PENDEKATAN ROBUST REGRESSION UNTUK PENGENALAN WAJAH DENGAN HISTOGRAM REMAPPING DISTRIBUSI NORMAL PADA TAHAP PRA-PEMROSESAN MENGGUNAKAN CMU-PIE FACE DATABASE

摘要

Dalam paradigma pengenalan wajah, variasi iluminasi dianggap sebagai salah satu masalah utama terkait dengan kehandalan (robustness). Banyak pendekatan yang dikembangkan untuk memecahkan masalah ini, salah satunya adalah Robust Regression, yang menunjukkan hasil lebih baik dibandingkan dengan sejumlah pendekatan lainnya. Pada tahap pra pemrosesan, pendekatan ini menggunakan histogram equalization (histogram remapping dengan distribusi uniform), sebagaimana umum digunakan pada banyak pendekatan pengenalan wajah. Terkait dengan histogram equalization, dalam sebuah penelitian lain yang menguji berbagai teknik Histogram Remapping pada pendekatan LDA (Linear Discriminant Analysis), disimpulkan bahwa penggunaan histogram remapping dengan distribusi non-uniform lebih sesuai untuk pengenalan wajah dibandingkan dengan histogram equalization. Oleh karena itu, pada penelitian ini diusulkan penggunaan histogram remapping dengan salah satu jenis distribusi non-uniform, yaitu distribusi normal, yang menggantikan histogram equalization pada tahap pra pemrosesan dalam pendekatan Robust Regression. Hasil uji coba yang dilakukan pada CMU-PIE Face Database menunjukkan bahwa penggunaan histogram remapping dengan distribusi normal pada metode yang diusulkan menghasilkan tingkat akurasi lebih tinggi daripada metode sebelumnya. Penelitian lebih lanjut dapat dilakukan dengan melakukan uji coba pada basisdata citra lain sebagai pembanding hasil penelitian ini. Selain itu, bisa diteliti lebih lanjut juga mengenai penggunaan histogram remapping dengan distribusi non-uniform lain pada pendekatan Robust Regression, sehingga nantinya dapat diketahui distribusi non-uniform apa saja yang dapat digunakan dalam histogram remapping untuk menghasilkan kinerja pendekatan Robust Regression pada pengenalan wajah yang lebih baik. udKata Kunci: Pengenalan Wajah, Normalisasi Iluminasi, Robust Regression, Histogram Equalization, Histogram Remapping, Disribusi Normal.