HAAR CASCADE CLASSIFIER DAN ALGORITMA ADABOOST UNTUK DETEKSI BANYAK WAJAH DALAM RUANG KELAS

Authors

  • Hadi Santoso Program Studi Sistem lnformasi STIMIK Atma luhur (Mahasiswa Program Studi S3 llmu Komputer Universitas Gadjah Mada)
  • Agus Harjoko Program Studi Elektronika dan lnstrumentasi, FMIPA Universitas Gadjah Mada

Keywords:

algoritma AdaBoost, EmguCV, haar cascade classifier, deteksi banyak wajah

Abstract

Deteksi wajah merupakan salah satu perkembangan teknologi yang penting dalam bidang

computer vision seperti sistem sekuriti, sistem kontrol,  termasuk sistem kehadiran atau presensi. Sistem  yang  diusulkan  ini  mengarah  kepada  sistem  absensi  secara  otomatis  namun  hanya sebatas deteksi wajah mahasiswa yang ada di kelas berdasarkan posisi wajah yaitu  posisi lurus ke depan, rotasi sejajar 15° kekanan, rotasi sejajar 15° kekiri, mengangkat dagu 15° keatas dan menunduk kepala 15° dan berdasarkan tiga jarak objek wajah, yaitu 100 cm, 150 cm dan 200 cm serta  menghitung  banyaknya  mahasiswa yang ada  didalam  kelas.  Berdasarkan latarbelakang tersebut  diusulkan  suatu  sistem  pendeteksi  banyak  wajah  dalam  ruang  kelas.  Metode yang digunakan untuk mendeteksi wajah tersebut menggunakan algoritma AdaBoost dan aplikasi ditulis dengan bahasa pemrograman C# pada Visual Studio 2008. Citra wajah di ambil dari webcam dengan menggunakan fungsi capture library EmguCV. Ujicoba dilakukan dalam intensitas cahaya normal, selain itu akurasi juga diukur dalam hal jumlah wajah yang sebenamya terdeteksi langsung dari webcam. Dari pengujian yang telah dilakukan didapatkan hasil 7 citra wajah dengan posisi dan tiga jarak  objek wajah  dapat dideteksi  dengan  baik dari 8  citra wajah  di dalam  ruang  kelas dikarenakan terhalangi oleh mahasiswa yang lain.

 

 

Downloads

Download data is not yet available.

References

Bradski, G. & Kaehler, A., Leaming OpenCV, 2008, O'Reilly Media, 1005 Gravenstein Highway North, Sebastopol, CA 95472
Choi, J., Han, D. & Yoo. S.J., 2011. Real Time Face-Detection Engine for Robustness to Variable Illumination and Rotated Faces. 2011 First ACISIJNU International Conference on Computers, Networks, Systems and Industrial Engineering, pp.53-58. Available at: http://ieeexplore.ieee.org/lpdocs/epic03/ wrapper.htm?amumber=5954277 (Accessed September 25, 2013].
Krishna, M.G. & Srinlvasulu, A., 2012. Face Detection System On AdaBoost Algorithm Using Haar Classifiers. , 2, pp.3556-3560.
Lienhart, R. & Maydt, J., 2002. An Extended Set of Haar-like Features for Rapid Object Detection .• pp.900-903.
Padmaja, K. & T.N Prabakar, FPGA Based Real Time Mutti View Face Detection Using Adaptive Boosting And Histogram Equalization .• 06(6), pp.17-
23.
Schneiderman, H. & Kanade, T., Probabilistic modeling of local appearance and spatial relationships for object recognition. Proceedings. 1996 IEEE Computer Society Conference on Computer Vision and Pattem Recognition (Cat. No.98CB36231), pp.45-51. Available at: http://ieeexplore.ieee.org/lpdocs/epic03/ wrapper.htm?amumber--698586.
Viola, P. & Jones, M., 2001. Robust Real• time Object Detection. Second International Workshop On Statistical And Computlonal Theories OF Vision - Modeling, Leamlng,Computfng, And Sampling Vancouver, Canada, July 13, 2001.
Viola, P. & Jones, M.J., 2004. Robust Real• Time Face Detection. , 57(2), pp.137-154.
Zhang, T. et al., 2009. Using Gradientfaces.,18(11), pp.2599-2606.

Downloads

Published

2013-12-30

How to Cite

Santoso, H., & Harjoko, A. (2013). HAAR CASCADE CLASSIFIER DAN ALGORITMA ADABOOST UNTUK DETEKSI BANYAK WAJAH DALAM RUANG KELAS. Jurnal Teknologi, 6(2), 108–115. Retrieved from https://ejournal.akprind.ac.id/index.php/jurtek/article/view/995