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%."

"Dalam makalah ini, penulis mengembangkan metodologi baru yang dinamakan dengan metode Modified Nearest Feature Line (M-NFL). Modifikasi terhadap metode NFL ini dilakkan dengan menambah jumlah garis cri dengan membentuk garis-garis baru hasil proyeksi tegak lurus dari setiap titik citra acuan yang ada terhadap garis ciri yang dibentuk oleh titik titik citra acuan dalam suatu kelas. Tujuannya adalah agar sistem dapat menangkap lebih banyak informasi dari variasi antara titik titik ciri dalam setiap kelas, sehingga tingkat pengenalan sistem akan menjadi lebih tinggi. Metode M-NFL ini akan digunakan sebagai metode klasifikasi dalam sistem penentu sudut pandang pengamatan akan ditransformasikan ke dalam ruang ciri dengan menggunakan metode transformasi Karhumen-Loeve Transformation, serta Patially 1 Kurhunen-Loeve Transformation.Hasil eksperiman menunjukkan bahwa tingkat pengenalan sistem penentu sudut pandang dengan menggunakan Partially 2 K-LT dengan M-NFL adalah 99.68% dan utnuk sistem pengenal wajah 3-D mencapai 100% lebih tinggi dibandingkan dengan tingkat pengenalan sistem penentu sudut penadnag menggunakan 96.79% dan untuk sistem pengenal wajah 3-D mencapai 92.31%."

"Penelitian ini merupakan kelanjutan dari penelitian sebelumnya yang menggunakan Nearest Feature Line (NFL) sebagai metode klasifikasi penentuan sudut pandang sebuah obyek. Pada penelitian sebelumnya telah ditunjukkan bahwa dengan mengurangi banyaknya garis yang tidak perlu dalam menghubungkan titik-titik ciri dalam ruang eigen mampu meningkatkan tingkat pengenalan sistem. Hal ini disebabkan karena semakin banyak garis ciri yang terbentuk akan menyebabkan semakin besarnya kemungkinan terjadinya kesalahan penentuan sudut pandang.Pada penelitian sebelumnya juga telah dikembangkan klasifikasi sudut pandang dengan menggunakan metode pendekatan sudut presisi. Pendekatan ini mampu meningkatkan tingkat pengenalan sistem bila dibandingkan dengan metode pendekatan sudut pewakil yang telah dikembangkan pada penelitian sebelumnya karena mampu menentukan sudut dari titik uji yang jatuh di perpanjangan garis ciri Sistem penentu sudut pandang ini terdiri dari 2 subsistem yaitu pembentukan ruang ciri dan klasifikasi sudut pandang.Dalam pembentukan ruang ciri, penulis melakukan perbandingan antara pembentukan ruang ciri berdasarkan kelas wajah data pelatihan dan pembentukan ruang ciri berdasarkan kelas wajah data pelatihan dan kelompok sudut horizontal/vertikal yang sama. Sedangkan dalam klasifikasi sudut pandang penulis melakukan perbandingan antara penggunaan interpolasi linier dengan interpolasi spline sebagai fungsi untuk membentuk garis ciri dengan menghubungkan titik-titik ciri yang ada dalam ruang ciri.Dalam penelitian ini penulis menggunakan Bezier spline dan Cardinal spline sebagai interpolasi spline Berdasarkan eksperimen dalam penelitian ini, pembentukan ruang ciri berdasarkan kelas wajah data pelatihan atau pembentukan ruang ciri berdasarkan kelas wajah data pelatihan dan kelompok sudut horizontal/vertikal yang sama tidak mempengaruhi tingkat pengenalan sistem secara signifikan. Hal ini disebabkan karena perbedaan proporsi kumulatif yang digunakan pada proses pembentukan setiap ruang ciri. Namun penggunaan jenis interpolasi sebagai fungsi pembentuk garis ciri mempengaruhi tingkat pengenalan sistem. Dengan menggunakan interpolasi spline pengenalan sistem penentu sudut pandang dapat meningkat bila dibandingkan dengan menggunakan interpolasi linier. "

"Penelitian ini adalah penyempurnaan dari penelitian-penelitian sebelumnya mengenai penentuan sudut pandang wajah 3D dengan metode Nearest Feature Classifier. Sudut pandang merupakan salah satu variasi ciri yang diperlukan dalam system pengenalan wajah tiga dimensi. Sistem penentuan sudut pandang dari obyek tiga dimensi selama ini dikembangkan dengan dua tahap, yaitu tahap transformasi data ke dalam ruang eigen dengan menggunakan Principal Component Analysis atau Karhunen-Loeve Transformation dan tahap klasifikasi dengan menggunakan metode Nearest Feature Line yang melakukan generalisasi ciri-ciri suatu sudut pandang [SRIPOMO01] [LINA04] [EFRIKA04]. Penulis mengembangkan metode penentuan sudut pandang ini lebih lanjut dengan : 1. Memodifikasi tahapan transformasi dan klasifikasi data, yaitu membuat algoritma baru yang memanfaatkan kombinasi dua jenis ruang eigen yang dinamakan ruang eigen Single View Based (SVB) dan ruang eigen Double View Based (DVB) . 2. Memodifikasi tahapan klasifikasi data lebih lanjut, dengan menerapkan metode baru Nearest Feature Classifier yaitu Nearest Feature Plane (NFP) [CHIEN&WU02] yang dapat menangkap lebih banyak ciri dalam satu kelas. Beberapa uji coba dilakukan terhadap sistem penentuan sudut pandang ini dengan tujuan untuk mengetahui akurasi pengenalan sistem terhadap suatu sudut pandang wajah dengan jumlah citra pelatihan sesedikit mungkin."

"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."

"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."

"Identifikasi wajah berdasarkan ciri bibir berpengaruh pada keberhasilan pencarian citra wajah orang dikarenakan adanya variasi bentuk bibir yang dapat menjadi pembeda tiap individu. Untuk mempercepat pencarian pelaku kriminal, sebuah sistem aplikasi identifikasi wajah berdasarkan ciri bibir menjadi suatu kebutuhan. Sistem tersebut harus dapat mengekstrak ciri bibir dari sebuah citra digital menggunakan metode ekstraksi ciri yang akurat dan cepat.Penelitian ini melakukan studi analisis kinerja metode eigenface dengan eigen fuzzy set (himpunan fuzzy eigen) untuk ekstraksi ciri bibir dalam sistem identifikasi wajah. Eigenface adalah metode ekstraksi ciri yang telah terbukti keberhasilannya dalam mengekstrak ciri wajah, sedangkan metode eigen fuzzy set dikembangkan berdasarkan teori himpunan fuzzy dan dapat digunakan untuk analisa citra. Metode deteksi bibir otomatis berdasarkan ciri warna juga dievaluasi efektifitasnya untuk perolehan citra dalam penelitian ini. Analisis dilakukan dengan metode analisis statistik desktiptif dan statistik inferensi. Uji coba dilakukan untuk dua skenario yang dibedakan berdasarkan citra bibir hasil segmentasi manual dan otomatis.Hasil uji coba menunjukkan bahwa hasil deteksi otomatis hanya efektif mendeteksi bibir sebanyak 61.4% dan precision-recall perolehan wajah pada skenario 2 lebih rendah dari skenario 1. Metode eigen fuzzy set memiliki waktu komputasi lebih rendah dibandingkan metode eigenface. Sedangkan nilai precision-recall tertinggi dihasilkan oleh metode eigenface dengan rata-rata nilai 0.22%. Dari hasil ini disimpulkan bahwa metode ekstraksi ciri eigenface lebih efektif dibandingkan eigen fuzzy set. Sistem identifikasi wajah dengan metode eigenface untuk ekstraksi ciri kedepannya dapat dikembangkan menjadi sistem identifikasi wajah berbasis komponen wajah."