PENGENALAN RAMBU LALU LINTAS SEDERHANA DENGAN MENGGUNAKAN METODE TEMPLATE MATCHING HandryMulyadi H, Thiang JurusanTeknik Elektro,UniversitasKristenPetra Jl. Siwalankerto 121-131Surabaya 60236 Telp:031-8439040 exl 1354 Fax 031-8436418 E-mail :
[email protected]
Abstrak Makalah ini menjelaskan tentang penelitian yang telah ditala*an yaitu pengenalan rambu lalu lintas. Rambu lalu lintas yang akan dikenali merupakan rambu lalu lintas sederhana dan hanya terdiri atas 4 macam model yaitu rambu belok kanan,.belok kiri, putar batik dan berhenti. Proses pengenalan rambu lalu lintas dilalcukan dengan menggunakan metode template matching. Beberapa proses pengolahan intage digunaknn untuk membantu proses pengenalan antara lain threshold, operasi sobel, chain code, konversi ke grayscale image. Pengujian sistem telah dilakukan dengan beberapa ukuran rambu-rambu, posisi kemiringan rambu-rambu dalam arah horizontal dan vertilcal. Hasil pengujian memberilcantingkat kemiripan tertinggi sampai 85 94 dan batas ambang pengenalan yang didapatkan adalah 7A %. Batas mal<simum posisi kemiringan rambu-rambu untuk masih dapat dikenali dalam arah horizontal dan vertikal adalah 20" - 50'. Tingkat kesalahan pengujian dengan menggunakan rambu-rambu yang cacat adalah 25%. Pengujian dengan menggunakan rambu-rambi dengan berbagai ukuran memberikanhasil tingkat kemiripan tertinggi 85 o%. Kata Kunci : pengenalan rambu lalulintas, template matching t.
Pendahuluan
Dewasa ini perkembangan teknologi 'semakin pesat. Salah satu hasil perkembangan teknologi tersebutadalahteknologi pengolahancitra. Banyak sekali aplikasi pada dunia elektronika dengan menggunakan teknologi pengolahan citra seperti dalam sistem keamanan, robotika dan masih banyak lagi. Pada makalah ini akan dijelaskan tentang aplikasi teknologi pengolahancitra pada sebuahrobot untuk mengenalijenis rambu lalu lintas. Tentunya dari penelitian ini diharapkan dapatmemberikankontribusi positif untuk pengembanganaplikasi-aplikasiterutama.aplikasiyang inemanfaatkankamera sebagaisensor. Penulisan makalah ini dimulai dengan memaparkan proses perancangan sistem untuk pengenalanrambu lalu lintas. Pembahasandibagi atas tiga tahap utama yaitu pemrosesanawal image (image preprocessing),ekstraksi fitur dan proses pengenalan itu sendiri. Kemudian akan dipaparkan beberapa hasil pengujian yang telah dilakukan dan ditutup dengan diskusi dan kesimpulan.
2.
Sistem PengenalanRambu Lalu Lintas
Sistemprosespengenalan rambulalu lintasyang telahdidisain dibagi atas3 tahaputama berurutanyaitu pemrosesan awal image (imagepreprocessing), prosesetstratcsifitur dan proses pengenalanitu sendiri.Blok diagramsistempengenalanra*bu lalu lintas ini dapatdilihai pada gambar1. Image dari kameraakan diprosesdahulu dalam pernrosesanawal untuk memproses t|ag" atau mempersiapkan imagesehinggasaatimagetersebutdiprosesdalam proseseksnaksi fitur, dapat memberikanhasi yang maksimal. Prosesekstraksi fitur yang dimaksud adalah mengambilobyek-obyekyang ada dalam image.Obyek yang dimaksudadalahgambarrambu-
l@enalan
Rambu Lalu Lintas Sederhana dengan Menggunakan Metode Template Matching
B-35
rrnbu lalu lintas. Setelah mendapatkanobyek, maka dilanjutkan dengan prosespengenalanobyek mmbu lalu lintas tersebut. Berikut akan dibahasmasing-masingbagian dalam sistem ini.
Image
-4q."dK"*ngg-e
Output
1
Em;ssP#e#d*?*
Image Preprocessing
Future Extraction
(Template Matching)
Image Template
Gambar I. BIok diagram sistem PengenalanRambu Lalu Lintas Pemrosesan Awal Image
3.
Pada tahap pertama ini, image dari kamera akan diproses dalam tahap pemrosesanawal image. Proses-prosesyang dilakukan dalam tahap ini adalah mengubah image dari format RGB rrenjadi grayscile image, image binerisasi dan p,rosesfilter. Pengubahanimage dari format RGB rrenjadi format grayscale dilakukan dengan menggunakan metode illuminance grayscale yang direpresentasikandalam persamaanberikut:
.
Gray = 0,299R+0,587G+ 0,114-8
(1)
Selain itu juga digunakan metode mean grayscale untuk pengubahan image dari format RGB menjadi format grayscale.Metode ini dilakukan denganmenghitung tatz-ratanilai RGB yang direpresentasikandengan persamaanberikut:
Gray =
R+G+ B
(2)
Setelahimage tersebutmenjadi grayscaleimage kemudiandilakukan prosesbinarisasi. Padaprinsipnya,prosesini dilakukandenganmelakukanprosesthresholci.Jenisprosesthreshold berikut: denganpersamaan .vangdigunakanadalahsinglethresholdyangdirepresentasikan
jika
f(x,y)>T lzss glx,!) = 1, untuk yang lain i0
(3)
dimanaT adalahnilai threshold.Prosesini inenghasilkansuatu image denganwarna hitam dan putih. Prosesterakhir dalam tahap ini adalahprosesfilter. Tujuan proses ini adalah untuk mengambilbatas-batastepian dari obyek dalam image. Proses filter ini dilakukan dengan berikut: olehpersamaan digital konvolusiyangdirepresentasikan menggunakan gr,r=ht,r*ft,,
(4)
procccaineFiKomputer.{ar SisternIntclUcn (KOMMIT 2002) Jakartq 2l *ZZ Agushts2002 AuditoriumUniversiasGunadarrna"
B.36
dimana gr,"adalah image ouput dari hasil konvolusi antara image input d,rdan f:'Jtrf, h,,yUntuk mencapaihrjuan yang dimaksud"prosesfilter ini menggunakanoperator sobel- Berikut adalahopcr:rtorsobclyang digunakan: I
-2
I
0
0
0
I
2
I
I ,' I
I
0
z
0
I
Vertikal Mask
HorisontalMask 4.
0
Ekstraksi Fitur
Setelahtahappernrosesanawal, padaimageakandilakukan prosesekshaksi fitur. Proses ekstraksi fitur bermaksud untuk mcngambil obyek-obyek yang ada dalam image' Sangat dimungkinkan dalam satu image terdapat beberapaobyek. Metode yang digunakan untuk mengambilobyek dalamimageadalahchaincode. prinsii dasardari mitode ini adalahsuatukurva tertutup yang dirgnTryntasikan sebagai rangkaianpixit yang mempunyaivektor arah.Padaimagedua dimensi,perpindahanarray dari satu delapanarah saja.Oleh karenaitu delapanarah kompasini pixi tc pixet tain i*y" "da-d"t*iapat ailaaikan scbagaivektorarah.Denganmemberinomorpadasetiaparah, sepertiterlihat pada garnbarZ,maka batasgaris suatuobyekdapatdilacakdandikodekansebagaisuatuurutannomor. 2
3. _::
1
t r i-'-::i
i**1:,- >0
4+
\'7
5
Gambar 2. Vektor Arah Metode Chain Code
Hrdr#
ffi 7
I
r-m-1--Er---t I
E
I
Illllll l0
r^.
ffi
ttttttt l'-1-rTrl I
-U
l l l rl
TT_TTTI I
lllllll
l G l t -r
*
r. .
| I -r
If_ffiJl
,al
ffil I lE
tfEr#I
t,.,
7.e6 ;
rTfm
I]TLL_I f_EE
rTm
trrT fTl *
,.r'
t-t--t-t--t--u I Itl l cr
I
to55{? o
Gambar 3. Contoh PengkodeanSutau Obyek dengan Metode Chain Code
Pcngenalan Rambu Lalu Lintas Sederhanadengan Menggunakan Metode Template Matching
B-37
Gambar3 menunjukkansalahsatucontoh pengkodeansuatuobyek denganmenggunakan chain code.Setelahmendapatkansatuobyek, makaobyek tersebutakan diambil kemudian metode dilanjutkandenganpencarianobyek lain dalamgambartersebut. Gambar berikut adalah contoh image hasil proses setiap tahap mulai dari ahap awal sampaitahapekshaksifitur yang menghasilkanobyek dalamgambar.
a\' \t (B)
G Gambar 4.
5.
Urutan proses Pengambilan obyek dari image (a) Gambar Asli, (b) Setelah melalui proses Grayscale dan Binerisasi, (c) Setelah melalui operasi Sobel dan (d) Obyekyang didapat dengan metode Chain Code
Pengenalan Rambu Lalu lintas dengan Metode Template Matching
Setelah obyek-obyek didapatkan, maka dilanjutkan dengan proses pengenalanpada setiap untuk mengetahui apakah obyek tersebut adalah rambu lalu lintas atau tidak dan juga obyek, sekaligus mengenali jenis rambu. Metode pengenalan yang digunakan dalam sistem ini adalah metodeTemplate Matching. Prinsip metode ini adalah membandingkanantara image obyek yang akan dikenali dengan image template yang ada. Image obyek yang akan dikenali mempunyai tingkat kemiripan sendiri terhadap masing-masing image template. Pengenalan dilakukan dengan melihat nilai tingkat kemiripan tertinggi dan nilai batasambang pengenalandari image obyek tersebut. Bila nilai tingkat kemiripan berada di bawah nilai batas ambang maka image obyek tersebut dikategorikan sebagai obyek tidak dikenal. Perhitungan tingkat kemiripan dalam metode template matching untuk image gray level, dilakukan denganmenggunakanpersamaanberikut: x-l
Y- l
I I S=1-
x= 0 v= 0
It(*,y) -
T(x, y)l (5)
L.X .Y
dimanaS bernilai 0 - I menqnjukannilai tingkatkemiripan,I(x,y) adalahimageobyek yang akan dikenali dan T(x,y) adalahimagetemplateyang ada,X dan Y adalahdimensi dari imagedan L adalahmaksimumlevel grayscale.Dalam sistemini digunakanempatimagetemplate,satuirnage untuk masing-masingrambu.Nilai batasambangyang digunakandalamsistem ini adalahT0%. 6.
Hasil Pengujian
Programtelah didisain denganmenggunakandelphi 5.0 dan dijalankanpada komputer dengansystemwindow 98. Pengujiansistemtelah dilakukan denganbeberapaukuran ramburambu,posisi kemiringanrambu-rambudalamarah horizontaldan vertikal. Secaraumum sistem dapatdikatakanberjalandenganbaik walaupunmasihterdapatbeberapa kelemahan.
Procecdings, Kornputcr dan Sistem lntelijen (KOM]flT Jalffta" 2l -22 Auditorium Universitas
7.
2002)
Pengujian sistem dengan Beberapa ukuran Rambu Lalu Lintas
lalu lintas' Padapengujianini, sistemdiuji denganmenggunakanbeberapaukuranrambu dan 2' Dari padabbcl I Hasil pengujian untuk ukuran rambu 3x3 idan Siicm dapat dilihat kemiripan tertinggi kedua tabel tersebut,terlihat bahwa hasil yang dicapai cuktrp baik. Tingkat lintas tidak terlalu lalu rambu uturan yang dapatdicapai adalah85%. Terlihat:"!" U"tt*liTTi tynlata tingkat adat+ ini pengqiian *"ripengu*tti irasil pengenalan Hal yang mcnarik dari jauhIni adalah berbeda tidak kemiripai obyek y*i urin dikenali aingan semuatemplatedata kelemahandari sistempengenalanternplatematching' Tabel l. Hasit pengujian Rambu Uhtran Sxi cm
OBYEK
PERSENTASEKEMIRIPAF{ OBYEK DENGAI\ITEMPLATE DATA RAMBU
o
G 6 trt
W,A
77%
8r%
70%
w
v9%
65%
lsfil
67%
75% *
IF
78 %
78%
68%
66%
6s%
w;A
Tabet 2. Hasil Penguiian Rambu Uhtran 5x5 cm
OBYEK
PERSENTASEKEMIRIPAN OBYEK DENGAN TEMPLATE DATA RAMBU
s
G G G}
w;la 7 6 %
80%
72%
76%
lss%
80 o/o
67%
8r %
8t%
w.tn
68%
73%
73%
7r %
w,a
Pengenalan Rambu Lalu Lintas Sederhanadengan Menggunakan Metode Template Marching
8.
B-39
Pengpjian Sistem dengan Beberapa Posisi Kemiringan Rambu lalu Lintas
Padapengujian ini, sistemdiuji untuk mengenalirambu-rambulalu lintas dalam keadaan posisi miring baik dalam arahvertikal maupunarahhorisontal.Untuk arah horisontal,sistemdiuji mulai dari kemiringan0" sampai70" dan posisi kemiringanmaksimumyang masih dapatdikenali denganbaik oleh sistemadalah40"-50o.Untuk arahvertikal, sistemdiuji mulai dari kemiringan0" maksimumyang masihdapatdikenali denganbaik oleh sistem sampai40o dan posisikemir,ingan adalah 20". Tabel 3 menunjukkanbeberapahasil pengujian sistem dengan beberapaposisi kemiringan. Tabel 3. Beberapa Hasil Pengujian dengan Posrsi Rambu Miring
OBYEK
PERSENTASEKEMIRIPAN OBYEK DENGAI\I TEMPLATE DATA RAMBU
o
G G TD
l$ %l
78%
82%
7L%
73%
74%
72%
ls s%
1 8% 1
79%
80%
73%
75%
77%
74%
ts3%l
78%
77%
78%
74%
75%
76%
74%
76%
77%
75%
76%
73%
7s% 7 2 %
7s%
10
20'
30
w"7a
40'
9.
Pengujian Sistem denganRambu Cacat
Padapengujianini, sistemdiuji untuk mengenalirambu lalu lintas yang cacat. Tingkat kesalahanpengenalanrambu cacat yang dicapai oleh sistem adalah25Yo.Berikut tabel yang menunjukkan beberapahasilpengujiansistemuntukmengenalirambucacat.
Procecdings, Kornprrtcr dau Sistem Intelijen (KOMMIT 2002)
Auditorium UniversitasGuudarun Jakartq 2l - 22 Agushts2002
Tabet3. BeberapaHasilPenguiiandenganRanbu Cacat
OBYEK
PERSENTASSKEMIRIPAN OBYtrK DENGAI\I TNMPLATE DATA RAMBU
s G a wre
70 o/o
7L%
56%
7A%
wta
74o/o
63%
'1 4 %
72%
wa
66%
63%
62%
63 o/o
lTs%
78%
82%
5r %
47 o/o
s0% 56%
77%
10.
TD
w"A 8 r %
wra 69%
59%
56 o/o
55 o/o
5s%
53%
82%
82%
t8s"a
69%
s9%
6O o/o
62%
5t%
72%
70 o/o
69%
@'A
58%
s6%
s6%
s6%
Kesimpulan
pengenalandengan menggunakanmetode template matching memberikan hasil yang cukupbaik. Semakinbesir ukuranobyek menghasilkannilai tingkatkemiripanyang semakinbaik. retaii ada kelemahandalam metoded template matching yaitu metoded ini memberikannilai tingiat kemiripanyang cukup tinggi untuk image-imageyangtidak mirip.
Rambu Lalu Lintas Sederhanadengan Menggunakan Metode Template Matching
B4l
Daftar Pustaka Awcock, G.W., and Thomas,R "Applied lmageProcessing",London:McGraw-Hill Inc. t996. and Thiang,et al. "T5pe of Vehicle RecognitionUsing GaborFilter Representation TemplateMatching Method". Mei 20O1. [hup://faculty.petra.ac.id/thianfldownload/paper/pengenalan_mobil_P017.pdf]. 2"d ed. lmplementation", insplration-to Robots "lfdobile et al. L., Joseph iono, Ltd., 1999. A K Peters, Massachusetts: "HistoShechGraysLab Report"[http://www.efg2.com/lab/Image EFG'S ImageProcessing, Juli 200l. Processing/flistoStretchGrays.html.
