Deteksi Ekspresi Wajah Pada Sekuen Citra Menggunakan Algoritma Active Shape Model Dan Klasifier Twofold Random Forest

Saputro, Arika (2016) Deteksi Ekspresi Wajah Pada Sekuen Citra Menggunakan Algoritma Active Shape Model Dan Klasifier Twofold Random Forest. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5112100073-Undergraduate_Thesis.pdf - Accepted Version

Download (1MB) | Preview

Abstract

Ekspresi wajah adalah informasi nonverbal yang penting untuk melengkapi komunikasi verbal. Ekspresi wajah berpengaruh penting dalam menentukan emosi dari manusia. Deteksi ekspresi wajah secara otomatis sangat penting untuk diaplikasikan, seperti untuk image understanding, health-care, human computer interaction, video games dan animasi data-driven. akan tetapi, deteksi ekspresi wajah dengan akurasi yang tinggi masih menjadi tantangan terbuka bagi semua peneliti[1]. Kebanyakan sistem analisis pada ekspresi wajah memfokuskan pada deteksi 6 emosi dasar yang diajukan oleh Ekman, yaitu : marah, jijik, takut, bahagia, sedih, dan terkejut. Setiap ekspresi dasar tersebut dapat didekomposisikan menjadi serangkaian Action Units (AUs) yang berkaitan[1]. Misalnya, ekspresi bahagia dapat didekomposisikan menjadi pipi yang naik dan sudut bibir yang tertarik. Bahkan pada studi psikologi klasik menunjukkan bahwa manusia secara sadar memetakan AUs ke kategori emosi dasar. Tugas akhir ini menyajikan sebuah video-based method untuk menganalisis ekspresi wajah dengan mengenali AU dan dilakukan pelacakan terhadap titik fitur wajah menggunakan Active Shape Model (ASM). Vektor perpindahan antara frame ekspresi netral dan frame ekspresi puncak digunakan sebagai fitur gerakan dari ekspresi wajah. Fitur tersebut diidentifikasi dengan level pertama klasifier random forest untuk mendeteksi AU. AU yang terdeteksi kemudian diklasifikasikan kedalam ekspresiekspresi yang berbeda-beda dengan klasifier random forest level kedua. Dengan menggunakan data yang diambil dari 3 subjek uji coba, akurasi terbesar didapatkan dengan nilai parameter averaging k = 3 dan iterasi twofold random forest = 100 dengan nilai akurasi sebesar 74.45% dengan 6 kelas ekspresi dan 100% dengan 5 kelas ekspresi. ================================================================================================================== Facial expressions are an important nonverbal information to supplement verbal communication. Facial expressions are important in determining the influence of human emotions. Automatic detection of facial expressions is very important to be applied, such as for image understanding, healthcare, human computer interaction, video games and animation data-driven. however, the detection of facial expressions with high accuracy remains a challenge open to all researchers[1]. Most system analysis on expression face detection focus on six basic emotions proposed by Ekman, namely: anger, disgust, fear, happiness, sadness, and surprise. Each of these basic expressions can be decomposed into a series of related Action Units (AUs)[1]. For example, the happy expression can be decomposed into the cheek that rises and the lip corners are stretch. Even in a classic psychology study shows that humans consciously charted AUs to basic emotional categories. This final project presents a video-based method for analyzing facial expressions with the AUs to recognize and to track of facial feature points using Active Shape Model (ASM). The displacement vector between the frame and the frame of neutral expression used as the ultimate expression of the movement of the facial expressions. Such a feature is identified by the first level klasifier random forest to detect the AU. AU is detected then classified into expressions that vary with random forest klasifier second level. Using data taken from three subjects test, best accuracy is obtained with averaging parameter k = 3 and twofold random forest iteration = 100 with a value 74.45% with 6 expression class and 100% with 5 expression class.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 006.42 Sap d
Uncontrolled Keywords: Expression recognition, Random forest, ASM
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: ansi aflacha
Date Deposited: 16 Jul 2020 06:15
Last Modified: 16 Jul 2020 06:15
URI: http://repository.its.ac.id/id/eprint/76392

Actions (login required)

View Item View Item