Ekstraksi Fitur Dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah

II. PROSES EKSTRAKSI FITUR WAJAH
Secara garis besar, penelitian dilakukan melalui
beberapa tahapan yang dilakukan secara otomatis seperti
pada Gambar 1. Tahapan tersebut diawali dengan
pendeteksian wajah berdasarkan model warna kulit yang
selanjutnya dilakukan pemotongan untuk normalisasi
daerah wajah. Dari citra wajah yang sudah dilakukan
pemotongan tersebut dilakukan ekstraksi fitur mata,
hidung dan mulut serta jarak dari masing-masing fitur
tersebut.
(a) (b) (c) (d)
Input citra Deteksi Pemotongan Ekstraksi
Gambar 1 Tahapan Pengolahan
Deteksi Model Kulit Wajah
Model kulit wajah yang digunakan sebanyak 90
sampel kulit yang merupakan kulit wajah orang
Indonesia. Tahapan ekstraksi dilakukan dengan
mengurangi tingkat luminance untuk menurunkan efek
pencahayaan, sehingga diperoleh citra aslinya.
Pengurangan tingkat luminance dilakukan dengan
menkonversi citra dengan format RGB ke YcbCr atau
warna kromatik. Setelah nilai Cb dan Cr diperoleh, maka
dilakukan proses Low pass Filter untuk menghilangkan
noise.
Kemudian diterapkan fungsi reshape pada Cb dan Cr
yang akan menjadikannya sebagai vektor baris, sehingga
terbentuk 90 vektor baris untuk masing-masing Cb dan
Cr, dimana semua komponen Cb akan menjadi elemen
vektor Cb dan semua komponen Cr akan menjadi elemen
vektor Cr. Hasil vektor Cb dan Cr tersebut digunakan
untuk mencari nilai rata-rata (mean) Cb, nilai rata-rata
(mean) Cr, dan Covariance dari nilai Cb, Cr. Adapun
nilai rata-rata dari sampel yang digunakan untuk Cb =
102.6665, Cr = 147.3592 dan Covariance(Cb, Cr) =
{(231.443,310.2558),(310.2558, 481.8651)}
Proses Deteksi Wajah Pada Citra Diam Normal
Citra wajah yang digunakan berukuran 300 x 350
piksel dengan format JPG yang digunakan sebagai objek
penelitian.
(a) (b) (c) (d)
Gambar 2 (a) Citra diam tunggal, (b) Citra yang dikonversikan
ke format YCbCr, (c) Hasil dari distribusi Gaussian, (d) Hasil
proses thresholding menjadi citra biner.
Proses deteksi wajah diawali dengan proses deteksi
model kulit dengan menerapkan nilai thresholding untuk
mendapatkan citra biner.
Proses Pemotongan Wajah Pada Citra Diam Normal
Citra biner yang didapatkan dari proses thresholding,
selanjutnya diproses untuk pengambilan dan pemotongan
citra bagian wajah. Citra wajah tersebut adalah citra
dengan warna putih atau bernilai piksel = 1. Proses ini
akan melalui beberapa tahapan, yaitu [2] :
1. Memisahkan bagian kulit daerah wajah dengan
daerah kulit yang bukan wajah seperti lengan,
tangan dan bahu.
2. Menentukan lubang yang merupakan daerah wajah,
karena dari sekian jumlah lubang pasti ada satu
lubang yang merupakan daerah wajah. Jumlah
lubang dalam daerah wajah dicari dengan rumus:
E = C – H (1)
E : Bilangan Euler
C : Nomor dari komponen yang berhubungan
H : Nomor lubang pada region
Dengan menggunakan rumus tersebut, maka nilai H
dapat dicari dengan H = 1 – E, sehingga diperoleh
daerah kulit pada wajah.
3. Mencari nilai statistik antara daerah lubang gambar
dengan gambar template wajah setelah lubang yang
merupakan daerah wajah diketahui. Untuk
menentukan posisi bagian wajah dari gambar maka
harus dicari pusat massa dengan rumus:
Rata2_x = (1/area_gambar)* Σ(elemen_baris *
elemen_gambar) (2)
Rata2_y = (1/area_gambar)* Σ(elemen_kolom *
elemen_gambar) (3)
Pada proses ini digunakan template wajah yang
berbeda dengan penelitian Rademacher. Jika pada
penelitian Rademacher digunakan gambar yang
ditampilkan pada gambar 3(a), maka pada penelitian
ini digunakan template perbaikan yang ditampilkan
pada gambar 3(b).
(a) (b)
Gambar 3 (a) Template wajah pada penelitian Rademacher
(b) Template perbaikan wajah pada penelitian ini.
Perbedaan yang mendasar dari kedua template ini
adalah posisi wajah terhadap keseluruhan template
dan banyaknya sisa wilayah hitam di sekeliling citra.

Sedangkan perbedaan warna kulit wajah pada
template tidak mempunyai pengaruh signifikan
terhadap hasil wajah yang didapatkan.
Selain itu posisi wajah pada template penelitian
Rademacher yang tidak simetris sehingga
mempengaruhi hasil akhir wajah.
4. Pada proses sebelumnya memberikan hasil bahwa
suatu gambar yang mengandung wajah manusia
setelah dianalisis akan memiliki minimal satu lubang
ataupun mempunyai rasio tinggi dan lebar sekitar 1.
Besar sudut dari pusat massa yang mengandung
bagian wajah diketahui dengan menggunakan pusat
massa dari posisi objek wajah. Untuk itu digunakan
rumus :
Θ = ½ tan b/(a-c) (4)
a = Σ Σ(x’) 2 * Elemen_gambar
b = 2 * Σ Σ(x’) * ΣΣ(y’) * Elemen_gambar
c = ΣΣ(y’) 2 * Elemen_gambar
x’= x - Rata2_x
y’= y - Rata2_y
5. Semua tahapan ini dilakukan pada seluruh region
yang memiliki nilai warna 1 pada citra biner. Jika
dalam perulangan tersebut terdapat rasio tinggi dan
lebar region antara 0.6 hingga 1.2 maka ditentukan
bahwa daerah segmentasi itu adalah wajah dan
koordinatnya akan disimpan dalam suatu vektor
baris.
6. Nilai-nilai yang terdapat dalam koordinat tersebut
digunakan untuk membentuk segi empat yang
mengelilingi wajah (bounding box) yang terdapat
dalam citra seseorang.
7. Melakukan pemotongan/ cropping citra berdasarkan
Bounding box pada citra diam tunggal awal. Hasil
dari proses tersebut ditampilkan pada gambar 1(c),
sebagai hasil pemotongan.
Proses Ekstraksi Dan Pengukuran Jarak Fitur Wajah
Citra daerah wajah hasil proses deteksi wajah
kemudian diproses untuk mendapatkan fitur wajah dan
jarak antara fitur wajah pada citra tersebut dengan
melakukan ekstraksi fitur mata, hidung dan mulut dari
citra wajah. Pengekstraksian ini akan menentukan lokasi
dari fitur tersebut pada suatu citra wajah, yang dikerjakan
pada ruang warna YCbCr untuk memisahkan komponen
luminance dan chrominance dari citra wajah sehingga
dapat mengurangi efek pencahayaan pada suatu citra.
Selanjutnya dihitung jarak antar fitur-fitur tersebut yaitu :
- jarak mata kiri – mata kanan
- jarak mata kanan – mulut
- jarak mata kiri – mulut
- jarak mata kanan – hidung
- jarak mata kiri – hidung
- jarak hidung – mulut
- tinggi hidung
- lebar hidung
Proses ekstraksi wajah pada penulisan ini dibagi atas tiga
tahap, yaitu:
1. Tahap pembagian wajah.
2. Tahap deteksi dan ekstraksi fitur wajah.
3. Tahap pengukuran/ penghitungan jarak antar
fitur wajah.
Citra wajah yang akan diekstraksi fiturnya terlebih
dahulu diproses dengan melakukan pembagian daerah
pada citra wajah, dengan tujuan untuk mempersempit
ruang lingkup pendeteksian fitur wajah sehingga hasil
ekstraksi diharapkan dapat lebih akurat dan memperkecil
kemungkinan terdeteksinya fitur wajah lainnya [7].
Kemudian dilakukan deteksi dengan melakukan
perhitungan terhadap komponen-komponen ruang warna
pada citra wajah terhadap daerah yang dianggap sebagai
lokasi dari fitur wajah yang akan diekstraksi untuk
mendapatkan lokasi dari fitur-fitur tersebut. Selanjutnya
dilakukan proses ekstraksi fitur-fitur wajah.
Pembagian Wajah
Pembagian daerah ini akan dilakukan dalam tiga
bagian, yaitu pembagian daerah wajah, mata, dan daerah
mulut. Syarat citra wajah yang bisa diproses pada
pembagian ini minimal harus memiliki daerah dahi dan
dagu, dan maksimal daerah leher terdapat dalam citra
wajah tersebut.
Dalam penelitian ini dilakukan perbaikan pada
pembagian daerah mulut untuk mengatasi kekurangan
pada penelitian sebelumnya [7]. Penelitian tersebut
melakukan pembagian daerah mulut seperti yang
diilustrasikan pada gambar 4(a) sehingga didapatkan
daerah yang menunjukkan kemungkinan posisi dari
mulut yang terdapat di tengah-tengahnya, baik secara
vertikal maupun secara horizontal. Sedangkan fitur mulut
pada citra wajah dalam penelitian ini tidak selalu berada
di tengah-tengah daerah mulut secara vertikal, karena
terdapat wilayah leher pada sebagian citra daerah mulut
yang akan mempengaruhi posisi fitur mulut terhadap
wilayah mulut seperti yang diilustrasikan pada gambar
4(b).
(a)
(b)
Gambar 4 (a) Pembagian daerah mulut sebelumnya [7].
(b) Perbaikan pembagian daerah mulut.
Pembagian daerah pada citra wajah dilakukan dengan
membagi-bagi citra tersebut berdasarkan ukuran dari
citra, dengan kriteria pembagian seperti yang telah
dijelaskan pada ilustrasi sebelumnya.
Deteksi dan Ekstraksi Fitur Wajah
Apabila pemotongan citra wajah telah dilakukan,
maka selanjutnya dilakukan ekstraksi fitur wajah sebagai
berikut [7][8] :
1. Ekstraksi mata, didapatkan dengan membentuk peta
mata seperti yang terlihat pada gambar 5.
Gambar 5 Pembentukan peta mata [4]
2. Ekstraksi mulut, didapatkan dengan membentuk peta
mulut, seperti yang terlihat pada gambar 6.
Gambar 6 Pembentukan peta mulut [4]
3. Berdasarkan penelitian [6][8], ekstraksi hidung,
dilakukan setelah jarak titik tengah mata kanan dan
kiri ditemukan. Kemudian ditentukan nilai tinggi
dan lebar hidung, seperti yang terlihat pada gambar
7. Rumus yang digunakan untuk menentukan ukuran
hidung adalah [8] :
tinggi_hidung = 0.75 X jarak vertikal antara dua mata dan
pangkal hidung (5)
lebar_hidung = 0.65 X jarak vertikal antara dua mata (6)
4. Ekstraksi puncak hidung (nostril), dilakukan setelah
hidung bisa diekstraksi dan daerah hidung tersebut
kemudian dibagi lagi menjadi beberapa bagian untuk
mendapatkan wilayah spesifik dari puncak hidung.
Pembagian tersebut memberikan hasil berikut [7][8]:
1. Daerah hidung bagian atas
2. Daerah hidung bagian bawah, yang terdiri dari :
a. Hidung bagian bawah kanan
b. Hidung bagian bawah tengah
c. Hidung bagian bawah kiri
Gambar 7 Geometri dari Fitur Hidung [8]
Daerah hidung bagian bawah tengah inilah yang
merupakan wilayah spesifik puncak hidung.
Kemudian dengan melakukan pemetaan pada wilayah
ini, maka didapat puncak hidung. Puncak hidung ini
nantinya akan menjadi salah satu patokan untuk
pengukuran dari dan ke arah hidung.
Setelah keseluruhan ekstraksi dapat dilakukan,
kemudian dilakukan pengkotakkan pada setiap daerah
fitur wajah yang diekstraksi, kecuali pada puncak hidung
yang hanya ditandai dengan sebuah titik. Hasil ekstraksi
dan pengkotakkan fitur wajah dapat dilihat pada gambar
1(d).
Pengukuran Jarak Fitur Wajah
Jarak antara tiap-tiap fitur wajah adalah jarak dari
tiap titik-titik yang terdapat pada kotak fitur wajah, yaitu:
1. Titik tengah kotak mata kanan.
2. Titik tengah kotak mata kiri.
3. Titik tengah kotak mulut.
4. Titik puncak hidung.
5. Titik ujung lebar hidung.
Dari kelima titik inilah nantinya akan didapatkan
seluruh jarak antara fitur wajah seperti yang telah
disebutkan pada awal tulisan ini. Pencarian jarak dari
titik wajah ini dilakukan dengan cara mencari selisih
koordinat baris/ kolom tiap titik jika didapatkan garis
vertikal/ horizontal yang sempurna untuk
menghubungkan titik-titik tersebut. Jika tidak maka
digunakan pendekatan dengan rumus pitagoras, karena
dari tiap-tiap titik tersebut bisa ditarik garis-garis
tambahan dari posisi koordinat baris dan kolom titik-titik
tersebut yang akan membentuk segitiga siku-siku, dan
jarak fitur wajah didapat dari jarak sisi diagonal dari
segitiga siku-siku tersebut. Jarak fitur wajah yang berupa
bilangan desimal akan diubah nilainya ke dalam bentuk
bilangan bulat terdekat.
Jarak antara fitur yang digunakan dalam penelitian ini
adalah jarak antara mata kiri – kanan, mata kanan –
mulut, mata kiri – mulut, mata kanan – ujung hidung,
mata kiri – ujung hidung, mulut – ujung hidung, tinggi
hidung, lebar hidung (seperti pada Gambar 8).
Kombinasi jarak ini membentuk semantik yang
mencerminkan keunikan fitur wajah.
III. HASIL EKSPERIMEN
Penelitian ini menggunakan 150 citra uji wajah
manusia tunggal dengan arah wajah menghadap ke depan
dan kondisi pencahayaan relatif berbeda. Citra uji
diambil dengan kamera digital dengan format JPEG
menggunakan warna RGB dengan resolusi 300 x 350
pixel.
Gambar 8 Penetapan jarak antar komponen wajah
Dari 150 sampel citra yang digunakan, kombinasi ke
delapan jarak antara komponen wajah (J1 – J8) yang
memberikan tingkat keunikan untuk setiap fitur wajah
seperti pada Tabel 1.
Tabel 1. Tingkat Keunikan Wajah
No Kombinasi Fitur Jarak Jumlah Unik % Unik
1 J1-J2-J3-J4-J5-J6-J7-J8 150 100
2 J1-J2-J3-J4-J5-J6 150 100
3 J1-J2-J3-J4-J5 150 100
4 J1-J2-J3-J4 148 98.67
5 J1-J2-J3-J5 148 98.67
6 J1-J2-J3-J6 150 100
7 J1-J2-J3 140 93.33
8 J4-J5-J6 126 84
Hal ini berarti bahwa jika melihat dari fitur wajah
secara keseluruhan maka ke delapan jarak menunjukkan
fitur wajah tidak ada yang sama. Untuk jarak fitur
segitiga mata dan mulut, J1 – J3 menunjukkan bahwa
ada 140 data yang unik. Jarak fitur J4 – J6 juga
menunjukkan ada sejumlah 126 citra wajah yang unik.
IV. KESIMPULAN
Untuk mendapatkan keunikan jarak fitur-fitur wajah
dibutuhkan minimal lima jarak fitur wajah atau lebih.
Keunikan dari jarak fitur wajah tidak dapat
dipertahankan validasinya jika hanya terdapat empat fitur
wajah atau kurang dari empat. Banyaknya fitur wajah
yang digunakan minimal harus berbanding lurus dengan
jumlah data yang diujikan untuk mendapatkan jarak yang
unik, karena keunikan tersebut sangat dipengaruhi oleh
banyaknya kemungkinan kombinasi nilai fitur wajah
keseluruhan terhadap keseluruhan data. Penelitian ini
menunjukkan bahwa penetapan fitur wajah beserta jarak
dari komponen wajah dapat memberikan suatu model
semantik wajah yang dapat digunakan untuk
mengidentifikasi wajah yang selanjutnya dapat
digunakan sebagai komponen untuk sistem pengenalan
wajah.
REFERENSI
[1] Zhao, W., et.al. “Face Recognition : A Literature Survey”.
ACM Computing Survey, Vol 35, No. 4, 399–458,
December 2003.
[2] Karmilasari, Dewi AR, Akeda Bagus. “Deteksi Wajah
Pada Citra Berwarna”, Proceeding, SemNas “The
Application Of Technology Toward A Better Life” UTY.
Book-10. pp X.89 – X.96. Yogyakarta. 2005.
[3] Karmilasari, Dewi AR, Syahrul Ramadhan. “Aplikasi
Deteksi Wajah Pada Foto Dijital Dalam Sistem
Pengenalan Wajah”. Proceeding, SemNas on Application
and Research in Industrial Technology, 1st SMART, FTMI
FT UGM. pp. I-25 – I-31. Yogyakarta. 2006.
[4] Hsu, R.L, Mottalec M.A, Jain, A.K. “Face Detection in
Color Images”. Proceedings International Conference on
Image Processing (ICIP). pp 1046 – 1049. October 2001.
[5] Hsu, R.L., and Jain, A. K. “Generating Discriminating
Cartoon Faces Using Interacting Snakes“, IEEE
Transactions on PAMI. 2003.
[6] Szlávik, Z., and Szirányi, T. “Face analysis using CNNUM“.
Proc. of CNNA04. IEEE. pp. 190-196, Budapest,.
2004.
[7] Dewi AR, Karmilasari, Fahmi Tanjung. “Deteksi dan
Ekstraksi Komponen Fitur Wajah”. Proceeding SemNas
“The Application Of Technology Toward A Better Life”
UTY. Book-6. pp. VI.77 – VI.84. Yogyakarta. 2005.
[8] Yuana Rumania. Ekstraksi Fitur Hidung Pada Sistem
Pengenalan Wajah Dengan MATLAB 6.5. Skripsi (S1)
Universitas Gunadarma. Depok. 2006.
[9] Rinaldi Munir. Pengolahan Citra Digital. Penerbit
Informatika. Bandung. 2004.