Penerapan Algoritma Viola Jones Pada Deteksi Wajah

ABSTRAK Penelitian ini berisikan tentang suatu sistem deteksi wajah pada manusia dengan menggunakan metode ViolaJones. Data yang digunakan pada penelitian ini berupa sampelgambar yang diambil dari internet secara acak sebanyak 30 citra yang terdiri atas 22 citra manusia dan 8 citra hewan.Dimensi sampel citra berukuran paling kecil adalah 219x285pixel dan dimensi yang paling besar adalah 1536x2048 pixel. Metode Viola-Jones relatif mendapatkan hasil yang cepat, akurat, dan efisien dalam melakukan deteksi wajah pada gambar. Metode ViolaJones merupakan algoritma yangpaling banyak digunakan untuk mendeteksi wajah. Metode ini terdiri atas tiga komponen penting yaitu integral imagedigunakan untuk menentukan ada atau tidaknya fitur Haar tertentu pada sebuah gambar, metode AdaBoost machinelearning yang digunakan untuk untuk memilih fitur Haar yang spesifik yang akan digunakan serta untuk mengatur nilaiambangnya (threshold), dan cascade classifier sebagai pengklasifikasi akhir untuk menentukan daerah wajah padagambar dari metode ini. Urutan filter pada cascade ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan bobotpaling besar diletakkan pada proses pertama kali dengan tujuan untuk menghapus daerah gambar bukan wajah secepatmungkin. Dalam penelitian ini ditampilkan gambar-gambar yang terdeteksi sebagai wajah dan tidak terdeteksi sebagaiwajah. Hasil penelitian ini mendapatkan nilai akurasi sistem deteksi wajah sebesar 90,9%. Hasil lain yang didapatkanadalah posisi wajah yang tegak/tidak tegak menentukan keberhasilan deteksi wajah tersebut. Keywords— Gambar , Wajah, Deteksi wajah, Viola-Jones. 1. Pendahuluan Secara umum untuk manusia, wajah merupakan ukuran yang paling mudah dan sederhana untuk menentukan identitas individu yang satu dengan yang lainnya.Karena otak manusia mempunyai keistimewaan dalam hal mengingat dan membedakan wajah setiap individu yang dilihatnya, maka manusia mampu untuk membedakan mana yang dikenal dan mana yang tidak dikenal.Hal inilah yang melatar belakangi pembuatan suatu system yang secara automatis mampu membedakan identitas individu secara akurat berdasarkan tampilandari wajah individu yang bersangkutan. Sistem ini dikenal dengan nama face recognition system. Pada sistem seperti ini citra yang di dapat umumnya hanya berisi satu wajah dan memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehinggadeteksi wajah dapat dilakukan dengan lebih mudah Deteksi wajah pada manusia menjadi sangat penting dalam perkembangan ilmu pengolahan citra digital.Penelitian tersebut telah banyak dilakukan dengan kelebihan dan kekurangannya.Dari sebuah wajah banyak informasi fitur yang dapat dibaca, misalnya mata, hidung, dan mulut. Karena alasan ini, maka metode pendeteksian wajah adalah untuk menentukan ”ya” atau “tidak” adanya wajah dalam sebuah gambar. Dalam kasus penentuan lokasi wajah, tujuanya adalah untuk mendeteksi letak posisi dari fitur wajah manusia misalnya mata, hidung, dan mulut dengan menggunakan metode pendeteksian wajah.Pada umumnya pendeteksian wajah hanya dilakukan dengan satu objek wajah.Di dalam tugas akhir ini, saya berusaha menyajikan suatau sistem pendeteksi wajah yang dapat mendeteksi beberapa wajah secara bersamaan dengan menggunakan metode viola jones. 2. TINJAUAN PUSTAKA 2.1 Deteksi Wajah Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label, yaitu wajah dan non-wajah. Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak yang menggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama dan latar belakang yang seragam. Didunia nyata, asumsi ini tidak selalu berlaku karena wajah dapat muncul dengan berbagai macam ukuran dan posisi di dalam citra dan dengan latar belakang yang bervariasi. Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Bidang –bidang penelitian yang berkaitan dengan pemrosesan wajah ( face processing) adalah (S, Nugroho, 2004) Pengenalan wajah (face recognition) yaitu membandingkan citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling cocok dengan citra masukan tersebut..Autentikasi wajah (face authentication) yaitu menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya.Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra.Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video secara real time.Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia. Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh adanya faktor-faktor berikut:Posisi wajah. Posisi wajah di dalam citra dapa tbervariasi karena posisinya bisa tegak, miring,menoleh, atau dilihat dari samping.Komponen-komponen pada wajah yang bisa ada atau tidak ada, misalnya kumis, jenggot, dan kacamata.Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi wajah seseorang,misalnya tersenyum, tertawa, sedih, berbicara,dan sebagainya. Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek atau wajah lain,misalnya pada citra berisi sekelompok orang. Kondisi pengambilan citra. Citrayang diperoleh sangat dipengaruhi oleh faktorfaktor seperti intensitas cahaya ruangan, arah sumber cahaya,dan karakteristik sensor dan lensa kamera. 2.2Deteksi Wajah Viola-Jones Prosedur deteksi wajah Viola-Jones mengklasifikasikan gambar berdasarkan pada nilai fitur sederhana.Terdapat banyak alasan untuk menggunakan fitur daripada piksel secara langsung.Alasan yang paling umum adalah bahwa fitur dapat digunakan untuk mengkodekan pengetahuan domain ad-hoc yang sulit dalam pembelajaran terhadap data latih yang terbatas jumlahnya.Alasan penting kedua untuk menggunakan fitur adalah sistem fitur berbasis operasi jauh lebih cepat daripada sistem berbasis pixel.Klasifikasi gambar dilakukan berdasarkan nilai dari sebuah fitur.Penggunaan fitur dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan pemrosesan citra perpiksel. Terdapat tiga jenis fitur berdasarkan jumlah persegi panjang yang terdapat di dalamnya, seperti yang dapat dilihat pada gambar di bawah ini: Gambar 2.1Jenis fitur gambar Pada Gambar 2.1 menggambarkan bahwa fitur (a) dan (b) terdiri dari dua persegi panjang, sedangkan fitur (c) terdiri dari tiga persegi panjang dan fitur (d) empat persegi panjang. Cara menghitung nilai dari fitur ini adalah mengurangkan nilai piksel pada area putih dengan piksel pada area hitam. Untuk mempermudah proses penghitungan nilai fitur, algoritma Viola-Jones menggunakan sebuah media berupa Integral Image. Integral Imageadalah sebuah citra yang nilai tiap pikselnyamerupakan penjumlahan dari nilai piksel kiri atas hingga kanan bawah. Contoh integral image dapat dilihat pada Gambar 2.2 : Gambar 2.2 Perhitungan integral image Untuk menentukan nilai rata-rata piksel pada area segiempat (daerah yang diarsir) dapat dilakukan hanya dengan membagi nilai pada (x,y) oleh area segiempat. Gambar 2.3 menggambarkan perhitungan integral salah satu area segiempat. Gambar 2.3 Integral image Dengan menggunakan integral image dapat mengetahui nilai piksel untuk beberapa segiempat yang ini misalkan, seperti segiempat D pada Gambar 2.3 di atas dapat dilakukan dengan cara menggabungkan jumlah pikselpada area segiempat A+B+C+D, dikurangi jumlah dalam segiempat A+B dan A+C, ditambah jumlah piksel di dalam A. Dengan A+B+C+D adalah nilai dari integral image pada lokasi 4, A+B adalah nilai pada lokasi 2, A+C adalah nilai pada lokasi 3, dan A pada lokasi 1. Sehingga hasil dari D dapat dikomputasikan D = (A+B+C+D)- (A+B)- (A+C)+A. Untuk memilih fitur yang spesifik yang akan digunakan dan untuk mengatur nilai ambangnya (threshold), Viola dan Jones menggunakan sebuah metode machine learning yang disebut AdaBoost. AdaBoost menggabungkan banyak classifier lemah untuk membuat sebuah classifier kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. Jika keseluruhan classifier lemah digabungkan maka akan menjadi classifier yang lebih kuat. AdaBoost memilih sejumlah classifier lemah untuk disatukan dan menambahkan bobot pada setiap classifier, sehingga akan menjadi classifier yang kuat. ViolaJones menggabungkan beberapa AdaBoost classifier sebagai rangkaian filter yang cukup efisien untuk menggolongkan daerah image. Masing-masing filter adalah satu AdaBoost classifier terpisah yang terdiri classifier lemah atau satu filter fitur. Karakteristik dari algoritma Viola-Jones adalah adanya klasifikasi bertingkat.Klasifikasi pada algoritma ini terdiri dari tiga tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan wajah.Hal ini dilakukan karena lebih mudah untuk menilai subcitra tersebut bukan wajah ketimbang menilai apakah subcitra tersebut berisi wajah.Gambar 2.4 menggambarkan bentuk alur kerja dari klasifikasi bertingkat. Gambar 2.4 Alur klasifikasi bertingkat Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi menggunakan satu fitur. Hasil dari klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur Haar tertentu dan F (False) bila tidak. Klasifikasi ini kira-kira akan menyisakan 50% subcitra untuk diklasifikasi di tahap kedua. Hasil dari klasifikasi kedua berupa T (True) untuk gambar yang memenuhi proses integral image dan F (False) bila tidak. Seiring dengan bertambahnya tingkatan klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi lebih banyak. Jumlah subcitra yang lolos klasifikasi pun akan berkurang hingga mencapai jumlah sekitar 2%. Hasil dari klasifikasi terakhir berupa T (True) untuk gambar yang memenuhi proses AdaBoost dan F (False) bila tidak. 3. METODOLOGI PENELITIAN Metodologi yang digunakan untuk mendeteksi wajah dengan menggunakan metode Violajones meliputi studi pustaka, analisis metode, perancangan sistem, implementasi, pengujian dan dokumentasi. Gambar 3.1 Alur Metodologi penelitian Gambar diatas merupakan alur metodologi penelitian viola jones dan meliputi beberapa tahapan sebagai berikut: 3.1 Studi Pustaka Studi pustaka dilakukan dengan membaca dan mempelajari buku-buku literature, artikel-artikel dan jurnal-jurnal yang berhubungan dengan pendeteksian citra wajah, pembelajaran ini dilakukan untuk mendapatkan solusi yang bertujuan untuk mempelajari masalah-masalah yang ada dalam pendeteksian citra wajah 3.2 Analisis Metode yang Digunakan Analisis metode yang digunakan dalam penelitian ini dibagi menjadi beberapa bagian antara lain : 1. Analisis metode yang digunakan dalam pemecahan masalah pendeteksian citra wajah. 2. Analisis penggunaan metode Viola Jonesuntuk melakukan pendeteksian citra wajah. 3.3 Antarmuka (GUI) Perancangan sistem dilakukan setelah analisis selesai dilakukan agar perancangan dapat dengan mudah digunakan.Berikut contoh tampilan antarmuka yang akan di implementasikan : Studi Pustaka Analisis Metode yang digunakan Antarmuka Implementasi Pengujian Analisa Gambar 3.2 Rancangan Perangkat Lunak Keterangan 1. Ambil Gambar Adalah fasilitas untuk memasukkan gambar yang akan dideteksi wajahnya yang ada di gallery komputer. 2. Gambar asli Adalah tempat untuk menampilkan sebuah gambar yang telah di ambil dari tombol insert 3. Proses Adalah tombol yang digunakan untuk memproses gambar asli yang telah di inputkan 4. Hasil deteksi Adalah tempat untuk menempatkan hasil dari proses deteksi wajah yang di tandai dengan kotak persegi yang lebih kecil dari pada gambar. 5. Keluar Adalah tombol untuk keluar dari program aplikasi deteksi wajah 6. Hasil Adalah Tempat untuk menampilkan Jumlah wajah yang terdeteksi dalam sebuah gambar 3.3 Implementasi Langkah selanjutnya yaitu implementasi yang berarti proses pelaksanaan pembuatan aplikasi dimana akan menerapkan metode ke dalam sistem.Berikut dibawah ini menggambarkan tahapan-tahapan yang dilakukan dalam proses pendeteksian wajah menggunakan metode Viola Jones: Gambar Wajah/bukan wajah Gambar 3.3 Desain Sistem Deteksi Wajah Berikut ini merupakan penjelasan dari tahapantahapan yang ada dalamProses pendeteksian wajah pada metode viola jones: a. Menentukan fitur wajah Metode Viola Jones menggunakan data latih dari citra-citra yang kurang tajam sebagai bagian dari proses pengklasifikasian citra. Klasifikasi citra dilakukan berdasarkan nilai dari sebuah fitur. b. Citra Integral Untuk memudahkan proses perhitungan nilai dari setiap fitur Haar pada setiap lokasi gambar digunakan teknik yang disebut citra integral. Secara umum integral mempunyai makna menambahkan bobot, bobot merupakan nilai-nilai piksel yang akan ditambahkan ke dalam gambar asli . c. Algoritma AdaBoost Algoritma AdaBoost mengkombinasikan banyak citra-citra yang kurang tajam (weak classifiers) untuk menjadi citra-citra yang lebih tajam (strong classifiers) dengan memberi bobot kepada citra weak classifiers d. Menentukan ambang batas Untuk mencari nilai perbedaan antara nilai fitur yang telah didapatkan . e. Memberikan bobot kepada weak classifier Menggabungkan banyak classifier yang lemah untuk membuat classifier yang lebih kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. f. Filter nilai citra Filter pada masing-masing level mengklarifikasi citra yang sebelumnya telah di filter. Jika salah satu filter tersebut gagal, daerah pada citra diklarifikasikan sebagai bukan wajah 3.4Pengujian Dalam skenario pengujian aplikasi deteksi wajah menggunakan metode viola jones terdapat beberapa langkah sebagai berikut : a. Data set yang digunakan. Gambar manusia dengan format file gambar jpeg dan di ambil secara acak dari internet, rata-rata wajah menghadap kedepan berjumlah 50 data gambar dan dalam setiap gambar terdiri dari 1-5 wajah. B .Segmentasi warna kulit Dalam proses pendeteksian warna kulit, setiap piksel digolongkan sebagai “warna kulit” maupun “bukan warna kulit” dengan membuang sebanyak mungkin citra yang diindikasikan sebagai wilayah yang bukan wajah. c. Segmentasi gambar Proses segmentasi merupakan proses identifikasi dan pemisahan gambar wajah yang merupakan Fitur haar Integral Machine learning AdaBost Cascade classifier gambar abu-abu dengan gambar latar. Untuk memisahkan gambar wajah dengan gambar latar digunakan teknik thresholding.Teknik thresholding digunakan untuk memecah bagianbagian gambar yang berupa karakter abjad dengan karakter grafis. Proses ini biasa disebut sebagai teknik binerisasi yang mengubah