FACE RECOGNITION SISTEM CERDAS ANGGOTA: 1.ELIN SAFITRI ( )

Presentasi berjudul: "FACE RECOGNITION SISTEM CERDAS ANGGOTA: 1.ELIN SAFITRI ( )"— Transcript presentasi:

1 FACE RECOGNITION SISTEM CERDAS ANGGOTA: 1.ELIN SAFITRI (12115170)
2.FEBRIAN IFTIKHAR ( ) 3.FACHRIZA ADHA ( ) 4.JATI WIDIYASTUTI ( ) 5.LATIFA ZAHRANI ( )

2 PENDAHULUAN Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance). Face Recognition adalah salah satu teknologi yang telah banyak diaplikasikan dalam sistem security selain pengenalan retina mata, pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menanggkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Face recognition adalah teknologi dari komputer yang memungkinkan kita untuk mengidentifikasikan atau memverifikasi wajah seorang melalui sebuah gambar digital. Caranya dengan mencocokan tekstur lekuk wajah kita dengan data wajah yang tersimpan di database.

3 TEORI PENGENALAN WAJAH (FACE RECOGNITION)
Pada 1960-an, Woody Bledsoe, Helen Chan Walf, dan Charles Bisson membuat riset agar komputer dapat mengenali wajah manusia. Kurang lebih terdapat 80 titik kontur yang dapat di ukur dengan software menggunakan kode numerik(face print). Langkah-langkah dalam proses pembuatan sistem pengenalan wajah berbeda satu dengan yang lain, karena adanya faktok-faktor seperti ukuran database atau training set dari citra wajah, jenis input yang digunakan (citra foto atau vidio), derau(noise) pada citra dan lain-lain

4 Dua Tahap Face Recognition
Face Detection, dimana foto yang dicari untuk menemukan wajah (pada gambar yaitu kotak persegi panjang hijau). Maka pengolahan citra membersihkan citra wajah untuk pengakuan mudah. Wajah Pengakuan, dimana wajah didekteksi dan diproses dibndingkan dengan database wajah yang dikenal. Untuk memutuskan siapa orang yang (pada gambar yaitu teks merah). Contoh gambar:

5 ASPEK PEMINDAIAN DALAM FACE RECOGNITION
Jarak antara mata Lebar hidung Kedalaman kelopak mata Bentuk tulang pipi Panjang garis rahang Bentuk cekungan pada dagu

6 PROSES SISTEM FACE RECOGNITION
Deteksi Penjajaran 3. Pengukuran 4. Representasi 5. Pencocokan Pengambilan foto wajah manusia . Software akan menentukan posisi,ukuran,dan sikap kepala. Mengukur lekukan yang ada di wajah menggunakan skala sub-milimeter dan membuat template. Template tersebut diterjemkan ke dalam sebuah kode unik, yang mempresentasikan setiap wajah . Foto wajah yang telah dipersentasikan foto wajah dalam data base sam-sama 3D.

7 PROSES SISTEM FACE RECOGNITION
Veriviksi adalah pencocokan satu berbandingan satu. Indetifikasi adalah perbandingan foto wajah yang di ambil dengan seluruh gambar yang memiliki kemiripan dalam database. 6. Verifikasi atau indetifikasi 7. Analisa sturuktur wajah Keunikan tekstur kulit untuk meningkatkan akurasi hasil pencocokan.

8 BEBERAPA METODE FACE RECOGNITION
Linier Discriminant Analysis(LDA) Elastic Bunch Graph Matching (EBGM) Eigen Face Hidden Markov Model

9 Linier Discriminant Analysis(LDA)
Pendekatan stastik untuk mengklasifikasi sampel dari unknow classes berdasarkan training samples dengan know classes. Bertujuan untuk maksimalisasi varian antara masing-masing class dan meminimalisasi variasi dalam class. Contoh classes :

10 Elastic Bunch Graph Matching (EBGM)
Gabor wavelet transform membuat arsitektur link dinamis yang memproyeksikan wajah pada elastic grid. image pada pixel, dimana Gabor jet merupakan node pada elastic grid (lingkaran-lingkaran yang menyambungkan antar grid). Hasil dari konvolusi image dengan filter Gabor, digunakan untuk mendeteksi bentuk dan mengekstraksi ciri dengan image processing. Kesulitan dari metode ini adalah dibutuhkan landmark localization yang akurat, dimana kadang didapat dari mengombinasikan metode PCA dan LDA.

11 Eigen Face Teknik yang ditemukan oleh Kirby dan Sirivich pada 1988.
Digunakan untuk mereduksi dimensi data dengan menggunakan rata-rata pada data compression basics dan menemukan struktur dimensi rendah yang paling efektif untuk pola wajah. Tiap images wajah dapat direpresentasikan sebagai jumlah bobot (dengan vektor) pada eigenfaces, yang tersimpan pada 1D array. Keuntungan dari teknik ini sendiri adalah dapat mereduksi data yang dibutuhkan untuk mengidentifikasi seseorang pada 1/1000 data yang diberikan.

12 Hidden Markov Model Hidden Markov model merupakan pemodelan probabilitas suatu sistem dengan mencari parameter-parameter markov yang tidak diketahui untuk memperoleh analisis sistem tersebut. Metode Hidden Markov Model (HMM) mampu menangani perubahan statistik dari gambar, dengan memodelkan eleman-eleman menggunakan probabilitas. Salah satu aplikasinya adalah pada image processing, HMM memiliki tiga parameter utama

13 TERIMA KASIH