Pengenalan Ekspresi Wajah Secara Real-Time Menggunakan Metode SSD Mobilenet Berbasis Android
DOI:
https://doi.org/10.37802/joti.v5i1.387Keywords:
Deteksi Objek, Pengenalan Ekspresi Wajah, SSDAbstract
Pengenalan ekspresi wajah secara real-time menjadi topik yang menarik dalam bidang pengolahan citra dan kecerdasan buatan. Penelitian ini bertujuan untuk mengembangkan sebuah metode yang dapat mendeteksi objek ekspresi wajah secara akurat dan efisien. Untuk mencapai tujuan ini, peneliti mengadopsi pendekatan berbasis Single Shot MultiBox Detector (SSD) yang terkenal dalam deteksi objek. Peneliti melatih model SSD menggunakan dataset wajah dengan berbagai ekspresi. Metode yang diusulkan memanfaatkan fitur-fitur wajah yang penting untuk memperoleh lokalisasi dan klasifikasi ekspresi wajah. Peneliti melakukan pelatihan menggunakan algoritma pembelajaran mendalam dengan menggunakan data wajah yang dikategorikan berdasarkan ekspresi tertentu. Eksperimen dilakukan pada citra wajah yang diambil secara real-time, dan hasil deteksi objek wajah dievaluasi berdasarkan ukuran akurasi dan kecepatan. Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu mendeteksi ekspresi wajah secara real-time dengan akurasi tinggi dan kecepatan pemrosesan yang baik. Hasil evaluasi menggunakan Metric Evaluation, model memiliki akurasi 0.51 detik dan kecepatan deteksi 31 frame per-detik dimana dengan demikian model dapat berjalan dengan komputasi rendah pada erangkat mobile. Temuan ini menunjukkan bahwa metode yang diusulkan berpotensi menjadi solusi efektif untuk pengenalan ekspresi wajah secara real-time dalam berbagai aplikasi, termasuk pengenalan emosi, interaksi manusia-mesin, dan keamanan.
Downloads
References
T. Zhang, W. Zheng, Z. Cui, Y. Zong, J. Yan, dan K. Yan, “A Deep Neural Network-Driven Feature Learning Method for Multi-view Facial Expression Recognition,” IEEE Trans Multimedia, vol. 18, no. 12, hlm. 2528–2536, Des 2016, doi: 10.1109/TMM.2016.2598092.
W. Liu dkk., “SSD: Single Shot MultiBox Detector,” Des 2015, doi: 10.1007/978-3-319-46448-0_2.
J. Li, K. Jin, D. Zhou, N. Kubota, dan Z. Ju, “Attention mechanism-based CNN for facial expression recognition,” Neurocomputing, vol. 411, hlm. 340–350, Okt 2020, doi: 10.1016/j.neucom.2020.06.014.
Sik-Ho Tsang, “Review: SSD — Single Shot Detector (Object Detection),” 3 November 2018. https://towardsdatascience.com/review-ssd-single-shot-detector-object-detection-851a94607d11 (diakses 29 Mei 2023).
C.-Y. Fu, W. Liu, A. Ranga, A. Tyagi, dan A. C. Berg, “DSSD : Deconvolutional Single Shot Detector,” Jan 2017, [Daring]. Tersedia pada: http://arxiv.org/abs/1701.06659
Z. Chen, R. Khemmar, B. Decoux, A. Atahouet, dan J. Y. Ertaud, “Real time object detection, tracking, and distance and motion estimation based on deep learning: Application to smart mobility,” dalam 2019 8th International Conference on Emerging Security Technologies, EST 2019, Institute of Electrical and Electronics Engineers Inc., Jul 2019. doi: 10.1109/EST.2019.8806222.
R. G. Fajri, I. Santoso, Y. Alvin, dan A. Soetrisno, “Perancangan Program Pendeteksi Dan Pengklasifikasi Jenis Kendaraan Dengan Metode Convolutional Neural Network (Cnn) Deep Learning.” [Daring]. Tersedia pada: https://ejournal3.undip.ac.id/index.php/transient
W. Indah Kusumawati, H. Pratikno, dan Y. Pradeska Admaja, “Sistem Penghitung Jumlah Pengunjung Restoran Menggunakan Kamera Berbasis Single Shot Detector (SSD),” Journal of Technology and Informatics (JoTI), vol. 3, no. 1, hlm. 19–26, Okt 2021, doi: 10.37802/joti.v3i1.197.
S. A. Sanchez, H. J. Romero, dan A. D. Morales, “A review: Comparison of performance metrics of pretrained models for object detection using the TensorFlow framework,” dalam IOP Conference Series: Materials Science and Engineering, Institute of Physics Publishing, Jun 2020. doi: 10.1088/1757-899X/844/1/012024.
A. Sukusvieri, “Implementasi Metode Single Shot Detector (SSD),” 2020.
S. Zhang, L. Wen, X. Bian, Z. Lei, dan S. Z. Li, “Single-Shot Refinement Neural Network for Object Detection,” dalam Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, IEEE Computer Society, Des 2018, hlm. 4203–4212. doi: 10.1109/CVPR.2018.00442.
M. S. Hidayatulloh, “Sistem Pengenalan Wajah Menggunakan Metode Yolo (You Only Look Once),” 2021.
A. R. Arganata, “Analisis Perhitungan Bibit Ikan Gurame Menggunakan Webcam Dengan Metode Yolo (You Only Look Once),” 2020.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, dan L. C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” dalam Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, IEEE Computer Society, Des 2018, hlm. 4510–4520. doi: 10.1109/CVPR.2018.00474.
J. Huang dkk., “Speed/accuracy trade-offs for modern convolutional object detectors,” dalam Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, Institute of Electrical and Electronics Engineers Inc., Nov 2017, hlm. 3296–3305. doi: 10.1109/CVPR.2017.351.
Lee, J., Hwang, Ki. YOLO with adaptive frame control for real-time object detection applications. Multimed Tools Appl 81, 36375–36396 (2022). https://doi.org/10.1007/s11042-021-11480-0
