JURNAL SAINS DAN SENI Vol. 1, No. 1, (2012) 1-6
1
Implementasi Metode Scale Invariant Feature Transform(SIFT) Dan Metode Continuosly Adaptive Mean-Shift(Camshift) Pada Penjejakan Objek Bergerak Shanty Eka Agustina, dan Imam Mukhlash Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak—Sistem penjejakan objek bergerak merupakan sebuah sistem yang digunakan untuk melakukan penjejakan terhadap sebuah obyek, sehingga pergerakan obyek dapat dideteksi dengan tetap memperhatikan perubahan–perubahan yang terjadi di sekitar objek tersebut. Dalam pemanfaatannya, sistem penjejakan objek bergerak sering digunakan dalam bidang robotika, game, maupun keamanan gedung. Berbagai metode dikembangkan dalam masalah ini. Pada tugas akhir kali ini, metode penjejakan objek yang digunakan adalah Scale invariant feature transform (SIFT) dan Continuosly adaptive mean-shift (Camshift). Kedua metode ini dapat dipergunakan dalam penjejakan objek bergerak. Dimana dalam mendeteksi dan mendeskripsikan fitur-fitur lokal dari citra dalam data video yang diperoleh dengan proses SIFT dan hasil pencocokan keypoint yang nantinya dijejaki pergerakannya sehingga dihasilkan output berupa video penjejakan objek bergerak. Metode Camshift dapat dipergunakan juga dalam penjejakan objek bergerak. Mengingat metode Camshift memiliki kemampuan melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Dari uji coba yang telah dilakukan, perangkat lunak penjejakan objek bergerak menggunakan metode SIFT dan Camshift memiliki kelebihan dan kekurangan masing-masing. Kata Kunci—Sistem penjejakan objek bergerak, scale invariant feature transform, camshift.
P
I. PENDAHULUAN
erkembangan teknologi multimedia pada dewasa ini telah banyak membawa dampak yang positif bagi kehidupan manusia. Hal yang paling mendasar dikarenakan teknologi multimedia memiliki kemampuan menyimpan dan mengelola gambar digital dengan resolusi tinggi dan mampu menghasilkan suara maupun video dalam bentuk digital. Teknologi Multimedia merupakan suatu teknologi yang menggunakan elemen komputer interaktif seperti grafik, teks, video, suara, dan animasi disatukan didalam komputer untuk disimpan, diproses dan disajikan guna membentuk interaksi yang inovatif antara komputer dengan manusia, contohnya adalah sistem penjejakan obyek bergerak pada kamera digital. Sistem penjejakan objek bergerak merupakan sebuah sistem yang digunakan untuk melakukan penjejakan terhadap
sebuah obyek, sehingga pergerakan obyek dapat dideteksi dengan tetap memperhatikan perubahan–perubahan yang terjadi di sekitar objek tersebut. Berbagai metode dikembangkan dalam masalah penjejakan objek bergerak contohnya SIFT[6], mean shift, dan camshift . Kelebihan metode SIFT adalah kemampuannya dalam mendeteksi dan mendeskripsikan fitur-fitur lokal dari citra dalam data video[6]. Hasil dari deteksi dan pendeskripsian fitur–fitur lokal itu dapat dipergunakan dalam penjejakan objek bergerak. SIFT memiliki ketahanan yang kuat terhadap penskalaan, rotasi dan perubahan sudut pandang citra. Sedangkan kemampuan mean shift dalam mendeteksi objek bergerak di dalam data video adalah tidak adanya ketergantungan pada jenis dari objek yang diamati, baik yang bersifat rigid maupun non-rigid. Namun dalam pengaplikasiannya metode mean shift ini memerlukan pengembangan dikarenakan distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Untuk itu metode camshift sangat berperan dalam hal ini. Metode camshift merupakan pengembangan dari metode mean shift yang memiliki kemampuan melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Oleh karena itu pada tugas akhir ini, akan digunakan metode SIFT dan metode camshift untuk menyelesaikan permasalahan penjejakan objek bergerak. II. TINJAUAN PUSTAKA A. Citra Digital Citra digital adalah citra dua dimensi yang dapat dipresentasikan dengan fungsi intensitas cahaya yang mana X dan Y menyatakan koordinat s pasial. Elemen terkecil dari citra d igital d isebut dengan piksel. Citra dapat digolongkan menjadi dua macam, yaitu citra kontinu dan citra digital. Citra kontinu adalah citra yang dihasilkan dari sistem optic yang menerima sinyal analog. Sedangkan citra diskrit/digital dihasilkan melalui proses digitalisasi terhadap citra kontinu.
JURNAL SAINS DAN SENI Vol. 1, No. 1, (2012) 1-6 B. Video Video dikatakan sebagai gabungan gambar-gambar mati yang dibaca berurutan dalam suatu waktu dengan kecepatan tertentu. Gambar-gambar yang digabung tersebut dinamakan frame dan kecepatan pembacaan gambar disebut dengan frame rate, dengan satuan fps (frame per second). Karena dimainkan dalam kecepatan yang tinggi maka tercipta ilusi gerak yang halus, semakin besar nilai frame rate maka akan semakin halus pergerakan yang ditampilkan. Karakteristik suatu video digital ditentukan oleh resolusi (resolution) atau dimensi frame (frame dimention), kedalaman piksel (pixel depth), dan laju frame (frame rate). • Resolusi atau dimensi frame adalah ukuran sebuah frame pa da video digital. Semakin tinggi resolusi video semakin baik kualitas video tersebut. • Kedalaman bith (bit depth) menentukan jumlah bit yang digunakan untuk merepresentasikan tiap piksel pada sebuah frame, dan dinyatakan dalam bit/piksel. Semakin banyak jumlah bit yang digunakan untuk merepresentasikan sebuah piksel, semakin tinggi kedalaman pikselnya, maka semakin tinggi pula kualitasnya. • Laju Frame (frame rate) menunjukan jumlah f rame yang digambar tiap detik dinyatakan dalam frame/detik. C. Penjejakan Objek Bergerak Penjejakan objek bergerak atau object tracking adalah proses mencari lokasi dari objek yang akan diamati dari suatu data video untuk setiap satu satuan frame dalam data video tersebut. Aplikasi ini merupakan aplikasi yang menggunakan teknik pengolahan citra digital. Pada umumnya ada dua pendekatan yang dapat digunakan pada aplikasi ini, yaitu : 1. Penjejakan objek bergerak berdasarkan gerakan objek. 2. Penjejakan objek bergerak berdasarkan pengenalan objek. Berbagai metode dikembangkan untuk menyelesaikan permasalahan penjejakan objek bergerak khususnya yang berbasiskan pola gerakan objek dan pengenalan objek antara lain menggunakan Kalman filter, extended Kalman filter, ataupun partikel filter, dan camshift. Berikut ini adalah sebuah ilustrasi yang menggambarkan adanya suatu penjejakan objek bergerak.
2 • Deteksi ekstremum (maksimum atau minimum) pada Difference of Gaussian Scale Space. • Penetapan orientasi keypoint (orientation assignment). • Penetapan keypoint descriptor. Gaussian dan Difference of Gaussian Scale Space Pada algoritma SIFT digunakan fungsi Gaussian untuk membangun scale space sehingga disebut dengan Gaussian Scale Space.
Gambar 2. Ilustrasi Gaussian dan Difference of Gaussian Scale Space
Setelah mendapatkan Gaussian Scale Space langkah selanjutnya yaitu membentuk Difference of Gaussian Scale (DoG). DoG dibentuk dengan cara D ( x, y , σ ) = L ( x, y , kσ ) − L ( x, y , σ )
Keterangan : − L ( x, y , σ ) adalah konvolusi dari citra asli I ( x, y ) dengan −
Gaussian filter G ( x, y , σ ) pada skala σ . L ( x, y , kσ ) adalah konvolusi dari citra asli I ( x, y ) dengan Gaussian filter G ( x, y , kσ )
pada skala kσ dengan nilai
k= 2 .
Deteksi Ekstremum Deteksi ekstremum (nilai maksimum dan minimum) dilakukan dengan cara membandingkan nilai setiap piksel pada DoG Scale space dengan delapan piksel yang berada di sekelilingnya dan 9 piksel yang bersesuaian pada citra DoG sebelum dan setelahnya[6]. Jika nilai piksel yang dimaksud lebih besar atau lebih kecil daripada nilai-nilai piksel pembandingnya maka koordinat piksel tersebut ditandai sebagai ekstremum. Ilustrasinya dapat dilihat pada gambar di bawah ini
Gambar 3. Ilustrasi deteksi ekstrema, tanda silang merupakan piksel uji dan lingkaran hijau merupakan piksel pembanding
Gambar 1. Penjejakan Objek Bergerak
D. Algoritma Scale Invariant Feature Transform (SIFT) Pada penelitian ini, sistem penjejakan akan dibangun dengan memanfaatkan algoritma SIFT yang dipublikasikan oleh David Lowe pada 1999. Algoritma SIFT sendiri terbagi atas beberapa bagian yaitu[6] : • Pembentukan Gaussian Scale Space dan Difference of Gaussian Scale Space.
Setelah mendapatkan titik-titik ekstremum maka p erlu ditingkatkan lokalisasinya dengan akurasi subpiksel dengan menggunakan ekspansi Taylor orde kedua dari fungsi ruang skala D ( x, y , σ ) , sehingga posisi ekstremum sebenarnya didapatkan dengan rumus berikut [6] : −1 ∂ 2 D ∂D z = − ∂x 2 ∂x
JURNAL SAINS DAN SENI Vol. 1, No. 1, (2012) 1-6 Selanjutnya untuk menghitung nilai keypoint pada ekstremum digunakan rumus berikut : −1 1 ∂D D( z ) = D + z 2 ∂x Jika nilai D(z) tidak melebihi suatu nilai threshold (0.03) maka keypoint tersebut dihilangkan dan tidak dipakai lagi[6]. Di samping penghapusan keypoint yang tidak memenuhi syarat threshold dilakukan juga penghapusan keypoint tak stabil yang berada pada daerah edge. Sebuah matriks Hessian 2x2 digunakan untuk menemukan kurvatur sehingga rasio dari kurvatur dapat diketahui[8]. H =
D xx D xy D xy D yy
D xx + D yy D xx D yy − ( D xy )
2
<
( r + 1)
2
r
Pada penelitian ini nilai r yang digunakan yaitu 10 sehingga keypoint yang memiliki rasio kurvatur lebih dari 10 akan dihilangkan[6]. Penetapan Orientasi Keypoint (Orientation assignment) Pada penetapan orientasi ini digunakan citra Gaussian smooth L yang memiliki skala paling dekat dengan skala keypoint. Untuk setiap citra sampel L(x,y) magnitude m(x,y) dan orientasi θ(x,y) dihitung dengan menggunakan perbedaan piksel sebagai berikut : m( x, y ) =
2 2 ( L ( x + 1, y ) − L ( x − 1, y )) + ( L ( x , y + 1) − L ( x , y − 1))
θ ( x, y ) = arctan(
L ( x, y + 1) − L ( x, y + 1) L ( x + 1, y ) − L ( x − 1, y )
)
Penentuan Deskriptor Lokal Proses terakhir adalah menghitung vektor deskriptor. Deskriptor dihitung untuk masing-masing keypoint, langkah ini dilakukan pada gambar yang paling dekat dengan skala untuk skala keypoint. Pertama membuat orientasi dengan 4x4 piksel dengan 8 bin untuk tiap keypoint[6]. Histogram yang didapat pada langkah penetapan orientasi ini dihitung magnitude dan nilai orientasi untuk sampel dalam wilayah 16x16 disekitar keypoint. Magnitude dihitung dengan fungsi Gaussian dengan σ sama dengan satu setengah lebar deskriptor. Kemudian deskriptor menjadi vektor dari semua nilai histogram ini. Karena 4x4= 16 histogram dengan masing-masing memiliki 8bin, maka vektor memiliki 128 elemen. E. Algoritma Continuosly Adaptive Mean Shift ( Camshift) Camshift a dalah singkatan dari Continuously Adaptive Mean Shift, yang merupakan pengembangan dari algoritma Mean Shift yang dilakukan secara terus menerus untuk melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video sequence[7].
3 Langkah-langkah dari algoritma mean shift adalah sebagai berikut [7]: Langkah 1 : Tentukan ukuran search window . Langkah 2 : Tentukan lokasi awal search window. Langkah 3 : Hitung daerah mean dalam search window. Langkah 4 : Posisikan search window ke tengah daerah mean seperti dihitung pada step (3). Langkah 5 : Ulangi langkah (3) dan (4) hingga konvergen (atau hingga pergeseran daerah mean kurang dari threshold / batas yang ditentukan). Sedangkan langkah-langkah algoritma camshift adalah sebagai berikut: Langkah 1 : Tentukan ukuran awal search window. Langkah 2 : Tentukan lokasi awal dari search window. Langkah 3 : Tentukan daerah kalkulasi (calculation region) pada bagian tengah search window dengan ukuran lebih besar dari search window. Langkah 4 : Frame citra video dikonversi ke dalam sistem warna HSV(Hue, Saturation, Value), kemudian langkah selanjutnya adalah membuat histogram dari citra untuk mengetahui distribusi probabilitas warna. Langkah 5 : Lakukan algoritma mean shift seperti di atas (satu atau banyak iterasi) dengan input berupa ukuran dan lokasi search window serta citra distribusi probabilitas warna dan simpan zeroth moment. Langkah 6 : Set nilai x, y, z yang diperoleh dari langkah (5). Langkah 7 : Nilai x dan y dipakai untuk menentukan titik tengah search window, sedangkan (2*area1/2) untuk menentukan ukuran search window. Langkah 8 : Ulangi langkah (3) untuk setiap pergantian frame citra video. Untuk citra berdistribusi probabilitas warna, daerah mean (centroid) didalam search window bisa dicari dengan persamaan : Zeroth moment bisa dicari dengan persamaan: M 00 = ∑ ∑ I ( x, y ) x y First moment untuk x dan y bisa dicari dengan persamaan : M 10 = ∑ ∑ xI ( x, y ) x y M 01 = ∑ ∑ yI ( x, y ) x y Maka lokasi mean dalam search window(centroid) adalah : M M y c = 01 xc = 10 M 00 M 00 dimana I ( x, y ) adalah nilai warna piksel di posisi ( x, y ) pada citra dan x,y berada di dalam search window dan M 10 adalah first moment untuk x, M 01 adalah first moment
untuk y sedangkan M 00 adalah zeroth moment.
JURNAL SAINS DAN SENI Vol. 1, No. 1, (2012) 1-6 III. PENGEMBANGAN PERANGKAT LUNAK A. Data Masukan Data masukan adalah data video non realtime dengan ekstensi .avi yang telah tersimpan di dalam penyimpanan direktori. Data video yang akan digunakan dalam sistem ini adalah sebagai berikut . Tabel 1 Data Video Yang Digunakan
No
Nama
Total Frame
1
redcup.avi
99
2
bola.avi
70
3
cangkir.avi
40
B. Modul Pra-Proses Secara garis besar perangkat lunak penjejakan objek bergerak ini terdiri atas dua modul yaitu modul pra-proses dan modul uji. Modul pra-proses bertujuan untuk menyiapkan data untuk diproses. Pada modul ini dilakukan proses konversi video.avi ke dalam frame. Konversi Video ke Frame Setiap inputan video dalam sistem ini akan dikonversi menjadi beberapa frame. Frame inilah yang akan diproses sehingga pergerakan dari objek yang terdapat didalam video terlacak oleh sistem. C. Modul Uji Data yang dihasilkan dari modul pra-proses kemudian akan di uji dengan beberapa proses diantaranya ekstrasi fitur lokal, ekstrasi fitur match, penjejakan objek bergerak dengan algoritma SIFT, penjejakan objek bergerak dengan algoritma Camshift. Ekstrasi fitur lokal Pada proses ini dilakukan ekstrasi fitur dari setiap frame hasil konversi . Hasil dari ekstrasi fitur ini berupa visualisasi dari keypoint yang terdapat dalam frame . Ekstrasi Fitur Match Pada proses ini dilakukan uji coba dengan mengekstrasi fitur pencocokan keypoint dari citra uji yang telah di ekstrasi keypoint sebelumnya. Hal ini dilakukan untuk mencari letak–letak keypoint yang sama. Setelah itu keypoint–keypoint yang sama disimpan lokasinya, sedangkan yang berbeda di hapus. Penjejakan Objek Bergerak dengan algoritma SIFT Uji coba dilakukan dengan mencoba masing-masing modul yang ada didalam sistem penjejakan objek bergerak menggunakan metode SIFT. Penjejakan Objek Bergerak dengan Algoritma Camshift Uji coba dilakukan dengan mencoba masing-masing modul yang ada didalam sistem penjejakan objek bergerak menggunakan metode Camshift. IV. IMPLEMENTASI Struktur dari perangkat lunak ini terbagi atas dua program utama yaitu program penjejakan objek bergerak dengan algoritma SIFT dan algoritma Camshift. Untuk alur proses
4 pelaksanaan sistem dalam program penjejakan objek bergerak menggunakan algoritma SIFT dan algoritma Camshift ditunjukkan oleh Gambar 4 dan Gambar 5. Mulai Data Video Non Realtime Menampilkan data video yang telah tersimpan di direktori Konversi video ke frame Ekstrasi fitur-fitur lokal dalam citra uji dengan algoritma SIFT Ekstrasi fitur-fitur pencocokan keypoint Tentukan ROI dari objek Penjejakan objek bergerak Update posisi baru dari objek Video hasil tracking Selesai
Gambar 4. Diagram alur program Penjejakan Objek Bergerak Menggunakan Algoritma SIFT Mulai Data Video Non Realtime Menampilkan data video yang telah tersimpan di direktori
Tentukan ROI dari objek yang akan diamati Penjejakan Objek Bergerak dengan Camshift Update posisi baru dari objek
Video Hasil Tracking
Selesai
Gambar 5. Diagram alur program Penjejakan Objek Bergerak Menggunakan Algoritma Camshift
V. UJI COBA
A. Uji coba ekstrasi fitur lokal dan fitur pencocokan keypoint dengan algoritma SIFT Berikut ini adalah hasil pendeteksian fitur keypoint dari citra uji yang terdapat pada beberapa citra untuk dataset video yang digunakan dalam sistem.
JURNAL SAINS DAN SENI Vol. 1, No. 1, (2012) 1-6
5
Tabel 2 Data Deteksi Fitur Keypoint dari Beberapa Citra Uji Dalam Dataset Video Dataset Redcup.avi
Bola.avi
Cangkir.avi
Frame Redcup1.jpg Redcup2.jpg Redcup3.jpg Redcup4.jpg Bola1.jpg Bola2.jpg Bola3.jpg Bola4.jpg Cangkir1.jpg Cangkir2.jpg Cangkir3.jpg Cangkir4.jpg
Jumlah Hasil Deteksi Fitur 395 422 393 389 193 208 211 240 273 328 301 339
Berikut ini adalah hasil deteksi fitur match pada dataset video yang digunakan.
Tabel 3 Data Deteksi Fitur Match pada dataset video yang digunakan Jumlah Hasil Dataset Frame Pencocokan Redcup.avi Redcup1.jpg dan Redcup2.jpg 183 Redcup3.jpg dan Redcup4.jpg 182 Bola.avi Bola1.jpg dan Bola2.jpg 101 Bola3.jpg dan Bola.4jpg 118 Cangkir.avi Cangkir1.jpg dan Cangkir2.jpg 162 Cangkir3.jpg dan Cangkir4.jpg 192
B. Uji coba penjejakan objek bergerak dengan algoritma SIFT Berikut akan dilakukan beberapa kali uji coba terhadap perangkat lunak yang telah dibuat.Untuk gambar hasil penjejakan dari dataset redcup.avi, bola.avi,cangkir.avi adalah sebagai berikut
Frame 19
Frame 39
Frame 69 Gambar 7. Hasil Tracking Dari Algoritma SIFT Menggunakan Dataset bola.avi
Frame 39
P ada Percobaan
Tabel 5. Posisi, dan Keypoint Yang Terdeteksi Didalam ROI Pada Frame Bola19.jpg, Frame Bola 39.jpg, Frame Bola59.jpg, dan Frame Bola79.jpg Menggunakan Dataset Bola.avi Frame X1 Y1 X2 Y2 X 2 -X 1 Y 2 -Y 1 Fitur Waktu Terdeteks Komp i utasi 19 194 115 255 172 60 57 42 42.7 09 s 39 182 120 247 176 65 56 39 59 184 135 226 180 43 45 50 79 171 66 251 129 80 62 90
Sedangkan gambar hasil tracking dari dataset cangkir.avi adalah sebagai berikut
Frame 10
Frame 19
Frame 59
Frame 20
Frame 30
Frame 59 Frame 40 Gambar 8. Hasil Tracking Dari Algoritma SIFT Pada Percobaan Percobaan Menggunakan Dataset Cangkir.avi
Frame 79
Gambar 6. Hasil Tracking Dari Algoritma SIFT Menggunakan Dataset redcup.avi
Fr am e 19 39 59 69
Pad a Percobaan
Tabel 4. Posisi, dan Keypoint Yang Terdeteksi Didalam ROI Pada Frame Redcup19.jpg, Frame Redcup 39.jpg, Frame Redcup59.jpg, dan Frame Redcup 79.jpg Menggunakan Dataset Redcup.avi X1 Y1 X2 Y2 X 2 -X 1 Y 2 -Y 1 Fitur Waktu Terdete Komput ksi asi 194 110 259 176 65 66 32 81.427 s 177 113 251 176 73 63 37 176 131 230 184 54 53 58 147 137 186 182 40 44 46
Sedangkan gambar hasil tracking dari dataset bola.avi adalah sebagai berikut
Tabel 6 Posisi, dan Keypoint Yang Terdeteksi Didalam ROI Pada Frame Cangkir 10.jpg, Frame Cangkir 20.jpg, Frame Cangkir30.jpg, dan Frame Cangkir40.jpg Menggunakan Dataset Cangkir.avi Fram X1 Y1 X2 Y2 X 2 -X 1 Y 2 -Y 1 Fitur e Terdete ksi 10 111 87 196 167 84 80 90 20 110 88 188 170 78 82 91 30 118 89 204 162 86 73 57 40 108 81 157 150 49 69 43
C. Uji coba penjejakan objek bergerak menggunakan algoritma Camshift Uji coba proses penjejakan objek bergerak dapat dikerjakan oleh user setelah user menentukan objek yang akan diamati. Untuk memulai proses penjejakan maka user cukup menekan Tombol Proses Tracking. Hasil dari proses ini adalah berubahnya posisi koordinat titik pusat dari ROI jika terdapat
Waktu Komputa si 30.845 s
JURNAL SAINS DAN SENI Vol. 1, No. 1, (2012) 1-6 pergerakan dari objek yang diamati. Terdapat beberapa hal yang dapat ditampilkan dalam aplikasi yang merupakan hasil penjejakan objek bergerak menggunakan metode Camshift. Beberapa gambar hasil penjejakan objek bergerak menggunakan metode Camshift ditunjukkan pada Gambar 9,10, dan11 di bawah ini
Frame 19
Frame 59
Frame 39
6
Frame 10
Frame 20
Frame 30
Frame 40 Gambar 11. Hasil Proses Tracking Pada Dataset Cangkir.avi Menggunakan Algoritma Camshift.
Frame 79 Gambar 9. Hasil Proses Tracking Pada Dataset Redcup.avi Menggunakan Algoritma Camshift. Tabel 7 Nilai dari koordinat posisi frame hasil penjejakan dari objek untuk beberapa frame Frame X Y Waktu Komputasi 19 144 181 99.669 s 39 145 216 59 124 251 79 108 235
Frame 19
Frame 39
Frame 59
Frame 69 Gambar 10. Hasil Proses Tracking Pada Dataset Bola.avi Menggunakan Algoritma Camshift. Tabel 8. Nilai dari koordinat posisi frame hasil penjejakan dari objek untuk beberapa frame Frame 19 39 59 69
X 147 147 148 162
Y 219 212 207 180
Waktu Komputasi 42.8 s
Tabel 9 Nilai dari koordinat posisi frame hasil penjejakan dari objek untuk beberapa frame Frame X Y Komputasi 10 127 143 31.5 s 20 132 135 30 125 149 40 115 139
VI. SIMPULAN Dari hasil uji coba diatas menunjukkan bahwa waktu komputasi dari algoritma SIFT lebih efisien dibandingkan dengan algoritma Camshift. Akan tetapi, hasil penjejakan yang dilakukan oleh algoritma Camshift lebih baik dibandingkan dengan algoritma SIFT. DAFTAR PUSTAKA [1] M. Isard and A. Blake, “Condensation - Conditional density propagation for visual tracking,” Intl. J. of Computer Vision, vol. 29, no. 1, 1998. [2] R. Rosales and S. Sclaroff, “3D trajectory recovery for tracking multiple objects and trajectory guided recognition of actions,” in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Fort Collins, CO, 1999, pp. 117–123. [3] Y. Boykov and D. Huttenlocher, “Adaptive Bayesian recognition in tracking rigid objects,” in Proc. IEEE Conf. on C omputer Vision and Pattern Recognition, Hilton Head, SC, 2000, pp. 697–704. [4] Y. Rui and Y. Chen, “Better proposal distributions: Object tracking using unscented particle filter,” in Proc. IEEE Conf. on C omputer Vision and Pattern Recognition, Kauai, Hawaii, volume II, 2001, pp. 786–793 [5] Susanto,2008,” Pengembangan Perangkat Lunak Penjejakan Objek Bergerak Menggunakan Metode Mean Shift” Tugas Akhir, Jurusan Matematika ITS. [6] Lowe, D.G., “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision, 60, 2, pp. 91-110, 2004. [7] G. R. Bradski. Computer video face tracking for use in a perceptual user interface. Intel Technology Journal, Q2 1998. [8] Chaoyang Zhu, 2011, “ Video Object Tracking using SIFT and Mean Shift”, Thesis, Department of Signals and Systems Chalmers University Of Technology.
