Dalam melakukan pencocokan wajah suatu individu dalam dataset anda perlu mengetahui Alur Kerja Proses Face Recognition.
Sistem keamanan sangat diperlukan untuk kehidupan sehari-hari, hal ini bertujuan untuk mengontrol pemberian hak akses hanya kepada orang-orang tertentu. Sistem keamanan tradisional bermacam-macam mulai dari kunci, password, atau pun ID card. Kelemahan dari sistem ini yaitu sulit untuk diingat, hilang, bahkan mudah diketahui oleh orang lain.
Apa itu Face Recognition
Berdasarkan kelemahan tersebut muncul suatu teknologi Face recognition. Face recognition dikenal sebagai salah satu teknologi image processing yang dapat diterapkan dalam bidang keamanan (security system). Lalu apa itu Face Recognition? Face Recognition adalah salah satu teknologi biometrics yang digunakan untuk mengidentifikasi atau mengenali suatu individu bersasarkan karakteristik tertentu. Face Recognition dinilai memiliki tingkat keamanan yang cukup tinggi, karena citra wajah sulit untuk ditiru, dimodifikasi bahkan dicuri jika dibandingkan dengan sistem keamanan tradisional.
Bagaimana Alur Kerja Proses Face Recognition
Apakah anda pernah membayangkan bagaimana suatu system dapat mengenali suatu individu dengan tingkat keakuratan tinggi? Dengan banyak nya teknologi Machine Learning, Artificial Intelligent dan Dengan Metode tertentu hal ini sangat mungkin terjadi. Begini Alur Kerja Proses Face Recognition
Dalam Implementasi nya ada beberapa tahapan dalam proses face recognition antara lain proses training database dan pencocokan individu :
Training Database
Proses pelatihan atau training citra dalam face recognition (pengenalan wajah) biasanya melibatkan beberapa langkah, antara lain:
Akusisi Citra
Akusisi Citra Wajah adalah proses menangkap (capture) atau memindai (scan) suatu citra analog sehingga diperoleh citra digital. Beberapa faktor yang perlu diperhatikan dalam proses akuisisi citra antara lain adalah: jenis alat akuisisi, resolusi kamera, teknik pencahayaan, perbesaran atau zooming, jarak, dan sudut pengambilan citra.
Pengumpulan Data Citra Wajah
Langkah selanjutnya dalam proses pelatihan face recognition adalah mengumpulkan dataset citra wajah yang akan digunakan untuk melatih model. Dataset ini harus terdiri dari citra wajah yang direpresentasikan oleh vektor fitur atau ciri-ciri wajah yang relevan dan dapat membedakan satu wajah dengan yang lainnya
Pre-Processing
Setelah data terkumpul, citra wajah biasanya diproses untuk menghilangkan noise atau informasi yang tidak relevan. Pre-Processing adalah salah satu tahapan dalam face recognition dimana data citra wajah akan melalui proses Cropping, face detection, perubahan ukuran dimensi citra (resize), dan perubahan format RGB ke Greyscalling. Tujuan dari tahap Pre-Processing yaitu agar citra wajah dapat diproses lebih baik serta meningkatkan kemungkinan keberhasilan sistem dalam mengenali wajah dengan waktu yang singkat
Cropping
Cropping adalah teknik yang digunakan untuk menentukan bagian mana dari suatu citra wajah yang mengandung area objek yang akan diolah ke proses selanjutnya, sehingga dapat dipotong dan dipisahkan dari area yang tidak dibutuhkan
Face Detection
Face Detection adalah tahapan untuk mendeteksi hanya bagian wajah suatu individu sehingga dihasilkan keluaran gambar yang lebih sederhana. Face Detection dalam Face Recognition umumnya menggunakan berbagai metode salah satu metode face detection yang banyak digunakan yaitu metode Viola Jones. Metode ini bertujuan untuk menghilangkan bagian yang tidak diidentifikasi sebagai wajah. Tujuan face detection yaitu untuk meningkatkan kinerja sistem dalam mencocokan citra wajah.
Resize
Resize adalah proses mengubah ukuran piksel citra wajah. Setiap citra hasil face detection memiliki ukuran piksel yang berbeda-beda, maka diperlukan penyeragaman ukuran citra agar memudahkan system dalam mengenali individu dan menghasilkan database citra dengan ukuran yang sama.
RGB to Greyscale
Selanjutnya citra RGB akan di ubah menjadi citra greyscale. Fungsi dari tahapan ini yaitu Citra greyscale memiliki struktur yang lebih sederahana dan memudahkan proses komputasi. Harapannya proses pencocokan wajah menjadi lebih cepat dan efisien daripada citra RGB.
Ekstraksi fitur
Ekstraksi Fitur adalah proses pengambilan ciri sebuah objek yang menggambarkan karakteristik dari objek tersebut dan membedakan dari setiap citra wajah dalam dataset (database). Ekstraksi Fitur dilakukan dengan menggunakan algoritma deteksi wajah, seperti Local Binary Patterns (LBP), Principle Component Analysis (PCA), Eigenface, Histogram of Oriented Gradients (HOG), atau Convolutional Neural Networks (CNN).
Dalam tahapan ini suatu citra wajah akan direpresentasikan ke bentuk matriks dalam system. Nilai matriks ini nantinya akan dicari nilai rata rata untuk dapat di bandingkan antara citra satu dengan citra lainnya. Berikut adalah controh bagaimana proses ekstraksi fitur menggunakan algoritma Eigenfaces, Eigenfaces adalah salah satu hasil dari proses PCA yang digunakan dalam face recognition. Eigenfaces terdiri dari vektor fitur yang mempresentasikan ciri-ciri umum atau pola dari wajah dalam dataset citra wajah. Berikut adalah tahapan ekstraksi fitur menggunakan metode eigenface.
Pembentukan model
Setelah fitur wajah diekstraksi dari dataset citra wajah, model face recognition dapat dibentuk dengan menggunakan algoritma pembelajaran mesin seperti Support Vector Machine (SVM), Random Forest, atau Convolutional Neural Network (CNN). Pada tahap ini, algoritma machine learning diterapkan pada data latih dan model yang sesuai dengan data ditemukan. Model tersebut dihasilkan dengan menggunakan teknik pembelajaran mesin tertentu untuk menemukan korelasi dan pola pada data yang diambil dari tahap preprocessing data dan ekstraksi fitur
Pelatihan dan Evaluasi Model
Langkah terakhir adalah pelatihan model menggunakan dataset citra wajah yang telah diproses dan pembentukan model. Model kemudian dievaluasi menggunakan dataset pengujian yang berbeda untuk memastikan performa model yang optimal dan generalisasi yang baik terhadap data wajah baru.
Pengenalan atau Pencocokan Individu
Proses pengenalan atau pencocokan citra dalam face recognition (pengenalan wajah) biasanya melibatkan beberapa langkah, antara lain:
Pencocokan
Pada tahap ini sebuah citra wajah baru atau image test akan dicoba untuk dikenali. Setelah fitur-fitur wajah diuji berhasil diekstraksi, tahap selanjutnya adalah membandingkan fitur-fitur tersebut dengan fitur-fitur wajah yang sudah tersimpan di dalam database. Metode yang umum digunakan adalah metode Euclidean distance atau cosine similarity.
Euclidean Distance adalah metode pengukuran jarak garis lurus (straight line) antara dua titik, misal titik X (X1,X2,…,Xn) dan titik Y (Y1,Y2,…,Yn). Euclidean Distance berfungsi untuk melakukan pengelompokkan suatu data dengan cara menghitung jarak suatu data dengan yang lainnya. Semakin kecil nilai jarak yang dihasilkan maka data tersebut dapat diklasifikasikan menjadi 1 kelompok (memiliki kemiripan dengan citra wajah dalam dataset).
Nilai Euclidean digunakan untuk perhitungan jarak tiap data training satu persatu tujuannya untuk mencari nilai threshold. Threshold adalah batas atau jarak minimum yang harus dilewati oleh data testing, untuk membuktikan bahwa data testing merupakan data yang dikenali atau berada dalam database, jika gambar wajah testing mempunyai nilai yang lebih besar dari batas atau jarak minimum yang sudah ditentukan, maka gambar wajah testing tersebut tidak dikenali atau tidak berada dalam database
Keputusan
Pada tahap terakhir, system akan memberikan keputusan berdasarkan hasil pencocokan pada tahap sebelumnya missal nya seperti “dikenali” atau “tidak dikenali”. Dari hasil keputusan ini Anda dapat menghubungkan nya dengan hasil output lainnya missal : mengirim data biner ke komponen mikrokontroller untuk system buka tutup kunci dan lainnya.
Kesimpulan
Dalam Face Rocognition banyak hal yang mempengaruhi keakuratan dalam system face recognition seperti intensitas cahaya, jarak akusisi citra serta sudut kemiringan suatu citra juga sangat mempengaruhi hasil pencocokan dari suatu individu. Hal ini dapat anda minimalisir dengan menggunakan algoritma dan teknologi yang lebih relefan saat ini. Tahapan dalam proses pre-processing citra juga sangat penting dalam menentukan keberhasilan system face recignition. Oleh karena itu, setiap tahap dalam proses tersebut harus dilakukan secara cermat dan teliti untuk menghasilkan hasil yang akurat dan memuaskan. Demikian semoga bermanfaat
Penulis : Meilina Eka A
makasi