DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM

DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM Charles Edison Chandra; Herland Jufry; Sofyan Tan Jurusan Sistem Komputer, Fakultas Ilmu Komputer, Universitas Bina Nusantara, Jln. K.H. Syahdan No. 9, Kemanggisan, Palmerah, Jakarta Barat 11480 [email protected]

ABSTRACT In this thesis were made an algorithm to detect road lane and estimating the position and angle of the camera to the road lane that found. In the implementation uses a camera to take a sample image and then will be processed using the Multiresolution Hough Transform as one of the main methods in detection of road lan. Computional Cost results which obtained in algorithms are slow, it takes an average of 4.329301 seconds, but the algorithm has its own advantages which are not only able to detect road lane, but also can estimate the position and angle of the camera to the road lane. With an average position error of 2.0520 cm and the average angular error of 1.355500. Keywords: Hough Transform, Multiresolution Hough Transform, Line Segment, Inverse Perspective Mapping, Road Lane.

ABSTRAK Pada skripsi ini dibuat suatu algoritma untuk mendeteksi marka jalan serta mengestimasikan posisi dan sudut dari kamera terhadap marka jalan yang di temukan. Pada implementasinya menggunakan sebuah kamera untuk mengambil sample citra yang kemudian akan di proses dengan menggunakan Multiresolution Hough Transform sebagai salah satu metode utama dalam pendeteksian marka jalan. Hasil Computional Cost yang didapatkan pada algoritma ini termasuk lambat yaitu dengan waktu rata-rata yang dibutuhkan sebesar 4.329301 detik, namun pada algoritma ini memiliki kelebihan tersendiri yaitu tidak hanya bisa mendeteksi marka jalan namun juga dapat mengestimasikan posisi dan sudut kamera terhadap marka jalan dengan baik. Dengan eror posisi rata-rata sebesar 2.0520 cm dan eror sudut ratarata sebesar 1.35550. Kata kunci: Hough Transform, Multiresolution Hough Transform, Line Segment, Inverse Perspective Mapping, Marka Jalan.

PENDAHULUAN Lane detection merupakan suatu metode untuk mengetahui lokasi dari marka jalan tanpa diketahui terlebih dahulu noise yang terdapat pada lingkungan sekitarnya. Lane detection ini telah menjadi penelitian yang sering dilakukan oleh banyak orang agar bisa menjadi salah satu pendukung Driver Assistant maupun untuk Autonomous Navigation yang termasuk bagian dari Inteligent Transportation System. Namun penelitian ini masih berlanjut sampai sekarang ini dikarenakan dalam Lane detection ini masih terdapat banyak masalah-masalah yang belum bisa diselesaikan. Contohnya seperti sulitnya menentukan marka jalannya pada berbagai kondisi, terutama terhadap noise yang ada dilingkungan sekitarnya, seperti bayangan, garisgaris lain yang terdapat pada jalan, dan juga marka jalan yang sudah tidak utuh lagi atau sudah terputus-putus. Dalam lane detection ini terdapat beberapa metode yang bisa digunakan seperti yabg digunakan oleh M. Caner Kurtul (2010:21) dan B.Yu and A.K. Jain (1997:2) yaitu Multiresolution Hough Transform, lalu B.Yu and A.K. Jain (1996:9) juga mengunakan Multiresolution Hough Transform namun mengunakan parameter 3 dimensi. Kemudian ada juga Azali Saudi (2008:2) dan Qing Li (2004:4) mengunakan Randomized Hough Transform. Dan pada umumnya penelitian-penelitian lane detection sebelumnya hanya sampai tahap mendeteksi marka jalan saja, tetapi pada penelitian ini kami menambahkan suatu filtur yang baru lagi yaitu setelah ditemukan marka jalan yang ada maka akan mencari tahu posisi dan sudut dari kendaraan terhadap marka jalan yang ada.

METODE PENELITIAN Pada penelitian ini, kami melakukan simulasi Road Lane Detection pada jalanan yang kosong. Informasi input yang diberikan berupa sample image jalan yang diambil menggunakan kamera. Metode yang digunakan yaitu Multiresolution Hough Transform. Output yang dihasilkan berupa posisi kendaraan terhadap marka jalan, yang nantinya akan menampilkan hasil deteksi garis jalan dan juga untuk mengetahui posisi dari kamera. Implementasi yang dilakukan ditujukan untuk menguji sistem yang telah dirancang, sistem dikatakan stabil apabila output system dapat mendeteksi marka jalan yang ada serta dapat mengestimasikan posisi dan sudut dari kamera. Sistem ini diuji dengan membandingkan posisi dan sudut yang asli dengan estimasi posisi dan sudut yang didapatkan serta melihat hasil marka jalan yang ditemukan. Pada skripsi ini, dilakukan percobaan sebanyak 30 kali dengan posisi dan sudut yang berbeda-beda : Posisi 0 cm sudut 00 posisi 0 cm sudut 200 posisi 24 cm sudut 00 posisi 24 cm sudut 100 posisi 24 cm sudut -100 posisi 30 cm sudut 00 posisi 30 cm sudut 100 posisi 30 cm sudut -100 posisi 48 cm sudut 00

-

posisi 48 cm sudut -200

Untuk lebih jelasnya tentang posisi dan sudut dapat dilihat pada contoh gambar dibawah ini :

Posisi Dan Sudut Pengambilan Data Keterangan: Posisi kiri dari hasil yang didapatkan merupakan posisi real yang digunakan. Garis merah merupakan marka jalan yang ditemukan sedangkan garis hijau merupakan semua garis yang ditemukan oleh Multiresolution Hough Transform Masing-masing posisi memiliki 3 sample yang diambil error rata-ratanya Fix error posisi maksimum = 10 cm Fix error sudut maksimum = 5o Fix error sudut kemiringan antara 2 garis = 0.02o Fix jarak antara 2 garis = 48 cm Pada penelitian Road Lane Detection ini dibuat suatu algoritma untuk menyampaikan informasi marka jalan pada pengguna mobil. Disini terdapat beberapa tahapan yang harus dikerjakan oleh algoritma kita, pertama pada awalnya dilakukan preproccesing pada citra yang dimana dilakukan proses grayscale dan edge detection, agar citra dapat diproses oleh Multiresolution Hough Transform. Pada Multiresolution Hough Transform ini akan dicari garis-garis yang terdapat pada citra yang diproses. Kemudian garis-garis yang sudah ditemukan akan dicari line segment yaitu titik awal dan titik akhir pada masing-masing garis serta panjang dari garis tersebut namun sebelum dilakukan deteksi line segment terlebih dahulu harus dilakukan image cropping untuk memperkecil kemungkinan terdeteksinya garis yang bukan merupakan marka jalan. Setelah itu dilakukan proses Inverse Perspective Mapping yang bertujuan untuk memproyeksikan citra dari bidang citra ke bidang jalan. Citra yang sudah diproyeksikan ke bidang jalan tersebut akan dicari 2 garis paralel yang jarak antar garis sesuai dengan jarak yang sudah ditentukan, maka kedua garis yang ditemukan tersebut akan dianggap sebagai marka jalan. Setelah berhasil mendeteksi marka jalan, selanjutnya akan dilakukan perhitungan posisi marka jalan terhadap kamera.

START

GRAYSCALING

EDGE DETECTION

MULTIRESOLUTION HOUGH TRANSFORM

IMAGE CROPPING

LINE SEGMENT

INVERSE PERSPECTIVE MAPPING

MENCARI DUA GARIS PARALEL

No

MENEMUKAN DUA GARIS PARALEL

Yes JARAK ANTAR GARIS SESUAI

No

Yes HITUNG POSISI

END

Diagram Alir Perancangan Sistem Secara Umum

HASIL DAN BAHASAN

Analisa Deteksi Marka Jalan Tabel 1 Hasil Deteksi Marka Jalan No

Posisi dan Sudut

Persentase Sample Yang Terdeteksi Sebagai Marka Jalan

1

Posisi 0 cm, Sudut 0O

0%

2

Posisi 0 cm, Sudut 20

O

100%

3


100%

4


O

100%

O

100%

5

Posisi 24 cm, Sudut -10

6

O


100%

7


O

100%

8

Posisi 30 cm, Sudut -10O

100%

9 10


O


O

100% 33.33%

Pada tabel 1 diatas terlihat rata-rata disemua posisi dapat terdeteksi marka jalan dengan 100% atau dapat dibilang semua marka jalan yang ada dapat terdeteksi dengan baik, namun ada 1 posisi yang hanya terdeteksi 33,33% saja atau dapat dibilang hanya terdeteksi 1 sample dari total 3 sample yang ada dan ada juga 1 posisi yang tidak terdeteksi sama sekali yang dikarenakan pada kedua posisi ini garis marka jalan yang aslinya memang tidak terambil dengan jelas oleh kamera yang kita gunakan untuk mengambil sample gambar.

Gambar 1 Kedua posisi yang tidak terdeteksi Marka Jalannya

Analisa Estimasi Posisi Dan Sudut Tabel 2 Hasil Estimasi Posisi Dan Sudut No

Posisi dan Sudut

1


2 3

Absolut Rata-Rata Error Posisi

Absolut Rata-Rata Error Sudut

1.8507 cm

0.1437


O

3.9204 cm

3.0462


O

0.6280 cm

0.3992

4


O

2.4972 cm

0.991

5


1.8123 cm

3.5323

6 7


O


2.3016 cm

0.2324

O

1.9448 cm

1.8946

O

1.9468 cm

2.1042

1.3749 cm

0.6869

8


9


O

10


2.2437 cm

0.5245

Rata-Rata

2.0520 cm

1.3555

Dilihat pada tabel 2 diatas posisi dan sudut yang mendapatkan error yang besar kebanyakan pada saat sudut kameranya tidak pada 00 melainkan sudah berubah dari 00 ke 200 maupun dari 00 ke ±100, sehingga dapat disimpulkan perubahan sudut pada kamera dapat menyebabkan kenaikan error posisi pada hasil yang didapatkan dan sebaliknya apabila sudut kamera pada 00 maka error posisi dan sudut yang didapatkan akan semakin kecil. Kemudian dilihat secara keseluruhan dari rata-rata error posisi dan sudut didapatkan error rata-rata posisi sebesar 2,0520cm dan error rata-rata sudut sebesar 1,35550. Hasil estimasi posisi dan sudut disini sudah termasuk sangat akurat karena error yang didapatkan sangat kecil sekitar 1-2cm atau derajat saja sehingga tidak berpengaruh besar pada hasilnya, dan ditambah lagi sebagian besar error yang terjadi dari pengambilan data diatas dikarenakan pada saat melakukan pengambilan data memang sulit untuk mendapatkan posisi dan sudut yang benar-benar tepat dengan hanya menggunakan pengaris dan busur. Sisanya rata-rata dapat mendeteksi marka jalan yang ada dengan baik, dan apabila dilihat dari error rata-rata yang didapatkan sebenarnya sudah sangat kecil. Sehingga tidak berpengaruh terhadap hasil yang didapatkan atau dapat dibilang sudah berhasil menemukan marka jalan dan mengestimasikan posisi dengan baik.

Analisa Waktu Proses Yang Dibutuhkan Tabel 3 Hasil Perhitungan Waktu Yang Dibutuhkan Dalam Pemrosesan Posisi dan Sudut Posisi 0 cm, Sudut 0

Rata-rata Waktu Proses O

Posisi 0 cm, Sudut 20O Posisi 24 cm, Sudut 0

O


5.773571 s 4.34416 s 4.365669 s 4.958834 s


4.666439 s


4.193517 s


O

5.277289 s

O

4.102325 s

Posisi 30 cm, Sudut -10 Posisi 48 cm, Sudut 0

O

Posisi 48 cm, Sudut -20 Rata-Rata

1.974166 s

O

3.63704 s 4.329301 s

Dilihat pada tabel 3 diatas rata-rata waktu yang dibutuhkan sebesar 4-5 detik, kecuali pada posisi 48 cm sudut 00. Ini dikarenakan jumlah garis yang terdeteksi pada posisi ini sangat sedikit yaitu hanya 9 garis sedangkan pada posisi lain rata-rata garis yang terdeteksi diatas 20 garis sehingga waktu yang dibutuhkan untuk posisi iniuntuk menyelesaikan algoritma ini dua kali lipat lebih cepat dibandingkan dengan posisi lainnya. Untuk keseluruhannya waktu rata-rata pemrosesan yang dibutuhkan pada percobaan pengambilan data adalah 4.329301s. Yang dimana termasuk cukup lambat dibandingkan dengan pemrosesan MHT yang sudah pernah ada, ini dikarenakan disini ditambahkan algoritma untuk mengestimasikan posisi dari kamera terhadap marka jalan sehingga tentunya computational cost jadi lebih besar.

Analisa Perbandingan HT Dengan MHT Tabel 4 Hasil Pendeteksian Marka Jalan Dan Waktu Yang Dibutuhkan Dengan Menggunakan HT Posisi & Sudut 0cm 0cm 24cm 24cm 24cm 30cm 30cm 30cm 48cm 48cm

& 0° & 20° & 0° & 10° & -10° & 0° & 10° & -10° & 0° & -20°

375 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi

Threshold 150 Tidak terdeteksi Tidak terdeteksi Terdeteksi Tidak terdeteksi Terdeteksi Terdeteksi Terdeteksi Terdeteksi Tidak terdeteksi Tidak terdeteksi

75 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi

waktu 1.7s 1.8s 1.6s 2s 1.8s -

Dilihat pada tabel 4 diatas dapat disimpulkan MHT tidak hanya lebih cepat computional cost nya melainkan juga ketelitian pendeteksiannya, di HT hanya dapat mendeteksi saat threshold nya sebesar 150 dan memang disini waktunya lebih cepat tapi hanya setengah dari seluruh sample yang bisa dideteksi, dan ketika diturunkan threshold nya untuk menambah ketelitiannya waktunya dibutuhkan sudah terlalu lama sampai matlab saja tidak sanggup untuk memprosesnya lagi.

KESIMPULAN DAN SARAN Pada hasil percobaan skripsi ini didapatkan tingkat keberhasilan pendeteksian marka jalan hampir rata-rata 100%, kecuali 2 posisi yang memang tidak dapat terdeteksi marka jalannya pada algoritma yang sudah dibuat ini serta tingkat akurasi dalam estimasi posisi juga sudah sangat bagus dengan rata-rata error posisi sebesar 2.0520 cm dan rata-rata error sudut sebesar 1.35550. Namun waktu rata-rata yang dibutuhkan untuk pendeteksian marka jalan dan estimasi posisi termasuk lama yaitu 4.329301 detik. Dan diharapkan kedepannya dapat ditambahkan algoritma lagi untuk menambah ketelitian pendeteksiannya namun tentunya dengan ditambahkan algoritma lagi waktu yang dibutuhkan akan semakin lama sehingga diharapkan juga bisa dioptimasikan lagi algoritma untuk mempersingkat waktu perhitungannya dengan cara mengimplemetasikan secara real-time, karena apabila secara real-time thresholdnya bisa dinaikin lagi agar garis yang kedeteksi semakin sedikit dan waktu prosesnya juga akan semakin cepat.

DAFTAR PUSTAKA Azali Saudi, J. T. (2008). Fast Lane Detection with Randomized Hough Transform. Information Technology, 2008. ITSim 2008. International Symposium, (pp. 1-5). Kinabalu. Canny, J. F. (1986). A Computational Approach to Edge Detection. Pattern Analysis and Machine Intelligence, IEEE Transactions, (pp. 679-698). Massachusetts. Duda, R. O. (1972). USE OF THE HOUGH TRASFORMTION TO DETECT LINES AND CURVES IN PICTURES. Proc. Comm. ACM (pp. 11-15). California: Graphics and W.Image Processing. Duda, R. O., & Hart, P. E. (1972). USE OF THE HOUGH TRASFORMTION TO DETECT LINES. (pp. 11-15). New York: Communications of the ACM. HOUGH, P. V. (1962, December 18). Method and means for recognizing complex patterns. Jain, B. Y. (1996). A Robust And Fast Skew Detection Algorithm. Pattern Recognition, 1599-1629. KOTA, D. P. (1990). PETUNJUK PERENCANAAN MARKA JALAN. Jakarta: DIREKTORAT JENDERAL BINA MARGA. Kurtul, M. C. (2000). ROAD LANE AND TRAFFIC SIGN DETECTION & TRACKING FOR. Istanbul: Bogazici University. Lijun Ding, A. G. (2001). On the Canny edge detector. Pattern Recognition, 721-745. MathWorks. (2009, June 26). MathWorks COorporation. Retrieved November 10, 2012, from MathWorks: http://www.mathworks.com/support/solutions/en/data/1-1BYSR/ Morvan, Y. (n.d.). Epixea. Retrieved October 30, 2012, from Multi-view video coding: http://www.epixea.com/research/multi-view-coding-thesisse8.html Qing Li, N. Z. (2004). Lane Boundary Detection Using an Adaptive. Intelligent Control and Automation, 2004. WCICA 2004. Fifth World Congress, 5, pp. 4084 - 4088. Shanghai. ROSENFELD, A. (1969). Picture Processing by Computer. Academic Press New York.

Yoanes Naftalianto, D. W. (2012). RancangBangun Sensor Jarak Dengan Korespondensi Citra Dengan Ekstraksi Fitur SURF Dan Konsep Stereo Vision. 257-262. Yu, B., & Jain, A. K. (1997). Lane Boundary Detection Using A Multiresolution Hough Transform. Image Processing, 1997. Proceedings., International Conference, (pp. 748-751). Michigan.

DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM

Recommend Documents