Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Slide abec

426 views

Published on

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Slide abec

  1. 1. Identifikasi Citra Wajah Menggunakan Gabor-based Kernel Principal Component Analysis Presented by; Dwi Ely Kurniawan, M.Kom KKT Software Development Teknik Informatika Politeknik Negeri Batam
  2. 2. Pencarian identitas personal Kasus; mudahnya Gayus ke luar negeri dengan paspor palsu? Absensi dan akses pintu/ autentifikasi Identifikasi bertujuan untuk mencari jawaban wajah siapa orang tersebut. .? Kasus; Mengungkap kriminalitas wajah, teoris, dll.
  3. 3. Permasalahan Penelitian; 1. Penelitian mencoba mengimplementasikan dari metode pengenalan citra wajah menggunakan Gabor-based Kernel PCA 2. Berfokus pada detector ciri citra 3. Penelitian sebelumnya terkait pengenalan tersebut seperti; Elastis Buch Graph Map, dengan menghitung kedekatan jarak menggunakan Euclidean Distance, penghitungan kedekatan jarak PCA , gabor wavelet,LDA, neural network, dll Implementasi dari metode pengenalan identifikasi
  4. 4. Bahan penelitian 1. diperoleh dengan sensor webcam 2. sampel citra wajah siswa-siswi SMK Bina Nusantara Ungaran, Kabupaten Semarang sebanyak 20 orang. Citra wajah tersebut diambil tiap individu, 10 posisi wajah yang berbeda berdasarkan posisi, pencahyaan dan ekspresi wajah.
  5. 5. 1 𝐢 = 𝑛 𝑛 βˆ… βˆ… 𝑋 𝑖 βˆ…(𝑋 𝑖 ) 𝑇 𝑖=1 Feature space digantikan dengan fungsi kernel k xi , xi = βˆ… xi (xi )T Filter Gabor (8x5) yakni 8 orientasi; Ο€ 2Ο€ 3Ο€ 4Ο€ 5Ο€ 6Ο€ 7Ο€ ΞΈ Ξ΅ 0, 8 , 8 , 8 , 8 , 8 , 8 , 8 dan 5 frekuensi spasial (0,1,2,3,4). πœ“ 𝑓,πœƒ(π‘₯,𝑦) 2 𝑦2 𝑛 1 π‘₯πœƒπ‘› πœƒ = 𝑒π‘₯𝑝 βˆ’ 2 + 2 2 𝜎π‘₯ πœŽπ‘¦ 𝑒π‘₯𝑝 2πœ‹π‘“π‘₯ πœƒ 𝑛
  6. 6. Proses Pencocokan Ciri Citra Pengukuran kemiripan dengan mengukur kedekatan ciri dengan Euclidean Distance 𝑑 𝑖𝑗 = 𝑛 π‘˜=1 π‘₯ π‘–π‘˜ βˆ’ π‘₯ π‘—π‘˜ 2
  7. 7. Input Output
  8. 8. Citra 9 data citra 7 data citra 5 data citra 3 data citra 1 data citra S1 S2 1 1 1 1 1 1 1 1 S3 1 1 1 1 1 1 1 S4 1 1 1 1 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 S18 S19 S20 Uji pengenalan identifikasi wajah 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 1 1 1 0 1 1 1 Hasil identifikasi pencocokan dari beberapa variasi citra data yang didaftarkan mendapatkan tingkat akurasi rata-rata sebanyak 90% dari 200 sampel citra wajah.
  9. 9. Kesimpulan; 1. Ukuran citra disesuaikan dengan ukuran yang sejenis pada semua citra dalam basisdata. Pose wajah setiap individu disesuaikan dengan ekspresi yang didaftarkan dalam basisdata. Pengambilan gambar dilakukan pada tingkat pencahaayan yang baik dan menggunkan latar belakang yang tidak terlalu rumit, misalnya latar belakang tembok dengan satu warna atau yang lainnya bila perlu menghilangkan noise pada citra sampel. 2. Ekstraksi fitur bertujuan untuk menentukan ciri-ciri dari suatu citra wajah yang mampu membedakan antara citra wajah yang satu dengan yang lain. 3. Proses pencocokan dilakukan dengan membandingkan fitur citra pengujian dengan fitur citra dalam basisdata. Hasil pembandingan ini berupa nilai kesamaan. Semakin tinggi nilai kesamaan, semakin tinggi pula keabsahan pengguna.
  10. 10. Sekian,…  TERIMAKASIH

Γ—