ARTIFICIAL INTELLIGENCE

FACE RECOGNITION

Disusun oleh :
16 INFORMATIKA 11

Fachrurrozy 16.11.0673
Fandi Achmad Nurhadi 16.11.0680
Whisnu Ady Pratama 16.11.0681
Bima Arinto Nugroho 16.11.0695

JURUSAN INFORMATIKA
UNIVERSITAS AMIKOM YOGYAKARTA
YOGYAKARTA
2018
1. Latar belakang
Pengenalan wajah (face recognition) telah menjadi suatu aplikasi khusus di antara banyak
bidang penelitian yang ada pada Computer Vision. Pengenalan wajah yaitu membandingkan
citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling sesuai
dengan citra masukkan tersebut. Pengenalan wajah merupakan suatu pekerjaan yang kompleks
hal ini disebabkan banyak kemungkinan variasi untuk subyek yang sama pada kondisi yang
berbeda, seperti luminansi dan ekspresi muka (facial expression), dan bentuk kepala secara
tiga-dimensi.
Pengenalan wajah merupakan suatu pengenalan pola (pattern recognition) yang khusus untuk
kasus wajah. Ini dapat dideskripsikan sebagai pengklasifikasian suatu wajah apakah dikenali
(known) atau tidak dikenali (unknown), dimana setelah dibandingkan kemudian disimpan
secara tersendiri. Beberapa pendekatan untuk pengenalan obyek dan grafika komputer
didasarkan secara langsung pada citra-citra tanpa penggunaan model 3D. Banyak dari teknik ini
tergantung pada suatu representasi citra yang membentuk suatu struktur ruang vektor, dan
dalam prinsip ini memerlukan korespondensi yang padat.

2. Metode yang digunakan

Metode yang digunakan untuk pengenalan wajah adalah Haar Wavelet dan Algoritma Viola-
Jones, untuk membandingkan Haar feature. Secara umum, Haar-Like Feature digunakan dalam
mendeteksi objek pada image digital. Nama Haar merujuk pada suatu fungsi matematika (Haar
Wavelet) yang berbentuk kotak, prinsipnya sama seperti pada fungsi Fourier. Awalnya
pengolahan gambar hanya dengan melihat dari nilai RGB setiap pixel, namun metoda ini
ternyata tidaklah efektif. Viola dan Jones kemudian mengembangkannya sehingga terbentuk
Haar-Like feature. Haar-like feature memproses gambar dalam kotak-kotak, dimana dalam satu
kotak terdapat beberapa pixel. Per kotak itu pun kemudian di-proses dan didapatkan
perbedaan nilai (threshold) yang menandakan daerah gelap dan terang. Nilai – nilai inilah yang
nantinya dijadikan dasar dalam image processing
3. Hasil
Workflow Program

Keterangan Workflow Program

1. Pendaftaran
Langkah pertama untuk memulai Face Recognising, data harus di beri ID untuk
mempermudah program membedakan data wajah. Jumlah ID harus sama dengan jumlah
wajah yang ingin dikenali, semisalnya wajah yang ingin dikenali ada 2 maka ID yang di
inputkan harus berjumlah 2 pula.

2. Pensampelan
Pensampelan bertujuan untuk menyimpan data yang akan di pelajari dan di akses kembali
pada saat proses pengenalan wajah. Procesnya Raw data akan di input melalui optik
kamera dan di simpan pada direktori data set yang nantinya akan menjadi “database”
program face recognising ini.

3. Data set Training

Proses ini bertujuan melatih program untuk mengenali wajah dengan Metode Haar
Wavelet, yang diharapkan mampu menganalisa dan mengenali wajah secara akurat.

4. Recognising Face
Program akan menerima gambar digital yang dikirmkan kamera secara real time,
menganalisa gambarnya frame by frame, lalu mendeteksi apakah wajah dalam frame
gambar tersebut terdapat pada direktori database yang telah di sampel sebelumnya
dengan Algoritma Viola Jones. Jika wajah dikenali maka akan di beri nama ID sesuai dengan
penginputan sebelumnya, dan akan diberi Confident Level. Confident Level adalah
persentase keakuratan pengenalan wajah, semakin tinggi Confident Level maka semakin
“tidak asing” wajah bagi program untuk dekenali. Tingkat Confident level bisa berubah-
ubah tergantung intensitas cahaya yang jatuh pada wajah, pose wajah dalam menatap
kamera, jarak wajah dengan lensa, maupun jumlah sampel yang di inputkan.
Percobaan Implementasi Face Recognition
Berikut Implementasi Face Recognition menggunakan bahasa pemrograman phyton

1. Buat direktori ”Dataset” dan ”Trainer” di dalam direktori Root folder.

Direktori Dataset akan menyimpan Data Sample berupa gambar yang telah di kenali, dan
Direktori Trainer adalah hasil latihan program yang di simpan dengan ekstensi .yml

2. Ketik Baris Kode Berikut dan beri nama face_dataset.py

 Pada baris 56 terdapat listing ”elif count>100” yang menunjukkan bahwa program akan
menganalisa wajah pada kamera dan meng-capture wajah sebanyak 100 sample dan akan
di simpan pada direktori Dataset.
Di baris 17 terdapat “face id =x”, isi id sesuai jumlah wajah yang ingin dikenali. Jika id=1
telah di gunakan, maka gunakan id=2, id=3, id=4, dan seterusnya untuk mengidentifikasi
wajah yang berbeda.

Jalankan face_datasets.py dengan Mengetikkan “phyton face_datasets.py” pada CMD.

Biarkan program berjalan dan kamera mengcapture wajah.

3. Ketik baris kode berikut dan Beri nama ”training.py”

 Fungsi kode ini adalah untuk melatih / mengenali sample wajah yang tersimpan dalam
direktori Dataset. Hasil atau output dari proses ini adalah berupa file “trainer.yml” yang
tersimpan dalam direktori Trainer. File “trainer.yml” ini menyimpan kordinat dari wajah
kita.

4. Download file “haarcascade_frontalface_default.xml” dari web yang merupakan base code

dari Haar Cascade untuk menentukan Haar Feature pada wajah yang nantinya akan di
bandingkan dengan Algoritma Viola Jones .

5. Ketik baris kode berikut dan Beri nama ”face_recognition.py”.

Setelah dataset terisi dan sudah dilakukan training, maka selanjutnya menjalankan file
face_recognition.py. Namun sebelum dijalankan lakukan pengisian pada Id terlebih dahulu
pada baris 56 dan baris 58 pada file face_recognition.py.
Isikan Id == 1 dengan nama pemilik wajah, atau jika ada dua wajah yang ingin di
identifikasi, boleh juga di diisikan Id == 2 dengan nama lain. Selanjutnya jalankan file
face_recognition.py, maka hasilnya akan seperti ini.

Pada gambar diatas juga muncul nilai confidence dalam persen. Semakin banyak jumlah
dataset yang kita traning, akurasinya akan semakin akurat. Pada percobaan kali hanya
menggunakan 100 data.
4. Haar Wavelet dan Algoritma Viola Jones.
Pipeline

Penjelasan Pipeline Haar Wavelet dan Algoritma Jones

1. Kamera mengambil gambar lalu program akan memproses citra wajah dalam sebuah
kotak persegi dengan ukuran tertentu misal 24 x 24. Kemudian di simpan untuk mencari
Haar Featurenya

2. Menentukan Haar Fitur/Feature menggunakan Haar wavelet.

Haar-Wavelet (Wave = Gelombang) merupakan gelombang persegi (interval gelap dan
interval terang) yang kemudian dibandingkan nilai rata-rata pixel keduanya. Apabila
perbandingan nilai rata-rata intensitas tersebut berada mendekati threshold (ambang
batas), maka dikatakan memenuhi syarat fitur Haar.
Haar Feature akan mendeteksi fitur relevan pada wajah, seperti mata kiri, mata kanan,
kedua alis, hidung, dan mulut. Panjang Kernel pada Haar Feature tergantung pada banyak/
panjangnya garis pixel gelap dan terang pada fitur relevan wajah.
Setiap Pixel yang masuk kedalam setiap kernel Haar Feature akan dinilai dari range 0-255.
Dimulai dari 255 menjadi yang tergelap dan 0 menjadi yang paling terang.
Contoh pada gambar di bawah :

Ini adalah nilai Ideal Haar Feature, dimana nilai paling terang adalah 0, dan paling gelap
bernilai 1. Demi menyederhanakan kalkulasi perhitungan algoritma, nilai tertinggi/ nilai
tergelap yang seharusnya 255 diubah menjadi 1 dan nilai terendah tetap 0.
 Gambar diatas merupakan contoh potongan pixel pada gambar yang berpotensi menjadi
haar feature. Setelah itu akan diidentifikasi bagian terang dan gelap, jika mendekati 0
maka menjadi bagian terang, dan jika mendekati nilai tertinggi akan menjadi bagian gelap.
Hitung threshold pada real image, jika mendekati nilai ideal fitur haar (Nilai fitur haar=1)
maka potongan pixel tersebut bisa dikatakan Haar feature.

Rumusnya adalah nilai rata-rata bagian gelap dikurang dengan nilai rata” bagian gelap.
Pada Kasus ini nilai rata-rata gelap = 0.74 dikurangi nilai rata-rata terang = 0.18, kemudian
hasilnya = 0.56 semakin dekat hasilnya dengan nilai ideal fitur haar maka bisa dikatakan
sebagai Haar Feature.

3. Data kemudian di simpan sebanyak dengan nilai yang telah di tentukan pada database
yang setiap datanya telah di training. Artinya setiap citra wajah yang telah di pelajari
sudah teridentifikasi nilai Haar Featuren-nya.

4. Jika Program Face Recognition di jalankan, data wajah baru akan di cari Haar Featurenya
lalu di bandingkan nilai pixelnya secara real time dengan data Haar feature yang tersedia
di database. Jika nilai pixelnya sama /mendekati maka nama pemilik wajah akan muncul
pada layar.
5. REFERENSI

[1] Brahmbhatt, Samarth. 2013. Practical OpenCV. Appres, New York

[2] Wu Lifang, Shen Lansun. 2003. Face Recognition from Front-view Face. Journal of
Electronics. Vol. 20(1): 45-50

[3] Laganiere, Robert, “OpenCV 2 Computer Vision Application Programming Cookbook”,

Packt Publishing, 2011

[4] Sharif M., "Face Recognition using Gabor Filters", Journal of Applied Computer Science &
Mathematics, no. 11, Suceava, May. 2011.

[5] Freund Y. & Schapire R., “A Short Introduction to Boosting”, Journal of Japanese Sociaety
for Artificial Intelegence, 14(5)- 780, September, 1999.