Jurnal Teknika Volume 3 No 2 Tahun 2011
263
Pelacakan Obyek Gambar Video Berdasarkan Segmentasi Citra Dan Pola Pencocokan Kemal Farouq Mauladi1, Yuliana Melita2 Jurusan Teknik Informatika Universitas Islam Lamongan Jurusan Teknologi Informasi, Sekolah Tinggi Teknik Surabaya Email :
[email protected],
[email protected] Kemal Farouq Mauladi 3) Jurusan Teknik Informatika Universitas Islam Lamongan ABSTRAK Pelacakan benda bergerak dalam gambar video telah menarik banyak minat visi komputer. Untuk pengenalan obyek, sistem navigasi dan sistem surveilans, pelacakan objek adalah langkah pertama sangat diperlukan. Maka kami mengusulkan sebuah algoritma baru untuk objek pelacakan dalam gambar video, berdasarkan segmentasi gambar dan pencocokan pola. Dengan segmentasi citra, maka dapat mendeteksi semua obyek dalam gambar tidak peduli apakah mereka bergerak atau tidak. Menggunakan hasil segmentasi citra bingkai yang berurutan, kita mengeksploitasi pencocokan pola dalam ruang fitur sederhana untuk sebuah pelacakan objek. Akibatnya, algoritma yang diusulkan dapat diterapkan untuk benda bergerak dan masih beberapa bahkan dalam kasus kamera bergerak. Kami menggambarkan algoritma dalam detail dan melakukan eksperimen simulasi pada objek pelacakan yang memverifikasi efisiensi algoritma pelacakan itu. Implementasi didalam VLSI dari algoritma yang akan diusulkan. Pendekatan konvensional untuk pelacakan objek didasarkan pada perbedaan antara pada saat ini gambar dengan gambar latar belakang. Namun, algoritma yang berdasarkan perbedaan gambar tidak dapat secara bersamaan mendeteksi suatu objek. Selain itu, mereka tidak dapat diterapkan pada kasus kamera yang bergerak. Algoritma termasuk informasi gerakan kamera yang sudah ada sebelumnya, namun, masih mengandung masalah dalam memisahkan informasi dari latar belakang. Algoritma yang diusulkan, yaitu terdiri dari empat tahap yaitu fitur segmentasi citra, ekstraksi serta objek pelacakan dan penentuan gerak vektor. Berikut Gambar Segmentasi ini dilakukan dalam 3 cara dan efisiensi pelacakan dibandingkan di ketiga cara, teknik segmentasi yang digunakan adalah Fuzzy C berarti Partikel clustering menggunakan Swarm Optimization "," thresholding global yang Otsu itu "," Histogram berbasis thresholding oleh seleksi ambang manual ", setelah segmentasi gambar fitur dari masing-masing objek yang diambil dan Pola Matching algoritma dijalankan pada frame berturut-turut. Video urutan, sehingga pola diekstrak fitur yang cocok di frame berikutnya, gerakan obyek dari frame ke frame referensi ini dihitung di kedua X dan Y arah, masker tersebut akan dipindahkan dalam gambar yang sesuai, maka obyek bergerak dalam video urutan akan dilacak. Kata kunci : segmentasi citra, algoritma, fuzzy C, Particle Swarm Optimization I.Pendahuluan Dalam merancang sistem otomatis untuk interpretasi atau manipulasi gambar, sistem data pengembang sering perlu untuk melakukan operasi perangkat lunak pencitraan, yang disebut segmentasi, bahwa ekstrak informasi tentang struktur objek dan untuk memisahkan dan membedakan berbagai parameter kepentingan dalam data. Pengukuran atau atribut dari benda, dikenal sebagai fitur, kemudian dapat dihitung dan digunakan pemeriksaan cacat, kontrol kualitas, atau analisis kualitatif klinis. Oleh karena itu, proses kesepakatan visi yang sama dengan identifikasi objek diskrit dalam sebuah gambar. Proses tersebut mengubah satu piksel representasi dari data gambar menjadi deskriptor geometris yang mewakili kelompok piksel elemen. Deskriptor ini, yang dikenal sebagai objek, mengambil bentuk titik, garis, daerah,poligon, atau representasi unik
ISSN No. 2085 - 0859
lainnya. Segmentasi gambar adalah salah satu masalah mendasar dalam pengolahan citra dan komputervisi. Segmentasi juga merupakan salah satu langkah pertama dalam tugas-tugas analisis citra banyak. Gambar pemahaman sistem seperti wajah atau pengenalan obyek sering berasumsi bahwa objek kepentingan baik tersegmentasi. Isyarat visual yang berbeda, seperti warna, tekstur, dan gerakan, membantu dalam mencapai segmentasi. Segmentasi juga tergantung pada, subjektif video, yang diinginkan untuk mempertimbangkan kriteria generik yang dapat diterapkan dalam berbagai macam gambar dan dapat disesuaikan untuk aplikasi secara khusus.
Jurnal Teknika Volume 3 No 2 Tahun 2011
II. Kajian Pustaka Pattern Recognition Pengakuan Pola istilah mencakup berbagai masalah pengolahan informasi signifikansi praktis yang besar, dari pengenalan suara dan klasifikasi dari tulisan tangan karakter, untuk deteksi kesalahan dalam mesin dan diagnosa medis. Pengenalan pola adalah bidang dalam bidang pembelajaran mesin. Atau dapat didefinisikan sebagai-tindakan mengambil dalam baku data dan melakukan tindakan berdasarkan kategori data. Karena itu merupakan kumpulan metode untuk belajar diawasi. Pengenalan pola bertujuan untuk mengklasifikasikan data (pola) berdasarkan baik apriori pengetahuan atau informasi statistik yang diambil dari pola. Pola yangdiklasifikasikan biasanya kelompok pengukuran atau pengamatan, mendefinisikan poin dalam multidimensi yang tepat didalam suatu ruang. Pola sistem pengenalan terdiri dari dua tahap proses. Tahap pertama adalah ekstraksi fitur dan tahap kedua adalah klasifikasi. Ekstraksi fitur pengukuran populasi entitas yang akan diklasifikasikan. Ini membantu klasifikasi tahap awal untuk mencari fitur yang memungkinkan untuk membedakan antar kelas yang berbeda. Beberapa fitur yang berbeda harus digunakan untuk pengklasifikasian, fitur yang digunakan untuk membuat sebuah vektor yang mewakili pada setiap anggota populasi. Kemudian, polasistem pengenalan mengklasifikasikan setiap anggota populasi berdasarkan informasi terkandung dalam vektor informasi.Pengenalan pola adalah disiplin ilmu yang tujuannya adalah klasifikasi objek ke dalam jumlah kelas atau kategori. Tergantung pada aplikasi, benda dapat berupa gambar atau bentuk gelombang sinyal atau jenis lain dari pengukuran yang perlu diklasifikasikan. Kita akan merujuk dengan obyek menggunakan pola istilah generik. Pengenalan pola memiliki sejarah panjang, namun sebelumtahun 1960-an itu sebagian besar output
ISSN No. 2085 - 0859
264
daripenelitian teoritisdi bidang statistik, seperti segala sesuatu yang lain, munculnya komputer meningkatkan permintaan untuk aplikasipraktis dari pengenalan pola, yang pada gilirannya membuat tuntutan baru untuk teori perkembangan lebih lanjut. Masyarakat kita berkembang dari industri untuk fase pasca-nya, otomatisasi dalam industri produksi dan kebutuhan untuk penanganan informasi dan pengambilan menjadi semakin penting. Tren ini mendorong pengenalan polake tepi tinggi teknik hari ini aplikasidan penelitian, Pengenalan pola merupakan bagian integral dalam sistem mesin yang paling cerdas dibangun untuk pengambilan keputusan. Sebuah sistem pengenalan pola yang lengkap terdiri dari sebuah sensor yang mengumpulkan pengamatan harus diklasifikasikan atau dijelaskan, sebuah mekanisme ekstraksi fitur yang menghitung numerik atau simbolik informasi dari pengamatan, dan klasifikasi atau deskripsi 41 skema yang melakukan pekerjaan sebenarnya mengklasifikasikan atau menjelaskan pengamatan, bergantung pada diekstrak fitur. Klasifikasi atau skema deskripsi biasanya didasarkan pada ketersediaan dari satu set pola yang telah diklasifikasikan atau dijelaskan. Ini set pola disebut training set, dan strategi pembelajaran yang dihasilkan. Belajar juga dapat terawasi, dalam arti bahwa sistem ini tidak diberi label apriori pola, melainkan sendiri menetapkan kelas berdasarkan statistik keteraturan pola.
Blok diagram dari algoritma pengenalan pola:
Gambar 1. Diagram Algoritma Pengenalan Pola Aplikasi pengenalan pola: Pengenalan pola berkaitan dengan deteksi otomatis atau klasifikasi objek atau peristiwa. Berikut adalah beberapa contoh masalah yang teknik pengenalan pola telah telah diterapkan: 1. Analisis otomatis dari gambar medis yang diperoleh mikroskop bentuk dan scanner CAT. 2. Magnetic resonance gambar, gambar kedokteran nuklir, sinar-X, dan foto.
Jurnal Teknika Volume 3 No 2 Tahun 2011
3. 4. 5. 6. 7.
8.
Otomatis inspeksi bagian pada jalur perakitan Ucapan manusia pengakuan oleh komputer Otomatis grading kayu lapis, baja dan bahan lembar lainnya Klasifikasi sinyal seismik untuk eksplorasi minyak dan mineral, dan gempa bumiramalan Identifikasi orang dari sidik jari, bentuk dan ukuran tangan, retina scan, suarakarakteristik, pola mengetik dan tulisan tangan Pemilihan prospek yang baik dari daftar mailorder
Diagram alir sistem pengenalan pola:
265
untuk semua jobjek dalam frame sebelumnya. Akhirnya, objek(t, i) diidentifikasi dengan objek dalam frame sebelumnya yang memiliki jarak minimum dari (t,i). Mengulangi prosedur ini cocok untuk semua segmen dalam frame, kita dapat mengidentifikasi semua benda satu oleh satu dan dapat melacak objek antara frame.Setelah foto tersegmentasi, kita dapat melihat semua obyek (daerah terhubung memuaskan kesamaan kriteria) dalam sebuah gambar tidak peduli apakah mereka bergerak atau tidak. Kemudian kita melakukan pola pencocokan pada frame yang berurutan tersegmentasi memiliki objek yang diinginkan (Obyek kita tertarik untuk melacak) fitur diekstrak di tangan kemudian fitur diekstraksi untuk beberapa segmen yang digambarkan sebagai contoh berikut: EkstraksiFiturSegmen: Dalam hal ini, kamimenjelaskan fitur diekstrak objek tersegmentasi. Gambar 4 menunjukkan ekstraksi dari suatu segmen. contoh darisegmenuntuk tujuan penjelasan. 1. Area: Dengan menghitung jumlah piksel yang termasuk dalam segmen I tth frame, kita menghitung daerah ai objek (t). 2. Lebar dan Tinggi: Kami ekstrak posisi Pxmax piksel (Pxmin) yang memiliki maksimum (minimum) x-komponen.
Gambar 2. Diagram alir sistem Pengenala Pola Pola pengakuan sistem untuk pengolahan gambar:
Gambar 4. Ekstrak Suatu Segmen Penjelasan dari ekstraksi fitur diusulkan untuk segmeni dalam gambar hasil segmentasi Gambar 3. Pola Pengakuan Sistem Pengolahan Gambar Algoritma Pencocokan Pola Usulan: Algoritma yang diusulkan untuk pelacakan objek eksploitasi pencocokan pola dengan fitur di atas dan membuat penggunaan dari pencarian jarak minimum dalam ruang fitur. Sekarang kita masuk ke yang lebih rinci algoritma, menggunakan citra hasil segmentasi obyeki diframet-th, pertama kita mengekstrak fitur dari objek(t, i). Di sini, notasi (t, i) singkatan dari objek i dalam rangka t-th. Kemudian kita melakukan pencarian jarak minimum di ruang fitur antara(t, i) dan (t -1, j)
ISSN No. 2085 - 0859
manaXmax, x, Xmax, y, Xmin, x, dan Xmin, y adalahx-dan y koordinatdaripaling kanan dan paling kiri batas segmeni, masing-masing. Selain itu, kami juga ekstrak
Jurnal Teknika Volume 3 No 2 Tahun 2011
266
Kemudian kita menghitung lebar w dan tinggi h dari obyek sebagai berikut
3. Posisi: Kita mendefinisikan posisi setiap objek dalam bingkai sebagai berikut Segmentasi berdasarkan pencocokan pola:
Histogram
dan
4. Warna: Menggunakan data gambar pada Px max, Pxmin, Pymax dan Pymin, kita mendefinisikan warna fitur setiap objek seperti dalam untuk komponen (Merah) R serta dengan persamaan setara untuk komponen G dan B.
Algoritma Objek pelacakan: 1) Feature Extraction a)Ekstraksi daerah ai(t) dan posisi dari Pxmax piksel, Pxmax, Pxmax dan Pxmax untuk segmeni. b) Perhitungan lebar, tinggi segmeni
c) Perhitungan (sekarang) posisi(xi (t), yi(t)) dari segmeni.
d) Perhitungan fitur warna i. Segmen
III. Penutup Upaya pendekatan algoritma yakni fitur segmentasi citra, ekstraksi serta objek pelacakan dan penentuan gerak vektor dengan pendekatan segmentasi citra dan pencocokan gambar bergerak menggunakan segmentasi yang dilakukan dalam 3 cara dan efisiensi pelacakan dibandingkan di ketiga cara, teknik segmentasi yang digunakan adalah Fuzzy C berarti Partikel clustering menggunakan Swarm Optimization "," thresholding global yang
ISSN No. 2085 - 0859
Jurnal Teknika Volume 3 No 2 Tahun 2011
Otsu itu "," Histogram berbasis thresholding oleh seleksi ambang manual ", setelah segmentasi gambar fitur dari masing-masing objek yang diambil dan Pola Matching algoritma dijalankan pada frame berturut-turut. Video urutan, sehingga pola diekstrak fitur yang cocok di frame berikutnya, gerakan obyek dari frame ke frame referensi ini dihitung di kedua X dan Y arah, masker tersebut akan dipindahkan dalam gambar yang sesuai, maka obyek bergerak dalam video urutan dapat dilacak. Daftar Pustaka [1]. Takashi morimoto, Osama kiriyama, youmei harada,Object tracking in video images based on image segmentation and pattern matching‖ IEEE conference proceedings, vol no 05, page no, 32153218, 2005 [2]. Qingming haung, wen gao, wenjian cai, ―Thresholding technique with adaptive window selection for uneven lighting image‖, Elsevier,
ISSN No. 2085 - 0859
267
Pattern recognition letters, vol 26, page no 801808, 2005 [3]. Junqiu wang [Member IEEE], yasushi yagi [Member IEEE], Integrating colour and shape texture features for adaptive real time object tracking, IEEE transactions on image processing, vol no 17,no 2, page no 235-240,2007 [4]. Wei chen, Kangling fang, ―A hybrid clustering approach using particle swarm optimization for image segmentation‖, ICALIP 2008, page no 1365-1368, 2008 [5]. Zhou Xian cheng, Shen Quan-tai, Liu li mei, ―New two dimensional fuzzy C means clustering algorithm for image segmentation‖, Springerlink, vol no 15, page no 882- 887, 2008. [6]. E.Mahdizadeh, R. Tavakkoli-moghaddam, ―A hybrid Fuzzy clustering PSO algorithm for a clustering supplier problem, Proceedings of IEEE IEEM 2007,vol no 7, page no 1466-1470, 2007
Jurnal Teknika Volume 3 No 2 Tahun 2011
Halaman ini sengaja dikosongkan
ISSN No. 2085 - 0859
268
