Implementasi Variasi Frekuensi Tinggi DCT pada Detektor Fitur dalam Meningkatkan Pendeteksian Titik Kunci pada Wajah

Penelitian yang membahas mengenai pengenalan citra wajah saat ini telah menjawab berbagai macam tantangan teknologi yang bermanfaat bagi kehidupan. Pengujian dataset wajah yang dilakukan berkaitan dengan tingkat variasi tinggi pada frekuensi domain dan dapat direpresentasikan sebagai derau. Kuantitas derau yang terdapat pada citra dapat memengaruhi kinerja dari sistem pengenalan wajah sehingga jumlah keypoints yang terdeteksi dan kualitas detektor fitur menjadi tidak maksimal. Oleh karena itu, pada penelitian ini akan difokuskan pada peningkatan kualitas pendeteksian fitur wajah dengan mengatasi masalah derau pada citra. Proses pengujian dimulai dengan merekonstruksi sepasang citra 2D menjadi Model 3D. Dataset yang digunakan diambil sebanyak 6 pasang citra 2D dari database Head-Pose dan ORL dengan sudut pengambilan citra sebesar 15 derajat dari sisi kiri dan kanan wajah. Kemudian, algoritma discrete cosine transform (DCT) diimplementasikan untuk menghilangkan derau dengan koefisien 0.25, 0.5 dan 0.75. Penelitian dilanjutkan dengan proses pendeteksian keypoints wajah menggunakan 5 detektor fitur, yaitu Harris Stephens, Speeded Up Robust Features (SURF), Features from Accelerated Segment Test (FAST), Minimum Eigen Value dan Binary Robust Invariant Scalable Keypoints (BRISK). Hasil pendeteksian akan menghasilkan 15 titik wajah yang terdeteksi dan akan dikalkulasi hasil akurasinya berdasarkan perhitungan recall, precision, dan f-score. Hasil akhir pada penelitian ini memperoleh nilai f-score terbaik sebesar 0.4 oleh detektor fitur SURF dengan koefisien DCT sebesar 0.25