Perpustakaan Digital ITB

Pengenalan wajah menggunakan representasi sparse atau dikenal dengan Sparse Representation Classification (SRC) menjadi topik yang terus dikembangkan oleh banyak peneliti dalam beberapa tahun ini. Metode ini telah dapat menjawab tantangan dari masalah pada pengenalan wajah seperti oklusi atau bagian wajah yang terhalang hingga 40%, dan citra rusak (corrupted image) hingga 70%. Untuk tantangan lainnya seperti iluminasi, ekspresi dan variasi pose, metode SRC mengatasi dengan cara menambahkan sampel pada citra latih. Namun penambahan sampel akan membebani komputasi, dimana metode ini telah terbebani dengan masalah penyelesaian solusi minimisasi-1. Pada penelitian ini dilakukan pengembangan pada metode SRC untuk menurunkan beban komputasi dengan cara mengurangi ukuran kamus citra latih dengan menggunakan proyeksi acak dan dikombinasikan dengan teknik pengelompokan/ clustering untuk mengurangi perhitungan. Selain itu untuk mengurangi waktu komputasi dilakukan modifikasi perhitungan residual berdasarkan koherensi antar kelompok/ grup. Harapannya adalah metode SRC akan dapat diaplikasikan untuk keperluan Ubiquitous Computing dengan komputer kemampuan terbatas (low computing device). Dengan menggunakan matriks proyeksi acak (?) dapat mempertahankan kinerja pengenalan wajah sementara pengurangan dimensi diterapkan secara signifikan, dengan demikian beban komputasi pada pengenalan wajah berbasis SRC dapat dikurangi terutama untuk aplikasi tertentu yang sesuai yang membutuhkan respons cepat pengenalan wajah dan menerima kinerja akurasi yang ditawarkan. Matriks ? terbaik harus diperoleh secara iteratif dalam upaya terpisah sebelum digunakan dalam algoritma SRC. Matriks ? terbaik ini bersifat dinamis terhadap kelompok sampel yang berbeda, atau sampel baru yang ditambahkan ke dalam kelompok dapat mengubah matriks acak terbaik. Penurunan beban komputasi juga dilakukan dengan cara mengurangi jumlah sampel latih yang diproyeksikan menjadi hanya sampel yang paling dekat, yang dikelompokkan berdasarkan penyebaran antar kelas yang berasal dari kriteria Fisher. Setelah menghitung klaster dengan jarak terdekat dengan sampel uji, yang selanjut menggunakan algoritma SRC sebagai proses klasifikasi. Pengujian dilakukan pada dataset AT&T, Yale B, Georgia Tech, dan AR. Dari simulasi dengan menggunakan bahasa pemograman Python menunjukkan bahwa proyeksi acak yang dikombinasikan dengan metode pengelompokan berdasarkan sebaran akan mengurangi waktu komputasi dan bahkan dapat meningkatkan akurasi.