9BAB V.
10KESIMPULAN DAN SARAN
10.1. KESIMPULAN Pada penelitian ini pengembangan pelacak objek CAMSHIFT telah dilakukan menggunakan metode segmentasi mean-shift dan region growing yang diterapkan pada tahap lokalisasi objek dimana bertujuan untuk menghindari informasi latar belakang dari objek atau untuk mengambil informasi warna yang relevan dengan objek, SURF digunakan untuk mengekstrak fitur dan pencocokan fitur SURF untuk mendapatkan kembali lokasi dari objek ketika objek dinyatakan hilang. Penerapan metode segmentasi mean-shift, region growing, dan SURF pada pelacak objek CAMSHIFT bertujuan untuk meningkatkan akurasi dari pelacakan objek. Berdasarkan penelitian yang telah dilakukan, penggunaan metode segmentasi mean-shift, region growing, dan SURF, serta pengembangan yang telah diterapkan, terbukti dapat meningkatkan akurasi dari pelacak objek. Berdasarkan pembahasan dan uji coba yang dilakukan dalam penelitian ini, maka kesimpulan yang dapat diambil untuk menjawab perumusan masalah adalah: -
Peningkatan yang diperoleh jika dilihat berdasarkan tingkat akurasi pada CAMSHIFT yang digabungkan dengan segmentasi mean-shift, region
growing,
dan
SURF
dan
CAMSHIFT
peningkatan yang diperoleh adalah 39,42%.
125
sederhana,
126
-
Peningkatan yang diperoleh jika dilihat berdasarkan tingkat akurasi pada CAMSHIFT yang digabungkan dengan segmentasi mean-shift, region growing, dan SURF dan CAMSHIFT yang digabungkan dengan segmentasi mean-shift dan region growing saja, peningkatan yang diperoleh adalah 15,77%.
-
Peningkatan yang diperoleh jika dilihat berdasarkan tingkat akurasi pada CAMSHIFT yang digabungkan dengan segmentasi mean-shift, region growing, dan SURF dan CAMSHIFT yang digabungkan dengan SURF saja, peningkatan yang diperoleh adalah 18,1%.
10.2. DISKUSI Penggunaan dari segmentasi mean-shift dan region growing untuk lokalisasi objek yang diusulkan oleh (Hidayatullah, 2011) merupakan cara yang tepat untuk memperoleh informasi warna dari objek yang ingin dilacak, karena CAMSHIFT menggunakan fitur warna dari objek berupa histogram warna sebagai model objek. Dengan demikian untuk menghasilkan citra distribusi probabilitas yang sangat baik berdasarkan histogram yang telah diperoleh. Namun penggunaan segmentasi mean-shift dan region growing membutuhkan sedikit waktu untuk melakukan pemilihan bagian-bagian objek yang merupakan bagian penting dari objek, karena pengguna harus menentukan wilayah pada suatu objek yang ingin diperoleh informasi warnanya. Penentuan objek yang dilacak hilang yang diusulkan oleh (Li, Zhang, Zhou, Guo, Wang, & Zhao, 2011) menggunakan bhattacharyya distance merupakan cara yang sederhana dan cukup efektif untuk menilai apakah objek
127
yang dilacak hilang. Pada penelitian ini perhitungan bhattacharyya distance dilakukan terhadap histogram hue-distance, saturation, dan value. Berbeda dari penelitian sebelumnya yang hanya menggunakan histogram hue untuk menilai apakah objek hilang. Penggunaan ketiga komponen dilakukan karena mungkin saja pada warna latar belakang yang mirip dengan warna objek, memiliki nilai saturation atau value yang berbeda dengan objek. Sehingga dengan penggunaan tiga komponen dapat lebih menilai apakah objek yang dilacak merupakan objek yang salah. Namun dengan penggunaan ketiga komponen tersebut membuatnya sensitif terhadap perubahan iluminasi, sehingga SURF akan sering digunakan pada kasus dimana sering terjadi perubahan iluminasi. Penggunaan metode SURF yang digunakan untuk menemukan kembali objek yang hilang sangat membantu CAMSHIFT untuk melakukan pelacakan kembali. Namun sering juga terjadi kesalahan pelacakan pencocokan fitur SURF. Pembuatan mask yang digunakan pada tahap pemilihan objek untuk membatasi wilayah-wilayah ketika SURF mendeteksi fitur sangat diperlukan. Dengan penggunaan mask tersebut mencegah SURF mendeteksi fitur dari latar belakang objek. Pembuatan mask untuk frame untuk membatasi wilayah pada frame ketika SURF mengekstrak fitur merupakan hal yang sangat penting, karena merupakan salah satu kunci untuk keberhasilan pencocokan fitur SURF. Selain itu, dari percobaan yang dilakukan dengan penggunaan mask tersebut dapat mempercepat waktu komputasi dari SURF, karena hanya wilayah tertentu yang digunakan. Sehingga pencocokan fitur SURF dapat lebih efektif. Namun pembuatan mask dengan memanfaatkan nilai ekstrem belum cukup baik untuk mengeliminasi pixel-pixel yang tidak merepresentasikan objek. Sehingga dibutuhkan cara lain
128
untuk mengeliminasi pixel-pixel yang tidak merepresentasikan lokasi atau keberadaan objek. Dari pengujian yang telah dilakukan, dapat diketahui kemampuan dari sistem pelacak objek yang dibangun. (Yilmaz, Javed, & Shah, 2006) Melakukan perbandingan secara kualitatif dari pelacak berdasarkan model geometrik. Perbandingan kualitatif dilakukan berdasarkan : -
Pelacakan terhadap satu objek atau lebih dari satu objek
-
Kemampuan mengatasi gangguan (Objek yang tampil hanya sebagian, objek sepenuhnya tertutup)
-
Membutuhkan pelatihan
-
Model dari pelacakan
-
Membutuhkan inisialisasi manual
Dimana Init. menunjukan inisialisasi. # menunjukan jumlah objek yang dilacak, M menunjukan lebih dari satu objek, S menunjukan hanya satu objek, A menunjukan affine atau homography, T pergerakan pelacakan terhadap translasi, S pergerakan pelacakan terhadap perubahan skala, R pergerakan pelacakan terhadap perubahan rotasi, P menunjukan sistem dapat melakukan pelacakan meskipun objek tertutup sebagian, F menunjukan sistem dapat melakukan pelacakan meskipun objek sepenuhnya tertutup. Simbol √ dan × menunjukan dimana metode pelacak objek membutuhkan atau tidak membutuhkan pelatihan atau inisialisasi.
129
Tabel 10.1 Perbandingan kualitatif sistem pelacak berdasarkan model geometrik (Yilmaz, Javed, & Shah, 2006)
Simple template matching Mean-shift [Comaniciu et al. 2003] KLT [Shi and Tomasi 1994] Appearance Tracking [Jepson et al. 2003] Layering [Tao et al. 2002] Bramble [Isard and MacCormick 2001] EigenTracker [Black and Jepson 1998] SVM [Avidan 2001]
# S S S S M M S S
Motion T T+S A T+S+R T+S+R T+S+R A T
Training Occ. Init × P √ × P √ × P √ × P √ × F × √ F × √ P √ √ P √
Berdasarkan parameter pada perbandingan secara kualitatif dari sistem pelacak tersebut, sistem pelacak objek yang dibangun pada penelitian ini menggunakan CAMSHIFT sebagai pelacak objek yang didukung dengan segmentasi mean-shift, region growing, dan SURF. Sistem pelacak objek yang dibangun melakukan pelacakan untuk satu objek (S), Model pelacakan dapat mengikuti objek ketika objek mengalami perubahan translasi (T), skala (S), rotasi (R), tidak membutuhkan pelatihan (×), dapat melakukan pelacakan ketika objek yang tampil hanya sebagian (P), dan bahkan objek yang sepenuhnya tertutup(F) namun tergantung dari kondisi dari objek yang dilacak. Pada pengujian video yang kesembilan, objek beberapa kali tertutup oleh objek orang yang menghalangi atau mengganggu objek tersebut, namun jika objek yang mengganggu atau menutupi tersebut memiliki warna yang sangat mirip dengan warna objek, sistem dapat melakukan pelacakan terhadap objek meskipun objek sepenuhnya tertutup. Terakhir membutuhkan inisialisasi (√), yaitu membutuhkan histogram warna sebagai model objek, dan penentuan nilai ekstrem yang merupakan hal yang sangat penting untuk pembuatan mask.
130
Selain itu, (Athanesious & Suresh, 2013) melakukan implementasi dari beberapa metode pelacak objek, dan melakukan perbandingan kualitatif terhadap metode-metode pelacak objek. Tabel 10.2 Perbandingan kualitatif dari metode pelacak objek. (S:Single, M:Multiple, P:Partial, F:Full, Symbol √ dan × menunjukan apakah pelacak mampu atau tidak mengatasi permasalahan) (Athanesious & Suresh, 2013) S.no
Methodologies
Mean shift
Cam Shift
1.
Category
2. 3. 4. 5. 6. 7. 8. 9.
No of object tracked Color Based Noise Content Overlapping Flexibility Template Based Complex Object Manual initialization
Kernel based M √ × F P √ P √
Kernel based S √ × F P √ P √
Simple Template Matching Kernel based S × × P P √ P √
Contour Based Tracking Sillhouette based M × √ F F × F ×
Berdasarkan pada tabel perbandingan secara kualitatif dari penelitian (Athanesious & Suresh, 2013), sistem pelacak objek yang dibangun pada penelitian ini hanya melakukan pelacakan terhadap satu objek (tunggal), dimana menggunakan CAMSHIFT sebagai pelacak objeknya yang menggunakan fitur warna berupa histogram warna sebagai model objek. Dengan penggunaan CAMSHIFT akan mampu melakukan pelacakan terhadap objek yang memiliki bentuk yang kompleks (objek mengalami perubahan bentuk dan perubahan skala). Berdasarkan penelitian oleh (Bradski & Clara, 1998) CAMSHIFT mampu mengatasi noise pada citra karena menggunakan fitur warna dan penggunaan nilai ekstrem yang dapat digunakan untuk mengeliminasi noise dari suatu frame.
131
Seperti yang telah dijelaskan sebelumnya, CAMSHIFT melakukan pelacakan berdasarkan persebaran distribusi dari citra distribusi probabilitas. Ukuran dan lokasi dari search window ditentukan oleh kepadatan suatu distribusi. Dengan demikian kotak batas yang dihasilkan dari pelacak objek CAMSHIFT sesuai dengan besarnya objek yang muncul. Berbeda dengan pelacak objek dengan mean-shift yang tidak melakukan perubahan terhadap ukuran dari search window meskipun objek yang dilacak bersembunyi (objek yang tampil hanya sebagian kecil). Namun yang merupakan hal penting dalam hal ini adalah sistem pelacak objek yang dibangun dalam penelitian ini dapat menilai apakah objek yang dilacak merupakan objek yang benar. Dan jika objek dinyatakan hilang, sistem dapat menemukan kembali objek yang hilang, dimana pada penelitian ini menggunakan SURF, sehingga CAMSHIFT dapat melakukan pelacakan kembali. Namun pada penelitian ini hanya menggunakan fitur warna dari objek yang digunakan untuk menilai apakah objek yang dilacak hilang.
10.3. SARAN Setelah pembahasan dan uji coba yang telah dilakukan, maka dapat diketahui hal-hal yang mungkin dapat dikembangkan diwaktu yang akan datang untuk menghasilkan sistem pelacak objek yang lebih baik. Saran yang dapat diberikan setelah hasil penelitian ini adalah: -
Penambahan metode lain yang digunakan untuk membatasi wilayah ketika SURF mendeteksi fitur, misalnya menggunakan metode segmentasi foreground-background menggunakan model codebook (Kim, Chalidabhongse, & David Harwiid, 2005).
