Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis

Fitur Local Binary Pattern dengan Algoritma PCA dan Chi

Square

Eko Wahyudi

1), Hendra Kusuma

2), Wirawan

3)

1,2,3)Jurusan Teknik Elektro ITS, Surabaya 60111 1)

email: cooke.xoitsby@engineer.com

Abstrak – Algoritma pengenalan wajah dapat

dibedakan menjadi 2 bagian yaitu dengan pendekatan

fitur dan pendekatan penampilan. Pada makalah ini

akan dibahas teknik pengenalan wajah dengan

pendekatan fitur berdasarkan Local Binary Pattern

(LBP) dengan berbagai variasi pencahayaan. Pada

prinsipnya metoda ini akan mengekstrasi fitur wajah

dalam bentuk kode-kode biner yang diperoleh dari

proses binary derivatives. Kode-kode ini kemudian

akan dijadikan ftur berdasarkan histogram kode-kode

tersebut. Gabungan Proses LBP dan Histogram

Equalization (HE) akan meningkatkan tingkat

pengenalan wajah walaupun citra input wajah

mempunyai berbagai variasi pencahayaan.Uji coba

dilakukan pada database wajah Yale B yang terdiri

citra-citra gray scale dari 10 orang dengan variasi

pencahayaan yang berbeda. Algoritma pengenalan

wajah yang akan dibandingkan unjuk kerjanya adalah

algoritma PCA (Principal Componen Analysis) yang

berfungsi untuk mereduksi fitur LBP dan metode Chi

Square dimana 2 buah distribusi histogram dari citra

test dan training akan dibandingkan. Hasil uji coba

menunjukkan metode Chi Square lebih baik

dibandingkan LBP-PCA dengan akurasi mencapai

100% untuk ukuran window sebesar 11x11.

Kata Kunci: Local Binary Pattern,PCA,

Histogram Equalization, Chi Square.

1. PENDAHULUAN

Proses pengenalan wajah dipengaruhi oleh dua faktor

variabilitas , yaitu variabilitas extra-personal dan

intra-personal. Variabilitas extra-personal timbul

karena proses pengenalan wajah dilakukan pada wajah

yang berbeda. Sedangkan variabilitas intra-personal

adalah variasi yang muncul pada wajah yang sama [1].

Salah satu faktor variabilitas intra-personal timbul

karena adanya variasi pencahayaan. Variasi

pencahayaan ini disebabkan oleh sumber cahaya atau

intensitas cahaya yang berbeda. Hal ini memberikan

perbedaan yang sangat berarti seperti dapat dilihat

pada gambar 1. gambar wajah yang berasal data base

Yale B. Untuk mengatasi permasalahan tersebut,

dalam makalah ini akan diusulkan suatu metode untuk

mengekstrasi fitur wajah, yaitu dengan LBP Normal.

Metode ini akan merubah citra ke dalam bentuk citra

LBP sehingga variasi pencahayaan pada citra wajah

orang yang sama dapat dihilangkan. LBP juga akan

mengekstrasi citra tersebut kedalam fitur vektor

sehingga pengenalan wajah menjedi lebih akurat.

Gambar 1. Citra-citra wajah yang sama dengan pencahayaan

yang berbeda (Yale B Face Database)

2. Struktur Sistem Pengenalan Wajah

Sistem pengenalan wajah merupakan sistem

pengenalan pola (pattern recognition) yang terdiri dari

4 modul , 4 modul tersebut antara lain :

Modul akuisisi data/sensor, melalui modul ini

akan didapatkan citra wajah dari para pengguna.

Modul pemrosesan awal (preprocessing), modul

ini akan mengekstrak bagian wajah (facial region)

kemudian menormalisasi terhadap ukuran, rotasi

serta pencahayaan (photometric normalization).

Modul ekstraksi fitur, modul ini bertujuan untuk

mendapatkan satu set fitur yang berasal dari

bagian wajah yang telah ternormalisasi, dimana

satu set fitur tersebut berasal dari bagian wajah

yang telah ternormalisasi menggunakan LBP.

Modul pencocokan (matching), modul ini akan

mencocokkan fitur-fitur yang telah diperoleh dari

citra wajah yang diinputkan terhadap

template/model yang ada di database sistem.

Hasil dari prosedur pencocokan ini akan

digunakan untuk pengambilan keputusan tentang

identitas pengguna.

Struktur sistem pengenalan wajah dibagi menjadi 2

tahap yaitu tahap enrollment/registrasi dan tahap

pengenalan pada sistem pengenalan wajah. Pada tahap

enrollment akan dibentuk model atau Template

berdasarkan vektor-vektor fitur LBP yang terekstrak

PPAAPPEERR IIDD :: 110022

dari sejumlah citra training atau citra wajah pemakai.

Kemudian Template-template ini disimpan dalam

suatu basis data. Sedangkan pada tahap pengenalan

sistem akan memberikan output berupa identitas

wajah di basis data yang paling mirip dengan citra test

dengan menguji kemiripan fitur vektor (feature

vector) dari citra test dan training [2]. Struktur sistem

pengenalan wajah ini dapat dilihat pada gambar 2.

Gambar 2. Diagram fungsional sistem pengenalan wajah. Bagian atas merupakan tahap registrasi/enrollment sedangkan

bagian bawah merupakah tahap pengenalan.

3. LOCAL BINARY PATTERN

Local Binary Pattern (LBP) adalah deskriptor tekstur

yang dapat juga digunakan untuk mewakili wajah,

karena gambar wajah dapat dilihat sebagai sebuah

komposisi micro-texture-pattern yaitu suatu operator

non parametrik yang menggambarkan tata ruang lokal

citra. LBP didefinisikan sebagai perbandingan nilai

biner piksel pada pusat citra dengan 8 nilai piksel

disekelilingnya. Misal pada sebuah citra berukuran

3x3, nilai biner pada pusat citra dibandingkan dengan

nilai sekelilingnya. Nilai sekelilingnya akan bernilai 1,

jika nilai piksel pusat lebih kecil dan bernilai 0 jika

nilai biner pusat lebih besar. Setelah itu, menyusun 8

nilai biner searah jarum jam atau sebaliknya dan

merubah 8 bit biner kedalam nilai decimal untuk

menggantikan nilai piksel pada pusat.[3]

Gambar 3. Local Binary Pattern (LBP)[3]

Nilai desimal dari 8 bit dari ( LBP code ) dapat

dinyatakan dalam persamaan berikut:

LBPP,R 𝑥c , yc = s𝑝−1𝑝=0 𝑔p − gc 2p (1)

Dan fungsi s(x) didefinisikan sebagai berikut:

s 𝑥 = 1, 𝑥 ≥ 00, 𝑥 < 0

(2)

Gambar 4. Citra-citra hasil operasi Local Binary Pattern

(LBP) yang menunjukkan ketahanan LBP terhadap variasi

pencahayaan

Fungsi (1) bertujuan untuk menghilangkan variabilitas

yang disebabkan oleh iluminasi kontras sehingga citra

wajah dengan berbagai variasi pencahayaan akan

mendapatkan output yang hampir mirip. Dengan

melakukan ekstrasi piksel menggunakan LBP, maka

didapatkan suatu nilai matrik baru yang akan dirubah

kesuatu histogram untuk memperoleh fitur vektor

wajah.

4. HISTOGRAM EQUALIZATION (HE)

Histogram equalization merupakan suatu metode

penyesuaian kontras menggunakan histogram dari

citra wajah. Nilai histogram equalization didapatkan

dengan cara memperlebar puncak dan memperkecil

titik minimum dari histogram citra supaya penyebaran

nilai piksel pada tiap citra merata (uniform), sehingga

memperbaiki kekontrasan citra secara keseluruhan.

Proses ini bekerja dengan cara meyebarkan harga-

harga intensitas piksel yang sering terjadi secara

merata pada citra[4]. Seperti ditunjukkan pada

Gambar 5.

Gambar 5. Histogram equalization [5]

HE yaitu pemetaan nonlinear monotonik yang

membagi nilai intensitas piksel pada citra input. Hal

ini terkait dengan distribusi kecerahan semua nilai

pada citra. Teknik ini sering digunakan dalam

perbandingan citra karena efektif dalam meningkatkan

detail dan koreksi. Secara umum, histogram

Equalization menyebabkan kontras citra meningkat

karena dynamic range mengalami peregangan dengan

distribusi kepadatan dari citra dibuat sama. Secara

umum, Histogram Equalization dapat didefinisikan

sebagai berikut, jika probabilitas p(i) =𝑛𝑖

𝑁. Yaitu

histogram dari I(x.y) pada kehadiran suatu piksel

dengan gray level i, dimana i = 0, 1, ...., k-1 dan ni

merupakan jumlah piksel pada I(x,y) dengan harga

gray level i. Maka mapping dari suatu harga intensitas

dinyatakan , i menjadi inew dinyatakan sebagai[4]:

inew

1

0

1

0)(

k

i

k

i

iip

N

n (3)

Persamaan (3) mendefinisikan bahwa suatu

mapping dari harga-harga intensitas piksel original,

yaitu dari 0-255 menuju domain 0-1. Oleh Karena itu

untuk menghasilkan harga piksel pada domain

original, harga inew harus di skala ulang.

Transformasi distribusi intensitas piksel suatu

citra wajah menjadi distribusi yang merata (uniform)

telah terbukti meningkatkan unjuk kerja pengenalan

wajah jika dibandingkan dengan tanpa pemrosesan

awal citra wajah.

5. PRINCIPAL COMPONEN ANALYSIS (PCA)

Principal Component Analysis (PCA) adalah teknik

reduksi dimensi yang umum digunakan pada aplikasi

pemrosesan citra. Prinsip dasar dari algoritma PCA

adalah menentukan dan mempertahankan komponen –

komponen dari sekumpulan citra yang mempunyai

distribusi maksimum. PCA digunakan untuk

mendapatkan vektor-vektor atau disebut juga sebagai

principal component yang dapat memberikan

informasi tentang variance maksimum database

wajah. Setiap principal component merupakan

representasi dari suatu kombinasi linier dari semua

citra-citra wajah training yang sudah dikurangi dengan

mean citra. Gabungan dari citra wajah inilah yang

dinamakan eigenface. Eigenface-eigenface ini adalah

merupakan fitur dari suatu citra wajah yang akan

dikenali. Hal umum yang dilakukan pada teknik PCA

adalah dengan menyusun citra training kedalam

sebuah matrik. Dengan mendefinisikan terlebih dahulu

citra wajah berukuran (Nx x Ny) dikonversi kedalam

sebuah matrik satu kolom (T) dengan ukuran (N x 1)

dimana ukuran dari N = (Nx x Ny) yang kemudian

disusun menjadi training set berukuran (N x P). P

adalah jumlah dari citra-citra training.

𝑇 = [𝑇1 , 𝑇2 , … , 𝑇𝑃] (4)

Mean Face merupakan rata-rata aritmetika dari

vektor-vektor citra training pada setiap titik piksel dan

berukuran (P x 1).

Mean T =1

P 𝑇𝑖

𝑃𝑖=1

(5)

Mean subtracted image merupakan pengurangan citra

training dari mean face. Mean subtracted image

merupakan matrik yang berukuran (P x 1)

Mean subtracted Φ = 𝑇 − T (6)

Difference Matrix merupakan matrik yang berasal dari

semua vektor citra training yang sudah dikurangi

dengan mean dan berukuran (NxP) .

Difference Matrix 𝐴 = Φ1 , Φ2, … , Φ𝑃 (7)

Pada metoda Eigenface, perhitungan eigenvector

tidak diperoleh secara langsung dari matrik (N x N)

melainkan melalui matrik (P x P), dimana P

merupakan jumlah dari citra-citra wajah. Eigenvector

matrik (N x N) diperoleh dari eigenvector-eigenvector

matrix (P x P) tersebut kerena jika eigenvector dicari

langsung menggunakan matrik (N x N) akan sangat

sulit untuk dikerjakan karena ukuran matrik yang

sangat besar (computational complexity) [6].

Covariance Matrix Y = AT

. A = T𝑖TT𝑖

𝑃

𝑖=1 (8)

6. CHI SQUARE

Chi Square digunakan sebagai classifier dalam ruang

fitur. Pengujian pengenalan wajah dilakukan dengan

cara menguji kemiripan dari 2 buah distribusi, yaitu

distribusi dari histogram citra test dan distribusi dari

histogram citra-citra training. Prinsip dasar Chi Square

adalah dengan menghitung nilai minimum dari rata-

rata 2 histogram citra untuk menentukan kemiripan

dari 2 citra wajah.

𝑥2 𝑆, 𝑀 = 𝑆𝑖−𝑀𝑖

2

𝑆𝑖+𝑀𝑖 𝑖 (9)

Untuk daerah spatial dapat dihitung dengan

menjumlahkan i (bin dari histogram) dan j (region

citra). Dengan membagi wajah kedalam daerah atau

region yang lebih kecil diharapkan dapat memberikan

informasi yang lebih banyak dari citra wajah jika

dibandingkan tanpa membagi citra wajah menjadi

beberapa region. Sebagai contoh, pada suatu citra

wajah daerah mata akan memberikan banyak

informasi dibanding region yang lainnya[7].

𝑥2𝑤 𝑆, 𝑀 = 𝑤𝑗

(𝑆𝑖 ,𝑗−𝑀𝑖 .𝑗 )2

𝑆𝑖 ,𝑗 +𝑀𝑖 ,𝑗 𝑗 𝑖 (10)

Dimana wj adalah bobot untk setiap region j.

7. HASIL PER COB AAN DAN

PEMBAHASAN

Pada penelitian ini dilakukan eksperimen untuk

membandingkan unjuk kerja dari metoda PCA dan

CHI SQUARE dalam proses pengenalan wajah

berbasis fitur LBP. Percobaan dilakukan dengan

menggunakan database wajah Yale B [8]. Terdapat 10

wajah subyek dalam database Yale B dan setiap

subyek pada database ini mempunyai 60 citra wajah

dengan kondisi pencahayaan yang berbeda sehingga

memiliki total 600 citra. Citra wajah untuk setiap class

(orang) dapat dilihat pada gambar 6. Citra-citra

subyek dalam database Yale B dibagi dalam 5 subset

berdasarkan keekstriman percahayaan, masing–

masing subset terdiri dari 12 citra. Citra sample dari

masing – masing subset ditunjukkan pada gambar 7.

Untuk pembelajaran digunakan subset 1 yaitu citra-

citra wajah yang mempunyai pencahayan yang relatif

normal, menggunakan dua metoda yaitu Principal

Component Analysis (PCA) dan Chi Square. Sampel

dari citra training di tunjukkan gambar 7 (A).

Sebelum pembelajaran dan proses pengenalan wajah,

dilakukan ekstraksi fitur pada semua citra dengan

metoda yang diusulkan yaitu LBP. Area wajah

terlebih dahulu dibagi menjadi daerah yang lebih kecil

dengan jumlah region (5x5) sampai (11x11).

Selanjutnya dirubah kedalam histogram LBP yang

digabungkan menjadi satu untuk dijadikan satu fitur

yang mewakili citra wajah, sehingga didapat vektor

fitur histogram dari setiap citra wajah. Sebelum

percobaan dimulai, semua citra dinormalisasi crop

dengan ukuran 130 x 150. Sedangkan untuk pengujian

digunakan 480 citra-citra wajah dengan berbagai

variasi pencahayaan yang terbagi dalam 4 Subset yaitu

sabset 2, subset 3, subset 4, dan subset 5 seperti pada

gambar pada gambar 7 (B). Sebelum percobaan semua

citra test, terlebih dahulu dilakukan ekstraksi fitur

dengan LBP untuk mendapat fitur vektor histogram

dari setiap citra test dengan variasi blok yang berbeda

dan mengetahui pengaruh jumlah blok atau region

dalam proses pengenalan citra. Pada percobaan

pertama, fitur vektor histogram dari setiap blok yang

berbeda dijadikan input dari algoritma PCA dengan

dimensi fitur sebesar 60, 80, dan 100, dan pada

percobaan kedua dijadikan input Chi Square. Akurasi

Pengenalan (φ) dengan 120 kali percobaan untuk

setiap subset diperoleh dengan rumus sebagai berikut,

Akurasi (𝜑) =𝑇𝑒𝑠𝑡 𝑦𝑎𝑛𝑔 𝐵𝑒𝑟ℎ𝑎𝑠𝑖𝑙

𝐽𝑢𝑚𝑙𝑎 ℎ 𝑃𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛× 100% (11)

Pada gambar 8 ditunjukkan bahwa dengan

melakukan ekstrasi fitur dengan menggunakan LBP

dapat memperbaiki tingkat pengenalan (recognition

rate) wajah. Dengan pengekstrasian fitur wajah

dengan LBP akan didapatkan informasi yang lebih

detail jika dibandingkan dengan hanya menganggap

sebuah citra sebagai fitur vektor tunggal. Pada

percobaan berikutnya penggunaan Histogram

Equalization juga dapat memperbaiki tingkat

pengenalan wajah. Dengan melakukan normalisasi

pencahayaan pada citra wajah didapatkan

pencahayaan yang hampir merata pada citra wajah

sehingga akan meningkatkan tingkat pengenalan

wajah terutama untuk tingkat pencahayaan yang

kurang (subset 5).

8. KESIMPULAN

Hasil percobaan menunjukkan bahwa pengenalan

wajah menggunakan metode Chi Square lebih baik

jika dibandingkan dengan metode eigenspace PCA.

Pada metode Chi Square tingkat pengenalan

(recognition rate) berbanding lurus dengan jumlah

blok atau region. Tingkat pengenalan yang paling baik

ada pada region yang paling besar yaitu region

(11x11) sebesar 100% untuk subset 2, 99,2% untuk

subset 3, 83,3% untuk subset 4, dan 50%untuk subset

5.

Dengan cara mengekstraksi fitur wajah

menggunakan metode LBP, yang diterapkan pada

ruang eigen (eigenspace) mampu meningkatkan akurasi

tingkat pengenalan wajah. Dari hasil percobaan

didapatkan bahwa proses pengenalan menggunakan

PCA mengalami peningkatan jika input yang digunakan

adalah fitur LBP. Tingkat pengenalan ada pada jumlah

blok atau region (9x9) sebesar 99% untuk subset 2,

83% untuk subset 3, 56% untuk subset 4, dan

23%untuk subset 5.

Dengan menggabung teknik Histogram

Equalization (HE) dengan Ekstrasi fitur LBP, yaitu

citra diproses dengan Histogram Equalization

kemudian diekstrasi fitur menggunakan LBP yang

diterapkan pada metode PCA ternyata mampu

memperbaiki akurasi pengenalan dibandingkan

dengan hanya diekstrasi fitur menggunakan LBP,

terutama pada citra-citra dengan pencahayaan kurang

yaitu pada subset 5. Dari hasil percobaan didapatkan

Untuk subset 2 tidak mengalami peningkatan, untuk

subset 3 rata – rata penambahan tingkat pengenalan

wajah sebesar 4%, Subset 4 sebesar 7% dan subset

5sebesar 10%. Sedangkan pada metode Chi Square

penggunaan teknik HE mengurangi tingkat

pengenalan pada wajah terutama pada subset 5.

DAFTAR REFERENSI

[1] Ming-Hsuan Yang, David J. Kriegman, Narendra

Ahuja. Detecting Faces in Images: A Survey.

IEEE Trans. Pattern Analysis and Machine

Intelligence, vol. 24, no. 1, pp.34–58, Jan 2002.

[2] Hendra Kusuma, Wirawan, Djoko Purwanto,

“Single Scale Retinex dan Histogram Remapping

untuk perbaikan recognition rate pada

Eigenspace-based Face Recognition”, Seminar

on Intelligent Technology and Its applications,

Oktober 2010.

[3] Timo Ahonen, Abdenour Hadid,and Matti Pietik¨

ainen, “Face Description with Local Binary

Pattern:Application to Face Recognition”, vol.

28 no. 12, pp. 2037-2041, December 2006.

[4] Vitomir ˇStruc, Janez ˇZibert, Nikola

PaveˇSi´C, “Histogram Remapping as a

Preprocessing Step for Robust Face

Recognition”, Issue 3, Volume 6, March 2009.

[5] Soong-Der Chen, Abd. Rahman Ramli, “

Minimum Mean Brightness Error Bi-Histogram

Equalization in Contrast Enhancement”, IEEE

Transactions on Consumer Electronics, Vol. 49,

No. 4, NOVEMBER 2003.

[6] Hendra Kusuma, Wirawan, “Appearance-based

Face Recognition dengan menggunakan

PrincipalComponent Analysis (PCA) dan

Nearest Mean Classifier”,2008.

[7] Guillaume Heusch, Yann Rodriguez and S´

ebastien Marcel, “Local Binary Pattern as an

Image Preprocessing for Face Authentication”

IDIAP Research Institute, Martigny, 2006.

Gambar 6. 10 Citra wajah dari Yale B database

Gambar 7. (A) Contoh Citra-citra untuk pengujian,

(B) Contoh Citra-citra untuk pembelajaran

Gambar 8. Hasil uji coba pengenalan wajah dengan metoda PCA pada Region ( 9 X 9 )

Gambar 9. Hasil uji coba pengenalan wajah dengan metoda Chi Square

Gambar 10. Hasil uji coba pengenalan wajah dengan metoda Chi Square dengan preprosesing Histogram Equalization

0

20

40

60

80

100

60 80 100 60 80 100 60 80 100 60 80 100

PCA LBP+PCA HE+PCA HE+LBP+PCA

93

93

93 9

9

99

99 10

0

10

0

10

0

99

99

99

48

48

48

83 83

82

75 76

76 8

6 88

87

22 23

23

55 56

56 58

56

56 6

3 63

63

11

10

10 2

1 23 23

54

53

53

43

43

43

(ϕ)

Akura

si P

engen

alan

(%

)

Jumlah Eigenvecktor yang digunakan (%), Metoda Pengenalan

Subset 2 Subset 3 Subset 4 Subset 5

0.0

20.0

40.0

60.0

80.0

100.0

5 X 5 6 X 6 7 X 7 8 X 8 9 X 9 10 X 10 11 X 11

99

.2

99

.2

99

.2

99

.2

10

0

10

0

10

0

74

.2 87

.5

87

.5

93

.3

95

.8

95

.0

99

.2

40

.0 55

.8

55

.0 65

.8 73

.3

74

.2

80

.0

16

.7

21

.7

25

.0 35

.8

42

.5

41

.7 61

.7

(ϕ)

Akura

si P

engen

alan

(%

)

Ukuran Window Chi Square

Subset 2 Subset 3 Subset 4 Subset 5

0.0

20.0

40.0

60.0

80.0

100.0

5 X 5 6 X 6 7 X 7 8 X 8 9 X 9 10 X 10 11 X 11

10

0.0

99

.2

99

.2

10

0.0

10

0

10

0

10

0

75

.0 90

.0

85

.8 94

.2

97

.5

92

.5 99

.2

43

.3 55

.8

59

.2 69

.2 77

.5

70

.0 83

.3

17

.5

19

.2 28

.3

31

.7 44

.2

40

.8 50

.0

(ϕ)

Akura

si P

engen

alan

(%

)

Ukuran Window Chi Square

Subset 2 Subset 3 Subset 4 Subset 5