Anda di halaman 1dari 7

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/259707377

Deteksi Posisi dan Ekstraksi Fitur Wajah Manusia Pada Citra Berwarna

Conference Paper · November 2009

CITATIONS READS

0 1,826

2 authors:

Iping Supriana Yoseph Suryadharma


Bandung Institute of Technology 1 PUBLICATION   0 CITATIONS   
273 PUBLICATIONS   288 CITATIONS   
SEE PROFILE
SEE PROFILE

Some of the authors of this publication are also working on these related projects:

FACE RECOGNITION GENERIC TO SPECIFIC FEATURE REPRESENTATION AND RECOGNITION STRATEGY View project

Indonesian Meical question answering system View project

All content following this page was uploaded by Iping Supriana on 15 January 2014.

The user has requested enhancement of the downloaded file.


 
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) ISSN 1907-882X
 

Deteksi Posisi dan Ekstraksi Fitur Wajah Manusia


Pada Citra Berwarna
Iping Supriana1) Yoseph Suryadharma2)
1) Program Studi Teknik Informatika Institut Teknologi Bandung
email: iping@informatika.org
2) Program Studi Teknik Informatika Institut Teknologi Bandung
email: y.suryadharma@gmail.com

Abstrak
Pendeteksian posisi wajah dan ekstraksi fitur wajah merupakan salah satu proses yang
sangat penting untuk melakukan proses pengenalan wajah. Pendeteksian posisi wajah
merupakan suatu proses untuk mengetahui lokasi wajah pada suatu citra. Ekstraksi fitur wajah
merupakan proses pendeteksian posisi fitur-fitur wajah seperti mata dan mulut. Kedua proses
tersebut merupakan proses pendahuluan sebelum dilakukan proses yang lebih kompleks pada
proses pengenalan wajah.
Makalah ini berisi kajian algoritma deteksi posisi dan ekstraksi fitur wajah pada citra
berwarna. Deteksi posisi wajah dilakukan dengan memanfaatkan informasi piksel warna kulit
dan karakteristik wajah. Ekstraksi fitur wajah dilakukan dengan memanfaatkan pengolahan
citra tingkat rendah menggunakan proses pendeteksian tepi menggunakan algoritma smallest
univalue segment assimilating nucleus (SUSAN). Algoritma SUSAN tersebut digunakan untuk
melakukan ekstraksi fitur mata dan mulut pada suatu citra wajah.
Kesimpulan yang didapatkan adalah model warna HSV secara umum bekerja lebih baik
daripada model warna kulit RGB. Proses ekstraksi fitur wajah menggunakan SUSAN edge
detection mampu mendeteksi batas-b atas fitur wajah dengan cukup baik.

Kata Kunci: deteksi posisi wajah, ekstraksi fitur wajah, SUSAN edge detection

2. PENDAHULUAN wajah. Ketepatan deteksi posisi dan ekstraksi


fitur wajah merupakan suatu hal yang sangat
Deteksi posisi dan ekstraksi fitur wajah penting untuk sistem pengenalan wajah.
merupakan tahap pendahuluan yang sangat Berbagai penelitian telah dilakukan untuk
penting dalam sistem pengenalan wajah. Deteksi melakukan deteksi posisi dan ekstraksi fitur
posisi wajah adalah proses untuk mengetahui wajah pada suatu citra berwarna. Pada penelitian
lokasi wajah pada suatu citra. Deteksi posisi [2] deteksi posisi wajah dilakukan pada suatu
wajah menjadi sangat penting karena dalam citra berwarna dengan memanfaatkan informasi
suatu citra wajah dapat muncul di berbagai posisi. piksel warna kulit dan informasi lubang pada
Ekstraksi fitur wajah adalah proses untuk wajah. Penelitian [4][5] memperkenalkan metode
mengetahui lokasi-lokasi fitur-fitur wajah seperti ekstraksi pojok fitur-fitur wajah menggunakan
mata dan mulut. Proses ini membantu untuk algoritma SUSAN corner detection yang
mengetahui ciri-ciri spesifik dari suatu objek diperkenalkan sebelumnya pada penelitian [13].
 
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) ISSN 1907-882X
 

Berdasarkan hasil penelitian tersebut, Mask ditempatkan di setiap titik di dalam citra.
penulis mengembangkan suatu sistem deteksi Setiap titik di dalam mask kemudian
posisi dan ekstraksi fitur wajah. Proses deteksi dibandingkan nilainya dengan titik tengah mask.
wajah memanfaatkan informasi warna piksel dan Persamaan yang digunakan untuk
ukuran dimensi wajah. Proses ekstraksi fitur-fitur pembandingan ini adalah:
wajah dilakukan untuk melakukan ekstraksi fitur
1, | 0 |
mata dan mulut dengan memanfaatkan algoritma , 0
0, | 0 |
SUSAN edge detector. Algoritma SUSAN edge
detector dipilih karena algoritma tersebut r0 adalah posisi nukleus dalam citra, r adalah
membantu dalam menentukan batas-batas fitur posisi piksel lain di dalam mask, I(r) adalah nilai
wajah secara lebih akurat. kecerahan piksel, t merupakan nilai ambang
(threshold) beda kecerahan, c merupakan nilai
3. SUSAN EDGE DETECTION
hasil perbandingan.
Pembandingan dilakukan untuk setiap piksel
Smallest Univalue Segment Assimilating
di dalam mask dan kemudian dihitung nilai total
Nucleus (SUSAN) adalah algoritma yang dapat
hasil perbandingan dengan persamaan:
digunakan untuk melakukan deteksi fitur suatu
objek dalam suatu citra. SUSAN menggunakan
0 ∑ , 0
circular mask untuk mendeteksi tepi (edge) dan
pojok (corner) dari suatu objek [13]. Algoritma ini n merupakan jumlah total piksel yang berada di
membandingkan nilai kecerahan setiap piksel dalam area USAN. Kemudian, nilai n
yang terdapat di dalam mask dengan nilai piksel dibandingkan dengan suatu nilai ambang
di tengah mask. Piksel titik tengah mask disebut (threshold) g, yang disebut sebagai geometric
sebagai nucleus. Jumlah piksel yang memiliki threshold. Nilai g ditetapkan sebagai 3nmax/4.
nilai ‘sama’ dengan nucleus dalam suatu mask Initial edge response dihitung dengan
didefinisikan sebagai Univalue Segment menggunakan aturan sebagai berikut:
Assimilating Nucleus (USAN) area. Pendeteksian
tepi atau pojok dari suatu objek merupakan g n r0 , jika n r0
R r0
0, lainnya
pencarian daerah atau titik dalam suatu citra
yang memilikai USAN area terkecil. Ilustrasi R( r0 ) merupakan edge response. Dari
algoritma SUSAN dapat dilihat pada gambar 1. persamaan tersebut terlihat bahwa semakin kecil
area USAN semakin besar edge response.

3. MODEL WARNA KULIT

Suatu warna dapat dimodelkan ke dalam


beberapa model warna. Model warna digital yang
sering digunakan adalah RGB (red, green, blue)
Gambar 1. Circular Mask Algoritma SUSAN dan HSV (hue, saturation, value). Model warna
kulit digunakan untuk memisahkan piksel kulit
Pendeteksian tepi suatu objek menggunakan
SUSAN memanfaatkan suatu circular mask.
 
Seminnar Nasional Ilmu
I Komputerr dan Aplikasiinya – SNIKA
A 2009 (26/11//2009) ISSN 1907-8882X
 

dan non-kulit.
n Be
erdasarkan penelitian
p [9]], model te
ertutup, dila
anjutkan den
ngan pembentukan peta
a
warna
a kulit dalam
m representassi RGB adala
ah: lu
ubang (clo
osed skin map) dengan cara
a
mengurangka
m an peta kuliit tertutup dengan
d hasill
R > 95 dan
d G > 40 dan
d B > 20
proses
p segmentasi w
warna kulit. Kemudian
n
max{R,G
G,B} – min{R
R,G,B} > 15
dilakukan
d prroses peme
etaan (mapp
ping) antara
a
|R-G| > 15
1 dan R > G dan R > B
objek
o pada peta
p lubang d
dengan obje
ek pada peta
a
gan R,G,B = [0,255]
deng
kulit
k tertutup
p. Dengan pertimbang
gan bahwa
a
setiap
s luba
ang pada peta kulit tertutup
p
Berda nelitian [9], model warrna kulit
asarkan pen
merepresenta
m asikan fitur-ffitur wajah seperti
s mata
a
dalam
m representa
asi HSV adalah:
dan
d mulut, setiap
s objek pada peta kulit
k tertutup
p
yang
y memiliki lubang dikategorika
an sebagaii
0 < H < 50 dan 0.23 < S < 0.68
kandidat
k wa
ajah. Kemud
dian setiap objek yang
g
dengan H = [0,360] dan
d S = [0,1]
dikategorikan
d n sebagai kkandidat wajjah dihitung
g
el warna HSV
Mode V lebih baik dari
d model warna
w
ukuran
u dime
ensinya. Ka
andidat yan
ng memilikii
RGB karena dala SV dipisahkan
am model HS
perbandingan
p n panjang d
dan lebar maksimal
m 1:2
2
antarra komponen
n kemurnian warna dan
dikategorikan
d n sebagai w
wajah. Ilusttrasi prosess
ponen intensitas cahaya.
komp
pendeteksian
p n posisi wa
ajah dapat dilihat
d pada
a
gambar
g 2.
4. PROSES DETEKSI
D P
POSISI WAJAH

P
Proses detekksi posisi wa
ajah diawali dengan
melakukan prosses segme
entasi warn
na kulit
bih dahulu pada
terleb p citra masukan.
m Input dari
prose
es ini adala
ah sebuah citra
c berwarrna dan
outpu
utnya merup
pakan sebua
ah citra bine
er. Pada
penelitian ini, output untuk pikse
el kulit
n dengan wa
direpresentasikan arna putih da
an piksel Gambarr 2. Proses d
deteksi posis
si wajah
non-kkulit direpressentasikan dengan warna
a hitam.
5. PROSE
ES EKSTRA
AKSI FITUR
R WAJAH
Prose
es segmenta
asi warna kullit dilakukan dalam 2
mode
el warna yaittu model RG
GB dan HSV. Fungsi
Ekstraksii fitur wa
ajah dilaku
ukan untukk
yang digunakan dalam
d proses segmentassi warna
melakukan
m deteksi possisi mata dan mulut..
kulit adalah:
a
Algoritma
A ya
ang dipakai adalah SU
USAN edge
e

1
1, detection.
d Algoritma ini dipakai kare
ena SUSAN
N
edge
e detection at
dapa memba
antu untukk
0
0,
menentukan
m batas-batas fitur wajah secara lebih
h
akurat.
a
Selan
njutnya dari hasil prosess segmentassi warna
kulit tersebut, dilakukan
d prroses pembentukan
5.1
5 Ekstraks
si Fitur Mata
a
peta kulit tertutup
p (closed skin
n map) deng
gan cara
erapkan algo
mene oritma closing
g dan openin
ng pada Ekstraksii fitur mata dilakukan dengan
d cara
a
citra tersebut. Setelah pemb
bentukan pe
eta kulit menerapkan
m a
algoritma smallestt univalue
e
 
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) ISSN 1907-882X
 

segment assimilating nucleus (SUSAN) pada 1. ukuran lebar bounding box ≥ 1,2 x tinggi
citra wajah hasil proses deteksi posisi wajah. bounding box
Algoritma SUSAN digunakan untuk melakukan 2. ukuran lebar bounding box ≤ 3,2 x tinggi
pendeteksian tepi (edge detection) pada area bounding box
pencarian mata. Pada kajian ini digunakan 3. ukuran lebar bounding box ≥ 0,125 x
algoritma SUSAN edge detection karena lebar area wajah
algoritma tersebut lebih memudahkan untuk 4. ukuran lebar bounding box ≤ 0,3 x lebar
mencari batas-batas fitur yang dicari daripada area wajah
menggunakan SUSAN corner detection. Karena 5. koordinat titik atas bounding box ≥ 0,25 x
operator SUSAN bekerja pada citra grayscale, tinggi area wajah
citra wajah akan diubah ke dalam representasi 6. koordinat titik bawah bounding box ≤ 0,5
grayscale terlebih dahulu sebelum dilakukan x tinggi area wajah
proses ekstraksi fitur mata. Sebelum dilakukan
proses ekstraksi, didefinisikan area pencarian 5.2 Ekstraksi Fitur Mulut
fitur mata. Area pencarian fitur mata pada proses
Ekstraksi fitur mulut dilakukan dengan
ini adalah setengah area bagian atas wajah.
menerapkan algoritma SUSAN pada area
Area ini dapat dilihat pada gambar 3.
pencarian mulut. Area pencarian mulut adalah
setengah bagian bawah wajah. Area pencarian
mulut dapat dilihat pada gambar 4.

Gambar 3. Area pencarian fitur mata

Algoritma SUSAN diterapkan pada area


pencarian mata yang telah didefinisikan. Gambar 4. Area pencarian fitur mulut
Operator SUSAN yang dipakai memiliki ukuran
diameter mask 7 piksel. Nilai ambang (threshold) Algoritma SUSAN diterapkan pada area

yang dipakai untuk mendeteksi fitur mata adalah pencarian mulut yang telah didefinisikan.

21. Nilai ambang tersebut dilakukan setelah Operator SUSAN yang dipakai memiliki ukuran

beberapa percobaan. Operator SUSAN tersebut diameter mask 7 piksel. Nilai ambang (threshold)

diaplikasikan untuk mendeteksi tepi (edge) pada yang dipakai untuk mendeteksi fitur mulut adalah

area pencarian mata. Setiap edge object 5. Nilai ambang tersebut didapatkan setelah

kemudian dicari minimum bounding box-nya. melakukan beberapa percobaan. Operator

Proses berikutnya adalah melakukan SUSAN tersebut diaplikasikan untuk mendeteksi

pemeriksaan untuk setiap edge object yang telah tepi (edge) pada area pencarian mulut. Setiap

terdeteksi. Suatu objek merupakan objek mata edge object kemudian dicari minimum bounding

jika memenuhi kriteria tertentu. Kriteria suatu box-nya. Proses berikutnya adalah melakukan

objek dikategorikan sebagai objek mata adalah pemeriksaan untuk setiap edge object yang telah

sebagai berikut: terdeteksi. Suatu objek merupakan objek mulut


 
Seminnar Nasional Ilmu
I Komputerr dan Aplikasiinya – SNIKA
A 2009 (26/11//2009) ISSN 1907-8882X
 

jika memenuhi kriteria terte


entu. Kriteria
a suatu Tabel
T 1. Nilai threshold S
SUSAN untuk
k ekstraksi
objekk dikategorikkan sebagai objek mulutt adalah fitur mata
sebag
gai berikut:
Nilai
No.
N H
Hasil
Thre
eshold
1. ukuran lebar
l ding box ≥ tinggi
bound
bounding
g box 1. 1
19 46
6,67%

2 ukuran le
2. ng box ≤ 6 x tinggi
ebar boundin 2. 2
20 66
6,67%
bounding
g box
3. 2
21 93
3,33%
3 ukuran le
3. ebar boundin
ng box ≥ 0,2
2 x lebar
area waja
ah 4. 2
22 80
0,00%
4 ukuran le
4. ebar boundin
ng box ≤ 0,6
6 x lebar
5. 2
23 73
3,33%
area waja
ah
5 koordinatt titik atas bo
5. ounding boxx ≥ 0,5 x
tinggi are
ea wajah Tabel
T 2. Nilai threshold S
SUSAN untuk
k ekstraksi
6 koordinatt titik bawah bounding
6. g box ≤ fitur mulut
0,75 x tinggi area wajah
No.
N Nilai Threshold
T Hasil
6. HA
ASIL EKSPE
ERIMEN
1. 3 4
46,67%
C
Contoh hasil pengujian da
ari algoritma
a deteksi
posissi dan eksttraksi fitur wajah yang telah 2. 4 6
60,00%

dijela
askan dapat dilihat
d pada gambar
g 5.
3. 5 7
73,33%

4. 6 6
66,67%

5. 7 6
60,00%
Gambar 5: Ha
asil deteksi po
osisi dan eksstraksi
fitur wajah
h

D
Dari hasil ekstraksi fitur mata dan
n mulut, Tabel
T 3. Hassil pengujian deteksi posis
si wajah
terliha
at bahwa algoritma SUS
SAN edge detection
d
cukup
p membantu
u untuk mene
entukan bata
as-batas No. Mode
el Warna Seg
gmentasi Hasil
fitur mata
m dan mu
ulut dengan lebih akuratt. Hal ini RGB 80,00%
1.
sanga
at penting ka
arena akurassi pendeteksian fitur- 2. HSV 86,67%
fitur wajah sang
gat menenttukan hasil proses
pengenalan waja
ah. Hasil pen
ngujian terha
adap 15
citra masukan yang digunaka
an dapat dilih
hat pada
7. KESIM
MPULAN
tabel 1,2, dan 3.

Deteksi posisi ekstrraksi fitur wajah


w dapatt
dilakukan
d d
dengan me
emanfaatkan
n algoritma
a
penolahan
p c
citra tingkatt rendah. Untuk citra
a
berwarna,
b p
proses detteksi dapatt dilakukan
n
 
Seminar Nasional Ilmu Komputer dan Aplikasinya – SNIKA 2009 (26/11/2009) ISSN 1907-882X
 

dengan memanfaatkan model warna kulit. [6] Hjelmas, Erik, Low, Boon Kee. Face
Secara umum, model warna kulit HSV bekerja Detection: A Survey. Computer Vision and
lebih baik daripada model warna kulit RGB. Image Understanding, 83, pp. 236-274 (2001).
Keberhasilan proses segmentasi warna kulit [7] Munir, Rinaldi. Pengolahan Citra Digital.
sangat mempengaruhi keberhasilan proses Penerbit Informatika. 2004
deteksi posisi wajah pada citra berwarna. Untuk [8] Pam, Thang V. dan Worring, Marcel. Face
melakukan proses ekstraksi fitur-fitur wajah Detection Method A Critical Evaluation. ISIS
seperti mata dan mulut, algoritma SUSAN edge Technical Report Series, Vol II (2000,
detection cukup membantu untuk menentukan November).
batas-batas fitur-fitur wajah tersebut dengan [9] P. Peer, F. Solina. An Automatic Human Face
cukup akurat. Hasil output algoritma ini cukup Detection Method. Proc. 4th Computer Vision
memadai untuk diproses lebih lanjut untuk winter Workshop (CVWW), pp. 122-130
keperluan sistem biometrik seperti sistem (1999, Februari).
pengenalan wajah. [10] Rowley, Henry A., Baluja, Shumeet, dan
Takeo Kanade. Neural Network-Based Face
DAFTAR PUSTAKA Detection. IEEE Transactions Pattern Analysis
[1] Agushinta R., D., Suhendra, Adang dan and Machine Intelligence, Vol. 20, No. 1, pp.
Hendra. Ekstraksi Fitur dan Segmentasi 23-28 (1998, Januari).
Wajah Sebagai Semantik Pada Sistem [11] Russ, Johm C. The Image Processing
Pengenalan Wajah. National Conference on Handbook 5th Edition. CRC Press. 2007
Computer Science and Information [12] Singh, Sanjay Kr., dkk. A Robust Skin Color
Technology VII. Based Face Detection Algorithm. Tamkang
[2] Ahlvers, U., Rajagopalan, Ruben, dan Udo Journal of Science and Engineering, Vol. 6,
Zolzer. Model-Free Face Detection And Head No. 4, pp. 227-234 (2003).
Tracking With Morphological Hole Mapping. [13] Smith, S., Brady, J. Michael. SUSAN – A
Project Work. Helmut-Schmidt University / New Approach To Low Level Image
Technical University Hamburg. Hamburg, Processing. International Journal of Computer
2005. Vision, Vol. 23, No. 1, pp. 45-78 (1997).
[3] Crane, Randy. A Simplified Approach To
Image Processing. Prentice Hall. 1997
[4] Gu, H., Su, Guangda, dan Cheng Du. Feature
Point Extraction From Faces. Image and
Vision Computing NZ. pp. 154-158
(November, 2003).
[5] Hess, M., Martinez, Geovanni. Facial Feature
Extraction Based On The Smallest Univalue
Segment Assimilating Nucleus (SUSAN)
Algorithm. Project Work. Universidad de
Costa Rica. 2005

View publication stats