IMPLEMENTASI YOLO BERBASIS FILTER GABOR UNTUK DETEKSI WAJAH

• Main Author: Anggi Haifa Lestari, - (Author)
• Format: Book
• Published: 2021-08-30.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata

Summary

Terdapat banyak tantangan dalam mendeteksi wajah di antaranya pencahayaan, blur, perbedaan ukuran, banyaknya wajah pada gambar, dan ekspresi yang beragam. Hal tersebut mempengaruhi performa dalam mendeteksi wajah, oleh karena itu para peneliti saat ini mencoba mengombinasikan metode yang sudah ada menjadi metode baru dengan performa yang lebih baik atau membuat metode pendeteksi baru yang lebih baik. Penelitian ini bertujuan untuk melihat apakah YOLOv.3 dapat menjadi pendeteksi wajah yang lebih baik dengan mengaplikasikan 8 kernel Filter Gabor sebagai ekstraksi fitur dengan menggunakan WIDER-Face sebagai set data. Eksperimen yang dilakukan adalah YOLOv.3 baseline, YOLOv.3 grayscale, dan YOLOv.3+filter Gabor. Hasil yang didapat menunjukkan bahwa nilai precision yang dihasilkan sudah tinggi namun memiliki recall yang rendah yang mengindikasikan bahwa ketiga eksperimen dapat mengklasifikasikan gambar wajah dengan baik namun tidak memberikan hasil yang baik dalam mendeteksi wajah dan menyebabkan terdapat beberapa wajah yang tidak terdeteksi. YOLOv.3+filter Gabor mendapatkan loss dan precision yang lebih baik namun memiliki validasi mAP dan recall yang lebih rendah dibandingkan dengan YOLOv.3 baseline. Hasil testing juga menunjukkan bahwa YOLOv.3 baseline mampu mendeteksi lebih banyak wajah dibandingkan dengan YOLOv.3+filter Gabor. Namun, YOLOv3+filter Gabor mendapatkan waktu deteksi paling cepat. Sebagai tambahan dapat disimpulkan bahwa filter Gabor pada set data WIDER-Face belum dapat menghasilkan hasil filter yang baik untuk digunakan sebagai set data training dikarenakan terdapat variasi ukuran wajah pada set data WIDER-Face. There are many challenges in face detection, e.g. illumination, blur, varying sizes, the amount of face in the image, and varying expressions. These challenges can affect performance in detecting faces. Therefore, researchers are currently trying to combine already existing methods into a single better performing method, or create a new more powerful one. In this research, we conduct an experiment to see if we can improve YOLOv.3 face detector performance by using eight Gabor filter kernels as feature extraction, and trained using WIDER-Face dataset. The experiments carried out were baseline YOLOv.3, YOLOv.3 grayscale preprocessing, and YOLOv.3 with Gabor filter preprocessing. The result show that the precision value achieved is high but with a low recall, indicating they are good at classifying faces in an image but not very good at giving result of detecting faces, causing it to miss some detections. YOLOv.3+Gabor filter has a better loss and precision value, but has the lowest mAP validation and recall than the YOLOv.3 baseline. Testing result also shown that YOLOv.3 baseline can detect more faces than YOLOv.3+Gabor filter. However, YOLOv.3+Gabor filter achieved the fastest detection time. Additionally, it can be concluded that using Gabor filter for WIDER-Face dataset has not been able to produce a good filtering result to be used as training dataset due to variation of the face sizes in WIDER-Face dataset.

Item Description

http://repository.upi.edu/65596/1/S_KOM_1606420_Title.pdf
http://repository.upi.edu/65596/4/S_KOM_1606420_Chapter1.pdf
http://repository.upi.edu/65596/6/S_KOM_1606420_Chapter2.pdf
http://repository.upi.edu/65596/2/S_KOM_1606420_Chapter3.pdf
http://repository.upi.edu/65596/7/S_KOM_1606420_Chapter4.pdf
http://repository.upi.edu/65596/5/S_KOM_1606420_Chapter5.pdf
http://repository.upi.edu/65596/3/S_KOM_1606420_Appendix.pdf