Pengenalan Citra Wajah dengan Pemrosesan Awal Transformasi ...

Proceeding, Digital Sinyal Prosessing, Teknologi dan Aplikasinya (DSPTA)Gedung Pasca Sarjana ITS, Surabaya, 2000Pengenalan Citra Wajah dengan Pemrosesan Awal Transformasi WaveletResmana Lim 1,2) , Marcel J.T. Reinders 1) dan Thiang 2)1)Information and Communication Theory GroupFaculty of Information Technology and SystemsDelft University of TechnologyP.O. Box 5031, 2600 GA Delft, The Netherlands{R.Lim; M.J.T.Reinders}@its.tudelft.nl2)Electrical Engineering DepartmentPetra Christian UniversitySiwalankerto 121-131, Surabaya 60236, Indonesia{resmana; thiang}@petra.ac.idAbstrakMakalah ini membahas sebuah sistem pengenalan sinyal 2D, yaitu citra wajah untuk mengenaliidentitas seseorang. Citra wajah diproses awal menggunakan transformasi wavelet menghasilkan representasimulti resolusi dari citra aslinya. Penggunaan transformasi wavelet ini dimotivasi oleh hasil beberapa studibiologi tentang kemiripan system retina dan simple cortial cells dengan pemrosesan wavelet. Transformasiwavelet disini digunakan sebagai metode ekstraksi feature sekaligus reduksi dimensi input citra. Eksperimenmenggunakan database standar dari ORL (Ollivety Research Laboratory) yang memuat 400 citra wajah yangterdiri dari 40 individu dengan masing-masing 10 wajah per individu. Keberhasilan pengenalan menggunakanklasifikasi k-nearest-neighbour adalah 94 %. Pengujian juga dilakukan pada citra bernoise gaussian denganSNR=10,5, 0 dan –9dB. Ternyata penambahan noise pada input citra tidak mempengaruhi keberhasilanpengenalan secara berarti.KATA KUNCI: pengenalan wajah, transformasi wavelet, ekstraksi feature, pengenalan sinyal 2D1. PendahuluanSecara umum sistem pengenalan citrawajah dibagi menjadi 2 jenis yaitu: sitem featurebaseddan sitem image-based [1]. Pada sistempertama digunakan fitur yang diekstraksi darikomponen citra wajah (mata,hidung,mulut, dll)yang kemudian dimodelkan secara geometrishubungan antara fitur-fitur tersebut. Sedangkanpada sistem ke dua menggunakan informasimentah dari pixel citra yang kemudiandirepresentasikan dalam metode tertentu(misalnya principal component analysis (PCA),transformasi wavelet, dll) yang kemudiandigunakan untuk pelatihan dan klasifikasiindentitas citra. Paper ini menggunakanpendekatan ke dua, dimana pixel citra wajahdiproses awal menggunakan transformasiwavelet.yang menghasilkan representasi multiresolusi dari citra aslinya. Penggunaantransformasi wavelet ini dimotivasi oleh hasilbeberapa studi biologi tentang kemiripan sistemretina dan simple cortial cells dengan pemrosesanwavelet [2,3,4]. Disini transformasi waveletdigunakan sebagai metode ekstraksi fitursekaligus mereduksi dimensi input citra.Input citra yang diambil dari databasestandar milik ORL (Ollivety ResearchLaboratory) [5] berdimensi 112x92 diprosesdengan transformasi wavelet 3 levelmenggunakan fungsi induk keluarga Daubechiesuntuk menghasilkan representasi multi resolusi.Dekomposisi citra wajah menggunakantransformasi wavelet menghasilkan sejumlahsub-citra yang terdiri dari citra pendekatan dancitra detil. Hasil transformasi wavelet inidigunakan sebagai input untuk klasifikasi. Disinidigunakan sistem klasifikasi dengan metodesederhana k-nearest neighbour (k-nn) untukmenentukan identitas citra wajah.Pembahasan paper selanjutnya adalahsebagai berikut: pada bab 2 berisikan tentangdekomposisi wavelet citra wajah untukmenghasilkan representasi multi resolusi danpenjelasan tentang sistem secara keseluruhan.Hasil-hasil percobaan diberikan pada bab 3 danterakhir ditutup dengandiskusi dan kesimpulanyang diberikan pada bab 4.

Proceeding, Digital Sinyal Prosessing, Teknologi dan Aplikasinya (DSPTA)Gedung Pasca Sarjana ITS, Surabaya, 20002. Dekomposisi Wavelet Sinyal CitraSecara umum transformasi waveletkontinyu untuk sinyal f(x) berdimensi 1-Ddidefinisikan pada persamaan (1) [6]:dengan(1)(2)Fungsi disebut dengan fungsi induk waveletyang mampu melokalisasi sinyal f(x).Transformasi wavelet men-dekomposisi sinyalf(x) kedalam bentuk varian sinyal induk waveletyang ter-dilasi dan ter-translasi. Dengan kata lainsinyal f(x) direpresentasikan sebagai jumlah darikumpulan dilated-version dan translated-versionfungsi induk wavelet. Fungsi induk terdilasidengan faktor a dan ter-translasi sebesar b.Persamaan 1 dapat dibentuk kedalambentuk diskrit dengan memberikan a dan b nilaidiskrit (a=2 n , b Z). Umumnya beberapabatasan juga harus dipenuhi pada fungsi indukwavelet agar transformasi wavelet tidakredundan (non-redundant), lengkap (complete)dan membentuk representasi multi resolusi darisinyal aslinya. Implementasi transformasiwavelet secara efisien biasanya dilakukanmenggunakan quadrature mirror filter.Pengembangan untuk kasus sinyal berdimensi 2-D (sinyal citra 2-D) biasanya dilakukan denganmenerapkan bank filter secara terpisah terhadapsinyal citra. Biasanya digunakan sebuah low-passfilter (H) dan band-pass filter (G). Konvolusicitra dengan low-pass filter menghasilkan sinyalyang biasa disebut dengan citra pendekatan(approximation image) dan konvolusi denganband-pass filter pada arah spesifik menghasilkancitra detil (details images). Low-pass filter danband-pass filter yang digunakan disini diambilsesuai dengan desain filter pada wavelet keluargaDaubechies-2 [6].Dengan demikian dekomposisi waveletmemecah citra asli menjadi citra pendekatan dancitra detil seperti dapat dilihat pada gambar 1.Sinyal pendekatan tersebut selanjutnya dapat didekomposisikembali secara hirarki pada levelberikutnya menjadi sinyal pendekatan dan sinyaldetil. Pada level n, sinyal di-dekomposisi dengancara sebagai berikut:A n =[H x *[H y *A n-1 ] 2,1 ] 1,2 D n1 =[H x *[G y *A n-1 ] 2,1 ] 1,2D n2 =[G x *[H y *A n-1 ] 2,1 ] 1,2 D n3 =[G x *[G y *A n-1 ] 2,1 ] 1,2(3)Dimana * adalah tanda operasi konvolusi,2,1( 1,2) menandakan sub-sampling sepanjangsinyal baris (kolom) dan A 0 =I(x,y) adalah sinyalcitra orisinal. A n didapat melalui proses lowpassfilter dan merupakan citra pendekatan padaskala/level n. Citra detil pada skala/level n, D nididapat melalui proses band-pass filter pada arahspesifik (i=1,2,3 untuk vertikal, horisontal dandiagonal). Dengan demikian citra orisinal Idirepresentasikan kedalam sejumlah sub-citra(subimages) pada beberapa skala. Untuk lebihjelasnya dekomposisi wavelet 3-level dari sinyalcitra wajah diberikan pada gambar 1. Di siniterlihat empat sub-citra pada pojok kiri atasadalah hasil dekomposisi pada level n=3. Citrapaling pojok kiri atas adalah citra pendekatan,dan 3 citra sisanya adalah citra detil..Sistem pengenalan wajah disinimenggunakan input/vektor fitur (feature vector)yang diambil dari sub-citra {A n ,D ni } yangdihasilkan dari proses dekomposisi di atas.Vektor fitur tersebut kemudian digunakan padaproses pelatihan dan proses klasifikasimenggunakan metode sederhana k-nearestneighbour (k-nn). Sistem pengenalan wajahsecara blok diagram diilustrasikan pada gambar2.Penggunaan input citra pendekatan A n dancitra detil D ni dimotivasi oleh bukti-bukti biologis[7] yang mengisyaratkan adanya perbedaanpemrosesan sinyal visual pada ke dua sisi otakmanusia (left/right hemispheres). Otak kanan(right hemisphere) memiliki keunggulanmembedakan citra wajah secara global, dalam halini ia memiliki kemampuan menangkap fiturglobal dalam membedakan wajah dari berbagaiidentitas. Sedangkan otak kiri (left hemisphere)lebih memiliki kemampuan membedakan citrawajah secara detil, misalnya ekspresi, bentukmulut, dan lain-lain. Dengan demikian terdapatsemacam spesialisasi kemampuan proses visualyang mana otak kiri lebih memiliki kemampuanproses pembedaan lokal (detil) sedangkanpemrosesan secara global dimiliki oleh otakkanan. Sistem pengenalan wajah disinimenggunakan paduan ke dua kemampuan ini dandiharapkan menghasilkan kemampuanpengenalan sistem yang lebih lengkap.

Proceeding, Digital Sinyal Prosessing, Teknologi dan Aplikasinya (DSPTA)Gedung Pasca Sarjana ITS, Surabaya, 2000citra orisinalhasil dekomposisi wavelet n=3 levelGambar 1. Dekomposisi Wavelet Sinyal Citra WajahCitraWajahDekomposisiWaveletSub-CitraPendekatanASub-CitraDetilKlasifikasik-nnIdentitasGambar 2. Blok Diagram Sistem.3. Hasil PercobaanEksperimen dilakukan menggunakandatabase wajah standar dari ORL (OllivetyResearch Laboratory) yang memuat 400 citrawajah yang terdiri dari 40 individu denganmasing-masing 10 wajah per individu. Citrawajah ini berdimensi 112x92 yang memilikivariasi ekspresi (senyum, mata terbuka/tertutup,berkacamata/tidak). Posisi pengambilan citraadalah frontal dengan toleransi tilting&rotation20 derajat. Juga terdapat toleransi variasi skalasebesar 10 persen. Pada eksperimen citra wajahdibagi menjadi 2 kelompok masing-masingterdiri dari 200 citra (5 citra berbeda perindividu). Satu kelompok digunakan untuktraining dan kelompok yang lainnya digunakanuntuk testing, dengan demikian dapat diyakinkanbahwa pada saat proses pengenalan (testing),sistem belum pernah mengenal citra tersebutsebelumnya. Implementasi sistem menggunakanpemrograman Matlab dengan memanfaatkantoolbox Wavelet yang sudah tersedia. Input citrawaja di-dekomposisi dengan level n=3.Disini dilakukan beberapa percobaandengan pemberian input sub-citra berbeda untukklasifikasi. Percobaan pertama menggunakaninput sub-citra resolusi terendah {A n ,D ni } yangdihasilkan pada level n=3. Masing-masing sinyalcitra ini berdimensi 14x12 (seperti empat subcitrapada pojok kiri atas gambar 1) digunakansebagai input untuk training dan klasifikasi.Keberhasilan pengenalan yang dapat dicapaiadalah 94 %. Dengan pemberian input hanyacitra pendekatan saja (A n ), sistem terdegradasisebesar 1,5%. Disini terlihat bahwa denganmenambahkan informasi citra detil, sistem dapatmengenali identitas lebih baik.Percobaan berikutnya dilakukan denganmenambah informasi input dengan melibatkansub-citra hasil dekomposisi pada level n=2 dann=1. Hasil yang diperoleh terdapat peningkatankeberhasilan pengenalan sebesar 2 %.

Proceeding, Digital Sinyal Prosessing, Teknologi dan Aplikasinya (DSPTA)Gedung Pasca Sarjana ITS, Surabaya, 2000Gambar 3. Sebagian Citra Wajah dari ORL DBPengujian juga dilakukan pada citrabernoise gaussian dengan SNR=10,5, 0 dan -9dB.Ternyata penambahan noise pada input citra tidakmempengaruhi keberhasilan pengenalan secarasignifikan (hanya terdegradasi 0,05 %). Padahaljelas-jelas dengan SNR=-9dB sangatlah sulit bagimata manusia untuk mengenalinya. Keberhasilanwavelet mengatasi noise karena disini input fiturterdiri dari representasi resolusi terendah (respondari proses low-pass filter) sehingga tidak pekaterhadap noise gaussian.Pengujian terhadap citra dengan tambahanrotasi 10 derajat juga dilakukan, dan ternyatahasil pengenalan terdegradasi menjadi 75 %. Jugadicoba untuk menggunakan fungsi induk waveletberbeda agar lebih handal terhadap variasi rotasi.Disini digunakan Gabor wavelet [8,9,10] yangternyata menghasilkan pengenalan lebih baik.Dengan rotasi 10 derajat pengenalan sistem dapatmeningkat menjadi 80%.4. Diskusi dan PenutupPenggunaan pemrosesan awalmenggunakan transformasi wavelet adalah sangatprospektif untuk digunakan pada sistempengenalan citra wajah. Ia memiliki keunggulandalam mereduksi feature sambil sekaligusmenyimpan fitur-fitur penting dari wajah yangdirepresentasikan dalam multi resolusi. Denganmenggunakan metode klasifikasi sederhana k-nnternyata sistem menunjukan hasil yang cukupmemuaskan, ini membuktikan bahwa ekstraksifitur menggunakan wavelet cukup menjanjikan.Penggunaan fungsi induk Gabor ternyata lebihunggul dalam mengatasi variasi rotasi pada inputcitra, namun demikian proses normalisasiterhadap input citra perlu dilakukan agar orientasidan ukuran citra tidak bervariasi terlalu banyaksehingga keberhasilan pengenalan lebih tinggi.Pada kerja lanjutan perlu digabungkanantara metode pemrosesan wavelet denganmetode klasifikasi yang lebih canggih, misalnyaneural networks, fuzzy dan intelligent systemlainnya. Juga perlu dilakukan reduksi fitursebelum klasifikasi misalnya denganmenggunakan metode standar PCA.Penggabungan antara sistem pengenalan wajahfeature-based dan image-based perlu dilakukanuntuk mendapatkan keberhasilan pengenalanyang lebih tinggi disamping itu juga untukmembuat sistem lebih handal terhadap variasirotasi, skala dan translasi dari input citra.Daftar Pustaka[1]. Jain, L.C. et al. (eds.), IntelligentBiometric Techniques in Fingerprint andFace Recognition, CRC Press, NJ, 1999.

Proceeding, Digital Sinyal Prosessing, Teknologi dan Aplikasinya (DSPTA)Gedung Pasca Sarjana ITS, Surabaya, 2000[2]. Jones, J. and Palemer, L., An Evaluation ofthe Two dimensional Gabor Filter Modelof Simple Receptive Fields in Cat StriateCortex, Journal Neurophysiology, vol. 58,pp.1233-1258, 1987.[3]. Tunner, M.R., Texture Discrimination byGabor Functions, Biological Cybernetics,Vol. 55, pp.71-82, 1986.[4]. Bell, A.J. and Sejnowski, T.J., TheIndependent Components of NaturalScenes Are Edge Filters, Vision Research,vol. 7, no. 23, pp. 3,327-3,338, 1997.[5]. ORL website, http://www.camorl.co.uk/facedatabase.html[6]. Daubechies I., The Wavelet Transform,Time Frequency Localization and SignalAnalysis, IEEE Trans. Information Theory,vol. 36, pp. 961-1004, 1990.[7]. Hillger L.A. and Koenig O., SeparableMechanism in Face Processing: Evidencefrom hemisheric Specialization, J. ofCognitive Neuroscience, vol.3, pp.42–58,1991.[8]. Hammamoto, Y., Uchimura, S.,Masamizu, K. and Tomita, S., Recognitionof Handprinted Chinese Characters usingGabor Features, in Proc. of th 3 rd Intl.Conf. Document Analysis and Recognition,pp.819-823, 1995.[9]. Hamamoto, Y., A Gabor Filter-basedMethod for Fingerprint Identification,Intelligent Biometric Techniques inFingerprint and Face Recognition, eds.L.C. Jain et al., CRC Press, NJ, pp.137-151, 1999.[10]. Donato, G., Bartlett, M.S., Hager, J.C.,Ekman, P., and Sejnowski, T.J.,Classifying Facial Actions, IEEETransactions on Pattern Analysis andMachine Intelligence, 21(10), pp.974-989,1999.