Deteksi Obyek Dengan Haar-Like Feature

Haar-like Feature

            Haar Feature adalah fitur yang didasarkan pada Wavelet Haar. Secara umum, Haar-Like Feature digunakan dalam mendeteksi objek pada image digital. Nama Haar merujuk pada suatu fungsi matematika (Haar Wavelet) yang berbentuk kotak, prinsipnya sama seperti pada fungsi Fourier. Awalnya pengolahan gambar hanya dengan melihat dari nilai RGB setiap pixel, namun metoda ini ternyata tidaklah efektif. Viola dan Jones kemudian mengembangkannya sehingga terbentuk Haar-Like feature.

Wavelet Haar adalah gelombang tunggal bujur sangkar (satu interval tinggi dan satu interval rendah). Untuk dua dimensi, satu terang dan satu gelap. Selanjutnya kombinasi kombinasi kotak yang digunakan untuk pendeteksian objek visual yang lebih baik. Setiap Haar-like feature terdiri dari gabungan kotak - kotak hitam dan putih.

3  tipe kotak(rectangular) feature:

1. Tipe two-rectangle feature (horisontal/vertikal)
2. Tipe three-rectangle feature
3. Tipe four-rectangle feature

Adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu diatas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada. Nilai dari Haar-like feature adalah perbedaan antara jumlah nilai-nilai piksel gray level dalam daerah kotak hitam dan daerah kotak putih.

Haar-like feature memproses gambar dalam kotak-kotak, dimana dalam satu kotak terdapat beberapa pixel. Per kotak itu pun kemudian di-proses dan didapatkan perbedaan nilai (threshold) yang menandakan daerah gelap dan terang. Nilai – nilai inilah yang nantinya dijadikan dasar dalam image processing.

Lalu untuk gambar bergerak (video), perhitungan dan penjumlahan pixel terjadi secara terus – menerus dan membutuhkan waktu yang lama. Oleh karena itu, penjumlahan diganti dengan integral sehingga didapatkan hasil lebih cepat. Hasil deteksi dari Haar-Like kurang akurat jika hanya menggunakan satu fungsi saja sehingga biasanya digunakan beberapa fungsi sekaligus (massal). Semakin banyak fungsi yang digunakan maka hasilnya akan semakin akurat. Pemrosesan Haar-Like feature yang banyak tersebut diorganisir atau diatur di dalam classifier cascade.

Konsep Pendekteksian Wajah

OpenCV face detector menggunakan metode Paul-Viola dan Michael Jones yang dipublikasikan pada tahun 2001. Pendekatan ini mendeteksi objek dengan menggabungkan 4 konsep :

·         Fitur rectangular sederhana yang disebut fitur Haar

·         Integral image untuk deteksi fitur yang cepat

·         Metode machine learning AdaBoost.

Sebuah pengklasifikasi cascade untuk mengkombinasikan banyak fitur secara efisien.

Fitur yang digunakan Viola dan Jones menggunakan bentuk gelombang Haar. Bentuk Gelombang Haar ialah sebuah gelombang kotak. Pada 2 dimensi, Gelombang Kotak ialah pasangan persegi yang bersebelahan, 1 terang dan 1 gelap. Haar ditentukan oleh pengurangan pixel rata-rata daerah gelap dari pixel rata-rata daerah terang. Jika perbedeaan diatas threshold (diset selama learning), fitur tersebut dikatakan ada. Untuk menentukan ada atau tidaknya Haar feature di setiap lokasi image / gambar, Viola dan Jones menggunakan teknik yang disebut Integral Image. Umumnya integral menambahkan unit kecil secara bersamaan. Dalam hal ini unit kecil ini disebut dengan nilai dari pixel. Nilai dari integral / integral value pada masing-masing pixel  merupakan penjumlahan dari semua pixel di atasnya dan di sebelah kirinya. Dimulai dari kiri atas sampai kanan bawah, image / gambar dapat diintegrasikan sebagai operasi matematika per pixel.

Untuk memilih fitur Haar yang digunakan dan untuk mengubah nilai threshold, Viola dan Jones menggunakan metode machine-learning yang disebut AdaBoost. AdaBoost menggabungkan banyak classifier untuk membuat satu classifier. Masing-masing classifier menetapkan suatu bobot, dan gabungan dari bobot inilah yang akan membentuk satu classifier yang kuat.