ABSTRAK

Dalam bidang pengolahan gambar itu sangat menarik untuk mengenali isyarat
manusia untuk aplikasi kehidupan umum. Misalnya, mengamati sikap sopir ketika
ia / dia mengemudi dan mengingatkan dia / dia ketika dalam suasana hati
mengantuk akan sangat berguna. Gerakan manusia dapat diidentifikasi dengan
mengamati gerakan yang berbeda dari mata, mulut, hidung dan tangan. Dalam
makalah ini kami berfokus pada wajah manusia untuk mengenali ekspresi.
Banyak teknik yang tersedia untuk mengenali wajah. Dalam tulisan ini, wajah
terdeteksi menggunakan teknik Viola dan Jones. Makalah ini memperkenalkan
arsitektur sederhana untuk ekspresi wajah manusia pengakuan. Pendekatan ini
didasarkan pada-add mendorong classifier untuk deteksi wajah dan tanda temuan
sederhana dan pencocokan menggunakan kembali jaringan propagasi saraf.
Pendekatan ini dapat disesuaikan dengan sistem real time sangat mudah.
Makalah ini secara singkat menjelaskan skema menangkap gambar dari web cam,
mendeteksi wajah, pengolahan gambar untuk mengenali gerakan serta beberapa
​ UNCI:.
hasilK

KATA ​Tambahkan classifier didorong, deteksi tepi, deteksi wajah, pengakuan

gerakan, jaringan saraf, tanda deteksi

1. PENDAHULUAN

Manusia ekspresi wajah pengakuan oleh mesin dapat digambarkan sebagai

interpretasi dari karakteristik wajah manusia melalui algoritma matematika.
Gestures tubuh yang dibaca oleh perangkat input penginderaan seperti
web-cam. Bunyinya gerakan tubuh manusia dan berkomunikasi dengan
komputer yang menggunakan gerakan ini sebagai masukan. Gerakan ini
kemudian ditafsirkan menggunakan algoritma baik berdasarkan analisis
statistik atau teknik kecerdasan buatan. Tujuan utama dari penelitian
pengakuan isyarat adalah untuk menciptakan sebuah sistem yang dapat
mengidentifikasi gerakan manusia tertentu dan menggunakannya untuk
menyampaikan informasi. Dengan mengamati wajah, seseorang dapat
memutuskan apakah seorang pria yang serius, senang, berpikir, sedih, merasa
sakit dan sebagainya. Menyadari ekspresi seorang pria dapat membantu dalam
banyak bidang seperti di bidang ilmu kedokteran di mana dokter dapat
diberitahu ketika seorang pasien sakit parah. Ini membantu dalam mengambil
 tindakan cepat pada waktu itu. Dalam tulisan ini fokus utama adalah untuk
mendefinisikan arsitektur sederhana yang mengakui ekspresi wajah manusia.
Sistem yang diusulkan dibagi menjadi lima modul seperti yang ditunjukkan
pada gambar berikut. Modul diimplementasikan di Jawa.

Setiap kotak ditunjukkan pada gambar 1 diperlakukan sebagai satu modul.

Modul pertama menangkap gambar dengan menggunakan web cam. Modul
kedua adalah untuk deteksi wajah yang dapat mendeteksi wajah manusia dari
gambar yang diambil. Satu set modul yang dibatasi oleh garis batas mewakili
pra-pengolahan blok. Ini terdiri dari histogram ekualisasi, deteksi tepi,
penipisan, dan modul generasi tanda. Modul berikutnya adalah modul pelatihan
untuk menyimpan informasi token yang berasal dari gambar modul
pra-pengolahan. Pelatihan ini telah dilakukan dengan menggunakan kembali
jaringan propagasi saraf. Dan modul terakhir adalah pencocokan dan
pengambilan keputusan tanda disebut modul pengakuan yang menghasilkan
hasil akhir. Diagram alir berikut mewakili bagaimana semua modul bekerja.

2. WAJAHDETEKSI

deteksiWajah adalah proses yang bertujuan untuk mencari wajah manusia

dalam foto. Proses ini diterapkan pada gambar yang disimpan atau gambar
dari kamera. Wajah manusia bervariasi dari satu orang ke orang lain. Variasi
ini di wajah bisa disebabkan ras, jenis kelamin, usia, dan karakteristik fisik
lainnya dari individu. Oleh karena itu deteksi wajah menjadi tugas yang
menantang dalam visi komputer. Ini menjadi tugas yang lebih menantang
karena variasi tambahan dalam kondisi skala, orientasi, pose, ekspresi wajah,
dan pencahayaan. Banyak metode telah diusulkan untuk mendeteksi wajah
seperti jaringan netral, lokus kulit, dan analisis warna. Karena ini wajah yang
terdeteksi menjadi masukan untuk pengakuan gerakan, penting untuk
menyingkirkan informasi non-wajah dalam gambar. Dalam tulisan ini, teknik
 yang diusulkan oleh Viola dan Jones digunakan untuk mendeteksi wajah.
Alasan utama untuk menggunakan teknik ini adalah bahwa fitur
pelaksanaannya adalah berbasis dan relatif cepat dibandingkan dengan teknik
lain yang tersedia. Gambar berikut merupakan wajah yang terdeteksi dengan
gambar masukan yang sesuai mereka.

3. IMAGE PRA-PENGOLAHAN

Dalam blok ini, yang terdiri dari empat modul yang berbeda, citra wajah
diambil sebagai masukan dan token yang dihasilkan sebagai output. Langkah
pertama dalam blok ini adalah untuk meningkatkan kualitas gambar. Untuk
melakukan hal ini, histogram ekualisasi telah dilakukan. Hal ini kemudian
diikuti oleh proses deteksi tepi. Sejak deteksi tepi memainkan peran penting
dalam mencari tahu token, empat algoritma terkenal yaitu Prewitt, Sobel,
Prewitt Diagonal, dan Sobel Diagonal diimplementasikan untuk melakukan
hal ini. Perbedaan utama antara algoritma ini adalah arah mendeteksi tepi.
Misalnya, deteksi tepi Prewitt menghasilkan gambar di mana nilai-nilai
gray-level yang lebih tinggi menunjukkan adanya kelebihan antara dua benda.
Pada dasarnya, dalam metode ini, ada dua masker, satu untuk mendeteksi
turunan gambar dalam arah X dan yang lainnya untuk mendeteksi turunan
gambar dalam arah Y. Untuk menemukan tepi, sebuah gambar convolved
dengan kedua masker, menghasilkan dua gambar derivatif (dx dan dy).
Kekuatan tepi pada setiap lokasi gambar yang diberikan kemudian dihitung
dengan mengambil akar kuadrat dari jumlah kuadrat dari dua derivatif ini.
(Orientasi tepi adalah garis singgung busur dy / dx.). Ara. 3 menunjukkan
operator Prewitt yang terdiri dari sepasang kernel 3x3 konvolusi.
Pada dasarnya kernel ini menanggapi tepi yang berjalan secara vertikal dan
horizontal sesuai dengan grid pixel. Gambar berikut menunjukkan output
gambar yang dihasilkan dari empat algoritma.
Deteksi Edge adalah istilah dalam pengolahan citra dan visi komputer, khususnya di
bidang deteksi fitur dan ekstraksi fitur, yang bertujuan mengidentifikasi poin dalam
gambar digital di mana perubahan kecerahan gambar tajam atau lebih formal
memiliki diskontinuitas. Setelah deteksi tepi, penipisan harus dilakukan. Menipis
diterapkan untuk mengurangi lebar tepi garis tunggal seperti yang ditunjukkan pada
gambar berikut.

Setelah proses penipisan, token telah dihasilkan. Token membagi data set ke unit
terkecil dari informasi yang digunakan untuk pengolahan selanjutnya. Ara. 6
menunjukkan bagian dari wajah yang telah sudah diproses dan menipis. Garis
menunjukkan bentuk gambar mata setelah deteksi tepi sukses & menipis. Sebuah
kotak persegi merupakan titik pada bentuk gambar mata dan garis biru bergabung
dengan pusat dua kotak dari mana cosinus dan sinus sudut dihitung. Seperti garis
yang menghubungkan satu kotak yang lain adalah representasi dari token mata.
Untuk lebih tepat, segitiga tangan kanan kecil ditampilkan pada gambar ini dan
ringkasan dari semua segitiga dari citra wajah adalah representasi dari token

PELATIHAN.DAN KEMBALI PROPAGATION JARINGAN

SYARAF

Gambar pengakuan telah dilakukan di masa lalu menggunakan piksel gambar

untuk melatih jaringan saraf melalui back-propagasi. Sebuah ANN khas
memiliki N input dan satu atau lebih keluaran seperti yang ditunjukkan pada
gambar. 7. Lapisan masukan terdiri bukan dari neuron penuh, melainkan
terdiri hanya dari nilai-nilai dalam catatan data, yang merupakan masukan ke
lapisan berikutnya neuron. Lapisan berikutnya disebut lapisan tersembunyi
dan mungkin ada beberapa lapisan tersembunyi. Lapisan terakhir adalah
lapisan output, di mana ada satu simpul untuk masing-masing kelas. Sebuah
menyapu tunggal maju melalui hasil jaringan dalam penugasan nilai untuk
setiap node output, dan catatan ditugaskan untuk mana kelas itu simpul
memiliki nilai tertinggi. Piksel yang sebenarnya dimasukkan ke dalam
jaringan sebagai masukan. Pendekatan ini karya besar ketika mencoba untuk
mengenali tekstur atau benda dengan orientasi tetap dan skala. Namun, pada
skala yang berbeda dan orientasi, tidak memberikan hasil yang
menggembirakan. Oleh karena itu tanda dari suatu gambar yang digunakan
untuk melatih jaringan

Selama pelatihan, jaringan dilatih untuk menghubungkan output dengan pola input.
Ketika jaringan dilatih, mengidentifikasi pola masukan dan mencoba untuk keluaran
pola output terkait. Dalam rangka untuk melatih jaringan saraf untuk melakukan
beberapa tugas, kita harus menyesuaikan bobot dari masing-masing unit sedemikian
rupa bahwa kesalahan antara output yang diinginkan dan output aktual berkurang.
Proses ini membutuhkan bahwa jaringan saraf untuk menghitung turunan kesalahan
bobot (EW). Dengan kata lain, ia harus menghitung berapa kesalahan perubahan
karena setiap berat badan bertambah atau berkurang sedikit. Algoritma propagasi
kembali adalah metode yang paling banyak digunakan untuk menentukan EW.
Kekuatan jaringan saraf diwujudkan ketika pola token, selama pengujian, diberikan
sebagai masukan dan mengidentifikasi pola pencocokan itu sudah dipelajari selama
pelatihan.

5. PENGAKUAN

Setelah pelatihan selesai, jaringan siap untuk mengenali isyarat disajikan pada input. Untuk
mengenali gerakan itu dari wajah dua pilihan yang disediakan. Jika pengguna ingin
mengenali isyarat dari gambar yang ada, maka dapat diambil dari memori. Sebagai pengguna
memilih gambar, metode pengenalan wajah bekerja dan mengembalikan wajah bagian dari
gambar. Dan pilihan lain adalah untuk menangkap gambar hidup. Foto diambil dari web cam.
Untuk tujuan pengujian "Logitech Cepat Cam Pro" digunakan. Setelah diminta untuk
mengenali, menangkap gambar dan menemukan bagian wajah di dalamnya. Maka deteksi
tepi, penipisan, dan generasi tanda dilakukan. Kemudian mengklasifikasikan token diberikan
ke salah satu dari tiga gerakan itu dipelajari selama pelatihan. Ini memberikan persentase
pengakuan untuk setiap gerakan dengan persentase tertinggi erat pencocokan dan terendah
untuk pencocokan terjauh dan pertandingan terdekat dianggap sebagai hasilnya. Proses
pengenalan diimplementasikan sesuai dengan garis yang diberikan dalam diagram alir di ara.
2.

​ SULTS
6. T​esting DAN ​RE

Untuk menguji solusi yang diajukan, tiga set yang berbeda dari gerakan orang siap.
Gambar-gambar ini benar-benar berbeda dari subset belajar gambar dalam arti bahwa setiap
gambar wajah diambil pada waktu yang berbeda dengan contoh yang berbeda dari gerakan.
Bahkan gerakan tertentu tertutup atau memiliki orientasi yang berbeda. Selanjutnya, ketika
hanya wajah tunggal telah terkena jaringan dan itu mampu mengenali gerakan itu dengan
persentase yang relatif tinggi pencocokan. Sistem ini dilatih menggunakan 3 gambar gerakan
yang berbeda. Kategori yang digunakan untuk pelatihan senang angka 8, angka 9 sedih, dan
Berpikir angka 10 tahapan wajah.

7. C​ONCLUSION DAN ​F​uture ​W​ORK

Arsitektur untuk pengakuan gerakan manusia dalam gambar warna dengan gerakan
yang berbeda disajikan. Wajah manusia terdeteksi pertama menggunakan teknik yang
dijelaskan oleh Viola dan Jones menggunakan Add Meningkatkan Haar classifier.
Kemudian deteksi tepi, penipisan, dan deteksi tanda dilakukan. Kemudian,
pengakuan dilakukan. Meskipun beberapa deteksi positif dan negatif yang
ditemukan, kesederhanaan dan ketahanan dari sistem ini signifikan. Dalam sistem ini
pengguna mengakui gerakan dengan memberikan nilai ambang masukan untuk
mendeteksi token. Ini adalah tugas yang membosankan untuk menentukan nilai
ambang terbaik untuk menghasilkan token. Jadi sebagai proses selanjutnya atau
pekerjaan di masa depan adalah untuk menentukan nilai ambang terbaik, sehingga
tanpa interaksi pengguna sistem dapat menghasilkan token.

Sebuah​CKNOWLEDGEMENT
Penelitian ini sedang dilakukan di bawah kegiatan proyek CSIR "Pengolahan
citra berdasarkan Cerdas Kamera sistem Gesture Manusia Identifikasi​"dalam
proyek Supra Kelembagaan 'Pengembangan Teknologi untuk Sistem Cerdas' di
Central Electronics Engineering Research Institute (CEERI), Pilani, India.
Penulis ingin mengucapkan terima kasih Direktur, CEERI atas dorongan aktif
dan dukungan.