BAB 2 LANDASAN TEORI 2.1 Automatic Number Plate Recognition Automatic Number Plate Recognition atau yang disingkat dengan ANPR adalah metode yang digunakan sebagai pengawasan kendaraan yang menggunakan pengenalan karakter optik pada gambar, metode ini bekerja dengan membaca plat nomor kendaraan. Pada pengenalan plat nomor ini dapat menggunakan kamera (CCTV) yang berada diarea parkir kendaraan, mau pun di daerah lalu lintas atau daerah khusus yang dirancang untuk tugas tertentu. Berikut rancangan alur Automatic Number Plate Recognition pada sebuah objek menurut K.M Sajjad.(2010) Automatic License Plate Recognition using Python and OpenCV, 7-2.
Flowchart 2.1 Proposed System (Sumber : K.M, Sajjad , 2010 ,7-2)
7
8
Pada rancangan tersebut ditujukan untuk mengidentifikasi jenis plat nomor untuk kendaraan pribadi, untuk mendukung rancangan tersebut K.M Sajjad menggunakan Infra Red Camera yang bertujuan agar ketika pada kondisi malam hari kamera tetap dapat menangkap objek plat nomor, semakin banyak titik infrared pada kamera maka akan semakin jelas dalam pencitraan gambar yang ditangkap kamera dan kualitas gambar yang dihasilkan pun akan bagus. Namun, kondisi ini pun menimbulkan problem, ketika gambar yang dihasilkan kamera mempunyai hasil kualitas yang bagus kondisi ini akan mempengaruhi system dan akibatnya system menjadi lambat, maka dari itu K.M Sajjad menggunakan dua proses dalam preprocessing, Resize proses ini digunakan untuk memproses gambar dari kamera yang berukuran besar, Convert Color Space proses ini digunakan untuk memproses gambar dari kamera mode RGB dirubah kedalam bentuk Grayscale.
Gambar 2.1 Localization (Sumber : K.M, Sajjad , 2010 ,7-2) Proses selanjutnya untuk lebih memudahkan proses Automatic Number Plate Recognition yaitu Localization atau dalam pencitraan gambar sering disebut dengan
9
Thresholding, proses ini bertujuan membuang bagian yang tidak dibutuhkan dan memfokuskan pencitraan gambar pada area palt nomor yang akan diproses pada sistem, ketika area plat nomor sudah didapatkan fokusnya dengan batas batasan yang diberikan, maka proses selanjutnya yaitu Connected Component Analysis dimana proses ini berfungsi untuk mengidentifikasi dengan cara menggabungkan pixel pada karakter dan memberikan label pada setiap karakter, fungsi dari label itu adalah untuk memudahkan saat proses segmentation terjadi, segmentasi adalah proses pemotongan karakter berdasarkan label.
Gambar 2.2 Segmented blobs (Sumber : K.M, Sajjad , 2010 ,7-2) Proses ini juga digabungkan dengan algoritma yang berfungsi membuang bagian yang tidak termasuk dalam plat nomor, ketika sudah mendapatkan karakter plat nomor utuh, Optical Character Recognition (OCR) akan menerjemahkan kedalam ASCII. Berikut hasil percobaan yang dilakukan oleh K.M Sajjad. Table 2.1 Accuracy Analysis (Sumber : K.M, Sajjad , 2010 ,7-2) Operation
Sample
Success
Fail
Success Ratio
10
License plate localization
100
92
8
92%
Character Separation
92
88
4
95.7%
Character Recognition
88
83
5
94.3%
Selanjutnya rancangan alur Automatic number plate recognition pada sebuah objek menurut
Chirag Patel, Dipti Shah, PhD, Atul Patel, PhD.(2013) Automatic
Number Plate Recognition System (ANPR): A Survey 69-9. Pada rancangannya ini mereka mempertimbangkan bagian kualitas gambar dan tingkat keberhasilan pencitraan gambar dengan objek yang berjalan cepat, itu didasari dari empat faktor yang menjadi pertimbangan. 1. Ukuran Plat, ini dikarenakan setiap plat nomor mempunyai ukuran yang berbedabeda. 2. Penempatan Plat Nomor, plat nomor sendiri dapat diletakan dimana saja. 3. Warna dasar plat nomor, warna dasar pada plat nomor berbeda, seperti perbedaan plat nomor pemerintahan dan plat nomor kendaraan umum atau pribadi. 4. Sekrup atau baut, dalam ALPR biasanya ini dapat terdeteksi sebagai karakter.
Sebuah plat nomor dapat diekstraksi dengan menggunakan metode segmentasi. Ada banyak metode segmentasi yang tersedia dalam berbagai literatur. Dalam sebagian besar metode binerisasi gambar yang digunakan. Beberapa penulis menggunakan metode Otsu untuk binerisasi agar dapat mengkonversi gambar warna menjadi binary. Binerisasi adalah proses untuk menkonversi gambar menjadi hitam dan putih. Dalam metode ini, metode ini juga memiliki kriteria untuk menentukan gambar yang
11
bernilai hitam dan putih, agar hasil konversi grayscale ini menghasilkan kualitas yang baik maka digunakan juga Adaptive Thresholding. Blob Detection digunakan untuk mendeteksi titik-titik atau daerah yang berbeda dalam kecerahan warna dan membandingkan dengan lingkungan. Tujuan utama dari pendekatan ini adalah untuk menemukan daerah yang tidak terdeteksi oleh edge detection atau corner detection. Berikut hasil rata-rata plate detection. Table 2.2 Number Plate Detection Rate (Sumber : Chirag Patel, Dipti Shah, PhD, Atul Patel, PhD , 2013 ,69-9) Image size
Success Rate (in %)
1024 X 768
96,5
640 X 480
Not reported
720 X 576
90,1
Not reported
87
640 X 480
97,3
236 X 48
Not reported
640 X 480
97,16
Automatic Vehicle Identification adalah rancangan yang diusulkan dalam jurnal Reshma P dan Tushar Patnik,(2012) Noise Removal and Blob Identification Approach for Number Plate Recognition 47-8, rancangan ini mengusung metode real time system. Rancangan difokuskan pada gambar miring, karakter unaligned di plat nomor, resolusi yang berbeda dan kondisi pencahayaan yang berbeda. Metode yang digunakan yang diusulkan membagi seluruh sistem menjadi lima bagian. Pertama Image Acquisition dan Preprocessing sebagai input. Kedua deteksi area plat nomor dari inditified blob, classification algorithm digunakan untuk membedakan
12
blob pada area plat nomor. Ketiga adalah segmentasi karakter plat nomor dan hasil Keempat terhadap identified plat nomor. Dan yang kelima validasi dimasukkan untuk menyediakan otentikasi kendaraan.
Flowchart 2.2 Flowchart of Localization (Sumber: Reshma P dan Tushar Patnik,2012, 47-8)
13
Kombinasi OpenCV dan Visual C ++ yang digunakan untuk computer vision. Karena sifatnya open source dan OpenCV pun dapat digunakan sebagai library real time system. Visual Studio 2008 memungkinkan organisasi dari berbagai ukuran untuk secara cepat membuat lebih secure dan dapat digunakan pada windows operating system. Pada rancangannya kamera akan mengmbil objek plat nomor kendaraan pada posisi depan dan belakang kendaraan, ini bertujuan untuk memilih rasio gambar yang layak untuk dilakukan proses ALPR, pada saat proses Preprocessing objek plat nomor kendaraan berwarna dibutuhkan beberpa tahapan. Objek plat nomor kendaraan berwarna di atas pertama-tama dikonversi ke grayscale. Kemudian proses Morphology Top Hat dijalankan. Operasi Morphology Top Hat ini digunakan untuk menghilangkan noise pada gambar.
Gambar 2.3 Output of Top Hat Operation
14
(Sumber: Reshma P dan Tushar Patnik,2012, 47-8) Threshold adalah operasi pengolahan citra digital dimana pixel objek gambar yang dipotong untuk dua nilai tergantung pada nilai ambang batas. Operasi ini digunakan untuk mengkonversi gambar ke biner dan melokalisasi plat dari citra kendaraan.
Gambar 2.4 Output of Thresholding (Sumber: Reshma P dan Tushar Patnik,2012, 47-8) Localization mengacu pada ekstraksi daerah diperlukan dari gambar kendaraan. Daerah kepentingan penelitian adalah wilayah plat nomor dan karenanya plat nomor dan beberapa bagian kendaraan diperoleh dengan teknik ekstraksi.
15
Pada jurnal Ronak P Patel, Narendra M Patel, Keyur Brhambhatt,(2013) Automatic License Plate Recognition, 285-294. Pada rancangan yang dibuat terbagi menjadi tiga, yaitu Number Plate extraction, Character Segmentation dan Recognition Number Plate. Berikut gambar flowchart algoritma
Gambar 2.3 Flowchart Algoritma
16
Dalam rancangannya diterapkan beberapa perbaikan yang bertujuan untuk membuat suatu kualitas inputan yang lebih baik, dengan memfokuskan pada factor linkungan yang mempengaruhi kualitas pencahayaan pada plat nomor. Pada tahap preprocessing image yang diinputkan mempunyai channel warna RGB kemudian dikonversi ke grayscale, hal ini dilakukan untuk mempercepat pemrosesan, meningkatkan kontras image dan mengurangi noise pada image.
