Spherical harmonic based linear face de-lighting and compensation

Puspaningrum

2022

Int. Intell. Research.

The lighting factor has a very significant effect on facial recognition performance. To reduce the effect of this lighting factor, at the pre-processing stage the researchers used contrast adjustments to the image to improve facial recognition performance. The histogram equalization technique is generally used for contrast adjustment because of its excellent performance to normalize image illumination which is affected by lighting conditions. In this research, empirical experiments were carried out to determine the effect of contrast adjustment using histogram equalization on face recognition in more detail. This research aims to answer the question whether this technique can be used in all image lighting conditions or not. The Robust Regression method is used in this research to recognize faces, which in many cases have very good performance due to lighting factors. Experiments using images in the AR Face Database related to lighting factors. The testing process is carried out by comparing the results of face recognition using the histogram equalization technique in the pre-processing phase and face recognition without pre-processing in each lighting condition. The experimental results show that the use of the histogram equalization technique in pre-processing gives a better face recognition performance effect in low, medium and high lighting conditions. But in very high (extreme) lighting conditions, the use of the histogram equalization technique in pre-processing turns out to have a worse facial recognition performance effect, with an average accuracy of 93.17%, whereas without pre-processing it produces an average accuracy of 94 , 67%.

Section: A Face Recognition Approachmentioning

confidence: 99%

Performance of Contrast Adjustment in Face Recognition with Training Image under Various Lighting Conditions

Puspaningrum

2022

Int. Intell. Research.

“…Banyak citra wajah yang diperlukan untuk membangun ruang linier pada pendekatan ini, sehingga biasanya agak sulit untuk menangani basisdata yang besar. Beberapa metode yang menggunakan pendekatan ini adalah Illumination Cone [10], Spherical Harmonic [11], dan sebagainya. Pada pendekatan berbasis ciri, proses pengenalan wajah menggunakan ciri invarian iluminasi.…”

Section: A Metode Pengenalan Wajahunclassified

Pengaruh Perubahan Ukuran Citra Terhadap Kinerja Metode Robust Regression Pada Pengenalan Wajah

2021

santika

Penelitian ini membahas tentang pengenalan wajah yang dipengaruhi oleh faktor iluminasi, yang merupakan salah satu faktor utama yang mempengaruhi kinerja pengenalan wajah. Faktor iluminasi citra disebabkan oleh kondisi pencahayaan pada saat proses akuisisi citra. Kondisi pencahayaan citra berkaitan erat dengan kekontrasan citra, yang dapat berubah ketika citra mengalami perubahaan ukuran. Secara teoritis, perubahan ukuran citra akan mengubah tingkat kekontrasannya, sehingga akan mempengaruhi kinerja pengenalan wajah. Pada penelitian ini, pengaruh perubahan ukuran citra terhadap kinerja pengenalan wajah akan diuji secara empiris. Proses pengenalan wajah menggunakan metode Robust Regression. Metode ini memiliki kinerja yang sangat baik pada pengenalan wajah yang dipengaruhi oleh variasi iluminasi. Proses pengujian menggunakan salah satu basisdata citra wajah standar, yaitu AR Face Database, dengan memilih citra wajah yang berkaitan dengan faktor pencahayaan. Kumpulan citra wajah terbagi menjadi 4 kondisi pencahayaan yaitu rendah, sedang, tinggi, dan ekstrim (sangat tinggi). Proses pengujian dilakukan untuk menentukan kinerja pengenalan wajah menggunakan metode Robust Regression dengan ukuran citra latih yang berbeda (100x100 piksel dan 50x50 piksel) pada setiap kondisi pencahayaan. Hasil uji coba menunjukkan bahwa kinerja pengenalan wajah mengalami penurunan ketika ukuran citra diperkecil dari 100x100 piksel menjadi 50x50 piksel pada kondisi pencahayaan rendah, sedang, dan tinggi. Tetapi, pada kondisi pencahayaan ekstrim, kinerja pengenalan wajah justru mengalami kenaikan. Secara keseluruhan, dengan menggunakan ukuran citra 100x100 piksel, rata-rata akurasi pengenalan wajah sebesar 81,71%. Sedangkan dengan menggunakan ukuran citra 50x50 piksel, rata-rata akurasi pengenalan wajah sebesar 80,88%. Rata-rata penurunan akurasi yang disebabkan oleh perubahan ukuran citra dari 100x100 piksel menjadi 50x50 piksel adalah 0,84%. Hasil penelitian ini memberikan informasi penting bahwa perubahan ukuran citra mengakibatkan perubahan kinerja pengenalan wajah, dimana ukuran citra yang diperkecil akan menyebabkan penurunan kinerja pengenalan wajah.

“…Pendekatan berbasis model didasarkan pada sub-ruang linier berdimensi rendah untuk mengurangi pengaruh iluminasi pada citra wajah. Beberapa contoh dari pendekatan ini antara lain Illumination Cone [10] dan Spherical Harmonic [11]. Pendekatan ini memiliki kelemahan diantaranya banyak citra wajah yang diperlukan untuk membangun ruang linier, sehingga akan menyulitkan dalam menangani basisdata besar.…”

Section: A Metode Pengenalan Wajahunclassified

Kinerja Normalisasi Iluminasi Menggunakan Fungsi Imadjust pada Pengenalan Wajah

2020

santika

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.