Hasil Pencarian  ::  Simpan CSV :: Kembali

"In this paper a new approach to face recognition is presented that achieves one coefficient foe every region,manking the system computationally efficient with better recognition result....."

"Ekstraksi fitur merupakan tahap penting dalam pengenalan objek. Fitur yang dihasilkan dalam tahapan ini akan sangat menentukan ke-akuratan suatu objek ketika dikenali. Scale Invariant Feature Transform (SIFT) merupakan suatu metode yang memberikan fitur-fitur khas dan invarian terhadap berbagai jenis perubahan pada citra. Pada skripsi ini akan dibahas tentang SIFT sebagai metode ekstraksi fitur pada pengenalan objek. Selain itu juga akan dilakukan perancangan simulasi untuk menguji kinerja dan performansi SIFT jika digunakan pada pengenalan jenis kendaraan. Performa dari SIFT ini akan diukur dari grafik recall vs. 1-precision yang dihasilkan dan lamanya waktu proses.

---

Feature Extraction is an important stage in object recognition. The features generated in this stage will determine the accuracy of object recognition. Scale Invariant Feature Transform (SIFT) is a method which generate a unique features and invariant against various changes in the image. This thesis will discuss about SIFT as a feature extraction method in object recognition. Also a simulation will be design to test the performance of SIFT if used in a vehicle type recognition. The performance of SIFT can be measured from the graph of recall vs. 1-precision and the processing time."

"ABSTRAKDalam beberapa tahun terakhir, kemajuan besar telah terjadi pada sistem pengenalan wajah. Banyak model yang telah diusulkan. Pada penelitian ini, uji coba dilakukan dengan model tertentu. Teknik Logarithm Transformation pertama-tama diterapkan untuk meningkatkan kualitas gambar wajah dan mengatasi variasi pencahayaan. Selanjutnya dilakukan proses ekstraksi fitur wajah dari gambar berdasarkan Singular Value Decomposition SVD . Nilai singular diambil sebagai fitur yang diasumsikan merepresentasikan gambar citra wajah. Kemudian, algoritma K-Nearest Neighbors KNN dijalankan untuk proses klasifikasi, sehingga menghasilkan persentase tingkat akurasi program. ORL faces database dipilih untuk menguji model program pengenalan wajah. Dalam penelitian ini, data uji menggunakan hasil ektraksi fitur SVD dibandingkan dengan data uji tanpa ekstraksi fitur. Dari hasil uji coba, diperoleh bahwa penggunaan data uji menggunakan hasil ekstraksi fitur SVD menghasilkan proses running time yang lebih cepat dibandingkan dengan menggunakan data tanpa ekstraksi fitur. Namun persentase tingkat akurasi rata-rata tertinggi yang didapatkan pada setiap iterasi terpilih, lebih baik hasilnya dengan data uji tanpa ektraksi fitur, yaitu sebesar 98,34 pada 90 data training, dibandingkan dengan data uji hasil ektraksi fitur SVD yang memperoleh persentase tingkat akurasi rata-rata sebesar 82,82 pada 90 data training.

---

ABSTRACTIn the past several years, major advances have occurred in face recognition system. Many models have been proposed. In this paper, the experiments were carried out with a particular model. The Logarithm Transformation LT technique is firstly applied to enhance the face image and handling lighting variations of face image. Furthermore, extract the feature of the face image based on Singular Value Decomposition SVD . The singular value is taken as a feature that is assumed to represent the face image. Then, K Nearest Neighbors KNN algorithm is run for the classification process, so it generates an accuracy of program. ORL database was chosen to test the model of face recognition program. In this research, data using the feature extraction were compared to the data without feature extraction. From the test results, it was found that the use of test data using feature extraction has a faster running time than using data without feature extraction. However, the highest rate of average accuracy that obtained on each chosen iteration, the result is better with the test data without feature extraction, that is 98.34 at 90 data training, compared to the test data using feature extraction which has average accuracy level of 82.82 at 90 of data training."

"Sistem pengenalan wajah yang menggunakan pendekatan klasik sejauh ini belum dapat memberikan hasil optimal jika dihadapkan pada tantangan oklusi. Tantangan oklusi yang dikaji pada penelitian ini adalah saat wajah menggunakan masker. Jika seseorang menggunakan aplikasi sistem pengenalan wajah dengan harus membuka masker terlebih dahulu di tempat umum tentunya sangat berbahaya untuk keselamatan dan kesehatan semua pihak. Sehingga dibutuhkan sistem pengenalan wajah yang memiliki performa sistem yang tinggi dengan tantangan oklusi masker. Penelitian ini membangun sistem pengenalan wajah bermasker dengan pendekatan holistic dan partial face. Metode ekstraksi fitur yang digunakan adalah penggabungan metode kurvatur yang menggunakan turunan parsial orde satu dan dua dengan metode analitik seperti gray level co-occurrence matrix (GLCM) dan multi-resolution analysis (MRA) seperti transformasi wavelet diskrit (DWT), scale-space (SS) dan wavelet packet transform (WPT). Pada penelitian ini juga ditemukan kriteria baru (keterbaruan penelitian) yang dinamakan curvature best basis (CBB) untuk memilih basis pada algoritma best basis di dalam WPT. Kriteria baru pemilihan basis terbaik bersifat dinamis dan menggunakan nilai tertinggi dari ukuran statistik standar deviasi dari kurvatur rerata pada koefisien wavelet. Basis terbaik bekerja sebagai fitur terekstraksi yang bekerja di dalam sistem pengenalan. Penelitian ini dievaluasi menggunakan dataset RFFMDS v1.0, RFFMDS v2.0 EYB, dan UBIPr. Hasil penelitian menunjukkan bahwa sistem pengenalan wajah dengan tantangan oklusi masker berhasil dibangun menggunakan pendekatan holistic dengan akurasi pengenalan sistem sebesar 98,11% dan dengan pendekatan partial face dengan akurasi sebesar 98,80%. Kedua hasil akurasi terbaik ini diperoleh dengan metode curvature best basis. Performa sistem pengenalan yang menggunakan metode curvature best basis dengan pendekatan holistic maupun partial face menunjukkan performa tertinggi dibandingkan dengan performa penelitian sebelumnya.

---

The face recognition system has not been able to produce satisfactory results when it applies classical approach to handle occlusion problems. This research evaluated masked face as the occlusion problem. If someone wants to use the face recognition system, he or she needs to take off the mask to accurately use the device. This becomes a risk for the safety to all party. The needs to have a stable high performance face recognition system has arisen. This research built the face recognition system with two approaches, holistic approach and partial face approach. The feature extraction method was combination of curvature of the first and second order of partial derivative and analytical methods such as gray level co-occurrence matrix (GLCM) and multi-resolution analysis (MRA) of discrete wavelet transform (DWT), scale-space (SS), and wavelet packet transform (WPT). A new dynamic criterion inside WPT has been proposed using the highest standard deviation from the mean curvature of wavelet coefficients. The single selected best basis works as extracted feature inside recognition system and it is called curvature best basis. The recognition system was evaluated using RFFMDS v1.0, RFFMDS v1.0 EYB, and UBIPr datasets. The results showed that the accuracy of the holistic approach was 98,11% and the accuracy of the partial face approach was 98,80% for the masked face recognition system. Both results derived from the proposed curvature best basis. The recognition system’s performance with curvature best basis overcome the results from previous works."

"Penelitian dilakukan untuk mengembangkan sistem keamanan rumah dengan webcam yang sudah ada saat ini. Sistem keamanan saat ini menggunakan webcam hanya untuk merekam dan menyimpan kejadian dalam bentuk video file. Hal tersebut dirasa kurang cukup aman dikarenakan saat kejadian berlangsung seperti perampokan tidak ada notifikasi kepada pemilik rumah. Maka pada penelitian ini ditambahkan sebuah fitur pada sistem untuk mendeteksi wajah penghuni rumah dan akan memberikan notifikasi ketika ada wajah yang tidak dikenal. Sistem ini juga akan digabungkan dengan akses pintu otomatis menggunakan solenoid door lock. Metode yang digunakan adalah Deep Learning Matric untuk implementasi pada face recognition yang digunakan untuk akses kunci pintu rumah.Hasil yang didapatkan dari pengujian sistem cukup baik, dimana sistem dapat membedakan penghuni rumah dengan orang asing dengan beberapa kriteria pengujian, diantaranya dengan pengujian jarak webcam dengan orang pada siang sekitar pukul 12.00 sampai 13.00 dan malam hari sekitar pukul 19.00 sampai 20.00 dengan menghadap kearah webcam, pengujian banyaknya wajah yang terdeteksi webcam dalam satu frame, dan notifikasi kepada penghuni rumah. Berdasarkan hasil pengujian dan analisis, banyaknya wajah yang tertangkap bisa lebih dari 3 orang dan untuk persentase akurasi pada pengujian siang hari didapatkan sebesar 91.11% sedangkan pada malam hari sebesar 80%. Dari persentase yang didapatkan, pendeteksian pada siang hari lebih baik dan akurat dibandingkan pada malam hari dikarenakan intensitas cahaya yang mempengaruhi kerja dari algoritma face recognition.

---

The study was conducted to develop a home security system with a webcam that already exists today. The current security system only uses the camera to record and save events in the form of video files. This is not enough safe because when the incident took place such as a robbery there was no notification to the homeowner. Therefore, in this study added some feature for a system to recognize faces of homeowner and will provide notifications when there are faces that are not known. This system will also be combined with automatic door access using solenoid door lock. The method used is the Deep Learning Matric for the implementation of face recognition which will used for door lock access.

The results obtained from the testing of the system are quite good where the system can distinguish between homeowner and strangers with several testing criteria, including testing the distance of the camera with people at noon around 12:00 to 13:00 and the night around 19:00 to 20:00 by facing the camera, testing the number of faces detected by cameras, and notifications to residents. Based on the results of testing and analysis, many faces can be caught more than 3 people and for the percentage of accurated in daytime testing obtained by 91.11% while at night by 80%. From the percentage obtained, the detection during the day is better and more accurate than at night due to the light intensity that affects the work of the face recognition algorithm.

"

"Berbagai metode pengembangan rekognisi citra wajah telah banyak dilakukan, berbagai metode seperti Deep Learning, Multilayer Perceptron sudah dilakukan. Metode Convolutional Neural Network juga sudah banyak dikembangkan untuk melakukan klasifikasi citra seperti rekognisi jenis bunga, hewan, hingga pendeteksian kecacatan sel. Convolutional Neural Network diharapkan mampu melakukan rekognisi citra wajah secara tiga dimensi. Operasi konvolusi sebagai bagian ekstraksi fitur pada Convolutional Neural Network, diharapkan dapat membantu bagian klasifikasi untuk melakukan tugasnya dengan lebih baik. Rekognisi citra wajah secara tiga dimensi ini sangat dibutuhkan, karena ketika kita ingin mendeteksi seseorang tanpa diketahui orang tersebut, maka dengan berbagai macam sudut hadap wajahnya sistem harus dapat mengidentifikasi orang tersebut. Untuk penelitian kali ini saya akan menggunakan dataset gambar wajah tiga dimensi yang akan digunakan sebagai klasifikasi parameter biometrik seseorang. Pada penelitian ini akan menganalisa tiap-tiap lapisan pada Convolutional Neural Network, serta melakukan perbandingan dengan Backpropagation Neural Network. Dan juga akan melakukan analisa dengan menggunakan citra wajah berderau.

---

Various methods of developing facial image recognition have been carried out, various methods such as Deep Learning and Radial Basis Function Neural Network have been carried out. Convolutional Neural Network methods have also been developed to carry out image classifications such as recognition of types of flowers, animals, and detection of cell defects. Convolutional Neural Network is expected to be able to recognize facial images in three dimensions. Convolution operations as a feature extraction part of the Convolutional Neural Network are expected to help the classification section to do their job better. Three-dimensional face image recognition is needed, because when we want to detect someone without knowing by the person, then with a variety of face angles, the system must be able to identify that person. For this research I will use a three-dimensional face image dataset that will be used as a classification of a persons biometric parameters. In this study, we will analyze each layer in the Convolutional Neural Network, do a comparison with Backpropagation Neural Network. And also will do the analysis by using a noisy face image."

"Teknologi drone banyak dikembangkan dan digunakan, khususnya pemantauan di medan-medan yang susah terjangkau manusia, namun metode pendeteksian manusia belum ada yang diimplementasikan pada drone. Metode pendeteksian manusia yang sedang populer sekarang seperti metode Histogram of Gradient HoG Local Binary Pattern Feature LBP dengan tingkat keberhasilan mencapai 80 , metode Deformable Part Model DPM dengan tingkat keberhasilan 50 . Penelitian ini melaporkan tingkat keberhasilan dari metode pendeteksian wajah menggunakan LBP diintegrasikan DPM yang nantinya akan coba ditanamkan sebagai penentu pergerakan drone quadcopter . Objek yang tertangkap kamera akan diolah gambarnya dengan metode LBP dan DPM, kedua metode ini berfungsi sebagai feature extraction, dimana gambar diolah sehingga didapatkan data karakteristik dari bentuk gambar yang diekstrak. Data karakteristik akan dicocokkan dengan data model wajah manusia menggunakan classification, sehingga bisa didapatkan tingkat kecocokan objek dengan model. Jika objek sesuai dengan model, akan dikirim jarak dari drone dan objek ke Single Board Computer SBC sebagai acuan pergerakkan drone untuk menggerakan Robot Operating System ROS drone untuk mendekati objek. Jika diperiksa untuk kedua kalinya objek benar-benar sesuai dengan model koordinat objek akan dikirimkan ke Ground Control Station. Dari percobaan didapatkan persentase keberhasilan pendeteksian yang lebih baik karena LBP memiliki akurasi yang baik dan DPM mengurangi jumlah model yang digunakan untuk pencocokan.

---

Technology of drone has been developed and used, especially in the fields of monitoring for difficult area to reach by human, but the human detection methods are not implemented on drone yet. The most popular human detection methods are Histogram of Gradient HOG Feature Local Binary Pattern LBP with a success rate 80 , Deformable Part Model DPM with success rate 50 . This research reported a success rate of face detection method using LBP integrated with DPM that will implemented to determined the drone quadcopter movement. Objects caught on camera will be processed with LBP and DPM method, this method serve as feature extraction, where the image is processed to obtain the characteristic data from the extracted image shape. Data will be matched with models data face using classification, so that we will be obtained compatibility of object and models. If the object compatible with the models, a distance from the object to the drone will be sent to Single Board Computer SBC in the drone as a reference movement to approach the object with Robot Operating System ROS. The object will be checked for a second time to cross check the compatibility, then coordinates of the object will be sent to the Ground Control Station. The experimental will be obtained a better percentage of success rate detection because LBP has a good accuracy and DPM reduces the number of models for matching."

"In the recent years, palm vein recognition has been studied to overcome problems in conventional systems in biometrics technology (finger print, face, and iris), such as convenience and performance. However, due to the image of palm vein that is not always clear, the veins are not segmented pro-perly, therefore, the recognition accuracy may be degraded. To overcome this problem, we propose a palm vein recognition system using Local Line Binary Pattern (LLBP) method that can extract robust features from the palm vein images that has unclear veins. LLBP is an advanced method of Local Binary Pattern (LBP), a texture descriptor based on the gray level comparison of a neighborhood of pixels. There are four major steps in this paper, Region of Interest (ROI) detection, image preprocess-sing, features extraction using LLBP method, and matching using Fuzzy k-NN classifier. The propo-sed method was applied on the CASIA Multi-Spectral Image Database. Experimental results show that the proposed method using LLBP has a good performance with recognition accuracy 97.3%. In future, experiments will be conducted to observe which parameter can affect processing time and rec-ognition accuracy of LLBP is needed.

---

Saat ini penelitian tentang pengenalan pembuluh darah pada telapak tangan (palm vein recognition) telah banyak dilakukan untuk mengatasi masalah dalam teknologi biometrika yang lainnya (pengenalan sidik jari, wajah dan iris) seperti ketidaknyamanan pengguna saat akusisi citra maupun tingkat keakuratan pengenalannya. Namun masalah yang sering muncul dalam sistem pengenalan pembuluh darah pada telapak tangan (palm vein) adalah fitur tekstur pembuluh darah (vein) yang kurang jelas. Untuk mengatasi masalah tersebut, paper ini mengusulkan sistem pengenalan palm vein menggunakan metode Local Line Binary Pattern (LLBP) yang telah teruji dapat mengekstraksi fitur pembuluh darah pada gambar dengan jelas. LLBP merupakan metode pengembangan dari Local Binary Pattern (LBP), metode yang menggunakan kombinasi nilai-nilai biner dari piksel kete-tanggaannya. Empat tahapan utama dalam penelitian ini yaitu deteksi Region of Interest (ROI), pre-processing yang terdiri dari resize, penghilangan noise dan subtract citra, ekstraksi fitur menggunakan metode LLBP dan pengenalan menggunakan Fuzzy k-NN. Metodologi yang diusulkan telah diuji pada database citra palm vein CASIA Multi-Spectral. Hasil percobaan menunjukkan bahwa meto-dologi yang diusulkan dapat mencapai akurasi sampai dengan 97.3%. Untuk penelitian selanjutnya, diperlukan observasi untuk mengetahui parameter yang mempengaruhi waktu proses dan akurasi pengenalan dari metode LLBP"

"This updated book expands upon prosody for recognition applications of speech processing. It includes importance of prosody for speech processing applications; builds on why prosody needs to be incorporated in speech processing applications; and presents methods for extraction and representation of prosody for applications such as speaker recognition, language recognition and speech recognition. The updated book also includes information on the significance of prosody for emotion recognition and various prosody-based approaches for automatic emotion recognition from speech."

"Discrete optical cavities adalah sebuah studi mengenai sistem benda optik identik yang dijajarkan dalam suatu larik periodik dengan jarak yang sama lalu ditembak oleh suatu sumber cahaya sehingga cahaya berosilasi di dalam benda optik dan memenuhi sistem persamaan nonlinear. Penempatan optik dipandang layaknya sebuah garis, figur satu dimensi. Solusi sistem persamaan nonlinear berupa soliton seperti penjelasan Yulin dan Champneys dalam paper mereka pada tahun 2010. Metode yang digunakan untuk menyelesaikan sistem persamaan nonlinear ini adalah metode Pseudo-Archlength Continuation. Discrete optical cavities dapat dikembangkan sedemikian sehingga membentuk figur dua dimensi. Sistem persamaan nonlinear dimodifikasi sedemikian sehingga berlaku bagi discrete optical cavities dua dimensi.

---

Discrete optical cavities is a study about identic optical objects that arranged in a periodic array with same distance between them and it shots by a light source so that the light oscillates inside the optical objects and suffices nonlinear systems of equation. The placement of the optical objects considered as a line, in one-dimensional figure. Solution of nonlinear system of equations is soliton as described by Yulin and Champney at their paper in 2010. Method used to solve the nonlinear systems of equation is Pseudo-Arclength Continuation. Discrete optical cavities can be developed into two-dimensional figure. The nonlinear system of equations is modified so that it suffices two-dimensional system of discrete optical cavities problem."