Ekstraksi Fitur Pada dasarnya pengenalan wajah membutuhkan

Ekstraksi Fitur
Pada dasarnya pengenalan wajah membutuhkan memori yang banyak dan perhitungan yang
kompleks. Reduksi komponen atau fitur wajah dilakukan untuk mengurangi memori yang
dibutuhkan dan waktu komputasi. Ada dua cara yang digunakan yaitu pemilihan fitur (feature
selection) dan ekstraksi fitur (feature wxtraction). Pemilihan fitur bertujuan untuk memilih
sejumlah fitur yang banyak berprngaruh dari n fitur yang ada.Sedangkan ekstraksi fitur
didapat dengan memproyeksikan fitur ke dalam dimensi yang lebih rendah.
Fitur segala jenid aspek pembeda, kualitas dan karakteristik. Fitur biasa berupa simbolik
(misal warna) atau numerik (misal intensitas). Kombinasi dari d buah fitur dinyatakan
sebagai vektor kolom dimensi-d disebut vektor fitur. Kualitas vektor fitur dilihat
darikemampuannya membedakan objek yang berasal dari kelas yang sama dan objek yang
berada dalam kelas yang berbeda harus memiliki nilai vektor fitur yang berlainan pula
Terdapat dua jenis karakteristik yang disebut sebagai fitur dari citra :
-
Bagian global suatu citra
Bagian khusus dari suatu citra
Terkadang fitur dari suatu citra tidak berhubungan langsung dengan bagian-bagian yang
terdapat pada citra tersebut, tetapi masih mencerminkan karakteristik tertentu dari citra, fitur
wajah merupakan hasil suatu algoritma ekstraksi terhadap citra wajah.
Ekstraksi Fitur dilaksanakan dengan alasan :
-
Mengurangi data masukan (sehingga mempercepat proses dan mengurangi kebutuhan
data)
Menyediakan sekumpulan fitur yang relevan untuk proses klasifikasi
Mengurangi redundasi
Menemukan variable fitur yang menjelaskan data
Menghasilkan representasi dalam dimensi yang lebih kecil dengan sedikit informasi
yang hilang
Pengenalan wajah secara intuitif melihat fitur utama yang membedakan wajah dan
membandingkan dengan wajah yang lain. Percobaan yang pertama yaitu mengembangkan
sistem pengenalan wajah semi-automatis berdasarkan geometri pada tahun 1960. Pada tahap
awal ini pengembangan sistem pengenalan wajah difokuskan pada deteksi fitur wajah
individual. Hal ini didasari bahwa fitur geometri tidak sensitif terhadap iluminasi dan
pemahan secara intuitif dari fitur yang diekstraksi. Perkembangan selanjutnya menggunakan
intensitas tiap-tiap piksel.
Pada tahun awal 1990an M turk dan A. Pentland mengembangkan teori tentang EigenFace
yang tidak secara langsung melihat fitur-fitur wajah seperti mulut, telinga, hidung, bibir dan
rambut. Metode ini bertujuan untuk mengekstrak fitur yang relevan dari citra wajah.
Sejumlah fitur minimum yang diperlukan diambil untuk pelatihan dan pengujian untuk
dibandingkan dengan database.
Pada tahun 1997 berkembang penggunaan Fisherface yang merupakan pengembangan dari
metode yang ada sebelumnya dengan PCA dan juga LDA. Fisherface mengkombinasikan
Eigenface dengan Linear Discriminant Analysis (LDA). Dimensi dari masukan direduksi
dangan PCA dan kemudian LDA dan digunakan untuk menghasilkan proyeksi yang
memisahkan wajah dari bermacam-macam orang.
Pengenalan wajah menggunakan Fisherface merupakan jenis pengenlan wajah berdarsarkan
penampilan (appearance based). Prinsip dasar penganlan wajah berdasar penampilan adalah
merepresentasikan vektor wajah ke vektor fitur. Selanjutnya akan dihitung derajat kecocokan
antara citra wajah yang diuji dan citra wajah dalam data base. Hasil pengujian ini
memberikan keputusan apakah wajah dikenali atau tidak
Pada proses pengenalan wajah ini masukan dan database diolah untuk menentukan apakah
wajah pada citra msukan dikenali atau tidak. Proses pengolahan citra dilakukan rekan penulis.
Hasil pengolahan citra ini merupakan citra wajah yang sesuai dengan database.
1. Principal Component Analysis (PCA)
PCA menghsilkan reduksi data yang besar sehingga banyak digunakan dalam pemrosesan
citra. Dalam proses pengenalan pola sering ditemukan bahwa salah satu fitur yang kita pilih
memilki korelasi dengan yang lain dan sebagian fitur tidak berguna dengan
memperhitungkan nilai diskriminantnya. Dengan pengurangan ukuran dari fitur ini maka
dapat memperoleh sistem pengenalan dan perhitungan yang semakin sederhana.
Misalnya ada dua fitur X dan Y. Untuk mengetahui hubungan antara masing-masing fitur
maka dihitung nilai kovarian dari masing-masing fitur tadi. Maisng-masing fitur kita hitung
mean dan standart deviasinya. Kemudian kedua fitur yang kita hitung kovariannya. Jika nilai
kovarian positif hal itu berarti jika nilai fitur X kita naikkan maka nilai fitur Y juga akan naik,
sebaliknya jika nilai kovariannya negatif maka jika kita naikkan nilai fitur X maka nilai Y
aka turun. Jika nilai kovariannya nol maka kedua fitur tersebut tidak berhubungan. Hal ini
menjadi dasar dalam perhitungan PCA.
Misalkan terdapat sebuat citra berukuran N x N piksel maka dapat dilihat sebagai vektor
dengan dimensi N2. PCA bertujuan untuk menemukan komponen prinsip dari kumpulan
wajah dalam database. Fitur yang signifikan ini disebut sebagai Eigenface. Eigenface didapat
dari eigenvektor matriks kovarian dari himpunan citra dalam database. Eigenvektor ini
merupakan fitur yang menggambarkan variansi antara citra wajah. Masing-masing lokasi
pada wajah berkontribusi terhadap setiap eigenvektor ini. Msing-masing wajah pada database
dapat direpresentasikan dengan kombinasi linear dari Eigenface.
Jumlah Eigenface sama dengan jumlah database. Citra wajah dapat diperkirakan dengan
Eigenface terbaik (yang memiliki eigenvalue terbesar) yang mewakili sebagian besar variasi
wajah pada database. Dengan pengambilan beberapa komponen pronsip (yang terpenting) ini
maka perhitungan Eigenface menjadi efisien.
Misalkan sebuah citra wajah X(x,y) berupa array dua dimensi M x N . sejumlah N citra
wajah dalam database tersebut direpresentasikan {X1, X2, X3, ..., XN }, dimana setiap Xi adalah
vektor berdimensi (M N) × 1.
Tahapan-tahapan dalam mengambil fitur dengan metode ini adalah :

Menghitung nilai rata-rata citra
𝑁
1
𝜇 = ∑ 𝑥𝑘
𝑁
𝑘=1

Menghitung matriks kovarian citra
𝑁
𝐶 = ∑(𝑥𝑘 − 𝜇)(𝑥𝑘 − 𝜇)𝑇
𝑘=1

Menghitung eigenvalue dan eigenvector PCA
𝐶𝑢𝑛 = 𝜆𝑛 𝑢𝑛
Dimana:
u = eigenvector
𝜆 = eigenvalue
Misalkan sebuah database M citra wajah berukuran N × N diubah menjadi vektor berdimensi
(N2) × 1. PCA digunakan untuk mencari M vektor orthonormal 𝜇𝑛 yang menggambarkan
dengan baik distribusi data. Vektor ke-k , 𝜇𝑘 dipilih sehingga
𝑀
1
𝜆𝑘 = ∑(𝜇𝑘 𝑇 Φ𝑛 )2
𝑀
𝑛=1
Maksimum ketika
𝜇𝑙 𝑇 𝜇𝑘 = {
1, 𝑙 = 𝑘
0, 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
Vektor 𝜇𝑘 adalah eigenvektor dan 𝜆𝑘 adalah eigenvalue dari matriks kovarian C. Jika jumlah
citra dalam database jauh lebih kecil dari ukuran vektor (M < N2), maka akan terdapat M – 1
eigenvector yang penting. Sehingga kita dapat mengurangi eigenvektor baerukuran N2
dengan mencari eigenvektor matriks berukuran M × M
Untuk menetukan berapa eigenface yang akan diambil dapat ditentukan dengan persamaan
∑𝑀
1=1 𝜇𝑖
=𝐴
𝑀
∑𝑖=1 𝜇𝑘
A adalah nilai yang menggambarkan berapa variansi database yang kita inginkan misalkan
0,9 (90%). Variansi database merupakan nilai kuadrat dari standart deviasi yang
menggambarkan jumlah dari kuadrat deviasi dari nilai rata-rata. Semakin kecil nilai A maka
vektor eigen kurang akurat namun jumlah vektor eigen yang dibutuhkan berkurang ( M’< M)