Analisa Pengenalan Wajah Manusia Dengan Menggunakan Metode Eigenface-Fisherface

ABSTRAKSI: Pada pengenalan wajah manusia dengan metode fisherface untuk mengidentifikasikan seseorang. Keluarannya adalah dikenali atau tidaknya sebuah gambar masukan sebagai salah satu individu pada database. Terdapat empat langkah utama dalam metode pengenalan wajah ini, yaitu deteksi wajah, perhitungan PCA (Principal Component Analysis), perhitungan FLD (Fisher.s Linear Discriminant), dan klasifikasi. Dalam modul deteksi wajah, segmentasi warna dilakukan untuk mendapatkan bagian dari gambar masukan yang memiliki warna kulit. Modul perhitungan PCA dan modul perhitungan FLD digunakan untuk membentuk satu set fisherface dari suatu training set yang digunakan. Seluruh gambar wajah dapat direkonstuksi dari kombinasi fisherface dengan bobot yang berbeda-beda. Pada modul terakhir, dilakukan proses pengenalan identitas dengan cara membandingkan bobot fisherface yang dibutuhkan untuk merekonstruksi gambar masukan terhadap gambar pada training set. Sedangkan Metode Eigenface, didasarkan pada Principal Component Analysis (PCA) atau disebut juga transformasi Karhunen-Loeve. Vektor citra berdimensi n direduksi menjadi vektor ciri berdimensi m dengan melakukan transformasi terhadap vektor citra dari ruang citra dimensi-n ke ruang ciri dimensi-m. Metode Eigenface dapat menghasilkan total-scatter vektor-vektor ciri yang maksimal. Hal ini justru menjadi kelemahan metode Eigenface untuk citra-citra masukan dalam variasi pencahayaan dan ekpresi, karena akan menghasilkan klasifikasi berdasarkan pencahayaan dan ekspresi. Dengan menggabungkan PCA dengan Fisher’s Linear Discriminant (FLD), metode Fisherface diharapkan mampu untuk mengatasi kelemahan metode Eigenface. FLD dapat menyederhanakan klasifikasi dengan memaksimalkan rasio antara between-class scatter dengan within-class scatter. Rasio yang maksimal dapat menghasilkan klasifikasi yang tidak sensitif, baik terhadap perubahan pencahayaan maupun ekspresi. Tugas akhir ini mencoba untuk membandingkan akurasi pengenalan metode Eigenface dan Fisherface. Hasil uji coba menunjukkan bahwa metode Fisherface memiliki akurasi pengenalan yang lebih tinggi dari metode Eigenface untuk citra wajah dalam variasi pencahayaan yang cukup banyak dan variasi ekspresi. Sedang Eigenface memiki akurasi pengenalan yang lebih baik untuk sedikit variasi cahayaKata Kunci : fisherface, eigenface, deteksi wajah, PCA, FLD, klasifikasi, jarak EuclidianABSTRACT: In human face recognition method to identify someone fisherfaces. The output is recognized whether or not an input image as one of the individuals on the database. There are four main steps in face recognition methods, namely face detection, calculation of the PCA (Principal Component Analysis), FLD calculation (Fisher.s Linear Discriminant), and classification. In face detection, color segmentation is to get part of the input image that contain skin color. Calculation module PCA and FLD calculation module is used to form a set fisherfaces from a training set used. All facial images can be reconstructed from the combination fisherfaces with different weights. In the final module, is to identify by comparing the weight fisherface required to reconstruct the input image to the image in the training set. While Eigenface method, based on Principal Component Analysis (PCA) or also called Karhunen-Loeve transformation. N-dimensional vector image is reduced to m-dimensional feature vector by performing a transformation of the vector image of the n-dimensional image space to feature space dimension-m. Eigenface method can produce a total-scatter characteristic vectors of the maximum. This is precisely the weakness Eigenface method to input images in lighting and expression variations, as it would result in classification based on the lighting and expression. By combining PCA with Fisher\u27s Linear Discriminant (FLD), the method Fisherface expected to be able to overcome the weaknesses Eigenface method. FLD can simplify the classification by maximizing the ratio between the between-class scatter to within-class scatter. The ratio of maximum to produce classifications that are not sensitive either to changes in lighting and expression. This thesis tries to compare the recognition accuracy and Fisherface Eigenface method. Experimental results show that the method Fisherface have a higher recognition accuracy than Eigenface methods for facial image in a lot of lighting variation and expression variation. Eigenface\u27m thinking about a better recognition accuracy for slight variations of lightKeyword: fisherfaces, eigenface, face detection, PCA, FLD, classification,Euclidian distanc