Perpustakaan Digital ITB

Pendeteksian wajah merupakan langkah pra-pemrosesan dalam sebuah proses identifikasi biometrika wajah yang bertujuan untuk mendapatkan informasi keberadaan wajah pada citra dijital. Informasi yang diperoleh kemudian akan diolah dan hasilnya digunakan untuk berbagai proses yang berkaitan dengan wajah misalnya pengenalan wajah, penentuan ekspresi wajah dan sebagainya. Penelitian tentang pendeteksian wajah telah banyak dipublikasikan, namun masih dijumpai keterbatasan yang memungkinkan dilakukannya penyempurnaan. Kebanyakan metode pendeteksian wajah hanya diujikan pada citra dijital yang mengandung satu wajah dengan latar belakang yang sederhana. Dalam konteks umum, sebuah sistem pendeteksian wajah harus memiliki karakteristik yang menyerupai kemampuan manusia yaitu mampu mendeteksi banyak wajah pada kondisi citra yang kompleks dalam waktu nyata secara terpadu dan menyeluruh. Berdasarkan pada keterbatasan tersebut, sebuah metode baru untuk pendeteksian wajah yang sesuai dengan karakteristik yang diinginkan, diusulkan melalui penelitian ini. Metode ini dikembangkan berdasarkan pada konsep dan pengetahuan tentang persepsi visual manusia yang juga melibatkan ilmu pengetahuan dan teknologi yang relevan antara lain pengolahan citra dijital, grafika komputer dan computer vision. Metode ini dituangkan melalui pendekatan multiaspek yang melibatkan tiga fase pemrosesan yang disebut kerangka kerja DeWa (DeWa framework). Fase pertama adalah fase segmentasi dimana dilakukan usaha-usaha secara holistik untuk memisahkan objek dari latar belakang. Teknik-teknik yang dikembangkan adalah Piecewise Linier Boundary dan Gaussian Mixture. Teknik ini diimplementasikan pada empat model warna yaitu RGB, RGB normal, HSI dan YCbCr. Fase kedua adalah fase pembersihan dimana dilakukan penyaringan (filtering) dengan cara menghilangkan objek-objek non-wajah. Teknik yang iii dikembangkan adalah kombinasi filter morfologis. Fase ini penting dilakukan untuk menghaluskan (refinement) hasil dari fase pertama. Fase ketiga adalah fase analisis geometrik objek. Berbeda dengan fase sebelumnya yang diimplementasikan secara holistik, pada fase ketiga ini setiap objek dianalisis karakteristrik geometriknya, apabila memenuhi kriteria geometrik wajah, maka objek akan dianggap sebagai wajah. Hasil dari fase ini adalah lokasi dan ukuran objek yang ditengarai sebagai wajah. Berdasarkan ini, lokasi wajah akan ditandai dan jika diperlukan dilakukan proses pemisahan objek wajah. Implementasi dilakukan dengan melakukan pembuatan sebuah program komputer prototipe yang mampu mendeteksi wajah pada citra dijital statis, citra video dan citra langsung yang diperoleh melalui webcam. Algoritma yang dikembangkan memiliki kinerja yang optimal dan memiliki karakteristik yang diinginkan, yaitu mampu mendeteksi wajah banyak pada kondisi citra wajah yang kompleks secara waktu nyata atau realtime. Beberapa parameter dan karakteristik pendeteksian untuk setiap fase dapat diatur sehingga diperoleh hasil pendeteksian yang optimal dan dapat dipantau. Pengujian algoritma secara empiris dilakukan dengan mengggunakan dua kelompok basisdata wajah. Kelompok pertama terdiri dari empat basisdata, FERET, VALID, DWI dan SI, yang berisi citra dijital dengan wajah tunggal dan berlatar belakang tidak kompleks serta variabilitas wajah yang relatif rendah. Kelompok basisdata kedua, VALID, VT-AAST, mDWI dan DeWaDB, berisi citra yang mengandung banyak wajah atau berlatar belakang kompleks serta tingkat variabilitas yang tnggi. Kinerja pendeteksian yang dihasilkan adalah detection rate sebesar 90.74% dengan tingkat kesalahan false positive sebesar 4.65%. Kecepatan rata-rata pendeteksian satu wajah adalah sebesar 0.2 detik menggunakan komputer dual-core. Untuk mendapatkan informasi yang lebih banyak berkaitan dengan kinerja kerangka kerja DeWa, sebuah proses benchmark telah dilakukan. Proses ini menyertakan tiga sistem deteksi wajah yang diperoleh dari pembuatnya. Dua diantaranya datang dalam bentuk dynamic link library (DLL) dan yang lainnya dalam bentuk program yang lengkap. Hasil benchmarking menunjukkan bahwa metode DeWa meningkatkan kinerja pendeteksian wajah sebesar 24.81%