Deteksi Wajah Dengan Boosted Cascade Classifier

Puspaningrum, Eva Yulia; Saputra, Wahyu S.J.

doi:10.33005/scan.v13i3.1367

Cited by 2 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Suatu classifier dikatakan lemah jika tidak dapat memenuhi target klasifikasi yang telah ditentukan sebelumnya. Classifier lemah tersebut menetapkan suatu bobot sehingga apabila digabungkan akan menjadi satu classifier yang kuat [13].…”

Section: Adaptive Boostunclassified

The Calculation System of Number of People in a Room Based on Human Detection Using Haar-Cascade Classifier

Atmaja

Usman

Murti

2021

J. Tek. Inform. (JUTIF)

View full text Add to dashboard Cite

Data of number of people in the room, calculations are usually carried out by assigning someone to oversee a room. In this final project, a system for calculating the number of people in the room is designed with image processing based on human detection that can be used in rooms, both for commercial applications and for security. This system uses Raspberry Pi device that already has an image processing method Haar-Cascade Classifier. Input data is in the form of video taken directly via webcam to be captured into a frame so that it can be used as a input the Haar-Cascade Classifier method and perform the counting process will be sent to the Antares platform. The system design has been tested with five scenarios. Scenario 1 the effect of the distance of the object, scenario 2 the effect of the pose of the object, scenario 3 the effect of the amount the object in the frame, scenario 4 affects the scale factor and scenario 5 measurement computation time. Scenarios 1 to 3 will do the best configuration for minimum neighbour. The system gets the best accuracy of 98,5% when the object distance 4 meters, the best accuracy of 96,6% when the object is facing forward and accuracy the best is 97,7% when the object in the frame is more than two objects with the best configuration use the minimum neighbour 5. Scenario 4 gets accuracy the best is 76,2% when using the scale factor 1.1. Scenario 5 gets the average computation time of the system is under one second, meaning the detection process done pretty fast.

show abstract

Section: Adaptive Boostunclassified

The Calculation System of Number of People in a Room Based on Human Detection Using Haar-Cascade Classifier

Atmaja

Usman

Murti

2021

J. Tek. Inform. (JUTIF)

View full text Add to dashboard Cite

show abstract

“…Beberapa metode analisis citra dapat diterapkan untuk mengidentifikasi objek pada sebuah citra. Salah satu metode analisis citra yang dapat digunakan untuk menganalisis bentuk objek pada citra adalah ekstrasi fitur yang telah banyak dikembangkan untuk pengenalan fitur objek yaitu ekstrasi fitur Haralick (Haralick Feature Extraction) yang dikenalkan oleh Haralick dkk [2], Choudhary & Shukla menggunakan ekstrasi fitur dan pemilihan fitur untuk pengenalan emosi menggunakan ekspresi wajah [3], Puspaningrum dkk menggunakan fitur haar untuk deteksi wajah [4]. Berdasarkan uraian diatas, dari penelitian sebelumnya maka penulis tertarik untuk merancang sistem pendeteksian dan pengenalan ekspresi pada wajah secara realtime menggunakan ekstrasi dari Fitur Haralick dan Fitur Haar dengan mengaplikasikan library OpenFace untuk memperdalam tentang deep learning dan mengetahui tingkat akurasi yang dihasilkan menggunakan Haarcascade.…”

unclassified

Sistem Pendeteksian Dan Pengenalan Ekspresi Pada Wajah Secara Real-Time Menggunakan Fitur Haralick Dan Fitur Haar

Risawandi,

Olivia

2022

TTS 4.0

View full text Add to dashboard Cite

Mendeteksi dan mengenali ekspresi wajah adalah tugas yang sangat sulit. Pelacakan objek wajah secara realtime disebabkan oleh sifat dan lokasi yang terbatas di mana ia terjadi. Pengenalan wajah adalah langkah utama dalam sistem pengenalan wajah. Deteksi wajah berarti bahwa gambar tertentu diproses untuk menentukan wajah manusia, posisi dan ukurannya, serta keakuratan posisi itu secara langsung mempengaruhi efek deteksi wajah. Saat ini, metode pengenalan wajah terutama didasarkan pada metode fitur geometris, pendekatan berbasis model warna kulit, dan metode berbasis teori statistik. Karena perkembangan teknologi citra digital begitu pesat, maka dari itu perlu dikembangkannya sebuah kecerdasan buatan untuk pendeteksian pengenalan ekspresi pada wajah secara realtime. Dalam kasus tersebut peneliti tertarik untuk mencoba ekstrasi fitur haralick dan fitur haar dalam pendeteksian dan pengenalan ekspresi wajah secara realtime dengan menggunakan pemodelan haarcascade untuk klasifikasinya. Dalam penelitian ini hasil implementasi yang sudah dilakukan dari data testing menggunakan fitur haralick dengan ekspresi senang nilai persentasenya 94.429%, ekspresi sedih persentasenya 38.777%, ekspresi marah persentasenya 49.3777%. lalu data testing menggunakan fitur haar dengan ekspresi senang nilai persentasenya 78.329%, ekspresi sedih persentasenya 36.292%, ekspresi marah persentasenya 39.517%.

show abstract

Deteksi Wajah Dengan Boosted Cascade Classifier

Cited by 2 publications

References 0 publications

The Calculation System of Number of People in a Room Based on Human Detection Using Haar-Cascade Classifier

The Calculation System of Number of People in a Room Based on Human Detection Using Haar-Cascade Classifier

Sistem Pendeteksian Dan Pengenalan Ekspresi Pada Wajah Secara Real-Time Menggunakan Fitur Haralick Dan Fitur Haar

Contact Info

Product

Resources

About