SETRUM – Volume 2, No. 2, Desemberi 2013
ISSN : 2301-4652
Estimasi Kecepatan Kendaraan Menggunakan Kalman Filter Okta Palega1, Siswo Wardoyo2, Romi Wiryadinata3 Jurusan Teknik Elektro, Universitas Sultan Ageng Tirtayasa Cilegon, Indonesia 1
[email protected],
[email protected] Abstrak – Metode estimasi kecepatan kendaraan banyak diterapkan beberapa tahun terakhir. Salah satu metode yang dapat dipergunakan adalah Kalman filter. Kalman filter merupakan estimator yang sangat efektif dalam mengestimasi state dinamika sistem yang melibatkan white noise. Pada penelitian ini Kalman filter akan dipergunakan untuk mengestimasi variasi kecepatan kendaraan. Kalman filter dirancang mendapatkan input berupa runtun citra dari hasil rekaman video kendaraan. Hasil dari pengujian menunjukan bahwa kecepatan minimal yang dapat terestimasi adalah 20 km/jam dengan error 4,25%. Sedangkan kecepatan maksimal yang terestimasi adalah 60 km/jam dengan error 0,22%. Kata kunci : Estimasi kecepatan, Runtun citra, Kalman filter. Abstract – Vehicle speed estimation methods are widely applied in recent years. One of the methods that can be used is the Kalman filter . Kalman filter is an estimator that is very effective in estimating the system state dynamics involving white noise . In this study, the Kalman filter is used to estimate the variation of the speed of the vehicle . Kalman filter is designed to get input in the form of cascading images of the video recordings of the vehicle. Results of the testing showed that the minimum speed that can terestimasi is 20 km / h with an error of 4.25 % . Terestimasi while the maximum speed is 60 km / h with an error of 0.22 % Keywords : Estimation of speed , image , the Kalman filter . I. PENDAHULUAN Berbagai metode untuk estimasi kecepatan diusulkan dalam beberapa tahun terakhir. Salah satunya adalah metode pasif. Dalam metode pasif, informasi kecepatan diambil dari urutan gambar real-time lalu lintas, yang diambil dari kamera pasif. Kalman filter adalah salah satu metode yang dapat diterapkan pada metode pasif. Kalman filter merupakan estimator yang sangat efektif dalam mengestimasi state dinamika sistem yang melibatkan white noise. Kalman filter dapat menghilangkan noise dari suatu sinyal yang mengandung informasi dan mengambil informasi tersebut untuk diproses lebih lanjut. Pada penelitian ini akan dibuat simulasi sistem pengestimasi kecepatan dengan algoritma dari fase kerja Kalman filter yang memanfaatkan umpan balik untuk memprediksi dan mengkoreksi sistem keadaan dalam bentuk program menggunakan MATLAB. Sistem pengestimasi yang dibuat mendapatkan input berupa runtunan citra. Tujuan dari penelitian ini adalah untuk mengetahui hasil dari estimasi kecepatan kendaraan menggunakan Kalman filter. Selain itu, tujuan penelitian adalah mengetahui batas kecepatan minimal dan maksimal melalui pengujian variasi nilai kecepatan. II. LANDASAN TEORI A. Citra Digital Citra digital dapat didefinisikan sebagai fungsi dua dimensi f(x,y), dimana x dan y adalah koordinat spasial dan amplitudo dari f pada sembarang pasangan koordinat (x,y) disebut intensitas level keabuan.[1] Teknologi dasar
untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB). 1. Citra Warna Citra warna merupakan citra yang pixel-nya merepresentasikan suatu warna. Setiap pixel pada citra yang direpresentasikan dalam model warna terdiri dari tiga komponen citra, masing-masing untuk setiap warna primer (RGB = Red, Green, Blue). Setiap poin informasi pixel (RGB) disimpan kedalam 1 byte = 8 bit. Hal ini menyatakan bahwa setiap warna mempunyai gradasi sebanyak 256 warna. 2. Citra Grayscale Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada setiap pixel-nya. Warna yang dimiliki adalah warna dari hitam, keabuan dan putih. Banyaknya warna pada citra grayscale tergantung pada jumlah bit yang disediakan dimemori untuk menampung kebutuhan warna. Sebagai contoh skala keabuan 4 bit, jumlah kemungkinannya 24 = 16 warna dengan kemungkinan warna 0 (min) sampai 15 (max). 3. Citra Biner Citra biner (binary image) adalah citra yang setiap pixel-nya hanya memiliki 2 kemungkinan derajat keabuan yakni 0 dan 1.[2] Pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam. Citra berwarna dapat dijadikan citra biner dengan melakukan proses pembineran. Proses pembineran dilakukan dengan membulatkan ke atas atau ke bawah untuk setiap nilai keabuan dari pixel yang berada di atas atau bawah harga ambang. Metode untuk menentukan besarnya harga ambang disebut thresholding. [2] 60
SETRUM – Volume 2, No. 2, Desember 2013 B. White Noise White noise Gaussian adalah sinyal acak dengan power spectral density yang konstan. Gaussian noise adalah bentuk ideal dari white noise yang menyebabkan fluktuasi acak dalam suatu sinyal. Gaussian noise adalah white noise yang terdistribusi normal.[3] C. Low Pass Filter Low Pass Filter (LPF) adalah proses filter yang mengambil citra dengan gradiasi intensitas yang halus dan perbedaan intensitas yang tinggi akan dikurangi atau dibuang. Low pass filter digunakan untuk mengurangi detail dari gambar atau justru membuat gambar menjadi lebih kabur dari sebelumnya. Filter ini akan menghilangkan atau mengurangi noise berfrekuensi tinggi dari gambar menjadi frekuensi yang lebih rendah.[4] D. Kalman Filter Metode Kalman filter merupakan suatu metode yang dapat dipergunakan untuk mengestimasi variabel state dari sistem dinamik stokastik linier yang terkorupsi oleh white noise Gaussian. State dari suatu sistem dapat diestimasi oleh Kalman filter dengan memodelkan sistem tersebut terlebih dahulu. State Vektor State vektor merupakan penggambaran dari suatu sistem dinamik dan mewakilkan derajat kebebasan (degrees of freedom) dari suatu benda. Elemen variabel dari state vektor dapat bermacam-macam isinya, seperti posisi, kecepatan, akselerasi dan lainnya. Contoh yang sangat sederhana adalah sebuah mobil yang melaju dengan kecepatan konstan pada jalan yang lurus. Pada kasus ini, mobil memiliki 2 derajat kebebasan, yaitu jarak (s) dan kecepatan (v).[5] [ ] Algoritma Kalman Filter Algoritma pada Kalman filter merupakan suatu fase kerja pengolahan state vektor. Fase kerja ini terdiri dari dua langkah, yaitu: 1. Prediksi 2. Koreksi 1. Fase Prediksi Fase prediksi dari Kalman filter dinyatakan dengan persamaan: State Prediksi: ̂ ̂ Kovarian estimate prediksi: 2. Fasi Koreksi Fase koreksi ditunjukkan oleh persamaan: Kovarian pengukuran:
ISSN : 2301-4652 III. METODOLOGI PENELITIAN Dalam penelitian estimasi kecepatan, sistem yang akan dibuat perlu terlebih dahulu dirancang unjuk kerjanya. Penggambaran akan unjuk kerja dari perancangan sistem estimasi kecepatan dapat digambarkan oleh Gambar 1. Perekaman Video Kendaraan
Pembagian Video
Pemisah Background
Estimasi Kecepatan
Gambar 1 Diagram Blok Perancangan Penelitian A. Perekaman Video Kendaraan Perekaman video kendaraan dilakukan dengan menggunakan kamera yang disanggah menggunakan tripod. Besar resolusi yang dipergunakan saat perekaman video adalah 320x240 pixel dengan kecepatan rekam sebesar 30 fps. Perekaman dilakukan untuk beberapa variasi nilai kecepatan yaitu 5 km/jam, 10 km/jam, 20 km/jam, 30 km/jam, 40 km/jam, 50 km/jam dan 60 km/jam. Kecepatan maksimal yang direkam adalah 60 km/jam. Hal ini disesuaikan dengan PP no.73 tahun 2013 tentang jaringan lalu lintas dan angkutan jalan. Pada bab tiga ruang lalu lintas bagian kedua batas kecepatan disebutkan bahwa kecepatan maksimal untuk kawasan perkotaan adalah 50 km/jam.[6] Toleransi yang diberikan adalah sebesar 10 km/jam. Data video rekaman disimpan dengan format *.avi. Tahapan yang dilakukan dalam tahap perekaman video dapat dilihat pada Gambar 2.
Mulai
Merekam objek
Hasil disimpan dimedia penyimpanan
Penguatan Kalman: Estimate state update: ̂ kovarian estimate update:
61
̂ (
̃ )
Selesai Gambar 2 Diagram Alir Perekaman Video B. Pembagian Video Pembagian video merupakan tahap membagi data rekaman video menjadi runtunan citra diam. Tahapan yang dilakukan dalam pembagian video dapat dilihat
SETRUM – Volume 2, No. 2, Desemberi 2013 pada Gambar 3. Input dari tahapan ini adalah data rekaman video. Pada langkah splitting, video rekaman tersebut dibagi menjadi runtunan citra atau frame. Banyaknya jumlah frame yang ada tergantung dari seberapa lama durasi perekaman video tersebut. Frame disimpan dengan format *.png pada media penyimpanan. Mulai Data Rekaman
Splitting
ISSN : 2301-4652 Estimasi kecepatan merupakan tahapan terakhir dari penelitian estimasi kecepatan kendaraan. Metode yang dipergunakan pada tahap estimasi kecepatan adalah Kalman filter. Secara garis besar proses dari tahap deteksi kecepatan dapat dilihat pada Gambar 5. Pada tahap estimasi kecepatan, input yang dipergunakan merupakan data hasil proses pemisah background. Variabel-variabel dari Kalman filter harus ditentukan terlebih dahulu guna melakukan pengestimasian kecepatan kendaraan. Variabel-variabel yang ditentukan seperti state model yang akan dipergunakan, noise yang terhubung dengan Kalman filter dan matrik transisi dari vektor yang terkait. Pada proses Kalman filter, data input langsung diproses menggunakan algoritma Kalman filter. Mulai
Hasil Disimpan Pada Media Penyimpanan
Kalman Filter
Input Penggambaran Hasil
Selesai
Gambar 3 Diagram Alir Pembagian Video C. Pemisah Background
Penetapan Variabel Sistem
Selesai
Mulai Threshold Inisialisasi Variabel Hasil
Input Pencarian Centroid Objek
Gambar 5 Diagram Alir Proses Estimasi Kecepatan Background Template
IV. HASIL DAN PEMBAHASAN Simpan Data Tracking
Penghilangan Noise
Selesai
Gambar 4 Diagram Alir Pemisah Background Pemisah Background adalah suatu proses untuk mendapatkan gambar background dari data video. Hal ini sangat penting karena untuk mendeteksi adanya gerakan perlu dipisahkan antara objek yang bergerak dengan objek yang diam.[7] Secara garis besar tahapan pada pemisah background dapat dilihat pada Gambar 4. Pada pemisah background terdapat tahapan penghilangan noise. Noise ini berasal dari pergerakan objek lain yang ikut terekam saat tahap perekaman video. Tahap penghilangan noise memanfaatkan Gaussian filter yang difungsikan sebagai low pass filer. Gaussian low pass filter yang dirancang adalah dengan memanfaatkan salah satu fungsi dari image processing toolbox yaitu fspecial. D. Estimasi Kecepatan
Perekaman dilakukan saat tempat perekaman video sepi dari kendaraan lain yang melintas. Background dari tempat perekaman video kendaraan adalah sebuah rumah dengan kondisi lampu padam, jalan beraspal dan tumbuhtumbuhan yang berada disekitar rumah tersebut. Perekaman ini dilakukan pada jam 11.30 WIB. Kendaraan yang menjadi objek utama perekaman akan mengambil ancang-ancang terlebih dahulu. Hal ini dimaksudkan agar pengemudi dapat menjaga kecepatan kendaraan tetap konstan sebelum memasuki frame kamera. Panjang lintasan ancang-ancang disesuaikan dengan variasi kecepatan kendaraan yang ditentukan. Hasil yang didapatkan dari perekaman video kendaraan adalah berupa video laju kendaraan dengan durasi yang berbeda. Durasi dari video laju kendaraan dapat dilihat pada Tabel 1. Tabel 1Durasi Video Kendaraan No 1 2
Kecepatan (km/jam)
Durasi Video (detik)
5
10
10
8 62
SETRUM – Volume 2, No. 2, Desember 2013 3
20
8
4
30
7
5
40
6
6
50
6
7
60
6
1. Pengujian Pembagian Video
Pengujian pembagian video bertujuan untuk mendapatkan runtunan citra diam dari video rekaman kendaraan. Pengujian dilakukan pada ketujuh video hasil pengujian sebelumnya. Hasil dari pengujian pembagian video dapat dilihat pada Tabel 2. Berdasarkan Tabel 2 terlihat bahwa kecepatan 5 km/jam memiliki runtunan citra diam terbanyak dari kecepatan yang lain. Jumlah runtunan citra semakin dikit seiring dengan bertambahnya nilai kecepatan. Selain Tabel 2, hasil dari pengujian ini pun dapat dilihat pada Gambar 6. Tabel 2 Jumlah Runtun Citra Diam Kecep Runtunan atan Citra Diam No (km/jam) (frame) 1 5 301
2. Pengujian Pemisah Background Pengujian pemisah background dilakukan dengan tujuan mendeteksian gerakan kendaraan yang dilakukan dengan cara memisahkan antara objek yang bergerak dengan objek yang diam. Pada pengujian ini dilakukan penghilangan noise dan pencarian centroid dari kendaraan. Pengujian dilakukan dengan cara melakukan tunning atau mengubah-ubah nilai parameter dari Gaussian low pass filter (hsize dan sigma) dan nilai threshold. Pada pengujian dipilih nilai hsize dengan variasi nilai 10, 20, 30, 40 dan 50 sedangkan variasi nilai sigma adalah 5, 15, 25, 35 dan 45. Variasi nilai threshold yang dipilih adalah 10, 15 dan 20. Tabel 3Data Hasil Terbaik dari Pengujian Pemisah Background No
Kecepatan (km/jam)
Threshol d
1
5
15
2
10
15
3
20
20
4
30
10
5
40
10
6
50
10
7
60
20
2
10
263
3
20
257
4
30
223
5
40
199
6
50
197
Lanjutan Tabel 3
7
60
186
Gaussian Filter
Pada Gambar 6 dapat dilihat bahwa gambar hasil pengujian menunjukan hasil yang baik. Gambar tersebut tidak memiliki cacat atau kerusakan. Hal ini menunjukan bahwa pengujian pembagian video telah berhasil dilakukan.
Gambar 6 Contoh Hasil Pembagian Video 63
ISSN : 2301-4652
Centroid Pada Kendaraan (frame) Ak Awal hir 173 244
Waktu Tempuh (frame)
Ker nel 30
Devias i 25
20
15
139
198
59
30
25
165
203
38
30
25
126
160
34
30
25
122
154
32
20
15
112
136
24
71
30 25 113 129 16 Hasil terbaik dari pengujian pemisah background akan dijadikan data input pada pengujian program estimasi kecepatan dengan Kalman filter. Parameter penentu dari hasil terbaik pada pengujian ini adalah durasi waktu tempuh saat kendaraan pertama kali terdeteksi hingga kendaraan menghilang. Semakin lama durasi waktu tempuh maka semakin baik. Selain itu, penentuan hasil terbaik ditentukan dari sistem harus dapat mendeteksi gerakan kendaraan saja. Berdasarkan pengujian yang dilakukan didapatkan hasil seperti pada Tabel 3. Pada Tabel 3 dapat terlihat perbedaan waktu tempuh untuk tiap-tiap kecepatan tidaklah konstan. Hal ini dapat disebabkan oleh dua faktor. Pertama adalah perubahan nilai parameter Gaussian filter dan threshold. Perubahan nilai hsize akan mempengaruhi luas pendeteksian
SETRUM – Volume 2, No. 2, Desemberi 2013 wilayah kendaraan. Sedangkan perubahan nilai sigma akan mempengaruhi luas dari background. Faktor kedua adalah perubahan nilai kecepatan yang tidak konstan dalam pengambilan data. Speedometer kendaraan yang digunakan dalam pengambilan data menggunakan speedometer jarum sehingga untuk menjaga kecepatan kendaraan tetap konstan hanya disesuaikan perkiraan. Sehingga kemungkinan kecepatan kendaraan tidak konstan besar mungkin terjadi. Pengujian Estimasi Kecepatan Pengujian pada program estimasi kecepatan bertujuan untuk mendapatkan nilai kecepatan estimasi terhadap nilai kecepatan aktual pada speedometer. Data input yang dipergunakan dalam pengujian program estimasi kecepatan merupakan data hasil pengujian program pemisah background dengan nilai parameter yang terbaik. Nilai estimasi kecepatan perlu dicari karena nilai tersebut terkandung pada sinyal error. Pencarian nilai estimasi kecepatan dilakukan dengan cara mengkonversikan nilai kecepatan aktual menjadi m/detik terlebih dahulu, kemudian dicari nilai yang mendekati nilai konversi tersebut. Berdasarkan pengujian yang telah dilakukan didapatkan hasil seperti pada Tabel 4. Tabel 4 Hasil Estimasi Kecepatan Kecepa Kecepa tan No tan Aktual Estimasi (km/jam) (km/jam)
No
1
5
11,98
2
10
11,81
3
20
20,85
4
30
30,35
5
40
41,44
6
50
49,28
7
60
60,22
Lanjutan Tabel 4 Selisih Persentasi Kecepatan Error (%) (km/jam)
1
6,98
139,6
2
1,81
18,1
3
0,85
4,25
4
0,35
1,17
5
1,44
3,6
6
0,72
1,44
0,22 persentasi
0,37
7 Rata-rata error
24,07
Pada Gambar 7 terlihat bahwa antara kecepatan aktual dengan kecepatan estimasi pada pengujian estimasi kecepatan 5 km/jam terjadi selisih kecepatan yang besar. Sedangkan saat pengujian kecepatan 10 km/jam hingga
ISSN : 2301-4652 60 km/jam perbedaan kecepatan aktual dengan kecepatan estimasi tidak telalu jauh.
Gambar 7 Grafik Kecepatan Estimasi Terhadap Kecepatan Aktual Berdasarkan hasil pada Tabel 4 terlihat bahwa saat pengujian kecepatan 5 km/jam dan 10 km/jam memiliki error yang terbesar. Error ini melebihi nilai toleransi error maksimal yaitu 5%. Hal ini disebabkan pada saat perekaman video kendaraan. Pada saat perekaman video kendaraan, untuk mempertahankan kecepatan konstan tetap pada 5 km/jam terlalu sulit. Hal ini dikarenakan speedometer yang dipergunakan kendaraan pada saat perekaman video kendaraan menggunakan speedometer analog (jarum). Selain itu, tidak terdapat indikator kecepatan 5 km/jam pada speedometer tersebut. Sehingga penentuan kecepatan 5 km/jam hanya disesuaikan dengan perkiraan antara kecepatan 0 hingga 10 km/jam saja. Indikator yang menunjukan kecepatan 10 km/jam pun hanya berbentuk jarak kosong yang membagi indikator kecepatan 0 km/jam dengan kecepatan 20 km/jam V.
PENUTUP
A. Kesimpulan Berdasarkan hasil penelitian estimasi kecepatan kendaraan menggunakan Kalman filter diperoleh kesimpulan sebagai berikut: 1. Hasil dari pengujian estimasi kecepatan didapatkan nilai estimasi untuk kecepatan 5 km/jam adalah 11,98 km/jam dengan error 139,6%, kecepatan 10 km/jam adalah 11,81 km/jam dengan error 18,1%, kecepatan 20 km/jam adalah 20,85 km/jam dengan error 4,25%, kecepatan 30 km/jam adalah 30,35 km/jam dengan error 1,17%, kecepatan 40 km/jam adalah 41,44 km/jam dengan error 3,6%, kecepatan 50 km/jam adalah 49,28 km/jam dengan error 1,44% dan kecepatan 60 km/jam adalah 60,22 km/jam dengan error 0,22%. 2. Batas kecepatan minimal yang dapat terestimasi oleh sistem adalah sebesar 20 km/jam. Sedangkan batas kecepatan maksimal yang dapat terestimasi oleh sistem adalah sebesar 60 km/jam. B. Saran Masih terdapat kekurangan dalam penelitian ini sehingga perlu pengembangan untuk menjadi lebih baik lagi. Adapun saran dari skripsi ini untuk penelitian selanjutnya yaitu: 64
SETRUM – Volume 2, No. 2, Desember 2013 1. 2.
[1]
[2] [3]
[4]
[5]
[6]
[7]
[8] [9]
[10] [11] [12]
[13]
[14]
[15]
65
Speedometer yang akan dipergunakan dalam pengujian selanjutnya sebaiknya adalah speedometer digital agar kecepatan aktual lebih dapat konstan. Metode Kalman filter dapat diterapkan untuk pengujian estimasi kecepatan pada kondisi dengan intensitas cahaya rendah atau malam. VI. DAFTAR PUSTAKA Prasetyo, E. (2011). Pengolahan Citra Digital dan Aplikasinya Menggunakan MATLAB. Yogyakarta: Penerbit ANDI. Bertalya. (2005). Pendahuluan Pengantar Pengolahan Citra. Universitas Gunadarma Saselah, G. et al. (2013). Perbaikan Citra Digital dengan Menggunakan Filtering Technique dan Similarity Measurement. JdC, Vol . 2, No. 2, September, 2013. Wardhani, R., et al. (2013). Analisi Penerapan Metode Konvolusi untuk Reduksi Derau pada Citra Digital. Depok: Politeknik Negeri Jakarta. Kleinbauer, R. (2004). Kalman Filtering Implemantion with Matlab. Helsinki: Universität Stuttgart. Republik Indonesia. (2013). PP No.79 Tahun 2013 Tentang Jaringan Lalu Lintas dan Angkutan Jalan. Jakarta: Kementrian Sekretariat Negara Republik Indonesia. Hartoto, P. (2012). Sistem Deteksi Kecepatan Kendaraan Bermotor pada Real Time Traffic Information System. Surabaya: Institut Teknologi Sepuluh Nopember. Darma, P. (2010). Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI. [9] Hestiningsih, I. 2008. Pengolahan Citra. Tersedia dari: www.lintasinformatika.com. [URL dikunjungi pada tanggal 18 April 2013] Simon, D. (2001). Kalman Filtering. Embedded Systems Programming. Sutoyo, T. et al. (2009). Teori Pengolahan Citra Digital. Yogyakarta: Penerbit ANDI. Kasiyanto, I. (2008). Simulasi Penapisan Kalman Dengan KendalaPersamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle Tracking Problem). Semarang: Universitas Diponegoro. Ichwan, A. (2010). Estimasi Posisi dan Kecepatan Kapal Selam Menggunakan Metode Extended Kalman Filter. Surabaya: Institut Teknologi Sepuluh Nopember. Abbass, A. A. (2010). Estimating Vehicle Speed Using Image Processing. AL-Mansour Journal / No.14/ Special Issue /( Part Two). Wahyudi et al. (2009). Simulasi Filter Kalman Untuk Estimasi Sudut dengan Menggunakan Sensor
ISSN : 2301-4652
[16]
[17]
[18]
[19]
[20]
[21]
[22]
Gyroscope. Teknik – Vol. 30 No. 2 Tahun 2009, ISSN 0852-1697. Grammatikopoulos, L. et al. (2005). Automatic Estimation of Vehicle Speed from Uncalibrated Video Sequences. International Symposium on Modern Technologies, Education and Professional Practice in Geodesy and Related Fields Sofia, 03 – 04 November 2005. Nurhadi, H. et al. (2011). Perangcangan Algoritma Untuk Estimasi Posisi Pada Sistem Navigasi dan Trayektori Wahana Nir Awak Bawah Air ITS AUV01 dengan Metode Ensemble Kalman Filter (EnKF). Surabaya: Institut Teknologi Sepuluh Nopember. Kalyan et al. (2011). Vehicle Velocity Prediction & Estimation in 2d Video for Night Condition. International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 4, No. 2, June, 2011. Rad, A. G. et al. (2010). Vehicle speed detection in video image sequences using CVS method. International Journal of the Physical Sciences Vol. 5(17), pp. 2555-2563, 18 December, 2010 Available online at http://www.academicjournals.org/IJPS ISSN 1992 1950 ©2010 Academic Journals. Information and Telecommunications March 25-29, 2007 – Tunisia. Rad, G. A. R., & Mohamadi, J. (2007). Vehicle Speed Estimation Based On The Image. SETIT 2007 4th International Conference: Sciences of Electronic, Technologies of Schoepflin, T. D., & Dailey, D. J. (2003). Algorithms for Estimating Mean Vehicle Speed Using Uncalibrated Traffic Management Cameras. Washington: University of Washington. Ye, Z. et al. (2006). Unscented Kalman Filter Method for Speed Estimation Using Singel Loop Detector Data. Transportation Research Record: Journal of the Transportation Research Board, No. 1968, Transportation Research Board of the National Academies, Washington, D.C., 2006, pp. 117-125. Www.studentdavetutorials.weebly.com [URL dikunjungi pada 28 Mei 2013]