Review State of The Art for Facial Recognition Using Computational Intelligence in Industry
Abstract
Perkembangan Computational Intelligence (CI) akhir-akhir ini berkembang sangat pesat, ini juga berdampak pada perkembangan fitur face recognition. Penelitian ini dilakukan untuk mengidentifikasi berbagai aplikasi CI dalam face recognition. Studi memasukkan 5 artikel dari periode 2018 hingga 2021 dalam database Scopus, berdasarkan itu studi ini akan membandingkan metode dan masalah yang dihadapi. Studi ini memiliki permasalah yang sama, seperti kondisi pencahayaan yang berubah-ubah, ekspresi wajah yang berubah dan postur badan yang tidak sama. Masalah-masalah ini dapat diatasi menggunakan metode-metode yang ada pada CI
Introduction
Dengan pesatnya perkembangan teknologi komputer dan jaringan saat ini, information security menjadi sangat penting dan perlu diperhatikan. Identifikasi identitas adalah prasyarat yang diperlukan untuk memastikan keamanan sistem. Identifikasi yang akurat diperlukan di bidang keuangan, keamanan nasional, peradilan, e-commerce dan sebagainya. Karakteristik biologis adalah atribut intrinsik manusia. Keunikan dan karakteristik yang baik, yang tidak mudah ditiru, memberikan prasyarat yang diperlukan untuk identifikasi. Oleh karena itu, sistem identifikasi pribadi berbasis teknologi pengenalan biometrik semakin mendapat perhatian untuk keamanan dan validitasnya yang lebih baik. Metode biometrik yang umum digunakan adalah fingerprint recognition, palmprint recognition, ECG recognition, iris recognition, DNA recognition, dll.
Di antara banyak teknologi pengenalan biometrik, face recognition telah menjadi arah utama penelitian biometrik karena kemudahannya dalam mengumpulkan gambar wajah, membawa sejumlah besar fitur informasi pribadi, pengenalan yang tinggi dan keunikan. Dalam beberapa tahun terakhir, dengan pesatnya perkembangan berbagai pengetahuan, teknologi pengenalan wajah telah membuat kemajuan luar biasa, dan bidang penerapannya secara bertahap berkembang. Pada tahap ini, face recognition banyak digunakan dalam sistem keamanan, sistem keamanan publik, sistem pembayaran dan sebagainya.
Problem Background
Dalam mendapatkan Facial Recognition yang optimal, tujuan utama yang akan dilakukan adalah untuk mendapatkan hasil yang optimum. Salah satu dari tantangan terbesar dan masalah umum yang dihadapi dalam semua Facial Recognition adalah mendapatkan hasil yang tidak sesuai dengan ekspektasi yang diberikan. Hal ini disebabkan oleh pencahayaan dari setiap foto yang berbeda, walaupun orangnya sama. Selain pencahayaann, postur badan dan ekspresi wajah juga menjadi masalah dalam membuat fungsi Face Recognition. Berdasarkan dari (Zhi & Liu, 2019), Dalam penelitian Facial Recognition berbasis neural network, nilai keabuan gambar wajah biasanya diinput oleh neural network. Karena gambar wajah umumnya besar, jumlah neuron di lapisan input jaringan saraf besar, yang membuat jaringan saraf kompleks asli lebih kompleks, jumlah perhitungan semakin meningkat, dan konvergensi jaringan lambat. Berdasarkan dari (Khan et al., 2018), Menemukan solusi otomatis untuk masalah pengenalan wajah bukanlah tugas yang sepele karena berbagai faktor termasuk efek pencahayaan yang bervariasi, ekspresi wajah yang berbeda, dan postur dalam gambar yang berbeda dari orang yang sama. Teknik pengenalan wajah dapat diklasifikasikan menjadi tiga kelompok; berbasis fitur, holistik, dan hibrida dari keduanya.
Approaches in the Industry
Genetic Algorithm ( GA )
Berdasarkan dari (Zhi & Liu, 2019), mengembngkan model pengenalan wajah berdasarkan analisis komponen utama, genetic algorithm (GA) dan support vector machine (SVM), di mana analisis komponen utama digunakan untuk mengurangi dimensi fitur, GA digunakan untuk mengoptimalkan strategi search, dan SVM digunakan untuk melakukan klasifikasi. Penelitian ini menggunakan face database dari Institute of Technology of Chinese Academy of Sciences. Hasil penelitian menunjukan bahwa model dapat mencapai pengenalan wajah dengan efisiensi tinggi, dan tingkat akurasi tertinggi yaitu 99%.
Particle Swarm Optimization (PSO)
Pada penelitian yang dilakukan (Khan et al., 2018), untuk membuat sebuah model Face Recognition yang optimal, ada beberapa cara yang dilakukan penulis. Yang pertama membuat model yang hybrid yang dapat menangani variasi kompleks dari gambar wajah dunia maya. Selain itu, model ini menggunakan Local Binary Pattern (LBP) untuk descriptor. Hal ini dapat menghindari konstruksi histogram yang menghasilkan pengurangan dimensi data yang signifikan. Model ini juga menggunakan Discrete Wavelet Transform (DWT) untuk mencapai analisis multi-skala. Karena menggunakan DWT, maka Discrete Fourier Transform (DFT) juga dilakukan untuk mengatasi masalah varians dari terjemahan DWT. Selain itu Particle Swarm Optimiziation (PSO) digunakan untuk memilih fitur yang paling optimal dari wavelet sub-bands sebelumnya.
Model yang diajukan ini telah diuji pada database Cohn-Kanade (CK), MMI dan juga JAFFE. Hasil dari model ini jika dibandingkan dengan mode-model yang sudah ada sebelumnya, dapat mengatasi masalah pencahayaan dan ekspresi yang variatif, dengan akurasi rata-rata yang diperoleh dari dataset CK, MMI dan JAFFE secara berurutan 98,6%, 95,5%, dan 98,8%. Jika dibandingkan dengan model-model sebelumnya yang memiliki akurasi rata-rata 90%, maka model ini dapat diindikasikan lebih baik dari model sebelumnya.
Pengambilan metode untuk mengambil descriptor dan feature extraction pada model sangat krusial, karena sangat berdampak pada performa dari model. Berikut perbandingan yang didapatkan berdasarkan metodenya:
Selain itu, PSO ini juga digunakan pada penelitian yang dilakukan oleh (Ahmed et al., 2021) untuk mendapatkan feature selection yang paling optimal. Perbedaan dengan penelitian sebelumnya adalah pada penelitian ini Gabor Wavelet Tansform (GWT) digunakan untuk melakukan feature extraction. Dalam penelitian ini, dataset yang digunakan berasal dari dataset Olivetti Research Laboratory (ORL) dan YALE. Pada penelitian ini membuktikan bahwa model dengan menggunakan GWT ini lebih baik daripada metode PCA, SRC, CRC, gabor wavelet with euclidian dan symetrical face sample.
Tak hanya itu, peneliti juga menggunakan PSO untuk memilih feature yang paling optimal. Hasilnya sangat memuaskan, dapat meningkatkan akurasi untuk dataset ORL dan YALE secara berurutan menjadi 96.22% dan 94.66% dari dari akurasi rata-rata 85.25%.
Pada penelitian yang dilakukan (Hermosilla et al., 2018), PSO juga digunakan untuk optimisasi dari Local Binary Pattern (LBP). Penelitian ini akan menggunakan descriptor gambar visible dan thermal. Hasilnya, penelitian ini memiliki akurasi yang lebih tinggi dari penelitian sebelumnya, yang menggunakan metode fusion Genetic Algorithm (GA).
Pertama-tama, peneliti akan mengambil descriptor menggunakan fusion descriptor. Hasil feature ini akan dioptimisasi menggunakan PSO. Setelahnya, baru akan di lakukan Local Descriptor, seperti Local Binary Pattern (LBP), Histogram of Oriented Gradient (HOG) dan Local Derivative Pattern (LDP). Setelah beberapa percobaan, dengan menganti urutan dari local descriptor, maka hasil yang paling akurat dihasilkan oleh model dengan urutan FD-PSO-LBP-LBP-32-R. 32 disini menunjukan jumlah dari wilayah gambar yang digunakan untuk memberikan holistic feature pada langkah LBP. Berikut perbandingan lengkapnya:
Metode gabungan Adaptive Neuro Fuzzy Inference System – Artificial Bee Colony Algorithm (ANFIS-ABC)
Penelitian yang dilakukan oleh (Rejeesh, 2019) mengembangkan metode pengenalan wajah yang efisien dengan menggunakan Adaptive Genetic Algorithm (AGA) dan metode gabungan Adaptive Neuro Fuzzy Inference System – Artificial Bee Colony Algorithm (ANFIS-ABC). Pada penelitian ini parameter yang digunakan dalam penentuan interest point dioptimasi menggunakan Adaptive Genetic Algorithm. Interest point digunakan untuk meningkatkan tingkat deteksi secara konsekuen. Setelah interest point ditentukan, citra wajah diklasifikasikan dengan menggunakan fitur yang diekstraksi. Selama proses pelatihan, parameter ANFIS dioptimasi menggunakan Artificial Bee Colony Algorithm (ABC) untuk meningkatkan akurasi. Pada penelitian ini peneliti menggunakan database ORL dengan 400 gambar dari 40 individu dan database YALE-B dengan 165 gambar dari 15 individu. Hasil perbandingan menunjukkan bahwa teknik yang diusulkan peneliti, ANFIS-ABC telah memberikan tingkat deteksi yang tinggi dengan mencapai akurasi 96%.
Conclusion
Dalam tinjauan yang telah kami lakukan, terdapat beberapa metode yang dapat dilakukan untuk mengatasi masalah pada face recognition. Secara umum, Face recognition mempunyai masalah seperti mendapatkan hasil yang tidak sesuai dengan ekspektasi yang diberikan. Hal ini disebabkan oleh pencahayaan dari setiap foto yang berbeda, walaupun orangnya sama. Selain pencahayaann, postur badan dan ekspresi wajah juga menjadi masalah dalam membuat fungsi Face Recognition.
Dalam tinjauan yang telah kami lakukan, dapat dikatakan bahwa setiap teknik memiliki kemampuan untuk menghasilkan solusi yang layak dengan karakteristik dan pengorbanan tertentu. Metode-metode yang bisa untuk menyelesaikan masalah Face Recognition, seperti: Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Adaptive Neuro Fuzzy Inference System – Artificial Bee Colony Algorithm (ANFIS-ABC).
Kesimpulannya, dapat dikatakan bahwa tidak ada algoritma yang lebih unggul untuk memecahkan face recognition yang kompleks, karena setiap algoritma memiliki kekuatan yang unik. Tergantung pada kesulitan masalah yang meningkat secara proporsional dengan ukuran masalah tertentu. Selain itu, pengaturan parameter dan kompleksitas algoritma juga merupakan faktor kunci dalam berkontribusi pada kualitas solusi. Di satu sisi, mengingat aspek seperti eksplorasi ruang pencarian, dapat diamati bahwa GA dan PSO tampaknya tampil lebih baik dan juga masalah-masalah pada face recognition dapat diselesaikan dengan CI.
References
Ahmed, S., Frikha, M., Darwassh, T., Hussein, H., & Rahebi, J. (2021). Optimum Feature Selection with Particle Swarm Optimization to Face Recognition System Using Gabor Wavelet Transform and Deep Learning. https://doi.org/10.1155/2021/6621540
Hermosilla, G., Rojas, M., Mendoza, J., Farias, G., Pizarro T., F., Martin, C. S., & Vera, E. (2018). Particle Swarm Optimization for the Fusion of Thermal and Visible Descriptors in Face Recognition Systems. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8395161
Khan, S. A., Ishtiaq, M., Nazir, M., & Shaheen, M. (2018). Face recognition under varying expressions and illumination using particle swarm optimization. Journal of Computational Science, 28, 94–100. https://doi.org/10.1016/J.JOCS.2018.08.005
Rejeesh, M. R. (2019). Interest point based face recognition using adaptive neuro fuzzy inference system. Multimedia Tools and Applications 2019 78:16, 78(16), 22691–22710. https://doi.org/10.1007/S11042-019-7577-5
Zhi, H., & Liu, S. (2019). Face recognition based on genetic algorithm. Journal of Visual Communication and Image Representation, 58, 495–502. https://doi.org/10.1016/J.JVCIR.2018.12.012
Nama : Ardivo Virsa Siswanto 2201802405
Darwin Samalo 2201793691
Rizky Martin 2201789675