Algoritma Viola Jones

//lh4.googleusercontent.com/-eAXyxy2JJKA/AAAAAAAAAAI/AAAAAAAAGS4/OHgzqHzCvtQ/s512-c/photo.jpg
July 24, 2017

1# Apa itu Viola Jones
Metode Viola-Jones merupakan salah satu metode pendeteksian objek yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan yang cukup tinggi yaitu sekitar 93,7% dan dengan kecepatan 15 kali lebih cepat daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola dan Michael Jones pada tahun 2001, dengan empat tahapan proses untuk mendeteksi suatu objek.


2# Karakteristik Viola Jones

a. Robust - tingkat deteksi sangat tinggi (true-positive rate) & sangat rendah false-positive rate always.
b. Real time - Untuk aplikasi praktis minimal 2 frame per detik harus diproses.
c. Deteksiwajah saja (bukan pengakuan) - Tujuannya adalah untuk membedakan wajah dari non-wajah (deteksi adalah langkah pertama dalam proses pengenalan).

3#  Ruang warna yang mendukung algoritma Viola Jones 

a#. RGB
     terdiri dari tiga bidang citra yang saling lepas, masing-masing terdiri dari warna utama: merah, hijau dan biru. Suatu warna dispesifikasikan sebagai campuran sejumlah komponen warna utama. Gambar dibawah menunjukkan bentuk geometri dari model warna RGB untuk menspesifikasikan warna menggunakan sistem koordinat Cartesian.

b#. HSV
     mendefinisikan warna dalam terminologi Hue, Saturation dan Value. Keuntungan HSV adalah terdapat warna-warna yang sama dengan yang ditangkap oleh indra manusia. Sedangkan warna yang dibentuk model lain seperti RGB merupakan hasil campuran dari warna-warna primer.

c#. Citra  grayscale
     adalah citra yang mempunyai gradasi keabuan.  Jika pada RGB terdapat tiga layer / tiga warna dasar pembentuk citra, pada citra  grayscale  hanya terdapat satu layer pembentuk citra. Sehingga warna yang dihasilkan hanya hitam, putih, dan abu-abu.

d#. Citra biner
       Citra biner atau sering disebut juga dengan citra  black and white  adalah  citra yang hanya mempunyai satu layer pembentuk warna citra dan hanya terdapat  dua kemungkinan warna  pada citra ini, yaitu hitam atau  putih. Sebuah piksel akan berwarna hitam apabila mempunyai nilai piksel 0 dan berwarna putih jika mempunyai nilai piksel 1.

e#. Cielab
      adalah ruang warna yang didefinisikan CIE juga pada tahun 1976 (CIE 1976 L*a*b*) merupakan rumus kedua setelah CIELUV; kedua ruang warna CIELUV dan CIELAB tersebut mempunya fungsi konversi 1:1, jadi ruang warna adalah identik, hanyapenampilan besaaran yang berbeda.


4# 4 Tahapan Proses Metode Viola Jones


a# Proses Haar-Like Feature
     Haar-Like Feature digunakan dalam mendeteksi objek pada image digital. Haar-like feature memproses gambar dalam kotak-kotak, dimana dalam satu kotak terdapat beberapa pixel. Per kotak itu pun kemudian di-proses dan didapatkan perbedaan nilai (threshold) yang menandakan daerah gelap dan terang. Nilai – nilai inilah yang nantinya dijadikan dasar dalam image processing.

      Adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu di atas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada. Contoh Haar-Like Fiture disajikan dalam gambar berikut  : 


b# Proses Integral Image
Integral Image berfungsi untuk menentukan ada atau tidaknya dari ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara efisien digunakan. Pada umumnya, pengintegrasian tersebut menambahkan unit-unit kecil secara bersamaan. Dalam hal ini unit-unit kecil tersebut adalah nilai-nilai piksel. Nilai integral untuk masing-masing piksel adalah jumlah dari semua piksel-piksel dari atas sampai bawah. Dimulai dari kiri atas sampai kanan bawah, keseluruhan gambar itu dapat dijumlahkan dengan beberapa operasi bilangan bulat perpiksel. 


Perhitungan nilai Fiture Internal Image 

      Dengan menggunakan integral image dapat mengetahui nilai piksel untuk beberapa segiempat misalkan, seperti segiempat D pada Gambar di samping dapat dilakukan dengan cara menggabungkan jumlah piksel pada area segiempat A+B+C+D, dikurangi jumlah dalam segiempat A+B dan A+C, ditambah jumlah piksel di dalam A. Dengan A+B+C+D adalah nilai dari integral image pada lokasi 4, A+B adalah nilai pada lokasi 2, A+C adalah nilai pada lokasi 3, dan A pada lokasi 1. Sehingga hasil dari D dapat dikomputasikan : 
D = (A+B+C+D)- (A+B)- (A+C)+A

c# Proses AdaBoost Machine Learning
Boosting merupakan meta-algoritma dalam machine learning untuk melakukan supervised learning. AdaBoost merupakan salah satu algoritma boosting yang berfungsi untuk melakukan pemilihan fiture-fiture dalam jumlah banyak dengan hanya memilih fiture-fiture tertentu. Hal ini dilakukan dengan mengevaluasi setiap fitur terhadap data latih dengan menggunakan nilai dari fitur tersebut, fitur yang memiliki Batasan terbesar antara objek dan non-objek dianggap sebagai fitur terbaik

      AdaBoost Learning juga dapar digunakan untuk meningkatkan kinerja klasifikasi dnegan pembelajaran sederhana untuk menggabungkan banyak classifier lemah menjadi satu classifier kuat. Classifier lemarh adalah suatu jawaban benar dengan tingkat kebenaran yang kurang akurat. 

d# Proses cascade classifier
     Cascade classifier adalah sebuah metode untuk mengkombinasikan classifier yang kompleks dalam sebuah struktur bertingkat yang dapat meningkatkan kecepatan pendeteksian obyek dengan memfokuskan pada daerah citra yang berpeluang saja. Berikut ini struktur cascade classifie :



Artikel Menarik Lainnya

SUBSCRIBE TO OUR NEWSLETTER