Perpustakaan Digital ITB

Pengenalan wajah merupakan salah satu teknologi biometrik yang banyak diterapkan dalam berbagai sistem keamanan. Namun, kinerja sistem pengenalan wajah dapat menurun secara signifikan pada kondisi cahaya rendah karena hilangnya informasi visual penting wajah. Oleh karena itu, diperlukan metode peningkatan kualitas citra (image enhancement) yang efektif untuk mengatasi tantangan ini tanpa mengorbankan akurasi pengenalan. Solusi yang diajukan adalah dengan mengembangkan sistem enhancement selektif berbasis model Retinex-Net yang di-fine-tune secara khusus pada data citra wajah dengan kondisi pencahayaan rendah merata. Sistem ini dilengkapi dengan modul klasifikasi pencahayaan untuk mendeteksi kecukupan kondisi cahaya pada citra input dan menentukan apakah proses enhancement perlu dilakukan dengan menggunakan metode klasifikasi machine learning berdasarkan fitur rata-rata dan standar deviasi gray value citra. Model Retinex-Net dilatih menggunakan dataset Labeled Faces in the Wild (LFW) yang telah dimodifikasi dengan menurunkan kecerahan citra secara merata melalui metode pemrosesan citra. Hasil pengujian menunjukkan bahwa modul klasifikasi berhasil mengidentifikasi kondisi gelap dengan akurasi dan f1-score yang cukup tinggi yaitu 0.89 dan 0.92. Model Retinex-Net yang telah di-fine-tune menunjukkan adanya peningkatan kualitas citra berdasarkan metrik PSNR dan SSIM dibandingkan model dasar, namun memiliki penurunan kualitas berdasarkan metrik NIQE. Selain itu, uji generalisasi terhadap citra luar menunjukkan bahwa model tetap memberikan hasil baik, meskipun sensitif terhadap ukuran input serta masih menunjukkan keterbatasan dalam menangani citra wajah gelap nyata. Sistem juga mampu meningkatkan akurasi pengenalan dan deteksi wajah pada kondisi cahaya rendah tanpa menurunkan kinerja pada kondisi cahaya normal. Berdasarkan hasil pengujian, sistem ini efektif untuk meningkatkan kinerja pengenalan wajah pada kondisi pencahayaan rendah yang seragam, serta memiliki potensi diterapkan secara lebih luas dengan penyesuaian tambahan.