Tulisan ini dibuat untuk menjelaskan dasar-dasar haar like feature pada teknik viola jones.
http://www.softscients.web.id/2017/01/number-plate-car-detection.html
http://www.softscients.web.id/2017/01/cars-detection-in-opencv.html
Tapi penulis hanya menjelaskan haar like featurnya saja, bukan keseluruhan, karena penulis hanya menggunakan OpenCV dan Python dalam impelementasi object detection.
Metode Viola-Jones merupakan salah satu metode pendeteksian objek yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan yang cukup tinggi dan dengan kecepatan yang sangat tinggi. Metode ini, diusulkan oleh Paul Viola dan Michael Jones pada tahun 2001, dengan menggabungkan empat kunci utama untuk mendeteksi suatu objek:
- Fitur persegi sederhana, disebut fitur Haar
- Integral image untuk pendeteksian fitur dengan cepat
- Metoda AdaBoost machine-learning
- Cascade classifier untuk mengkombinasikan banyak fitur
Saya akan membahas pada point pertama yaitu fitur haar. Ada banyak jenis fitur haar yang digunakan
Dapat dilihat bahwa terdapat 5 fitur. Cara menghitung nilai dari fitur ini adalah mengurangkan nilai pixel pada area hitam dengan pixel pada area putih. Dengan Rumus untuk mendapatkan nilai fitur sesuai dengan jumlah kotak jika B, W: Black (Hitam), White (Putih), maka cara hitungannya yaitu
Dua kotak : W – B
Tiga kotak : W1 +W 2 – B
Empat kotak : (W1 +W 2)-(B1 + B2)
Misalkan pada contoh berikut
Menghasilkan ciri fitur 13, dengan begitu akan dapat ditentukan tingkat luminance dari citra yang akan dideteksi dan dapat dibedakan mana bagian citra yang mencirikan wajah manusia. Untuk mempermudah proses penghitungan nilai fitur, metode Viola Jones menggunakan sebuah media berupa citra integral.
Ilustrasi perhitungan integral image
maka
Cara menghitung selisih kotak hitam dengan putih sebagai berikut
Maka ciri fitur haar like adalah
CIRI FITUR = D+A-B-C
Kondisi pertama (hitam)
Kondisi kedua (putih)
Sehingga menjadi berikut
Sama bukan?? Yaitu akan menghasilkan angka 13, sehingga teknik integral image menjadi lebih efektif untuk menghitung luminance/haar like feature. Berikut contoh dilokasi lainnya
Sama-sama menghasilkan nilai 10. Tentu dalam teknik viola jones tidak hanya menggunakan 1 ciri fitur diatas, tapi akan sangat banyak sekali
Selanjutnya, setelah nilai fitur didapatkan Viola-Jones menggunakan metode AdaBoost machine-learning untuk mengetahui suatu fitur apakah merepresentasikan ada tidaknya wajah dalam suatu citra masukan. Metode AdaBoost menggabungkan banyak classifier lemah menjadi satu classifier kuat. Classifier adalah suatu ciri yang menandakan adanya objek wajah dalam suatu citra. Sedangkan classifier lemah adalah suatu jawaban benar namun memiliki tingkat kebenaran yang kurang akurat, jika digabung maka classifier lemah tersebut akan menghasilkan suatu classifier kuat.
Gambar 2.13, menjelaskan bagaimana metode AdaBoost ini akan menyeleksi nilai fitur dari citra masukan, jika pada fitur tersebut tidak terdeteksi adanya wajah maka akan disimpulkan tidak ada wajah, jika ada akan diteruskan ke tingkat selanjutnya sampai ke tingkat terakhir, lalu akan disimpulkan pada citra masukan terdeteksi adanya wajah. Proses penyeleksian fitur tersebut dengan cara membandingkan nilai fitur dengan nilai ambang yang telah ditentukan pada tiap tingkat, jika nilai fitur sama atau diatas nilai ambang maka terdeteksi adanya wajah dalam fitur tersebut.
Tingkatan proses penyeleksian fitur diurutkan berdasarkan bobot terberat sampai teringan, sehingga dapat secepat mungkin untuk mengklasifikasikan bahwa tidak terdeteksi wajah dalam citra masukan, pengurutan proses penyeleksian fitur ini disebut cascade classifier.