan untuk database citra sebanyak 20 wajah

70

80

90

100

penghitunganjarak

akurasi kondisi pencitraan (%)

pencahayaan headpose gabungan

Euclidean 85 64 87

40

50

60

Pencahayaan

Headpose

Euclidean 85 64 87

Manhattan 86 75 90

Mahalanobis 65 70 75

Correlation 88 69 92

Angle based 63 65 76

0

10

20

30Headpose

GabunganAngle-based 63 65 76

SSE 84 81 90

MSE 84 81 92

0

PERSENTASE AKURASI KONDISIR RCITRA PENCAHAYAAN

Metode Jarak Tingkat akurasi %)

Euclidean 85

Manhattan 86

Mahalanobis 65

Correlation 88

Angle-based 63

SSE 84

MSE 84

PENGUJIAN KELIMA VARIASIPENCAHAYAAN TERHADAPPENCAHAYAAN TERHADAP

UKURAN JARAKUKURAN JARAK

100

120

80

100

60

(+000E+20)

(+005E+10)

(+010E+00)

(+025E+00)

40

( 025E 00)

(-025E+00)

0

20

E lid M h tt M h l bi C l ti A l b d SSE MSEEuclidean Manhattan Mahalanobis Correlation Angle-based SSE MSE

KESIMPULAN• Persentase pengenalan wajah paling akurat dalam kondisi

citra pencahayaan adalah menggunakan jarak Correlation d b 88% d k k k di idengan persentase sebesar 88%, sedangkan untuk kondisipencitraan headpose menggunakan jarak SSE dan MSE dengan persentase 81%, dan untuk kondisi penggabunganmenggunakan jarak Correlation dan MSE dengan persentasesebesar 92%.

• Jarak Angle-based memiliki tingkat pengenalan paling rendahJarak Angle based memiliki tingkat pengenalan paling rendahsekitar 63%.

• Kondisi citra pencahayaan +000E+20 dan +005E+10 iliki ti k t k i l li ti i dmemiliki tingkat akurasi pengenalan paling tinggi, dan

pencahayaan +025E+00 memiliki tingkat akurasi paling rendah

• Jenis kesalahan yang sering terjadi adalah kesalahanmengenali wajah dengan database citra latih lain.

• Tingkat akurasi pengenalan yang paling bagus adalah• Tingkat akurasi pengenalan yang paling bagus adalahmenggunakan penggabungan database (Yale-B dan Att-face).

SARANSARAN

• Untuk penelitian selanjutnya sistem dapat dikembangkandengan menggunakan penghitungan jarak yangdengan menggunakan penghitungan jarak yang lain, seperti Minkowski distance, Weighted Manhattan distance, dll.

• Pengujian dapat dikembangkan bengan menggunakandatabase Yale, Pencahayaan dan Headpose

TERIMA KASIHTERIMA KASIHNIMAS SETYA YANIARNIMAS SETYA YANIAR