Kinerja Normalisasi Iluminasi Menggunakan Fungsi Imadjust pada Pengenalan Wajah
DOI:
https://doi.org/10.33005/santika.v1i0.64Keywords:
Pengenalan Wajah, Metode Robust Regression, Variasi Iluminasi, Penyesuaian Kontras, Fungsi ImadjustAbstract
Kinerja pengenalan wajah sangat dipengaruhi oleh variasi iluminasi. Kondisi iluminasi citra wajah terjadi akibat adanya faktor pencahayaan dari sumber cahaya yang mengarah pada obyek wajah pada saat proses akuisi citra. Untuk mengurangi pengaruh faktor pencahayaan ini, proses penyesuaian citra perlu dilakukan pada tahap pra-pemrosesan untuk menormalisasi iluminasi sehingga diharapkan dapat meningkatkan kinerja pengenalan wajah. Pada penelitian ini, teknik penyesuaian kontras citra wajah dilakukan dengan menggunakan fungsi imadjust. Proses pengujian dilakukan terhadap pendekatan ini untuk mengetahui sejauhmana pengaruhnya terhadap pengenalan wajah secara lebih rinci. Melalui uji coba empiris, kinerja teknik tersebut dapat diketahui, apakah bisa digunakan pada semua kondisi pencahayaan citra ataukah tidak. Metode pengenalan wajah yang digunakan adalah Robust Regression, yang memiliki kinerja sangat baik dalam mengenali wajah yang dipengaruhi oleh variasi iluminasi. Dataset AR Face Database digunakan untuk proses uji coba, dimana dipilih citra-citra yang berkaitan dengan faktor pencahayaan, dengan tingkat kondisi pencahayaan rendah, sedang, tinggi, dan sangat tinggi (ekstrim). Skenario uji coba dilakukan dengan cara membandingkan antara hasil pengenalan wajah dengan menggunakan fungsi imadjust pada tahap pra-pemrosesan dan pengenalan wajah tanpa menggunakan teknik penyesuaian kontras citra, pada setiap kondisi pencahayaan. Berdasarkan uji coba yang telah dilakukan, fungsi imadjust menunjukkan hasil yang lebih baik daripada tanpa pra-pemrosesan pada kondisi pencahayaan sedang dan tinggi. Tetapi pada pada kondisi pencahayaan yang rendah dan ekstrim, penggunaan fungsi imadjust untuk penyesuaian kontras citra pada tahap pra-pemrosesan ternyata memberikan efek kinerja pengenalan wajah yang lebih rendah daripada tanpa pra-pemrosesan. Secara keseluruhan, penggunaan fungsi imadjust menghasilkan akurasi rata-rata pengenalan wajah sebesar 84,38% dimana hasil tersebut lebih baik daripada pengenalan wajah tanpa pra-pemrosesan.
References
[2] W. Zhao, R. Chellappa, P.J. Phillips, A. Rosenfeld, Face recognition: a literature survey, ACM Comput. Surv. vol. 35, pp. 399–458, 2003.
[3] M. Singha and A.S. Arora, Varying Illumination and Pose Conditions in Face Recognition, Procedia Computer Science, 2016.
[4] Andrea F. Abate, Michele Nappi, Daniel Riccio, Gabriele Sabatino, 2D and 3D face recognition: A survey, Journal of Pattern Recognition, 2007.
[5] Haifeng Hu, Multiscale illumination normalization for face recognition using dual-tree complex wavelet transform in logarithm domain, Journal of Computer Vision and Image Understanding, 2011.
[6] H. Kusuma, Wirawan, and A. Soeprijanto, Face Recognition Against Varying Lighting Conditions Using Oriented Phase Congruency Image Features, Journal of Theoretical and Applied Information Technology, 2016.
[7] J. Yi, X. Mao, L. Chen, Y. Xue, A. Rovetta, and C.D. Caleanu, Illumination Normalization of Face Image Based on Illuminant Direction Estimation and Improved Retinex, PLoS One, 2015.
[8] I. Naseem, R. Togneri, M. Bennamoun, Robust Regression For Face Recognition, Journal of Pattern Recognition, 2012.
[9] A. Martinez and R. Benavente, The AR face database, Technical Report 24, CVC, 1998.
[10] Athinodoros S. Georghiades, Peter N. Belhumeur, David J. Kriegman, From Few to Many: Illumination Cone Models for Face Recognition under Variable Lighting and Pose, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001.
[11] Xiaoyue Jiang, Yinglei Cheng, Rong Xiao, Ying Li, Rongchun Zhao, Spherical harmonic based linear face de-lighting and compensation, Applied Mathematics and Computation, 2007.
[12] Al-Amin Bhuiyan, Chang Hong Liu, On Face Recognition using Gabor Filters, World Academy of Science, Engineering and Technology, 2007.
[13] Timo Ahonen, Abdenour Hadid, Matti Pietikainen, Face Recognition with Local Binary Patterns, Machine Vision Group, Infotech Oulu, Finland, 2004.
[14] M. Sharif, S. Mohsin, M. J. Jamal, M. Raza, Illumination normalization preprocessing for face recognition, Conference on Environmental Science and Information Application Technology, 2010.
