Difference between revisions of "Face recognition"
Onnowpurbo (talk | contribs) |
Onnowpurbo (talk | contribs) |
||
| (4 intermediate revisions by the same user not shown) | |||
| Line 7: | Line 7: | ||
==Beberapa Teknik Pengenalan Wajah== | ==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. | |
| − | ===3- | + | ===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. | |
| − | ===Skin texture | + | ===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, | + | 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. |
Tests have shown that with the addition of skin texture analysis, performance in recognizing faces can increase 20 to 25 percent. | Tests have shown that with the addition of skin texture analysis, performance in recognizing faces can increase 20 to 25 percent. | ||
| − | |||
===Facial recognition combining different techniques=== | ===Facial recognition combining different techniques=== | ||
| Line 49: | Line 48: | ||
A different form of taking input data for face recognition is by using thermal cameras, by this procedure the cameras will only detect the shape of the head and it will ignore the subject accessories such as glasses, hats, or make up. A problem with using thermal pictures for face recognition is that the databases for face recognition is limited. Diego Socolinsky, and Andrea Selinger (2004) research the use of thermal face recognition in real life, and operation sceneries, and at the same time build a new database of thermal face images. The research uses low-sensitive, low-resolution ferro-electric electrics sensors that are capable of acquire long wave thermal infrared (LWIR). The results show that a fusion of LWIR and regular visual cameras has the greater results in outdoor probes. Indoor results show that visual has a 97.05% accuracy, while LWIR has 93.93%, and the Fusion has 98.40%, however on the outdoor proves visual has 67.06%, LWIR 83.03%, and fusion has 89.02%. The study used 240 subjects over the period of 10 weeks to create the new database. The data was collected on sunny, rainy, and cloudy days. | A different form of taking input data for face recognition is by using thermal cameras, by this procedure the cameras will only detect the shape of the head and it will ignore the subject accessories such as glasses, hats, or make up. A problem with using thermal pictures for face recognition is that the databases for face recognition is limited. Diego Socolinsky, and Andrea Selinger (2004) research the use of thermal face recognition in real life, and operation sceneries, and at the same time build a new database of thermal face images. The research uses low-sensitive, low-resolution ferro-electric electrics sensors that are capable of acquire long wave thermal infrared (LWIR). The results show that a fusion of LWIR and regular visual cameras has the greater results in outdoor probes. Indoor results show that visual has a 97.05% accuracy, while LWIR has 93.93%, and the Fusion has 98.40%, however on the outdoor proves visual has 67.06%, LWIR 83.03%, and fusion has 89.02%. The study used 240 subjects over the period of 10 weeks to create the new database. The data was collected on sunny, rainy, and cloudy days. | ||
| − | |||
| − | |||
==Pranala Menarik== | ==Pranala Menarik== | ||
| Line 68: | Line 65: | ||
* [[OpenBiometrics]] | * [[OpenBiometrics]] | ||
| + | * [[OpenBR: Instalasi]] | ||
Revision as of 13:52, 23 May 2018
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.
Tests have shown that with the addition of skin texture analysis, performance in recognizing faces can increase 20 to 25 percent.
Facial recognition combining different techniques
As every methods has its advantages and disadvantages, technology companies have amalgamated the traditional, 3D recognition and Skin Textual Analysis, to create recognition systems that have higher rates of success.
Combined techniques has an advantage over other systems. It is relatively insensitive to changes in expression, including blinking, frowning or smiling and has the ability to compensate for mustache or beard growth and the appearance of eyeglasses. The system is also uniform with respect to race and gender.
Thermal cameras
A different form of taking input data for face recognition is by using thermal cameras, by this procedure the cameras will only detect the shape of the head and it will ignore the subject accessories such as glasses, hats, or make up. A problem with using thermal pictures for face recognition is that the databases for face recognition is limited. Diego Socolinsky, and Andrea Selinger (2004) research the use of thermal face recognition in real life, and operation sceneries, and at the same time build a new database of thermal face images. The research uses low-sensitive, low-resolution ferro-electric electrics sensors that are capable of acquire long wave thermal infrared (LWIR). The results show that a fusion of LWIR and regular visual cameras has the greater results in outdoor probes. Indoor results show that visual has a 97.05% accuracy, while LWIR has 93.93%, and the Fusion has 98.40%, however on the outdoor proves visual has 67.06%, LWIR 83.03%, and fusion has 89.02%. The study used 240 subjects over the period of 10 weeks to create the new database. The data was collected on sunny, rainy, and cloudy days.
Pranala Menarik
OpenFace
- Openface
- Face detection and recognition using OpenFace on Ubuntu 16.04 PC and Raspbian Jessie Raspberry Pi 3
- Openface: Instalasi di Ubuntu 16.04 Server
- Openface: Instalasi di Ubuntu 18.04 Desktop
- Openface: Instalasi Deep Learning di Ubuntu 16.04 Server
- Openface: contoh face detection system