Perpustakaan Digital ITB

Sistem biometrik menggunakan bagian tubuh yang unik dari manusia sebagai kunci untuk melakukan verifikasi, misalnya adalah bagian wajah. Walaupun secara natural wajah merupakan bagian yang paling umum digunakan, namun wajah juga merupakan bagian yang sangat kompleks karena banyak faktor internal dan eksternal yang mempengaruhi fitur wajah, seperti pencahayaan, letak kamera, ekspresi wajah, dan adanya penghalang. Terlebih, saat ini penggunaan kamera pengawas di area publik semakin meningkat. Gambar wajah yang diperoleh dari kamera pengawas biasanya memiliki resolusi yang rendah karena diambil dari jarak yang cukup jauh. Gambar beresolusi rendah menjadi sulit diverifikasi karena banyak kehilangan informasi penting dari gambar. Pada penelitian ini, metode super-resolusi diterapkan untuk menangani permasalahan gambar masukan beresolusi rendah. Evaluasi terhadap tiga metode super-resolusi, yaitu Efficient Sub-Pixel Convolutional Neural Network (ESPCN), Enhanced Deep Super-Resolution (EDSR), dan Fast Super-Resolution Convolutional Neural Network (FSRCNN), dilakukan untuk memilih metode super-resolusi terbaik dalam menyelesaikan task verifikasi wajah. Untuk mengurangi pengaruh variasi posisi wajah dilakukan penambahan fitur 3D yang diperoleh dari rekonstruksi gambar 2D menjadi 3D lalu dilakukan ekstraksi fitur 3D dengan Deep Convolutional Neural Network (DCNN) yang ditambahkan blok Squeeze and Excitation Network (SE). Hasil penelitian menunjukkan bahwa verifikasi menggunakan metode super-resolusi FSRCNN dilanjutkan rekonstruksi 3D dan ekstraksi fitur 3D berdasarkan konfigurasi DCNN+blokSE yaitu kedalaman jaringan 26 dan stride 2, menghasilkan hasil terbaik dengan akurasi sebesar 80,07%. Hasil ini lebih tinggi 11,71% dibandingkan baseline yang menggunakan FaceNet dengan bicubic interpolation.