PENGENALAN WAJAH DENGAN METODE HIBRIDA ANALISIS KOMPONEN UTAMA DAN DEKOMPOSISI WAVELET

Selaras dengan semakin meningkatnya minat terhadap perkembangan antar-muka manusia-komputer dan identifikasi biometrik, pengenalan wajah manusia telah menjadi suatu bidang penelitian yang aktif sejak awal 1990. Saat ini, analisis komponen utama atau principal component analysis (PCA) telah diadopsi secara luas sebagai algoritma pengenalan wajah yang memberikan harapan. Tetapi PCA masih mempunyai beberapa kelemahan utama, seperti beban komputasi yang besar, kemampuan diskriminasi yang rendah, dan prosentase pengenalan yang menurun terhadap perubahan bentuk geometri wajah dan iluminasi. Bertitik tolak dari kelemahan tersebut, Tesis ini menyajikan suatu metode pengenalan wajah yang menggabungkan metode PCA dan dekomposisi wavelet. Metode hibrida ini memanfaatkan kemampuan ekstraksi fitur transformasi wavelet untuk meningkatkan ketangguhannya terhadap perubahan geometri wajah dan iluminasi. Kompleksitas waktu komputasi transformasi wavelet sebesar O(d2) dapat diandalkan untuk mereduksi beban komputasi PCA yang mempunyai kompleksitas sebesar O(d3), dimana d menyatakan jumlah piksel citra wajah. Sedangkan kemampuannya untuk melakukan analisis lokal maupun global dapat diandalkan untuk meningkatkan akurasi pengenalan. Dalam metode hibrida, transformasi wavelet Haar digunakan untuk mendekomposisi citra wajah asli menjadi beberapa sub-band yang mempunyai frekuensi berbeda-beda. Sub-band yang lebih insensitif terhadap deformasi intrinsik yang disebabkan oleh ekspresi wajah dan posisi kepala atau karena faktor ekstrinsik seperti iluminasi digunakan sebagai representasi PCA. Sub-band aproksimasi digunakan sebagai representasi PCA untuk mengatasi perubahan posisi kepala, sedangkan sub-band detil horizontal dipilih untuk mengatasi perubahan ekspresi wajah, asesoris dan iluminasi. Dibandingkan dengan penggunaan PCA secara tradisional, metode hibrida ini memberikan akurasi pengenalan dan kemampuan diskriminasi yang lebih baik, dan mampu mereduksi waktu komputasi secara signifikan untuk basis data yang besar. Hasil uji coba terhadap basis data citra wajah Yale, Bern dan Olivetti menunjukkan bahwa metode hibrida mampu meningkatkan prosentase pengenalan. Dengan menggunakan representasi PCA pada sub-band LH3, LL3 dan LL4 berturut-turut untuk basis data Yale, Bern dan Olivetti, diperoleh peningkatan prosentase pengenalan (dibandingkan hanya dengan menggunakan metode PCA saja) berturut-turut dari 86,67% menjadi 91,11%, dari 79,46% menjadi 80.80%, dan dari 74,38% menjadi 79,06%.