Deteksi Wajah dengan Python Menggunakan OpenCV

Pengenalan Klasifier Haar Cascade

Metode ini pertama kali diperkenalkan dalam makalah Rapid Object Detection Using a Boosted Cascade of Simple Features yang ditulis oleh Paul Viola dan Michael Jones.

Gagasan di balik teknik ini melibatkan penggunaan kaskade klasifier untuk mendeteksi berbagai fitur dalam sebuah gambar. Klasifier ini kemudian digabungkan menjadi satu klasifier kuat yang dapat membedakan secara akurat antara sampel yang mengandung wajah manusia dan yang tidak.

Klasifier Haar Cascade yang tertanam di OpenCV sudah dilatih pada dataset besar berisi wajah manusia, jadi tidak diperlukan pelatihan lebih lanjut. Kita hanya perlu memuat klasifier dari pustaka dan menggunakannya untuk melakukan deteksi wajah pada gambar masukan.

Instalasi OpenCV untuk Python

Untuk memasang pustaka OpenCV, cukup buka command prompt atau jendela terminal Anda dan jalankan perintah berikut:

pip install opencv-python

Perintah ini hanya akan berfungsi jika Anda sudah memasang pip di perangkat Anda. Jika Anda ingin mempelajari lebih lanjut tentang manajer paket pip, Anda dapat membaca PIP Python Tutorial kami.

OpenCV untuk Deteksi Wajah pada Gambar

Kita akan membuat detektor untuk mengidentifikasi wajah manusia pada sebuah foto dari Unsplash. Pastikan untuk menyimpan gambar tersebut ke direktori kerja Anda dan ubah namanya menjadi input_image sebelum mengikuti penulisan kodenya.

Langkah 1: Impor Paket OpenCV

Sekarang, mari impor OpenCV dan masukkan path gambar masukan dengan baris-baris kode berikut:

import cv2

imagePath = 'input_image.jpg'

Langkah 2: Baca Gambar

Kemudian, kita perlu membaca gambar dengan fungsi imread() milik OpenCV:

img = cv2.imread(imagePath)

Ini akan memuat gambar dari path berkas yang ditentukan dan mengembalikannya dalam bentuk array Numpy. 

Mari kita cetak dimensi array ini:

img.shape

(4000, 2667, 3)

Perhatikan bahwa ini adalah array 3 dimensi. Nilai pada array mewakili tinggi, lebar, dan channel dari gambar, masing-masing. Karena ini adalah gambar berwarna, ada tiga channel yang digunakan untuk merepresentasikannya - biru, hijau, dan merah (BGR). 

Perlu dicatat bahwa walaupun urutan konvensional untuk merepresentasikan gambar adalah RGB (Red, Green, Blue), pustaka OpenCV menggunakan susunan sebaliknya (Blue, Green, Red).

Langkah 3: Konversi Gambar ke Grayscale

Untuk meningkatkan efisiensi komputasi, kita terlebih dahulu perlu mengonversi gambar ini ke grayscale sebelum melakukan deteksi wajah:

gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

Sekarang mari kita periksa dimensi gambar grayscale ini:

gray_image.shape

(4000, 2667)

Perhatikan bahwa array ini hanya memiliki dua nilai karena gambar sudah grayscale dan tidak lagi memiliki channel warna ketiga.

Langkah 4: Muat Klasifier

Mari muat klasifier Haar Cascade pra-latih yang tertanam di OpenCV:

face_classifier = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)

Perhatikan bahwa kita menggunakan berkas bernama haarcascade_frontalface_default.xml. Klasifier ini dirancang khusus untuk mendeteksi wajah frontal dalam masukan visual. 

OpenCV juga menyediakan model pra-latih lain untuk mendeteksi berbagai objek dalam gambar - seperti mata, senyuman, tubuh bagian atas, hingga plat nomor kendaraan. Anda dapat mempelajari lebih lanjut tentang berbagai klasifier bawaan OpenCV dengan menelusuri repositori GitHub pustaka tersebut.

Langkah 5: Lakukan Deteksi Wajah

Sekarang kita dapat melakukan deteksi wajah pada gambar grayscale menggunakan klasifier yang baru saja kita muat:

face = face_classifier.detectMultiScale(
    gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(40, 40)
)

Mari kita uraikan metode dan parameter yang ditentukan pada kode di atas:

1. detectMultiScale():

Metode detectMultiScale() digunakan untuk mengidentifikasi wajah dengan ukuran berbeda dalam gambar masukan.

1. grey_image:

Parameter pertama dalam metode ini bernama grey_image, yaitu gambar grayscale yang kita buat sebelumnya.

1. scaleFactor:

Parameter ini digunakan untuk memperkecil ukuran gambar masukan agar algoritme lebih mudah mendeteksi wajah yang lebih besar. Dalam kasus ini, kita menentukan faktor skala 1,1 yang menunjukkan bahwa kita ingin mengurangi ukuran gambar sebesar 10%.

1. minNeighbors:

Klasifier kaskade menerapkan sliding window pada gambar untuk mendeteksi wajah di dalamnya. Anda dapat membayangkan jendela-jendela ini sebagai persegi panjang. 

Awalnya, klasifier akan menangkap sejumlah besar false positive. Ini dihilangkan menggunakan parameter minNeighbors, yang menentukan jumlah persegi panjang bertetangga yang perlu diidentifikasi agar sebuah objek dianggap sebagai deteksi yang valid.

Ringkasnya, memberikan nilai kecil seperti 0 atau 1 pada parameter ini akan menghasilkan banyak false positive, sedangkan nilai yang besar dapat menyebabkan hilangnya banyak true positive.

Kuncinya adalah menemukan kompromi yang memungkinkan kita menghilangkan false positive sekaligus mengidentifikasi true positive secara akurat.

1. minSize:

Terakhir, parameter minSize menetapkan ukuran minimum objek yang akan dideteksi. Model akan mengabaikan wajah yang lebih kecil dari ukuran minimum yang ditentukan.

Langkah 6: Menggambar Bounding Box

Sekarang model telah mendeteksi wajah dalam gambar, mari jalankan baris-baris kode berikut untuk membuat bounding box di sekeliling wajah tersebut:

for (x, y, w, h) in face:
    cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 4)

Variabel face adalah array dengan empat nilai: sumbu x dan y tempat wajah terdeteksi, serta lebar dan tingginya. Kode di atas mengiterasi wajah-wajah yang teridentifikasi dan membuat bounding box yang merentang sesuai ukuran tersebut.

Parameter 0,255,0 merepresentasikan warna bounding box, yaitu hijau, dan 4 menunjukkan ketebalannya.

Langkah 7: Menampilkan Gambar

Untuk menampilkan gambar dengan wajah yang terdeteksi, pertama-tama kita perlu mengonversi gambar dari format BGR ke RGB:

img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

Sekarang, mari gunakan pustaka Matplotlib untuk menampilkan gambar:

import matplotlib.pyplot as plt



plt.figure(figsize=(20,10))
plt.imshow(img_rgb)
plt.axis('off')

Kode di atas seharusnya menghasilkan keluaran berikut: 

Bagus!

Model berhasil mendeteksi wajah manusia dalam gambar ini dan membuat bounding box di sekelilingnya. 

Deteksi Wajah Real-Time dengan OpenCV

Sekarang kita telah berhasil melakukan deteksi wajah pada gambar statis dengan OpenCV, mari lihat cara melakukan hal yang sama pada siaran video langsung. 

Langkah 1: Prasyarat

Pertama, mari langsung impor pustaka OpenCV dan muat model Haar Cascade seperti yang kita lakukan pada bagian sebelumnya. Anda dapat melewati blok kode ini jika sudah menjalankannya sebelumnya:

import cv2

face_classifier = cv2.CascadeClassifier(
    cv2.data.haarcascades + "haarcascade_frontalface_default.xml"
)

Langkah 2: Akses Webcam

Sekarang, kita perlu mengakses kamera perangkat untuk membaca siaran langsung data video. Ini dapat dilakukan dengan kode berikut:

video_capture = cv2.VideoCapture(0)

Perhatikan bahwa kita memberikan parameter 0 ke fungsi VideoCapture(). Ini memberi tahu OpenCV untuk menggunakan kamera bawaan pada perangkat kita. Jika Anda memiliki beberapa kamera yang terpasang pada perangkat, Anda dapat mengubah nilai parameter ini sesuai kebutuhan.

Langkah 3: Mengidentifikasi Wajah dalam Siaran Video

Sekarang, mari kita buat fungsi untuk mendeteksi wajah dalam siaran video dan menggambar bounding box di sekelilingnya:

def detect_bounding_box(vid):
    gray_image = cv2.cvtColor(vid, cv2.COLOR_BGR2GRAY)
    faces = face_classifier.detectMultiScale(gray_image, 1.1, 5, minSize=(40, 40))
    for (x, y, w, h) in faces:
        cv2.rectangle(vid, (x, y), (x + w, y + h), (0, 255, 0), 4)
    return faces

Fungsi detect_bounding_box menerima bingkai video sebagai masukan.

Dalam fungsi ini, kita menggunakan kode yang sama seperti sebelumnya untuk mengonversi bingkai menjadi grayscale sebelum melakukan deteksi wajah.

Kemudian, kita juga mendeteksi wajah pada gambar ini menggunakan nilai parameter yang sama untuk scaleFactor, minNeighbors, dan minSize seperti sebelumnya.

Terakhir, kita menggambar bounding box berwarna hijau dengan ketebalan 4 pada bingkai.

Langkah 4: Membuat Loop untuk Deteksi Wajah Real-Time

Sekarang, kita perlu membuat loop while tanpa batas yang akan menangkap bingkai video dari webcam dan menerapkan fungsi deteksi wajah padanya:

while True:

    result, video_frame = video_capture.read()  # read frames from the video
    if result is False:
        break  # terminate the loop if the frame is not read successfully

    faces = detect_bounding_box(
        video_frame
    )  # apply the function we created to the video frame

    cv2.imshow(
        "My Face Detection Project", video_frame
    )  # display the processed frame in a window named "My Face Detection Project"

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

video_capture.release()
cv2.destroyAllWindows()

Setelah menjalankan kode di atas, Anda akan melihat jendela bernama My Face Detection Project muncul di layar:

Algoritme akan melacak wajah Anda dan membuat bounding box berwarna hijau di sekelilingnya, di mana pun Anda bergerak dalam bingkai.

Dalam bingkai di atas, model mengenali wajah saya dan foto saya pada SIM yang saya pegang.

Anda juga dapat menguji keefektifan model ini dengan memegang beberapa gambar atau meminta orang berbeda berdiri pada berbagai sudut di belakang kamera. Model seharusnya dapat mengidentifikasi semua wajah manusia dalam latar atau pengaturan pencahayaan yang berbeda.

Jika Anda ingin keluar dari program, Anda dapat menekan tombol “q” pada keyboard untuk keluar dari loop.

Kesimpulan

Singkatnya, OpenCV adalah pustaka yang andal dan serbaguna untuk membangun aplikasi visi komputer, menawarkan beragam model pra-latih dan alat untuk menyederhanakan tugas kompleks seperti deteksi wajah.

Baik Anda memproses gambar statis maupun siaran video langsung, OpenCV menyediakan titik awal yang mudah diakses bagi pengembang untuk membuat solusi yang efisien dan terukur.

Dengan menguasai teknik yang dibahas dalam tutorial ini, Anda akan siap menjelajahi aplikasi visi komputer yang lebih lanjut di proyek Anda.