1BAB I.
2PENDAHULUAN
2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai aplikasi yang ada dalam kehidupan sehari-hari seperti pada bidang robotika, keamanan (monitoring pada camera cctv), pencitraan medis, olahraga, dan sebagainya. Pelacak objek biasanya mendeteksi adanya objek yang tertangkap oleh kamera, mengunci objek tersebut, menandai dan mengikuti kemana objek tersebut bergerak. CAMSHIFT (Continuously Adaptive Mean-shift) merupakan salah satu metode yang banyak digunakan dibidang pelacak objek yang diusulkan oleh (Bradski & Clara, 1998). CAMSHIFT menggunakan karakteristik warna atau fitur warna sebagai model objek. (Li, Zhang, Zhou, Guo, Wang, & Zhao, 2011) Penggunaan dari fitur warna ini, membuat suatu sistem pelacak objek invarian terhadap perubahan skala, orientasi, dan bahkan perubahan bentuk dari objek. Berbagai penelitian terhadap CAMSHIFT telah banyak dilakukan untuk meningkatkan kinerja dari metode pelacak objek ini. (Xia, Wu, Zhai, & Cui, 2009) Dalam penelitiannya menggunakan CAMSHIFT untuk melakukan pelacakan terhadap kendaraan yang bergerak pada video lalu-lintas dengan latar belakang yang statis. Metode double difference
1
2
diterapkan untuk memisahkan latar belakang (background) dan latar depan (foreground) dari suatu frame. Hasil dari penelitian ini, dapat melakukan kalibrasi secara otomatis terhadap kendaraan yang bergerak dalam suatu video lalu-lintas dan mampu mencapai pelacakan multi-objek dimana dengan mengandalkan perbedaan distribusi histogram warna yang berbeda untuk dapat melakukan pelacakan multi objek. (Jiang-tao & Jing-yu, 2007) Dalam penelitiannya menggunakan algoritma pelacak objek CAMSHIFT berdasarkan pentapisan kalman untuk mengatasi masalah pelacakan yang kurang baik sewaktu terjadi gangguan. Pentapisan kalman yang diterapkan pada pelacak objek merupakan metode estimasi dengan suatu kriteria minimal kovarian error. Hal ini memiliki keuntungan seperti skala perhitungan yang rendah dan kinerja yang real-time. Namun, memperkirakan model ruang linear Gauss, mungkin tidak konsisten dengan situasi pergerakan objek dalam dunia nyata. (Corrales, Gil, Candelas, & Torres, 2009) Melakukan penelitian tentang pelacak objek dengan menggunakan CAMSHIFT. Dalam penelitian ini, diusulkan penggunaan komponen hue-distance. Komponen hue-distance merepresentasikan nilai hue sebagai jarak dari nilai referensi hue, yang mana secara dinamis dihasilkan dari histogram objek. Selain itu, dalam penelitian ini mengusulkan kombinasi back projection hue-distance dan saturation dari model HSV. Dengan penggunaan gabungan dari hue-distance dan saturation dalam proses back projection, dapat mengeliminasi pixel-pixel dalam suatu frame yang tidak cocok dengan objek. Sehingga pelacakan dalam latar belakang yang memiliki kemiripan objek dapat lebih efektif.
3
(Hidayatullah, 2011) Dalam penelitiannya mengusulkan metode lokalisasi objek yang lebih baik menggunakan segmentasi mean-shift dan region growing. Mean-shift diterapkan untuk melakukan segmentasi setiap bagian dari objek dan membuatnya cukup homogen agar mudah dalam pemilihan objek. Setelah segmentasi mean-shift, kemudian masuk pada tahap pemilihan objek dengan meng-klik bagian dari objek. Posisi dari “klik” akan menjadi titik “seed” yang selanjutnya dilakukan region growing dengan metode flood fill dengan memperhatikan tetangga dari “seed” tersebut yang memiliki kemiripan warna. Melalui penerapan metode ini, pemilihan objek dapat terhindar dari latar belakang objek yang tidak dibutuhkan sebagai model objek. Selain itu, menggunakan histogram hue-distance, saturation dan value memberikan diskriminasi yang lebih baik untuk pemodelan objek. Penggunaan fitur titik juga telah banyak digunakan untuk mengembangkan pelacak objek CAMSHIFT yang hanya menggunakan fitur warna. SIFT (Scale Invariant Feature Transform) merupakan pendekatan untuk mendeteksi dan mengekstraksi pendeskripsi fitur lokal yang invarian terhadap perubahan skala, rotasi, iluminasi dan sudut pandang yang diusulkan oleh (Lowe, 2004). SIFT sering digunakan untuk pengenalan objek. Seiring dengan perkembangan penelitian, SIFT juga telah banyak diterapkan dalam pelacak objek, seperti pada penelitian yang telah dilakukan oleh (Shirong & Fei, 2009), (Ju, Jin, Li, Li, & Qian, 2012). Namun, penerapan SIFT dalam sistem pelacak objek memiliki masalah dalam hal kecepatan atau waktu komputasi, dikarenakan tingkat kompleksitas dan data yang digunakan sangat besar. Sebagai ganti dari SIFT, metode SURF (Speeded Up Robust Features) yang diusulkan oleh (Bay, Ess,
4
Tuytelaars, & Gool, 2007) yang juga merupakan pendekatan untuk mendeteksi dan mengekstraksi fitur dari suatu citra, dimana memiliki waktu komputasi yang lebih cepat dari SIFT. Salah
satu
penelitian
yang
menggunakan
CAMSHIFT
dan
menggabungkannya dengan SURF oleh (Li, Zhang, Zhou, Guo, Wang, & Zhao, 2011). Pada penelitian ini, metode yang diusulkan dapat meningkatkan kinerja dari CAMSHIFT, dimana mampu secara adaptif mengubah threshold dari brightness dan saturation (S dan V) selama periode inisialisasi sesuai dengan perubahan iluminasi dari setiap frame dalam urutan citra. Selain itu, pada penelitian ini juga terdapat metode untuk menilai apakah objek yang dilacak hilang. Sewaktu objek yang dilacak dinyatakan hilang, maka SURF digunakan untuk mencari dan menemukan objek yang hilang, sehingga CAMSHIFT dapat melacak kembali objek yang hilang sesuai dengan citra ROI. Mengetahui penelitian-penelitian sebelumnya, dan kekurangan yang dimiliki oleh CAMSHIFT yang hanya menggunakan fitur warna sebagai model objek, penelitian ini akan mencoba menerapkan metode yang diusulkan oleh (Hidayatullah, 2011) yang menggunakan kombinasi dari segmentasi mean-shift dan region growing untuk lokalisasi objek, serta menerapkan metode yang diusulkan oleh (Li, Zhang, Zhou, Guo, Wang, & Zhao, 2011) untuk menentukan apakah objek hilang. Sewaktu objek dinyatakan hilang, maka SURF digunakan untuk menemukan kembali objek, sehingga CAMSHIFT dapat melakukan pelacakan kembali. Dengan menerapkan metode segmentasi mean-shift, region growing, dan SURF diharapkan dapat meningkatkan akurasi dari CAMSHIFT dalam melakukan pelacakan objek.
5
2.2. Perumusan Masalah Berdasarkan latar belakang diatas, permasalahan yang akan dibahas dalam penelitian ini adalah: -
Bagaimana menerapkan metode CAMSHIFT sebagai pelacak objek dan menggunakan segmentasi mean-shift dan region growing untuk lokalisasi objek, serta penggabungannya dengan metode SURF sebagai suatu kesatuan sistem pelacak objek?
-
Seberapa
besar
peningkatan
akurasi
dari
CAMSHIFT
yang
digabungkan dengan segmentasi mean-shift, region growing, dan SURF dengan CAMSHIFT yang digabungkan dengan segmentasi mean-shift dan region growing, CAMSHIFT yang digabungkan dengan SURF, dan CAMSHIFT sederhana?
2.3. Tujuan Penelitian Tujuan dari penelitian ini adalah: -
Menerapkan metode segmentasi mean-shift dan region growing untuk lokalisasi objek, SURF untuk menemukan kembali objek, dengan tujuan untuk meningkatkan akurasi dari pelacak objek menggunakan CAMSHIFT.
2.4. Manfaat Penelitian Manfaat yang diharapkan dalam penelitian ini adalah : -
Mengetahui peningkatan akurasi dari pelacak objek dan cara kerja dari CAMSHIFT dan metode-metode yang diterapkan sehingga dapat menjadi pengetahuan untuk penelitian selanjutnya.
6
-
Menyediakan pelacak objek dengan akurasi yang lebih tinggi dari pada sebelumnya.
2.5. Ruang Lingkup Ruang lingkup dari penelitian ini adalah: -
Penelitian ini mensimulasikan pelacak objek dengan menggunakan Microsoft Visual Studio 2010 Ultimate dan menggunakan Library OpenCV 2.4.5.
-
Penelitian pelacak objek dengan menggunakan metode CAMSHIFT, akan difokuskan pada tingkat akurasi dari pelacakan objek, bukan dari kecepatan pelacakan objek.
-
Mengevaluasi kinerja dari segi akurasi pada CAMSHIFT yang telah digabungkan dengan metode segmentasi mean-shift, region growing, dan SURF.
-
Dataset yang digunakan adalah dataset BoBoT (Bonn Benchmark on Tracking) dimana terdiri dari 12 video. Namun dari keseluruhan video, akan dipilih video dengan kasus yang berbeda.
