Algoritma Eigenface

Prinsip dasar dari pengenalan wajah adalah dengan mengutip informasi unik wajah tersebut kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. Dalam metode eigenface, decoding dilakukan dengan menghitung eigenvector kemudian direpresentasikan dalam sebuah matriks yang berukuran besar.

Algoritma Eigenface secara keseluruhan cukup sederhana. Image Matriks (Γ) direpresentasikan ke dalam sebuah himpunan matriks (Γ₁, Γ₂, …, Γ_M). Cari nilai rata-rata (Ψ) dan gunakan untuk mengekstraksi eigenvector (v) dan eigenvalue (λ) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapatkan nilai eigenface dari image. Apabila ada sebuah image baru atau test face (Γ_new) yang ingin dikenali, proses yang sama juga diberlakukan untuk image (Γ_new), untuk mengekstraksi eigenvector (v) dan eigenvalue (λ), kemudian cari nilai eigenface dari image test face (Γ_new). Setelah itu barulah image baru (Γ_new) memasuki tahapan pengenalan dengan menggunakan metode euclidean distance. Alur prosesnya dapat dilihat pada gambar berikut.

Algoritma selengkapnya adalah (Turk, Matthew dan Alex P.Pentland : 1991):

Tahapan Perhitungan Eigenface

1. Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh training image  (Γ₁, Γ₂, …, Γ_M)

   S = (Γ₁, Γ₂, …, Γ_M)

2. Langkah kedua adalah ambil nilai tengah atau mean (Ψ)
   
3. Langkah ketiga kemudian cari selisih (Ф) antara training image (Γi) dengan nilai tengah (Ψ)
   
4. Langkah keempat adalah menghitung nilai matriks kovarian (C)
   
5. Langkah kelima menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C)
   
6. Langkah keenam, setelah eigenvector (v) diperoleh, maka eigenface (μ) dapat dicari dengan:
   

Tahapan Pengenalan

1. Sebuah image wajah baru atau test face (Γ_new) akan dicoba untuk dikenali, pertama terapkan cara pada tahapan pertama perhitungan eigenface untuk mendapatkan nilai eigenface dari image tersebut.
   
2. Gunakan metode Euclidean Distance untuk mencari jarak (distance) terpendek antara nilai eigenface dari training image dalam database dengan eigenface dari image test face.