Perancangan Program Penghitungan Kepadatan Pengunjung Pada Area Pasar Swalayan Menggunakan Metode Histogram Of Oriented Gradients Alexander A S Gunawan; Haryono Soeparno; Janice Cecilia Gondo ABSTRACT Humans have needs that cannot be avoided, namely household needs. Therefore, there is a market as a means of buying and selling needs. One of them is the supermarket, as a means of spending that takes into account aspects of shopping convenience, ease, and more practical. Today, however, it’s difficult to obtain in the convenience of the supermarket, because the crowd of visitors who are not evenly distributed in a certain area, thus making it difficult to move visitors supermarket. This paper discusses the design of solutions to problems using sophisticated technology to overcome these problems, by using a detection area in a crowd of people at the supermarket, which can determine the level of overcrowding. The method used to solve such problems is the histogram of oriented gradients (HOG). The reason this method is the use of this method can detect and count the crowd, even in running condition, with considerable accuracy. By knowing the density, the parties may consider setting up the supermarket goods in the supermarket area, with more effective and efficient. Keywords : supermarket, convenience, visitors, density, HOG ABSTRAK Manusia memiliki kebutuhan yang tidak dapat dihindari, yaitu kebutuhan rumah tangga. Oleh sebab itu, ada pasar sebagai sarana jual beli kebutuhan tersebut. Salah satunya yaitu pasar swalayan, sebagai sarana pembelanjaan yang mempertimbangkan aspek kenyamanan berbelanja, kemudahan, dan lebih praktis. Namun sekarang ini, kenyamanan sulit diperoleh di dalam pasar swalayan, karena kerumunan para pengunjung yang tidak merata pada area tertentu, sehingga menyebabkan sulitnya pergerakan pengunjung pasar swalayan. Makalah ini membahas rancangan solusi permasalahan menggunakan kecanggihan teknologi untuk mengatasi masalah tersebut, dengan menggunakan deteksi kerumunan manusia pada area dalam pasar swalayan, yang dapat mengetahui tingkat kepadatan pengunjung. Metode yang digunakan untuk memecahkan masalah tersebut yaitu histogram of oriented gradients (HOG). Alasan penggunaan metode ini adalah metode ini dapat mendeteksi dan menghitung kerumunan orang, walaupun dalam kondisi berjalan, dengan cukup akurat. Dengan mengetahui tingkat kepadatan, pihak pasar swalayan dapat mempertimbangkan pengaturan barang di area pasar swalayan, dengan lebih efektif dan efisien. Kata Kunci : pasar swalayan, kenyamanan, pengunjung, kepadatan, HOG
PENDAHULUAN Dewasa ini perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) khususnya dalam bidang Teknologi Informasi sangat pesat. Hampir seluruh bidang-bidang dalam kehidupan sehari-hari menggunakan Teknologi Informasi, mulai dari melakukan perulangan, data intensif, tugas komputasi (Dalal, Finding People in Images and Videos, 2006, p. 1). Informasi sekarang ini berperan sangat penting karena dengan adanya informasi dapat mempermudah seseorang untuk mengambil suatu keputusan. Dengan hadirnya Teknologi Informasi dapat memudahkan seseorang untuk menyelesaikan pekerjaannya atau dapat membantu memberikan solusi terhadap suatu permasalahan yang ada dalam kehidupan nyata. Tidak mengherankan, jika saat ini teknologi informasi terus dikembangkan untuk mengerjakan tugas yang lebih sulit lagi. Dalam hal ini, akan dibahas mengenai hubungan Teknologi Informasi (TI) dalam upayanya mengurangi kepadatan kerumunan pengunjung pada area pasar swalayan. Tujuan dibangun pasar swalayan, sebagai sarana perbelanjaan yang mempertimbangkan aspek kenyamanan, kemudahan berbelanja, dan lebih praktis. Namun sekarang ini, kenyamanan sulit diperoleh di dalam pasar swalayan, karena kerumunan para pengunjung yang tidak merata pada area tertentu, sehingga menyebabkan sulitnya pergerakan pengunjung pasar swalayan. Oleh sebab itu, terpikirkanlah suatu sistem yang memanfaatkan kecanggihan teknologi untuk menghitung kepadatan pengunjung pada area dalam pasar swalayan sehingga dengan mengetahui tingkat kepadatan, pihak pengelola pasar swalayan dapat mengatur lokasi barangnya sedemikian sehingga kepadatan pengunjung pada area tertentu dapat dihindari, sehingga pengunjung dapat lebih leluasa dan nyaman berbelanja. PEMBAHASAN Kebutuhan manusia tidak lepas dari pasar, sebagai tempat jual beli kebutuhan rumah tangga. Salah satu pasar yang sering dikunjungi sekarang adalah pasar swalayan. Dengan jumlah pengunjung yang semakin banyak, keleluasaan dan kenyamanan dalam berbelanja sulit diperoleh karena kerumunan pengunjung yang tidak merata dalam area tertentu. Oleh sebab itu terpikirkanlah suatu sistem untuk mendeteksi dan menghitung jumlah manusia dalam kerumunan sehingga dengan mengetahui tingkat kepadatan, pihak pengelola pasar swalayan dapat mengatur lokasi barangnya sedemikian sehingga kepadatan pengunjung pada area tertentu dapat dihindari, sehingga pengunjung dapat lebih leluasa dan nyaman berbelanja. Dari hasil analisis mengenai keinginan untuk mengetahui tingkat kepadatan pengunjung di area tertentu pada pasar swalayan yang dapat memberi acuan pada pengambilan keputusan, diusulkan sebuah perancangan program untuk mendeteksi dan menghitung jumlah manusia dalam kerumunan pengunjung yang hasilnya dapat dijadikan acuan pengambilan keputusan oleh pihak perusahaan. Di mana proses pendeteksian dan penghitungan menggunakan metode histogram of oriented gradients dan classifier support vector machine dengan data input berupa image dan webcam. Metode histogram of oriented gradients digunakan sebagai detector pada gambar yang akan dideteksi sehingga menghasilkan output berupa vector yang akan diklasifikasi oleh support vector machine. Langkah pertama dalam metode histogram of oriented gradients adalah mengaplikasikan gambar yang dinormalisasi dengan pemerataan global yang opsional yang dirancang untuk mengurangi pengaruh efek pencahayaan. Yang digunakan adalah normalisasi menggunakan
kompresi gamma, yaitu dengan cara menghitung akar kuadrat atau log dari setiap channel warna. Kekuatan tekstur gambar biasanya sebanding dengan pencahayaan permukaan lokal sehingga kompresi ini membantu mengurangi efek local shadow dan variasi iluminasi. Langkah kedua adalah menghitung gradient dari gambar. Gradien dari suatu gambar dapat diperoleh dengan penyaringan dengan filter 2 dimensi yaitu filter vertikal dan horisontal. Yang pertama dilakukan adalah gambar dikonversi dalam bentuk grayscale untuk menghindari keharusan untuk mempertimbangkan kontribusi intensitas yang berbeda untuk setiap bidang warna (RGB). Metode yang biasa digunakan adalah 1-D centered, dengan matriks seperti berikut: 1, 0, 1 Menggunakan rumus derivatif parsial untuk fungsi image , : a. Untuk sumbu : b. Untuk sumbu : Akan diperoleh nilai dan yang digunakan untuk menghitung gradient: a. Magnitude (besar gradient): b. Orientasi gradient (dalam sudut): tan Langkah ketiga bertujuan untuk menghasilkan pengkodean yang sensitif terhadap konten gambar lokal, namun tetap tahan terhadap perubahan kecil dalam pose dan penampilan. Gambar dibagi menjadi beberapa daerah dengan ruang kecil yang disebut sel. Untuk setiap sel akan diakumulasikan histogram 1-D lokal atau orientasi tepi pada semua pixel dalam sel. Kombinasi cell-level histogram 1-D membentuk representasi histogram orientasi dasar. Setiap histogram orientasi membagi berbagai sudut gradient menjadi angka tetap dalam bins yang telah ditentukan. Besarnya gradient dari pixel dalam sel digunakan untuk vote ke dalam histogram orientasi. Misalnya akan dibangun histogram yang didistribusikan melalui 0° 180° dengan sejumlah channel sama dengan 9, maka untuk pemberian vote dalam histogram adalah sebagai berikut: a. Semua gradient dengan besar sudut 0° 20° memberikan vote untuk channel 1. b. Semua gradient dengan besar sudut 20° 40° memberikan vote untuk channel 2. c. Dan seterusnya. Langkah keempat menghitung normalisasi, yang mengambil kelompok sel dan menormalisasi respon kontras secara keseluruhan. Hal ini dilakukan dengan mengakumulasi ukuran histogram dari grup sel yang disebut blok. Hasilnya akan digunakan unuk menormalisasi setiap sel dalam blok. Cara menghitung normalisasi histogram dalam blok: 1) L1 – norm: / ; ; yaitu L1 –norm yang diikuti akar kuadrat, jumlah untuk 2) L1 – sqrt: / memperlakukan vector descriptor sebagai distribusi peluang. 3) L2 – norm: / ; 4) L2 – Hys, L2 – norm diikuti oleh clipping ( dibatasi nilai maksimum sampai 0,2) dan renormalizing (Lowe, 2004) di mana merupakan vector yang tidak dinormalisasi. standar ke-k dan sebuah konstanta kecil. Langkah kelima yaitu mengumpulkan descriptor dari semua blok yang merupakan overlapping grid yang mencakup detection window ke dalam feature vector gabungan untuk
digunakaan dalam cla assifier. Yangg digunakann sebagai desscriptor paraameter seriess adalah R-H HOG. Deskriptoor blok R-H HOG mengggunakan sel berbentuk grid persegii atau perseegi panjang yang overlap. R-HOG meenghitung grid (yyang mendefinisikan anngka sel padda tiap blok)) dari piixel sel yang g masing-maasing menganndung bins, dimana adalahh parameter.
Gaambar 1 R-H HOG sel Jadi apabbila dengan asumsi a mem miliki: 1)) Jendela uk kuran 2)) Sel – sel pixel p sel) (total ada 3)) Histogram m 9 channel blok) 4)) Blok sel tanpa overlap (sebbanyak 7 Akan dipperoleh descrriptor akhir ukuran: u . SVM merupaakan metode learning machine yaang bekerja atas prinsipp Structural Risk Minimizaation (SRM)) dengan tujuan menem mukan hyperllane terbaik yang memisahkan dua buah class (kaategori) pad da input spaace. Prinsipp dasar SVM M adalah liinear classiffier, dan seedang dikembanngkan agar dapat d bekerja pada non-llinear. U Untuk mengeecek apakah dalam winddow tersebutt terdapat manusia m atau tidak, digunnakan SVM claassifier untuk k memisahkaan human daan nonhumann. Pada SVM classifier dan d algoritm ma klasifikasi yang berrusaha mem misahkan seebuah hyperlane optimal (C Cristianini & Shawe-Tayylor, 2000).
m n class -1 dann +1 Gambarr 2 SVM dallam upayanyya mencari hyyperlane terrbaik untuk memisahkan G Gambar 2.4a menunjukkaan ada beberapa patternn yang meruppakan anggoota dari dua buah class: +11 dan -1. Problem P klaasifikasi dappat diterjemaahkan denggan usaha menemukan m garis (hyperlanne) yang memisahkan m n kedua claass tersebutt. Berbagai alternativee garis pem misah (discrimiination boun ndaries) ditunjukkan padda gambar 2.4a. G Gambar 2.4b b menunjukkkan pengguunaan garis hyperlane yang mem misahkan 2 class dengan margin m terten ntu. Formula dari linear hyperline h yaang memisahhkan kedua class: c
∑ Nilai dapat diperoleh dari rumus di mana merupakan vektor contoh (HOG descriptor examples), merupakan label data training positif atau negatif 1 1 dan merupakan konstanta pengali (multiplier). Garis hyperlane akan membagi menjadi 2 class, positif dan negatif. Penentuan class dilakukan dengan cara: a. Class 1 apabila nilai 0 b. Class 1 apabila nilai 0 Sementara penentuan margin dilakukan dengan cara: di mana adalah margin yang terdekat dengan daerah class yang terdekat dengan daerah class 1 (negatif). dan adalah sama, yang didapat melalui formula: Nilai
1 (positif) dan
adalah margin
sehingga untuk memaksimalkan nilai margin, dapat dilakukan dengan cara meminimalisasi nilai . Untuk jalannya algoritma Histogram of Oriented Gradients sebagai deskriptor adalah sebagai berikut:
Gambar 3 Algoritma Histogram of Oriented Gradients 1) Pada Gambar 3 bagian atas (a) merupakan image asli yang akan dites. Gambar kedua merupakan image setelah dinormalisasi menggunakan normalisasi warna dan gamma sehingga warnanya menjadi lebih gelap. 2) Pada Gambar 3 bagian ketiga adalah gambar hasil komputasi gradient menggunakan metode 1-D centered, dengan matriks seperti berikut: 1, 0, 1 Menggunakan rumus derivatif parsial untuk fungsi image , : a. Untuk sumbu : b.
Untuk sumbu :
Akan diperoleh nilai dan yang digunakan untuk menghitung gradient: a. Magnitude (besar gradient): b. Orientasi gradient (dalam sudut): tan 3) Pada Gambar 3 bagian keempat, gambar dibagi atas daerah-daerah kecil yang disebut sel. Dalam sel masing - masing dibagi atas 9 channel yang memberikan vote untuk interval sudut tertentu, dan digunakan dalam menentukan histogram yang dibuat. 4) Pada Gambar 3 bagian terakhir, sel – sel akan dibuat dalam bentuk kumpulan sel yang disebut blok. Dalam normalisasinya digunakan: L2 – hys: / ; dengan nilai v dibatasi sampai 0,2. Berikut adalah flowchart jalannya program pendeteksian dan penghitungan jumlah manusia:
Gambar 4 Flowchart Pada flowchaart, saat algooritma dijalaankan, user akan a memiliih cara detekksi menggunnakan image ataau webcam. Apabila meemilih imagee, maka userr akan diminnta memasukkkan image yang akan diddeteksi. Apaabila memiliih webcam, user akan diminta mengaktivasi m fungsi webbcam. Setelah user u memilih mode apaa yang akann dipakai dallam pendeteeksian, makaa algoritma akan lanjut pada human detection. d Huuman detectiion menggunnakan 2 langgkah, yaitu HOG H (Histoggram VM (Suppoort Vector Machine) M cllassifier. Seetelah of Oriennted Gradieents) descripptor dan SV mendetekksi manusiaa, algoritma berlanjut pada p human computatioon, yaitu penghitungan hasil jumlah orang o yang berhasil b dideeteksi. Setelaah detectionn dan compuutation selesaai, program akan menampiilkan output dari hasil deeteksi dan peenghitungann jumlah mannusia. D Dalam peran ncangan proggram aplikaasi ini, penuulis menggunnakan kompputer dan syystem operasi dengan d spesifikasi sebagai berikut: a. Intel I Core 2 Duo Processor T5500 b. RAM R 2GB c. OS: O Window ws 7 Ultimatte-32 bit Program yang g digunakan: a. Microsoft M Vissual Studio C# C 2010.
Pada program ini, dilakukan data testing menggunakan 20 sampel image yang diambil dalam kondisi yang berbeda.
Tabel 1 Hasil pengujian program dan perbandingan dengan penghitungan manual Image setelah dideteksi Hasil Hasil Jumlah kesalahan penghitungan penghitungan program manual 1 1 0
1
1
0
4
5
1
4
4
0
2
3
1
7
10
3
4
6
2
9
9
0
1
1
0
2
1
1
3
2
1
4
5
1
1
1
0
1
1
0
3
3
0
2
2
0
5
5
0
2
2
0
Jumlah
3
6
3
2
2
0
61
70
13 ∑
100%
∑ Sehingga,
13 74
100%
18,57 %
Dari hasil penghitungan tingkat kesalahan, dapat disimpulkan tingkat keakuratan penghitungan program 100% 18,57% 81,43%. PENUTUP
Kesimpulan yang diperoleh adalah perancangan program dapat dipergunakan dalam pendeteksian dan penghitungan jumlah manusia, sehingga program dapat digunakan untuk penghitungan pengunjung dalam pasar swalayan dan hasil penghitungan dapat digunakan sebagai acuan dalam pengambilan keputusan perusahaan demi meningkatkan kenyamanan berbelanja, dengan hasil penghitungan dengan tingkat keakuratan sebesar 81,43%. Adapun saran – saran yang dapat diberikan demi pengembangan rancangan program deteksi manusia menggunakan metode histogram of oriented gradients ini adalah: a. Memaksimalkan penggunaan data training dan data testing serta meminimalisasi generalisasi kesalahan sehingga hasil penghitungan dapat lebih akurat. b. Pengklasifikasian menggunakan image sehingga untuk ke depannya dapat dikembangkan dengan menggunakan data realtime c. Pengklasifikasian menggunakan Support Vector Machine. Classifier yang lain seperti Neuro Computing, Haarcascade dan AdaBoost dapat digunakan sebagai pembanding untuk menemukan hasil yang terbaik. d. Meneliti dan meminimalisasi faktor-faktor penghambat yang lain seperti terdeteksinya obyek lain sebagai manusia, keterbatasan ukuran pixel image yang digunakan.
DAFTAR PUSTAKA Anzivino, A., & Spampani, M. (2009). HOG-Processing: A Library for Pedestrian Detection. Cristianini, N., & Shawe-Taylor, J. (2000). Statistical Learning Theory. Cambridge University Press. Dalal, N. (2006). Finding People in Images and Videos. Dalal, N., & Triggs, B. (2005). Histogram of Oriented Gradients for Human Detection. Montbonnot, France. Effendi, A. P. (2010). Deteksi Obyek Pejalan Kaki Menggunakan Metode Principal Component Analysis dan Support Vector Machine. Lowe, D. (2004). Distinctive Image Features from Scale-Invariant Keypoints. Mohan, A., Papageorgiou, C., & Poggio, T. (2001). Example-based Object Detection in Images by Component. Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support Vector Machine. Paryono, P., Kurniawan, E., & Wibowo, E. (2008). Citra Digital. Pressman, R. S. (2010). Software Engineering : A Practioner's Approach 7th. McGrawHill. Rowley, H., Baluja, S., & Kanade, T. (1998). Neural Networks based face detection. Viola, P., & Jones, M. (2001). Rapid Object Detection Using a Boosted Cascade of Simple Features. Hawaii, USA.
Perancangan Program Penghitungan Kepadatan Pengunjung Pada Area Pasar Swalayan Menggunakan Metode Histogram Of Oriented Gradients Alexander A S Gunawan; Haryono Soeparno; Janice Cecilia Gondo ABSTRACT Humans have needs that cannot be avoided, namely household needs. Therefore, there is a market as a means of buying and selling needs. One of them is the supermarket, as a means of spending that takes into account aspects of shopping convenience, ease, and more practical. Today, however, it’s difficult to obtain in the convenience of the supermarket, because the crowd of visitors who are not evenly distributed in a certain area, thus making it difficult to move visitors supermarket. This paper discusses the design of solutions to problems using sophisticated technology to overcome these problems, by using a detection area in a crowd of people at the supermarket, which can determine the level of overcrowding. The method used to solve such problems is the histogram of oriented gradients (HOG). The reason this method is the use of this method can detect and count the crowd, even in running condition, with considerable accuracy. By knowing the density, the parties may consider setting up the supermarket goods in the supermarket area, with more effective and efficient. Keywords : supermarket, convenience, visitors, density, HOG ABSTRAK Manusia memiliki kebutuhan yang tidak dapat dihindari, yaitu kebutuhan rumah tangga. Oleh sebab itu, ada pasar sebagai sarana jual beli kebutuhan tersebut. Salah satunya yaitu pasar swalayan, sebagai sarana pembelanjaan yang mempertimbangkan aspek kenyamanan berbelanja, kemudahan, dan lebih praktis. Namun sekarang ini, kenyamanan sulit diperoleh di dalam pasar swalayan, karena kerumunan para pengunjung yang tidak merata pada area tertentu, sehingga menyebabkan sulitnya pergerakan pengunjung pasar swalayan. Makalah ini membahas rancangan solusi permasalahan menggunakan kecanggihan teknologi untuk mengatasi masalah tersebut, dengan menggunakan deteksi kerumunan manusia pada area dalam pasar swalayan, yang dapat mengetahui tingkat kepadatan pengunjung. Metode yang digunakan untuk memecahkan masalah tersebut yaitu histogram of oriented gradients (HOG). Alasan penggunaan metode ini adalah metode ini dapat mendeteksi dan menghitung kerumunan orang, walaupun dalam kondisi berjalan, dengan cukup akurat. Dengan mengetahui tingkat kepadatan, pihak pasar swalayan dapat mempertimbangkan pengaturan barang di area pasar swalayan, dengan lebih efektif dan efisien. Kata Kunci : pasar swalayan, kenyamanan, pengunjung, kepadatan, HOG INTRODUCTION Today the development of Science and Technology (Science and Technology), especially in the field of information technology very rapidly. Nearly all areas of daily life use of Information Technology, ranging from looping, data intensive computing tasks (Dalal, Finding
People in Images and Videos, 2006, p. 1). This information play a very important now because of the existence of information can make it easier for someone to take a decision. With the presence of information technology can make it easier for someone to finish the job or can help provide a solution to a problem that exists in real life. Not surprisingly, if the current information technology being developed to do the task more difficult. In this case, we will discuss the relationship of Information Technology (IT) in an attempt to reduce the density of the crowd of visitors at area supermarkets. Purpose built supermarket, a shopping tool that considers aspects of comfort, convenience shopping, and more practical. Today, however, it’s difficult to obtain in the convenience of the supermarket, because the crowd of visitors who are not evenly distributed in a certain area, thus making it difficult to move visitors supermarket. Therefore, we taught a system that utilizes sophisticated technology to calculate the density of visitors to the area in the supermarket so that by knowing the density, the manager of the supermarket can set the location of the goods so that the density of visitors in certain areas can be avoided, so that visitors can more freely and convenient shopping. DISCUSSION Human needs can not be separated from the market, as a place to purchase household necessities. One market that is now frequented the supermarket. With the growing number of visitors, flexibility and convenience in shopping is difficult to obtain because the crowds are uneven in certain areas. Therefore we taught a system to detect and count the number of people in the crowd so that by knowing the density, the manager of the supermarket can set the location of the goods so that the density of visitors in certain areas can be avoided, so that visitors can be more flexible and convenient shopping. From the analysis of the desire to know the level of overcrowding in certain areas of the supermarket that can give a reference to the decision-making, proposed a design program to detect and count the number of people in the crowd that the results can be used as a reference by the company's decision-making. Where the detection and counting using the method of histogram of oriented gradients and support vector machine classifier with the data input form and the webcam image. Histogram of oriented gradients method is used as a detector on the image to be detected so as to produce an output vector will be classified by a support vector machine. The first step in the histogram of oriented gradients method is to apply a normalized image with the optional global equity designed to reduce the influence of lighting effects. Used were normalized using gamma compression, which by calculating the square root or log of each color channel. Strength of the texture image is usually proportional to the local surface lighting so that compression helps reduce the local effects of shadow and illumination variations. The second step is to calculate the gradient of the image. Gradient of an image may be obtained by filtering with a filter which filters two-dimensional vertical and horizontal. The first is done is converted to grayscale images to avoid having to consider the contribution of different intensity for each area of color (RGB). The usual method is 1-D centered, with a matrix as follows: 1, 0, 1 Using derivative partial formula for image function , : a. for coordinates:
b. foor
coordinates
will obtaained the valu ue of and a. Magnitude M off gradient:
that used to t count the value of graadient:
b. O Orientation of gradient (inn degree): T third steep aims to produce The p codding that is sensitive too local imagge content, while w remaininng resistant to small chhanges in poose and apppearance. Im mage is diviided into seeveral regions with w a small space calledd a cell. For each e cell will be accumuulated local 1-D histograam or edge orientation on all the pixxels within the cell. Coombination of cell-leveel 1-D histoogram formed thhe basis of the t orientation histogram m representaation. Each orientation o h histogram divides the gradiient angle raange into nuumbers remaain in the biins that have been deterrmined. Graadient magnitudde of pixels in the cell used u to votee in the orieentation histoogram. For example, will be constructted a histog gram that is distributed through thee with a num mber of chaannels equal to 9, 9 then vote for the admiinistration of the histogrram is as folllows: a. Gradient with ang gle gives votte for channeel 1. gle gives voote for channnel 2. b. Gradient with ang c. Etc. T fourth sttep count noormalizationn, which takkes groups of The o cells andd normalizing the overall contrast response. This is done by accumulating a g a histogram m of the sizee of the grouup of cells called a block. The T result will w be used for f pushing normalizing n each cell in the block. How to calculate c the histogram normalization n n in the blocck: 1) L – norm: L1 ; 2) L – sqrt L1 ; thhat is L1 –nnorm follow wed by the square roott, the nuumber of deescriptor vecttor to treat as a a distributiion opportunnity. 3) L – norm: L2 ; 4) L – Hys, L2 L2 2 – norm follows by clippping ( limitted to a maxximum valuee of to ) and reenormalizing g (Lowe, 20004) Where is not a norm malizing vecctor. k standard and is thee little constaant. k-th T fifth step The p is to collect all the deescriptor of an overlapping grid bloocks coverinng the detectionn window in n a combineed feature veector for use in the claassifier. Usedd as a descrriptor parameteer is R-HOG G series. R-H HOG descripttor blocks used the cell--shaped squaare or rectanngular grid of overlap. R-HOG computes grid (which deefines the nuumber of cellls in each block) b from pixel cell each of whhich containns bins, whhere i a parameteer. is
1) 2)
Figure 1 R-HO OG cell So if the assu umptions havve: W Windows sizee Pixel cells (total bee cells)
3) Histogram 9 channel 4) Cell block 2 2 with no overlap (as much as 7 15 blocks) Descriptor is the final size will be obtained: 7 15 2 2 9 3780. SVM is a machine learning method that works on the principle of Structural Risk Minimization (SRM) in order to find the best hyperlane that separates two classes (categories) in the input space. The basic principle of SVM is a linear classifier, and is being developed in order to work on a non-linear. To check whether the window is there a human or not, used SVM classifier to separate the human and nonhuman. In the SVM classifier and classification algorithms that attempt to separate an optimal hyperlane (Cristianini & Shawe-Taylor, 2000).
Figure 2 SVM in its efforts to find the best hyperlane to separate the classes -1 and +1 Figure 2a indicates there is some pattern that is a member of two classes: +1 and -1. Classification problem can be translated to the business of finding the line (hyperlane) that separates the two classes. Various alternative dividing line (discrimination boundaries) is shown in Figure 2a. Picture 2b shows the use hyperlane line that separates two classes with a certain margin. Formula of linear hyperlane that separates 2 class: ∑ Value of can be obtained from formula where is HOG descriptor examples vector, is label data positive or negative training 1 1 and is multiplier constant. Hyperlane line will divide into two classes, positive and negative. Determination of class done by: a. Class 1 if value of 0 b. Class 1 if value of 0 While the determination of the margin is done by: Where is the nearest margin from class 1 (positive) and 1 (negative). Value of dan is same, that obtained through formula:
is the nearest margin from class
So as to maximize the value of the margin, can be done by minimizing the value of . For the course of the algorithm Histogram of Oriented Gradients as descriptors are as follows:
Figure 3 Algoritma of Histogram of Oriented Gradients 1) At the top of Figure 3 there is an original image to be tested. The second image is the image after normalized using the normalization of the color and gamma so that the color becomes darker. 2) In figure 3 third section is picture from gradient computation, using 1-D centered methods, with a matrix as follows: 1, 0, 1 Using derivative partial formula for image function , : a. for coordinates: b. for
coordinates:
will obtained the value of and a. Magnitude of gradient:
that used to count the value of gradient:
b. Orientation of gradient (in degree): tan 3) In Figure 3 the fourth section, the image is divided into small areas called cells. In each cell - each channel is divided into 9 to vote for a certain angle interval, and is used in determining the histogram is created.
4) Inn Figure 3 laast section, the t cells willl be made inn the form off a collectionn of cells callled a block. The no ormalizationn is used: L – hys: L2 ; L2 – norm follow ws by clippping ( limited to a maxiimum value of to ) Berikut adalah a flowcchart jalannyya program pendeteksian p n dan penghitungan jumllah manusia:
Gambar 4 Flowchart Inn the flowch hart, when the t algorithm m is executeed, the user will choosee how to usse the image deetection or webcam. w Whhen selectingg the imagee, the user will w be prom mpted to enteer the image to be detected d. When seleecting a webbcam, the usser will be asked a to activate the webbcam function. Once the user selects thhe mode thaat will be useed in the dettection, the algorithm a will go on humaan detection.. Human deetection usinng a second step, the HOG H (Histoggram of Orieented Gradients) descriptorrs and SVM M (Support Vector V Machhine) classifiier. After deetecting a huuman, the algorrithm contin nues to hum man computaation, the caalculation off the numbeer of people who successfuully detected d. After the detection and a the compputation is completed, c t program the m will display thhe output off the detectioon and counting the numbber of peoplle. Inn designing an applicatiion program m, the authorr uses compputers and operating o sysstems with the following sp pecificationss: I Core 2 Duo Processor T5500 a. Intel b. RAM R 2GB
c.
OS: Windows 7 Ultimate-32 bit Program that used: a. Microsoft Visual Studio C# 2010. In this program, carried out testing the data using the 20 image samples are taken under different conditions. Tabel 1 The results of the testing program and comparison with manual counting Image after detection Result of Result of Manual Number of Errors Calculation Counting Program 1 1 0
1
1
0
4
5
1
4
4
0
2
3
1
7
10
3
4
6
2
9
9
0
1
1
0
2
1
1
3
2
1
4
5
1
1
1
0
1
1
0
3
3
0
2
2
0
5
5
0
2
2
0
Jumlah
3
6
3
2
2
0
61
70
13
100%
∑ Sehingga,
13 74
100%
18,57 %
From the results of a calculation error rate, we can conclude the accuracy of the calculation program 100% 18,57% 81,43%. CLOSING The conclusion is the design of the program can be used in detecting and counting the number of people, so the program can be used to count visitors in the supermarket and the calculation results can be used as a reference in corporate decision-making in order to enhance convenience of shopping, with the calculation results with accuracy rates of 81, 43%. As for advice - advice that can be provided for the development of the draft program of human detection using histogram of oriented gradients are: a. Maximize the use of training data and testing the data and minimizes the generalization error that can be more accurate tally. b. Classification using image making for the future can be developed using real-time data. c. Classification using Support Vector Machine. Classifier such as Neuro Computing, Haarcascade and AdaBoost can be used as a comparison to find the best results. d. Researching and minimize the inhibiting factors such as detection of other objects as a human being, the limited size of the image pixels are used. BIBLIOGRAPHY Anzivino, A., & Spampani, M. (2009). HOG-Processing: A Library for Pedestrian Detection.
Cristianini, N., & Shawe-Taylor, J. (2000). Statistical Learning Theory. Cambridge University Press. Dalal, N. (2006). Finding People in Images and Videos. Dalal, N., & Triggs, B. (2005). Histogram of Oriented Gradients for Human Detection. Montbonnot, France. Effendi, A. P. (2010). Deteksi Obyek Pejalan Kaki Menggunakan Metode Principal Component Analysis dan Support Vector Machine. Lowe, D. (2004). Distinctive Image Features from Scale-Invariant Keypoints. Mohan, A., Papageorgiou, C., & Poggio, T. (2001). Example-based Object Detection in Images by Component. Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003). Support Vector Machine. Paryono, P., Kurniawan, E., & Wibowo, E. (2008). Citra Digital. Pressman, R. S. (2010). Software Engineering : A Practioner's Approach 7th. McGrawHill. Rowley, H., Baluja, S., & Kanade, T. (1998). Neural Networks based face detection. Viola, P., & Jones, M. (2001). Rapid Object Detection Using a Boosted Cascade of Simple Features. Hawaii, USA.
