PERBANDINGAN METODA EIGENFACE DAN

FISHERFACE PADA TEKNIK PENGENALAN

WAJAH MANUSIA

Hendra Kusuma
( hendraks@ee.its.ac.id )

Wirawan
Adi Soeprijanto
 Dua Metoda Tradisional Teknik
Pengenalan Wajah 2 Dimensi

• Eigenface (Principal Component Analysis)

• Fisherface (Fisher Linear Discriminant Analysis)

Teknik Reduksi Dimensi

Kendala pada Pengenalan Wajah

• Intensitas Pencahayaan (Illumination)

• Ekspresi Wajah (Expression)
• Posisi Wajah (Head Pose)
• Penuaan (Aging)
Citra Wajah yang sama dengan
pencahayaan berbeda
 Gambaran Umum Algoritma

Proyeksi suatu input image menuju suatu ruang

berdimensi lebih rendah
‘ facespace ‘
dan kemudian menghitung jarak antara input
image yang terproyeksi dan wajah-wajah yang
sudah diketahui.
 Metoda Eigenface

• Menggunakan PCA untuk menentukan fitur-fitur

yang paling berbeda pada citra-citra wajah.
• Membangun subspace citra (face space) yang
dapat membedakan wajah-wajah.
• Wajah yang serupa merupakan titik-titik yang
berdekatan pada face space.
• Membandingkan wajah dengan memproyeksi-
kan citra test pada face space dan menghitung
jarak antaranya
 Image Space
1X2 pixel images dikonversikan menjadi vector-vektor seperti di bawah ini,

 Setiap image diwakili suatu titik pada image space.

 Image yang mirip akan berdekatan satu sama lain.
 Image yang berbeda akan berjauhan letaknya pada
 PCA – Principal Component
Analysis

• Principal component analysis digunakan

untuk menghitung vektor-vektor yang
merupakan representasi terbaik dari image
space yang berdimensi lebih kecil.
• Merupakan eigenvectors matrik covariance
dari training set.
• Eigenvectors digunakan untuk mendefinisikan
subspace dari citra-citra wajah yaitu face
space.
 Algoritma Eigenface

• Compute the average face image

• Compute the difference image for
each image in the training set
• Compute the covariance matrix
of this set of difference images
• Compute the eigenvectors of the
covariance matrix
 Reduksi Dimensi

• Hanya M eigenface terbesar yang dipilih,

sehingga mereduksi dimensi data.
• Eigenface yang terlalu sedikit menyebab-
kan hilangnya banyak informasi sehingga
mengurangi kemampuan membedakan
wajah-wajah.
 Metoda Fisherface

• Eigenfaces berupaya memaksimalkan penyebaran

citra-citra training pada face space.
• Fisherfaces berupaya memaksimalkan penyebaran
antar kelas (between class scatter) dan
meminimalkan penyebaran dalam kelas (within
class scatter).
• Dengan kata lain memindahkan citra-citra dari
wajah yang sama untuk berdekatan, sekaligus
menggerakan citra wajah yang berbeda agar
berjauhan.
Perbandingan antara Principal Component Analysis (PCA) &
Fisher’s Linear Discriminant (FLD) untuk 2 kelas data
Fisher’s Linear Discriminant

• Mem-proyeksikan data sedemikian

sehingga kelompok kelas terpisahkan.
 Fisher Linear Discriminant

Between class scatter

Within class scatter

Contoh Citra Wajah
Contoh citra wajah dari Yale Face B Database
(Ukuran citra 48x40)
Hasil Pengujian Teknik Pengenalan Wajah
Eigenface terhadap Fisherface
 Kesimpulan

Hasil uji coba yang membandingkan kedua

metoda tersebut menunjukkan bahwa metoda
Fisherface berunjuk-kerja lebih baik
dibandingkan metoda Eigenface,
terutama jika citra wajah test
mempunyai pencahayaan yang bervariasi.