0 évaluation0% ont trouvé ce document utile (0 vote)
81 vues19 pages
Dokumen ini membandingkan dua metode utama pengenalan wajah 2D, yaitu Eigenface dan Fisherface. Eigenface menggunakan PCA sedangkan Fisherface menggunakan LDA. Fisherface lebih unggul karena mampu memaksimalkan perbedaan antarkelas dan meminimalkan perbedaan dalam kelas, sehingga mampu mendeteksi wajah dengan variasi pencahayaan lebih baik. Hasil pengujian menunjukkan bahwa Fisherface berkinerja lebih baik dibanding
Dokumen ini membandingkan dua metode utama pengenalan wajah 2D, yaitu Eigenface dan Fisherface. Eigenface menggunakan PCA sedangkan Fisherface menggunakan LDA. Fisherface lebih unggul karena mampu memaksimalkan perbedaan antarkelas dan meminimalkan perbedaan dalam kelas, sehingga mampu mendeteksi wajah dengan variasi pencahayaan lebih baik. Hasil pengujian menunjukkan bahwa Fisherface berkinerja lebih baik dibanding
Droits d'auteur :
Attribution Non-Commercial (BY-NC)
Formats disponibles
Téléchargez comme PPT, PDF, TXT ou lisez en ligne sur Scribd
Dokumen ini membandingkan dua metode utama pengenalan wajah 2D, yaitu Eigenface dan Fisherface. Eigenface menggunakan PCA sedangkan Fisherface menggunakan LDA. Fisherface lebih unggul karena mampu memaksimalkan perbedaan antarkelas dan meminimalkan perbedaan dalam kelas, sehingga mampu mendeteksi wajah dengan variasi pencahayaan lebih baik. Hasil pengujian menunjukkan bahwa Fisherface berkinerja lebih baik dibanding
Droits d'auteur :
Attribution Non-Commercial (BY-NC)
Formats disponibles
Téléchargez comme PPT, PDF, TXT ou lisez en ligne sur Scribd
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.