Pengenalan Citra wajah manusia dengan metode Fisherface

SUPIYANTO, Drs. Agus Harjoko, M.Sc.,Ph.D

2005 | Tesis | S2 Ilmu Komputer

Dewasa ini, pengenalan citra wajah telah menjadi suatu topik penelitian yang banyak menarik minat. Pengenalan citra wajah dengan menggunakan metode fisherface dilakukan berdasarkan pada pengurangan dimensi ruang wajah dengan menggunakan Principacal Component Analysis (PCA) yang kemudian menerapkan pada Fisher’s Linear Discriminant (FDL) atau yang juga dikenal dengan sebutan Linear Discriminant Analysis (LDA) untuk memperoleh fitur karakteristik citra. Ruang wajah fisherface dibentuk dari eigenvector umum dari matriks between class scatter dan within class scatter yang diproyeksikan terhadap eigenface citra wajah yang terbentuk. Pelatihan dan pengujian dilakukan dengan memproyeksikan citra wajah (dalam bentuk vektor) ke dalam ruang wajah tersebut. Hasil pengujian menunjukkan, pengenalan dengan menggunakan tiga citra untuk tiap individu dalam proses pelatihan merupakan pengenalan yang paling baik dibandingkan dengan metode lainnya dengan rata-rata tingkat keberhasilan pengenalan 98%, dan sebaliknya pengenalan dengan metode satu citra merupakan metode pengenalan yang paling buruk. Pengenalan citra wajah dengan metode fisherface mampu melakukan pengenalan terhadap citra dengan komponen warna berbeda dengan citra pelatihan dan citra sketsa dari citra asli. Metode ini juga mampu mengenali citra berderau akibat noise dan citra kabur.

Face recognition is an issue that attracts a lot of attention nowadays. This paper describes a face recognition approach based on the fisherface method and the linear Discriminant Analysis (LDA). Face recognition using fisherface method is based on reduction of face space dimension by using Principal Component Analysis (PCA) and followed by Linear Discriminant Analysis (LDA) to obtain face features. Fisherface method can recognize images with color components differ from the training images and images sketched from the original images. This method also can recognize noisy images and blurry images. The training images used are in gray scale image format. Experimental result using 40 images show a success rate of 50%, 96%, and 98%. The results are obtained for one sample per person, two samples per person and three samples per person respectively.

Kata Kunci : Teknologi Informasi,Citra Digital,Wajah Manusia,Fisherface,Recognition of face images, fisherface, eigenface, Principal Component Analysis, Linear Discriminant Analysis, recognition of sketch images.