BAB 2 TINJAUAN PUSTAKA. Pada saat ini motion capture banyak ditemukan dalam berbagai bidang,

BAB 2 TINJAUAN PUSTAKA

2.1.

Motion Capture Pada saat ini motion capture banyak ditemukan dalam berbagai bidang,

terutama pada dunia animasi dalam pembuatan film, industri game, analis bio mekanik dan lain–lain [3]. Dengan semakin berkembangnya industri film dan game maka saat ini bidang motion capture telah mengalami perkembangan yang sangat pesat pula. Produk motion capture yang ada saat ini biasanya menggunakan optik, magnetik ataupun alat mekanikal motion capture dengan menggunakan pakaian khusus ataupun marker di seluruh tubuh. motions capture didefinisikan sebagai pembentukan representasi objek 3D secara live, game development adalah pasar terbesar untuk motion capture dengan pendapatan seperti pendapatan produksi film [1]. Pada umumnya ada dua tipe utama karakter animasi objek 3D yang digunakan dalam permainan yaitu: real-time playback dan cinematics, real-time playback memungkinkan

pemain

untuk

memilih

dari

pre-created

moves,

sehingga

pengendalian bergerak dalam real-time. Sedangkan cinematics adalah animasi full render yang biasa digunakan untuk intro dan cut-scenes dalam game. Cinematics umumnya tidak penting untuk game-play, tetapi menambahkan banyak visualisasi ke permainan dan sangat membantu dalam pengembangan cerita. Motion capture banyak digunakan dalam film saat ini, motion capture dalam animasi penting untuk

UNIVERSITAS SUMATRA UTARA

menciptakan karakter yang bergerak secara realistis, dalam situasi yang tidak praktis atau terlalu berbahaya untuk aktor. Beberapa karakter film memerlukan penggunaan motion capture supaya gerakan animasi tampak nyata [3]. Motion capture dapat memberikan penghematan waktu yang besar untuk proyek animasi. Motion capture dapat membuat proses animasi lebih mudah, terutama ketika menciptakan karakter animasi yang realistis, seperti interaksi dari beberapa karakter 3D, atau ketika karakter terlibat dalam aktifitas olahraga. Animasi sederhana, seperti karakter yang sedang berdiri tanpa melakukan hal yang jauh lebih mudah dan lebih realistis ketika menggunakan motion Capture [6].

2.1.1. Bidang aplikasi Video game sering menggunakan motion capture untuk menganimasikan atlet, seniman bela diri, dan karakter dalam game, hal ini telah dilakukan sejak game Atari Jaguar berbasis CD Highlander: The Last dari MacLeods, dirilis pada tahun 1995. Motion capture mulai digunakan secara intensif untuk memproduksi film yang mensimulasikan tampilan bioskop secara live-action, dengan hasil hampir mendekati fotorealistik dari model karakter digital [9]. The Polar Express menggunakan motion capture untuk memungkinkan Tom Hanks dapat tampil beberapa karakter dalam bentuk berbeda. Film adaptasi tentang Beowulf tahun 2007 adalah karakter animasi digital yang penampilanmnya didasarkan sebagian pada para aktor yang memberikan gerakan mereka dan suara. James Cameron's Avatar menggunakan teknik ini untuk menciptakan Na'vi penghuni


Pandora. Walt Disney Company telah mengumumkan bahwa mereka akan mendistribusikan Robert Zemeckis's A Christmas Carol dan Tim Burton's Alice in Wonderland menggunakan teknik ini. Disney juga telah melakukan akuisisi Zemeckis Image Movers digital yang memproduksi film motion capture. Film seri televisi yang diproduksi sepenuhnya dengan animasi motion capture termasuk Laflaque di Kanada, Sprookjesboom dan Cafe de Wereld di Belanda, dan Headcases di Inggris [9]. Selama pembuatan film James Cameron's Avatar semua adegan yang dilakukan pada proses ini di diarahkan secara realtime dengan menggunakan kostum pada aktor dengan motion cupture yang terlihat seperti di film, sehingga memudahkan Cameron untuk mengarahkan film seperti pada viewer. Metode ini memungkinkan Cameron untuk melihat adegan-adegan yang tidak dapat dilihat dari pandangan dan sudut dari animasi.

2.1.2. Sistem dan metode motion capture Motion tracking atau motion capture dimulai sebagai sebuah alat analisis fotogrametri dalam penelitian biomekanika pada 1970-an dan 1980-an, dan diperluas ke pendidikan, pelatihan, olahraga, animasi, bioskop, dan video game sebagai teknologi baru. Seorang aktor memakai penanda atau marker pada masing-masing joint untuk mengidentifikasi gerak seperti pada Gambar 2.1. Akustik, inertial, LED, marker magnetik atau reflektif, atau kombinasi dari semua gerakan ini diulang beberapa kali sesuai dengan tingkat frekuensi yang diinginkan, untuk posisi submillimeter [9].


Gambar 2.1. Reflektif marker menempel pada kulit untuk mengidentifikasi landmark tulang dan gerakan 3D dari bagian tubuh [9] 2.1.3. Optical system Sistem optik memanfaatkan data yang diambil dari sensor untuk melakukan tracking pada posisi 3D dari sebuah objek dengan satu atau beberapa kamera yang telah dikalibrasi. Pengambilan data secara tradisional dilaksanakan dengan menggunakan marker khusus yang melekat pada aktor yang menyebabkan data yang dihasilkan tidak akurat. Namun dengan sistem terbaru dari optical system mampu menghasilkan data yang akurat dengan melakukan tracking permukaan fitur yang di


identifikasi secara dinamis untuk setiap objek. Dalam memperluas area tracking dan daerah capture para aktor melakukan dengan penambahan kamera, sistem ini menghasilkan data dengan pergeseran 3 derajat untuk setiap marker [9].

2.1.4. Marker pasif Sistem marker pasif menggunakan marker yang dilapisi dengan material yang bersifat “retroreflective” yang mampu merefleksikan kembali cahaya yang dihasilkan dekat dengan lensa kamera. Threshold dari kamera bisa diatur sedemikian rupa hingga hanya cahaya terang hasil refleksi marker yang akan disampel dan tidak melakukan sampling terhadap kulit dan kain yang ada pada aktor. Centroid dari marker adalah hasil estimasi dari perhitungan image dua dimensi yang ditangkap. Nilai keabuan atau graysclae value dari setiap piksel dapat digunakan untuk menyediakan akurasi dari sub piksel dengan menemukan centroid dari Gaussian. Sebuah objek dengan posisi marker yang telah diketahui digunakan untuk melakukan kalibrasi kamera dan mendapatkan posisinya dengan distorsi lensa setiap kamera telah diukur [9]. Secara umum sistem yang ada menggunakan 6 sampai 24 kamera. Vendor memiliki kendala perangkat lunak untuk mengurangi masalah dari marker swapping karena semua marker tampak identik. Tidak seperti sistem marker aktif dan sistem magnetik, sistem pasif tidak membuat aktor untuk menggunakan kawat atau peralatan elektronik [1].


Gambar 2.2. Contoh beberapa marker ditempatkan di titik-titik tertentu pada tubuh dan wajah aktor selama adegan motion capture [9] Sebaliknya, ratusan bola karet melekat dengan selotip reflektif yang perlu diganti secara berkala. Marker biasanya menempel langsung ke kulit seperti dalam biomekanik, atau mereka dipasang pada pakain actor yang mengenakan full body yang dirancang khusus untuk motion capture seperti pada Gambar 2.2 [9].

2.1.5. Marker aktif Sistem optikal aktif melakukan triangulasi posisi dengan memperlihatkan satu LED dengan waktu yang sangat cepat atau beberapa LED dengan software untuk mengidentifikasi LED terhadap posisi relatif dengan memantulkan kembali cahaya yang dihasilkan secara eksternal, pada marker sendiri mempunyai kemampuan untuk memancarkan cahayanya sendiri. Salah satu penerapan nya adalah pada serial TV ("Stargate SG1") diproduksi menggunakan sistem optik aktif untuk VFX (Visual


Effects). Aktor harus berjalan di sekitar alat peraga hal ini akan menyulitkan untuk penggunaan sistem marker aktif [9]. 2.1.6. Time modulated active marker Sistem marker aktif adalah sistem marker dengan menyalakan satu penanda pada waktu tertentu, atau melakukan tracking beberapa marker dalam waktu tertentu dengan melakukan modulasi dari amplitudo untuk mendapatkan indentitas. Resolusi spasial 12 megapiksel pada sistem yang termodulasi menunjukkan pergerakan lebih halus dari sistem optik 4 megapiksel yang memiliki resolusi yang lebih tinggi. Dengan sistem ini sutradara dapat melihat gerakan aktor secara real time pada motion capture, penempatan marker yang akurat akan mengurangi nilai error sehingga dapat menghasilkan data yang lebih bersih [1].

2.1.7. Semi-passive imperceptible marker Sebuah sistem yang didasarkan pada kamera kecepatan tinggi, sistem ini menggunakan multi-LED proyektor berkecepatan tinggi yang murah. Sistem ini dirancang secara khusus pada ruang motion capture. Dibandingkan penggunaan retro-reflektif atau LED marker, sistem ini menggunakan tag marker foto sensitif untuk memproses sinyal optik pada poin scene, tag dapat menghitung tidak hanya lokasi pada setiap titik, tetapi juga orientasi, pencahayaan, dan reflektansi [9].


2.1.8. Markerless motion capture Teknik dan penelitian dalam visi komputer menuju perkembangan pesat dari pendekatan motion capture beralih ke markerless motion capture, sistem seperti yang dikembangkan di Stanford, University of Maryland, MIT, dan Max Planck Institute dalam melakukan tacking objek tidak memakai peralatan khusus akan tetapi dengan system komputer yang dirancang khusus dan diterapkan pada sistem untuk menganalisisa beberapa aliran input optik dan mengidentifikasi bentuk tersebut untuk tracking [10], seperti pada Gambar 2.3.

Gambar 2.3. Contoh aplikasi markerless dalam mendeteksi gerakan ekspresi wajah [ 10]


2.2.

Principal Component Analysis (PCA) Principal Component Analysis (PCA) adalah teknik reduksi dimensi yang

umum digunakan pada aplikasi pemorosesan citra dan sinyal processing seperti pada Gambar 2.4 [4]. Untuk mewakili benda yang mampu terdeformasi, baik dalam 2D dan 3D. Tujuan utama dari PCA adalah untuk pemadatan data atau pengurangan dimensi. Komponen yang tidak berkorelasi diberi nama “Principal Component”, yang terbukti sesuai dengan nilai-nilai eigen terbesar dan eigen vektor dari matrik varians-kovarians dari data sampel [4]. y

luas sebaran titik

arah sebaran titik

x

Gambar 2.4. Contoh PCA dari distribusi Gaussian multivariat [4]

Sumbu panjang menunjukkan arah sebaran titik dengan varians terbesar sedangkan sumbu pendek menunjukkan luas sebaran titik, untuk sumbu panjang dijadikan sebagai komponen utama (Principal Component) dan kemudian baru sumbu


yang pendek. Principal Component Analysis (PCA) merupakan teknik linier untuk memproyeksikan data vektor yang berdimensi tinggi ke vektor yang mempunyai dimensi lebih rendah, Principal Component Analysis (PCA) lebih banyak digunakan untuk keperluan ektraksi fitur gambar, dimana jumlah dimensi dari gambar jauh lebih besar dibandingkan dengan jumlah data sampel yang digunakan. Untuk melakukan proyeksi sampel vektor dari gambar pelatihan, semua gambar pelatihan disusun dalam bentuk vektor baris. Apabila vektor gambar pelatihan mempunyai dimensi mxn tersebut diortogonalisasi dengan menentukan eigenvector dan eigenvalue, maka dimensinya akan berubah menjadi mxm, dimana m
............................(2.1)

jika n>>m dimana n merupakan dimensi gambar, dan m adalah jumlah gambar yang dilatih. Berdasarkan persamaan (2.1) maka rata-rata seluruh data sampel dapat dihitung dengan menggunakan persamaan (2.2). Hasil persamaan (2.2) merupakan vektor yang berbasis nilai rata-rata, karena jumlah dimensi adalah n, maka nilai ratarata seluruh data adalah (

).


............................................................(2.2) Nilai rata-rata nol (zero mean) dari suatu sampel data dapat dihitung dengan mengurangkan nilai masing-masing data sampel dengan rata-rata data jumlah seluruh data sampel. Persoalannya adalah dimensi yang tidak sama antara data sampel (mxn), sedangkan dimensi dari rata-rata seluruh data sampel (1xm). Matrik rata-rata gambar data sampel yang telah digandakan sebanyak m kali dapat ditulis menggunakan persamaan (2.3).

................................. (2.3)

Dan nilai dari berlaku

pada baris ke i = nilai baris ke i + 1 dan , maka hasil persamaan (2.3) dapat digunakan

untuk menghitung zero mean. Zero mean data dapat dimodelkan menggunakan persamaan (2.4) [4]. ...........................................................................(2.4)

Atau dapat dimodelkan menggunakan matrik seperti persamaan berikut:


..............................................(2.5)

Hasil perhitungan zero mean digunakan untuk mendapatkan nilai matrik konvarian selain dapat dimodelkan menggunakan persamaan (2.5), juga dilakukan dengan mengalikan transpos zero mean, seperti pada persamaan (2.6). ....................................................(2.6)

Matrik konvarian disusun dari nilai-nilai varian yang telah ditentukan, dengan model simetris. Untuk dua parameter yaitu xi dan xi+1, maka matrik konvarian dapat ditulis seperti pada persamaan (2.4). Untuk 3 parameter dan n parameter persamaan dapat ditulis seperti pada persamaan (2.7) dan (2.8).

..................................(2.7)


....(2.8)

Berdasarkan persamaan (2.8), maka dimensi dari konvarian menjadi mxn, dengan berkurangnya jumlah dimensi yang sangat signifikan pada matrik konvarian, maka akan menyebabkan berkurangnya dimensi pada saat menentukan eigenvector.

......(2.9)

............................................. (2.10)

Untuk mendapatkan ciri dari suatu data sampel yang di representasikan dalam bentuk matrik, maka dihitung eigenvector dan eigenvalue dari matrik konvarian. Jika C adalah matrik bujur sangkar dengan ukuran sembarang m>1, maka vektor tidak nol pada Rn disebut eigenvector dari C jika ditunjukan pada persamaan (2.10). Skala

suatu penggandaan skalar dari

,

tersebut sebagai eigenvalue dari C dan


disebut sebagai eigenvector dari C yang berpadanan terhadap , untuk mendapatkan eigenvector dan eigenvalue, maka dapat ditunjukan pada persamaan (2.11). ................................................................................. (2.11)

.....................................................................(2.12) Atau dapat dituliskan menggunakan persamaan (2.13) berikut:

......................(2.13)

......................................(2.14)

Hasil dari persamaan (2.14) adalah berupa vektor, yaitu eigenvalue diurutkan secara menurun dari nilai paling besar menuju nilai yang paling kecil . Eigenvector

yang bersesuaian dengan nilai terbesar dari

eigenvalue mempunyai ciri yang paling dominan, sedangkan nilai eigenvector yang bersesuaian dengan eigenvalue yang paling kecil mempunyai ciri paling tidak doniman.


2.3.

Active Appearance Models (AAM) AAM erat terkait dengan konsep aktif blobs dan model morphable, non-linear,

generatif, dan parametrik model dari fenomena visual tertentu untuk memaksimalkan "match point" antara contoh model dan citra masukan [11,14]. Model parameter yang kemudian digunakan dalam aplikasi tertentu. Sebagai contoh, parameter dapat dimasukkan ke classifier untuk menghasilkan algoritma pada pengenalan wajah [12]. Pendekatan yang biasa secara iteratif memecahkan update aditif tambahan untuk parameter (bentuk dan koefisien penampilan). Mengingat perkiraan parameter bentuk citra masukan ke koordinat frame model dan kemudian untuk menghitung kesalahan model. AAM merupakan metode pembelajaran statistik, yang dilatih dari sebuah kelas obyek non-rigid dalam hal ini wajah. AAM bekerja dengan fitting model untuk sebuah parameter gambar suatu optimasi pencari jenis obyek [13]. Tujuan dari pencarian ini adalah untuk mencapai deskripsi parameter obyek dalam citra. Active Appearance Models memiliki sekumpulan model template deformable, dan dapat dipahami sebagai metode pencocokan template yang canggih [1]. 2.4.

Analisis Procrustes Korespondensi dan analisis bentuk memainkan peran yang penting dalam

bidang komputer vision, tidak hanya dalam menentukan korespondensi, tetapi juga menentukan validitas algoritma yang digunakan untuk menempatkan landmark di lokasi yang akurat. Analisis harus didefinisikan dengan baik sehingga tidak bias dan menyeluruh dalam evaluasi. Procrustes analisis yang digunakan adalah analisis bentuk kaku yang menggunakan skala isomorfis, translation, dan rotasi untuk menemukan


adanya kesesuaian antara dua atau lebih bentuk landmark. Analisis procrustes adalah orthogonal atau biasa disebut Generalized Orthogonal Procrustes Analysis (GPA) digunakan untuk korespondensi bentuk karena sifat orthogonal rotasi matriks. Gower telah memerankan peran penting dalam pengenalan dan derivasi dari analisis Procrustes ortogonal pada tahun 1971-1975. Meskipun Hurley dan Cattell pertama kali menggunakan istilah analisis procrustes pada tahun 1962 dengan metode yang tidak membatasi untuk transformasi sebuah matriks ortogonal [15]. Pada teknik ini mengeksplorasi bentuk dan mempertahankannya. Tabel 2.1. Algoritma generalized orthogonal procrustes analysis (GPA) [15]

1. Memililih satu bentuk menjadi bentuk perkiraan rata-rata awal (yaitu set bentuk pertama). 2. Menyejajarkan posisi bentuk dengan bentuk mean perkiraan. a. Menghitung centroid masing-masing bentuk (atau sekumpulan Landmark). b. Menyelaraskan semua bentuk centroid ke bentuk asal. c. Menormalkan centroid setiap bentuk ukuran. d. Memutar bentuk masing-masing untuk menyelaraskan dengan rata-rata perkiraan terbaru. 3. Mengitung rata-rata perkiraan baru dari bentuk selaras. 4. Jika rata-rata perkiraan dari langkah 2 dan 3 berbeda kembali ke langkah 2, jika tidak, berarti telah menemukan bentuk mean sebenarnya dari himpunan.

Analisis procrustes memiliki beberapa keunggulan, terutama pada pendekatan proses korespondensi pada bentuk, kompleksitas algoritmanya rendah sehingga memungkinkan untuk diimplementasi dengan mudah. Selain itu Generalized Orthogonal Procrustes Analysis (GPA) merupakan solusi praktis untuk penyelarasan obyek yang mirip. Analisis Procrustes adalah cara yang efektif untuk menyesuaikan bentuk bahkan Hurley dan Cattell menulis bahwa analisis procrustes cocok untuk feat


brutal terhadap pengambilan hampir semua data [15]. Gambar 2.5 distribusi titik yang merepresentasikan bentuk tangan setelah dilakukan proses rata-rata yang diberikan pada warna merah [15].

y

x

Gambar 2.5. Distribusi titik yang merepresentasikan bentuk tangan setelah dilakukan proses rata-rata yang diberikan pada warna merah [15]


2.4.1. Translasi Tahap translasi memindahkan semua bentuk ke pusat dasarnya, titik awalnya adalah (0,0) ini adalah yang paling mungkin untuk mewakili titik pusat umumnya, namun tidak secara eksklusif begitu. Sebagai contoh berikut ini titik asal yang akan menjadi pusat umum.

.....................................(2.15)

.......................(2.16)

Dimana: X: k x m matriks koordinat dari Landmark k dalam dimensi m (m=2 atau 3) Xc: baru koordinat dari X berpusat pada titik asal Titik pusat dihitung dari jumlah kolom matriks X dibagi dengan jumlah landmark (sejumlah baris). Setelah titik pusat dihitung kemudian mengurangkan titik pusat dari setiap elemen di pusat akan matriks itu pada titik asal [1].

2.4.2. Isomorphic Scaling Skala isomorfik adalah teknik manipulasi yang mentransformasikan bentuk yang lebih kecil atau lebih besar sambil mempertahankan rasio proporsi bentuk.


Normalisasi adalah jenis transformasi isomorfik yang berguna untuk skala bentuk pada ukuran yang sama.

..................................................................(2.17)

X: koordinat X berpusat pada titik asal Xn: koordinat X berpusat dan normalisasi

2.4.3.

Rotasi Bila matriks telah disesuaikan dan diskalakan selanjutnya akan dilakukan

proses rotasi. Pada saat melakukan rotasi perlu dilakukan penyelarasan semua bentuk ke satu bentuk target. X: koordinat X berpusat dan normalisasi. Q: rotasi ortogonal matriks untuk menyelaraskan X dengan rata-rata. : rata-rata matriks. Rotasi akan menggunakan eucidean/frobenius normal di mana ||A||=trace (A'A), yang merupakan jumlah kuadrat dari elemen A[2]. Jadi, akan meminimalkan perbedaan antara rata-rata dan merotasikan bentuk matriks dengan menggunakan jumlah kuadrat. ..........................................................(2.18)

karena,

maka didapatkan persmaan (2.19)


........(2.19) Oleh karena bagian pertama tidak mengandung Q, maka: ...........................................(2.20) Dengan Menggunakan dekomposisi nilai singular dari

dan properti

cyclic dari trace maka dapat dilihat pada persamaan ( 2.21). …....(2.21) H=V'QU adalah ortogonal (pxp) matriks karena merupakan produk dari orthogonal matriks. Dengan demikian, memiliki persamaan (2.22). ..................................................(2.22) Oleh karena itu, karena si adalah bilangan tidak-negatif dan trace (SH) adalah maksimum pada saat hii= 1 untuk i = 1, 2 ... p (nilai maksimal dari suatu matriks ortogonal), memiliki persamaan (2.23). .................................................................(2.23) Sehingga Q minimum || XQ -

|| adalah: ............................................................................(2.24)

Oleh karena itu rotasi tersebut diselesaikan dengan mengalikan VU' ke X matriks agar selaras dengan matrik

[1].


BAB 2 TINJAUAN PUSTAKA. Pada saat ini motion capture banyak ditemukan dalam berbagai bidang,

Recommend Documents