digilib@itb.ac.id +62 812 2508 8800

PEMBANGUNAN SISTEM PENGENALAN WAJAH BERESOLUSI RENDAH DENGAN DEEP CONVOLUTIONAL NETWORK UNTUK SISTEM PENGAWASAN REAL-TIME

Penulis : Nixon Andhika [13517059]
Kontributor / Dosen Pembimbing :
  • Nugraha Priya Utama, S.T., MA, Ph.D.
Jenis Koleksi : Tugas Akhir
Penerbit : Teknik Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : pengenalan wajah, resolusi rendah, convolutional network
Sumber :
Staf Input/Edit : karya  
File : 0 file
Tanggal Input : 20 Jun 2021

Sistem pengenalan wajah merupakan sistem yang dapat mengidentifikasi wajah seseorang berdasarkan fitur dari wajah orang tersebut. Sistem pengenalan wajah telah berkembang pesat dalam beberapa tahun terakhir dan telah banyak diaplikasikan, khususnya pada bidang pengawasan. Sistem pengenalan wajah memerlukan kecepatan yang tinggi, dan nilai akurasi yang baik untuk diaplikasikan pada bidang pengawasan. Akan tetapi, performa sistem state-ofthe-art menurun drastis saat digunakan untuk mengenali wajah pada citra beresolusi rendah. Hal ini membatasi aplikasi sistem pengenalan wajah untuk bidang pengawasan yang umumnya hanya memiliki citra beresolusi rendah. Terdapat beberapa sistem pengenalan wajah beresolusi rendah saat ini, namun terdapat beberapa permasalahan dan akurasinya masih rendah. Untuk mengatasi permasalahan resolusi rendah, dibangun sistem pengenalan wajah beresolusi rendah dengan deep convolutional network. Sistem dibagi menjadi tiga komponen, yaitu komponen deteksi dan ekstraksi wajah, komponen preprocessing, dan komponen pengenalan wajah. Eksperimen dilakukan untuk menentukan teknik-teknik dengan hasil dan kecepatan tinggi untuk setiap komponen sistem. Setelah perbandingan dan evaluasi, didapatkan teknik-teknik yang cocok untuk setiap komponen sistem. Pada komponen deteksi dan ekstraksi wajah, digunakan teknik pendeteksian objek SSD. Pada komponen preprocessing, digunakan CARN untuk melakukan super resolution. Pada komponen pengenalan wajah, digunakan FaceNet untuk face embedding dengan classifier k-Nearest Neighbors. Sistem dievaluasi menggunakan empat versi dataset LFW, yang meliputi satu versi resolusi tinggi dan tiga versi resolusi rendah, yang terdiri dari resolusi 32×32, 24×24, dan 16×16 pixels. Berdasarkan evaluasi, sistem mendapatkan nilai akurasi 75.65% untuk resolusi 16×16, 96.08% untuk 24×24, 98.39% untuk 32×32, dan 99.7% untuk resolusi tinggi. Sistem mampu memproses 6 FPS untuk citra resolusi rendah dan 9 FPS untuk citra resolusi tinggi dengan menggunakan GPU Nvidia GTX 1050.

Artikel Terkait