Electronic Theses and Dissertation

Pengenalan wajah adalah teknik identifikasi biometrik yang banyak digunakan dalam sistem keamanan. penelitian ini mengkaji tantangan cross-spectral cross distance (cscd) berbasis deep learning pada sistem pengenalan wajah. pengenalan wajah dilakukan pada dua spektrum yang berbeda, yaitu near-infrared (nir) dan visible light (vis) dengan variasi jarak 1m, 60m, 100m dan 150m. tantangan utama terletak perbedaan karakteristik spektrum dan jarak yang mempengaruhi akurasi pengenalan wajah. dataset akan diuji pada tiga model convolutional neural network (cnn) yaitu vgg16, resnet50, dan efficientnetb0 dengan tujuan untuk mengidentifikasi model yang paling cocok untuk pengenalan wajah pada citra cscd. multi-task cascaded convolutional networks (mtcnn) digunakan untuk mendektesi wajah. sistem pengenalan wajah sering menghadapi masalah ketika kondisi pencahayaan berubah drastis. citra nir cenderung memiliki pencahayaan yang lebih minim dibandingkan dengan citra vis oleh karena itu dilakukan penerapan homomorphic filtering untuk menormalkan pencahayaan yang tidak merata dan mengurangi noise pada citra. kurangnya dataset yang tersedia menyebabkan model tidak dapat bekerja dengan baik sehingga dilakukan augmentasi data untuk mengatasi permasalahan tersebut. hasil kinerja menunjukkan bahwa vgg16 memberikan performa terbaik diikuti oleh resnet50 dan efficientnetb0. vgg16 memiliki performa terbaik dengan training accuracy 100%, validation accuracy 100%, training loss 0.000061932, validation loss 0.000000027, testing accuracy 55% dan testing loss 0.687658.

Face recognition is a widely used biometric identification technique in security systems. This research uses deep learning to examine the challenges of Cross-Spectral Cross Distance (CSCD) face recognition. Face recognition is performed across two spectra, Near-Infrared (NIR) and Visible Light (VIS), with varying distances of 1m, 60m, 100m, and 150m. The main challenge lies in the differences in spectral characteristics and distances that affect face recognition accuracy. The dataset is tested on three Convolutional Neural Network (CNN) models: VGG16, ResNet50, and EfficientNetB0, to identify the most suitable model for CSCD face recognition. Multi-task Cascaded Convolutional Networks (MTCNN) are used to detect faces. Face recognition systems often face problems when lighting conditions change drastically; NIR images typically have lower illumination compared to VIS images. To address this, homomorphic filtering is applied to normalize uneven illumination and reduce noise in the images. Due to the limited availability of datasets, data augmentation is applied to improve model performance. The results indicate that VGG16 achieves the best performance, followed by ResNet50 and EfficientNetB0. VGG16 shows the highest performance with a training accuracy of 100%, validation accuracy of 100%, training loss of 0.000061932, validation loss of 0.000000027, testing accuracy of 55%, and testing loss of 0.687658.