Face recognition

From OnnoWiki
Jump to navigation Jump to search

Sistem pengenalan wajah adalah teknologi yang mampu mengidentifikasi atau memverifikasi seseorang dari gambar digital atau frame video. Ada beberapa metode di mana sistem pengenalan wajah bekerja, tetapi secara umum, mereka bekerja dengan membandingkan fitur wajah yang dipilih dari gambar yang diberikan dengan wajah dalam database.

Meskipun awalnya merupakan bentuk aplikasi komputer, pengenalan wajah telah terlihat penggunaan yang lebih luas dalam waktu belakangan ini di platform seluler dan dalam bentuk teknologi lainnya, seperti robotik.

Pengenalan wajah biasanya digunakan dalam sistem keamanan dan dapat dibandingkan dengan biometrik lainnya seperti sistem pengenalan sidik jari atau mata. Baru-baru ini, pengenalan wajah juga menjadi populer sebagai alat identifikasi dan pemasaran komersial.

Beberapa Teknik Pengenalan Wajah

Tradisional

Beberapa algoritma pengenalan wajah mengidentifikasi fitur wajah dengan mengekstraksi landmark, atau fitur, dari gambar wajah subjek. Sebagai contoh, suatu algoritma dapat menganalisa posisi relatif, ukuran, dan / atau bentuk mata, hidung, tulang pipi, dan rahang. Fitur-fitur ini kemudian digunakan untuk mencari gambar lain dengan fitur yang cocok.

Algoritma lainnya menormalisasi galeri gambar wajah dan kemudian memampatkan data wajah, hanya menyimpan data dalam gambar yang berguna untuk pengenalan wajah. Citra yang di analisa kemudian dibandingkan dengan data wajah. Salah satu sistem awal yang paling sukses adalah berdasarkan teknik pencocokan template yang diterapkan pada satu set fitur wajah yang menonjol, menyediakan semacam representasi wajah terkompresi.

Algoritma pengenalan dapat dibagi menjadi dua pendekatan utama, geometrik, yang melihat fitur pembeda, atau fotometri, yang merupakan pendekatan statistik yang menyaring gambar ke dalam nilai dan membandingkan nilai dengan template untuk menghilangkan varian.

Algoritma pengenalan populer termasuk analisis komponen utama menggunakan eigenfaces, linear discriminant analysis, elastic bunch graph matching menggunakan Fisherface algorithm, the hidden Markov model, the multilinear subspace learning using tensor representation, dan neuronal motivated dynamic link matching.


Pengenalan 3-Dimensi

Teknik pengenalan wajah tiga dimensi menggunakan sensor 3D untuk menangkap informasi tentang bentuk wajah. Informasi ini kemudian digunakan untuk mengidentifikasi ciri khas pada permukaan wajah, seperti kontur mata, hidung, dan dagu.

Satu keuntungan dari pengenalan wajah 3D adalah bahwa dia tidak dipengaruhi oleh perubahan pencahayaan seperti teknik lainnya. Ini juga dapat mengidentifikasi wajah dari berbagai sudut pandang, termasuk tampilan profil. Titik data tiga dimensi dari wajah sangat meningkatkan ketepatan pengenalan wajah. Riset 3D ditingkatkan dengan pengembangan sensor canggih yang melakukan pekerjaan lebih baik dalam menangkap citra wajah 3D. Sensor bekerja dengan memproyeksikan cahaya terstruktur ke wajah. Hingga selusin atau lebih dari sensor gambar ini dapat ditempatkan pada chip CMOS yang sama — setiap sensor menangkap bagian yang berbeda dari spektrum ....

Bahkan teknik pencocokan 3D yang sempurna bisa menjadi peka terhadap ekspresi. Untuk tujuan itu sebuah group di Technion diterapkan tool dari geometri metrik untuk memperlakukan ekspresi sebagai isometry.

Metode baru adalah memperkenalkan cara untuk menangkap gambar 3D dengan menggunakan tiga kamera pelacak yang menunjuk pada sudut yang berbeda; satu kamera akan menunjuk di depan subjek, yang kedua ke samping, dan yang ketiga pada sudut. Semua kamera ini akan bekerja bersama sehingga dapat melacak wajah subjek secara real-time dan dapat mendeteksi dan mengenali wajah.


Analisa Skin texture

Tren lain yang muncul menggunakan detail visual kulit, seperti yang ditangkap dalam gambar digital atau pindaian standar. Teknik ini, yang disebut Skin Texture Analysis, mengubah garis, pola, dan bintik unik yang tampak pada kulit seseorang menjadi ruang matematika.

Surface Texture Analysis, bekerja dengan cara yang sama dengan pengenalan wajah. Sebuah gambar diambil dari sepetak kulit, yang disebut skinprint. Tambalan itu kemudian dipecah menjadi balok-balok yang lebih kecil. Menggunakan algoritma untuk mengubah patch menjadi ruang matematis dan terukur, sistem akan membedakan garis, pori dan tekstur kulit yang sebenarnya. Ini dapat mengidentifikasi perbedaan antara kembar identik, yang belum mungkin menggunakan perangkat lunak pengenalan wajah saja.

Beberapa tes menunjukkan bahwa dengan penambahan analisis tekstur kulit, kinerja dalam pengenalan wajah dapat meningkat 20 hingga 25 persen.

Pengenalan Wajah menggabungkan beberapa teknik

Karena setiap metode memiliki kelebihan dan kekurangan, perusahaan teknologi telah menggabungkan pengenalan 3D, tradisional dan Skin Textual Analysis, untuk menciptakan sistem pengenalan yang memiliki tingkat keberhasilan yang lebih tinggi.

Teknik gabungan memiliki keunggulan dibandingkan sistem lain. Ini relatif tidak sensitif terhadap perubahan ekspresi, termasuk berkedip, mengerutkan dahi atau tersenyum dan memiliki kemampuan untuk mengkompensasi kumis atau pertumbuhan janggut dan penampilan kacamata. Sistem ini juga seragam sehubungan dengan ras dan gender.

Kamera Panas

Bentuk berbeda dari pengambilan data input untuk pengenalan wajah adalah dengan menggunakan kamera termal, dengan prosedur ini kamera hanya akan mendeteksi bentuk kepala dan akan mengabaikan aksesori subjek seperti kacamata, topi, atau make up. Masalah dengan menggunakan gambar termal untuk pengenalan wajah adalah bahwa database untuk pengenalan wajah terbatas. Diego Socolinsky, dan Andrea Selinger (2004) meneliti penggunaan pengenalan wajah termal dalam kehidupan nyata, dan pemandangan operasi, dan pada saat yang sama membangun database baru dari citra wajah termal. Penelitian ini menggunakan low-sensitive, low-resolution ferro-electric electrics sensors dan beresolusi rendah yang mampu memperoleh long wave thermal infrared (LWIR). Hasilnya menunjukkan bahwa peleburan LWIR dan kamera visual biasa memiliki hasil yang lebih besar dalam pemeriksaan luar ruangan. Hasil dalam ruangan menunjukkan bahwa visual memiliki akurasi 97,05%, sementara LWIR memiliki 93,93%, dan Fusion memiliki 98,40%, namun di luar ruangan membuktikan visual memiliki 67,06%, LWIR 83,03%, dan fusi memiliki 89,02%. Penelitian ini menggunakan 240 subjek selama periode 10 minggu untuk membuat database baru. Data dikumpulkan pada hari-hari cerah, hujan, dan berawan.

Pranala Menarik

OpenFace

OpenBiometrics

Retrieved from "https://onnocenter.or.id/wiki/index.php?title=Face_recognition&oldid=51114"