Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam makalah ini, penulis mengajukan metodologi baru dalam sistem pengenalan wajah 3-D dengan menggunakan penambahan garis ciri pada metode perhitungan jarak terpendek dalam ruang ciri. Penambahan garis ciri ini dilakukan dengan memperbanyak jumlah garis ciri tanpa menambahkan titik ciri baru, dengan membentuk sebuah garis ciri baru dari setiap titik ciri terhadap setiap garis ciri yang dibentuk dari setiap dua buah titik ciri. Dengan penambahan garis ciri ini, sistem akan memperoleh tambahan informasi variasi ciri obyek, sehingga tingkat pengenalan sistem dapat meningkat.Dalam makalah ini, penulis juga mengembangkan metode TK-LSebagian1 dan TK-LSebagian2 sebagai metode untuk mentransformasikan citra wajah 3-D dari ruang citra spatial ke dalam representasi ruang eigennya. Data percobaan dalam penelitian menggunakan citra wajah orang Indonesia dalam berbagai sudut pandang pengamatan dan ekspresi. Pengujian terhadap sistem dilakukan untuk mengenali wajah dengan sudut pandang pengamatan yang berbeda dengan citra wajah yang dilatihkan sebelumnya. Hasil penelitian menunjukkan bahwa tingkat pengenalan tertinggi akan diperoleh sistem dengan menggunakan TK-LSebagian2 dan metode penambahan garis ciri yaitu sebesar 99.17%.

---

3-D Face Recognition System using Additional Feature Lines in Nearest Feature Line Method in Eigenspace Representation. In this paper, the authors propose a new method in 3-D face recognition system using additional feature lines in Nearest Feature Line method, called the Modified Nearest Feature Line method. The additional feature lines can be acquired by projecting each feature point to other feature lines in the same class without increasing the number of feature points. With these additional lines, the system will have the ability to capture more variations of face images, so it can increase the recognition rate of the system.The authors also propose KL-TSubspace1 and KL-TSubspace2 as methods in transforming the 3-D face images from its spatial domain to their eigenspace domain. The experiments use the 3-D human faces of Indonesian people in various expressions and positions. Then, the system is applied to recognize unknown face images with different viewpoints. Experimental results shown that the system using KL-TSubspace2 and Modified Nearest Feature Line method can have the highest recognition rate of 99.17%."

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai pengenalan wajah dan penentuan sudut pandang wajah 3D dengan metode Nearest Feature Line (NFL) dan optimasi ruang ciri lewat Algoritme Genetika (GA). Umumnya, ruang ciri dibentuk berdasarkan vektor-vektor eigen dengan nilai-nilai eigen terbesar. Fokus utama penelitian ini terletak pada pengkombinasian vektor eigen (bukan hanya yang terbesar) dalam membangun ruang ciri. Untuk menganalisis seberapa baik ruang ciri yang dibentuk lewat cara tersebut, dilakukan beberapa eksperimen pengenalan wajah dan penentuan sudut pandang wajah 3D pada tiga skema-sistem: Fully-KLT, Subset-1-KLT dan Subset-2-KLT. Tingkat pengenalan yang diperoleh mencapai 91,7% untuk pengenalan wajah pada skema Fully-KLT dan Subset-2-KLT, dan mencapai 87,5% untuk penentuan sudut pandang wajah pada skema Fully-KLT. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa ruang ciri dengan kombinasi vektor eigen dapat lebih optimal dalam hal representasi data spasial. Namun, ruang ciri yang tersusun atas vektor-vektor eigen terbesar unggul dalam hal perbandingan antara tingkat pengenalan yang diberikan dengan pengurangan lebar dimensi. "

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garus wajah pada kondisi normal dengan berbagai pose horisontal dalam ruang eigen. Garis wajah dibangkitkan dengan menghubungkan titik-titik pada wajah. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 125 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Reduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan memaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalah algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syaraf tiruan Backpropagation. Hasil percobaan menunjukkan bahwa secara umum metode jarak garis wajah memiliki akkurasi tingkat pengenalan wajah lebih baik dan memiliki nilai Meas Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garis wajah pada kondisi normal dnegan berbagai pose horisontal dalam ruang eigen. Garis eajah dibangkitkan dengan menghubungkan titik-titik pada wajak. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 135 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Rduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan mamaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalam algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syarat tiruan Backpropagation. hasil percobaan menunjukkan bahwa secara umum metode wajah lebih baik dan memiliki nilai Mean Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Penelitian ini merupakan kombinasi dari penelitian-penelitian sebelumnya mengenai pengenalan sudut-pandang dan wajah 3D dengan menggunakan Jaringan Saraf Tiruan (JST) yang sebelumnya menggunakan Self Organizing Map (SOM) dalam representasi ruang eigen dan penerapan algoritma genetika dalam menentukan ruang ciri yang optimal. Pada penelitian kali ini Jaringan Neural Buatan yang digunakan adalah Learning Vektor Quantization (LVQ) dalam ruang eigen dengan mengaplikasikan algoritma genetika untuk mengoptimasi ruang ciri. Untuk menganalisa seberapa baik pengenalan dengan menggunakan algoritma LVQ ini, dilakukan beberapa eksperimen dalam penelitian ini untuk memperbandingkan tingkat pengenalan pada sistem fully-KLT dan Subset II-KLT, dengan menggunakan algoritma genetika dan dengan menggunakan full eigen untuk sistem dengan dan tanpa reduksi awal pada PCA untuk masing-masing dataset yang telah ditentukan. Tingkat pengenalan terbaik untuk pengenalan sudut basis mencapai 96,9 %, pengenalan sudut tengah mencapai 67,7 % pada sistem fully-KLT dan pengenalan sudut tengah pada subset II-KLT mencapai hasil tertinggi sebesar 80,6 %. Sedangkan untuk pengenalan wajah, tingkat pengenalan terbaik mencapai 79,2 %, pada pengenalan wajah peningkatan jumlah citra uji GA ternyata tidak memberikan perbaikan hasil pengenalan. Secara umum pengenalan dengan menggunakan algoritma genetika belum mampu menyaingi tingkat pengenalan dengan menggunakan keseluruhan eigen (full eigen). "

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai pengenalan wajah dan penentuan sudut pandang wajah 3D dengan metode Nearest Feature Line (NFL). Fokus utama penelitian ini terletak pada pemakaian ruang eigen Double View Based (dalam satu ruang eigen terdiri dari dua kelas sudut yang bersebelahan) untuk pengenalan wajah. Ruang eigen dibentuk menggunakan metode full-eigen. Proses pengenalan wajah dilakukan melalui pengamatan pada arah horizontal (sudut elevasi 00) dan vertikal (sudut elevasi 100 dan 200). Terdapat 4 skema Double View Based yang menggunakan kombinasi sudut vertikal 00-100, 00-200, 100-200, dan 00-100-200. Tingkat pengenalan yang diperoleh mencapai 96.88% untuk pengenalan wajah pada arah horizontal dengan kombinasi sudut vertikal 00 dan 100, mencapai 94.19% untuk pengenalan wajah dengan kombinasi sudut vertikal 00 dan 200, 97,92% untuk pengenalan wajah dengan kombinasi sudut vertikal 100 dan 200, dan mencapai 97.22% untuk pengenalan wajah dengan kombinasi sudut vertikal 100, 200, dan 300. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa jumlah subset sebagai bagian dari dataset mempengaruhi tingkat pengenalan, semakin banyak jumlah subset maka semakin baik tingkat pengenalan wajah 3D. Tingkat pengenalan dengan tambahan sudut pengamatan vertikal mampu memberikan hasil yang lebih baik dibandingkan dengan tingkat pengenalan dengan skema DVB untuk sudut pengamatan horizontal saja."

"Manusia cukup baik dalam mengenali wajah, betapapun miripnya wajah yang diberikan. Akan tetapi membangun model komputasional yang dapat menyamai kemampuan manusia dalam mengenali wajah merupakan pekerjaan yang sulit. Upaya pengenalan dan pengklasifikasian wajah dilakukan dengan mentransformasikan face images menjadi himpunan karakteristik dari image yang disebut vektor eigen. Pengenalan wajah dengan menggunakan vektor eigen metode Principal Component Analysis dilakukan dengan memproyeksikan test image ke ruang yang direntang dari vektor-vektor eigen, yaitu disebut face space. Kemudian mengklasifikasikannya sebagai individu yang ?dikenali? atau ?tidak dikenali? dengan membandingkan test image tersebut di face space dengan individu pada database. "

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."