PERANCANGAN CAR TYPE AND PLATE LICENSE RECOGNIZER MENGGUNAKAN SOFT COMPUTING RIZKY ZUHRUDIN 1301011626 WILLY WIJAYA 1301025700 YUKA MUSIKO 1301071341 Binus University, Jakarta, DKI Jakarta, Indonesia
Advisor : Drs. Antonius Herusutopo, B.E, M.Sc D1994
ABSTRACT Skripsi ini dibuat untuk merancang dan mengimplementasikan perangkat lunak yang dapat mengenali plat nomor kendaraan dan tipe kendaraan dari citra mobil. Hasil pengolahan citra menggunakan metode soft computing serta library EmguCV. Terdapat 4 tahapan proses yang digunakan dalam pembuatan perangkat lunak yaitu tahap proses input image, pre-processing, training processing dan tahap recognize. Tahap awal adalah user menginput sebuah gambar mobil (car image) kedalam program. Setelah gambar di input, program akan membaca dan melakukan proses pre processing yaitu proses pengolahan citra gambar dari bitmap menjadi vector terhadap image yang di input. Setelah proses pre processing berhasil dijalankan maka masuk ke tahap training yaitu tahap pembelajaran sistem agar dapat mengenali suatu objek (dalam hal ini berupa plat nomor dan tipe mobil). Setelah itu proses selanjutnya akan dilakukan proses recognize, yaitu proses pengenalan sistem yang sebelumnya sudah di training. Setelah semua proses berhasil dilakukan maka akan didapatkan hasil berupa data tipe mobil dan plat nomor dari gambar yang telah di masukkan sebelumnya. Berdasarkan hasil simulasi, perangkat lunak pengenalan plat nomor dan tipe mobil yang dibuat telah berhasil mengenali plat nomor dengan tingkat akurasi 80.223% dan tipe mobil dengan tingkat akurasi 75% dan pengenalan plat nomor dan tipe kendaraan dengan akurasi 80% Kata Kunci
: Image, Pre-Processing, Pengenalan Plat Nomor dan Tipe Mobil, Training, Recognize.
1. Pendahuluan Dewasa ini penggunaan transportasi pribadi berupa mobil lebih banyak diminati oleh setiap orang yang tinggal di Indonesia. Hal ini dapat dilihat dari data penjualan kendaraan bermotor khususnya mobil pribadi yang terus meningkat. Dengan meningkatnya angka penjualan ini, maka tingkat kemacetan meningkat, kriminalitas curanmor semakin sering terjadi dan lahan parkir untuk menampung kendaraan pribadi di tempat-tempat umum pun semakin sulit. Berdasarkan fakta tersebut, kami selaku tim penulis terinspirasi untuk membuat sistem agar dapat digunakan untuk mempermudah dan memberikan inovasi sehingga dapat mempermudah antrian pada akses pintu masuk. Selain itu, sistem ini diharapkan dapat mengurangi tingkat curanmor karena setiap kendaraan yang keluar masuk didata dan datanya tersimpan untuk diakses bilamana dibutuhkan untuk melacak kendaraan yang hilang. Metode yang kami gunakkan adalah Pengenalan Pola dan Jaringan Syaraf Tiruan (JST). Salah satu metode yang digunakan dalam bidang pengenalan pola adalah metode pendeteksian tepi (edge detection) yang digunakan untuk mencari batas – batas pola tertentu pada suatu citra. JST berusaha memodelkan cara kerja jaringan syaraf manusia sebagai model matematis berdasarkan pemahaman manusia dibidang biologi tentang saraf otak manusia dengan mekanisme pemrosesan paralel. Keunggulan metode ini dibandingkan metode lain adalah kemampuannya belajar dan memecahkan hubungan yang rumit, yang sulit untuk di deskripsikan antara data masukan (input) dan data keluaran (output).
Berdasarkan penelitian mengenai metode pengenalan pola menggunakan pendeteksi tepi (edge detection) dan JST, kami selaku penulis merasa bahwa metode pendeteksian tepi dan JST dapat digunakan untuk membantu mengembangkan sebuah perangkat lunak untuk pengenalan plat nomor dan tipe kendaraan khususnya mobil. Kedua metode ini diharapkan dapat menyelesaikan permasalahan dasar dalam pengenalan sebuah plat nomor dan tipe kendaraan yang sedang kami teliti.
2. Metodologi Ruang lingkup penelitian ini meliputi analisis, desain dan implementasi dari aplikasi pendeteksian plat nomor dan tipe mobil. Adapun permasalahan yang dibahas meliputi desain, implementasi, dan evaluasi program.
2.1 Desain Software Langkah yang akan dilakukan terdiri dari 4 tahap yaitu pre-processing, training process dan proses Identifikasi. Secara garis besar sistem akan dirancang sebagai berikut Input Car Image
Pre Processing
Output Recognize
Training
Gambar1 - Diagram Sistem
Data
Tahap awal adalah user menginput sebuah gambar mobil (car image) kedalam program. Setelah gambar diinput, program akan membaca dan melakukan proses pre processing yaitu proses pengolahan citra gambar dari bitmap menjadi array 7x7 terhadap image yang diinput.
Gambar 2 – Tahap Pre Processing Citra Setelah proses pre processing berhasil dijalankan maka masuk ke tahap training yaitu tahap pembelajaran sistem agar dapat mengenali suatu objek (dalam hal ini berupa plat nomor dan tipe mobil).
Gambar 3 – Tahap Training Citra Setelah itu proses selanjutnya akan dilakukan proses recognize, yaitu proses pengenalan sistem yang sebelumnya sudah ditraining. Setelah semua proses berhasil dilakukan maka akan didapatkan hasil pengenalan tipe mobil dan plat nomor dari gambar yang telah dimasukkan sebelumnya.
2.2 Implementasi • Processor
:
Intel® Core™ i5-2430 CPU @ 2.40GHz
• Memory (RAM)
:
4GB (2.66 GB usable)
• Hard Disk
:
750 GB
• Monitor
:
14” (Inch)
• Operating System
:
Windows 8 Proffesional 32Bit (x-64 Based Processor)
• Compiler
:
Microsoft Visual Studio 2010 Express
Edition • Bahasa Pemograman :
C# (c-sharp)
• Library
:
EmguCV, OpenCV, BPSimplified
• Engine
:
Tesseract OCR
2.3 Evaluasi Gambar (image) mobil yang akan diuji dikumpulkan terlebih dahulu didalam sebuah folder. Program ini memiliki kelebihan yaitu waktu pendeteksian plat nomor beserta pengenalan karakter angka dan huruf yang ada pada plat nomor dapat dikenali dengan cukup cepat dengan waktu rata – rata kurang dari 500 mili detik. Selain itu, semua bagian tepi yang dianggap persegi akan dideteksi sehingga kandidat plat nomor tidak akan terlewatkan. Untuk tipe mobil, training tipe mobil dapat dilakukan dengan maximum error 1,1 dan dengan iterasi 10.000 input. Dengan demikian kemungkinan kesalahan pengenalan semakin kecil. Dalam melakukan pengujian (testing) terhadap aplikasi ini, digunakan 30 sampel gambar mobil yang memiliki plat nomor kendaraan pribadi dan tidak mengalami modifikasi (plat nomor standard). Berikut adalah contoh hasil pengujian pada saat program berjalan
Gambar 4 – Hasil Pengujian Berhasil Selanjutnya akan ditampilkan beberapa citra hasil pengujian yang gagal dikenali oleh program ini.
Gambar 5 – Hasil Pengujian Gagal Setalah melakukan percobaan dari 30 jenis mobil, dan dilakukan penghitungan maka didapat akurasi keberhasilan program ini sebesar 80%. Untuk pengenalan plat mobil saja sebesar 80,223% dan tipe mobil saja sebesar 75%.
3. Kesimpulan Berdasarkan hasil pengujian (testing) terhadap 30 jenis mobil yang telah dijalankan pada program, dapat diperoleh kesimpulan bahwa : •
Program dapat mendeteksi dan mengenali plat nomor kendaraan roda empat menggunakan soft computing dengan akurasi sebesar 80.223 %
•
Program dapat mendeteksi dan mengenali tipe mobil menggunakan soft computing dengan akurasi sebesar 75 %
•
Program dapat mendeteksi dan mengenali plat nomor dan tipe mobil menggunakan soft computing dengan akurasi sebesar 80 %
•
Program ini memiliki kehandalan diantaranya : o Waktu pendeteksian plat nomor beserta pengenalan karakter angka dan huruf yang ada pada plat nomor dapat dikenali dengan cukup cepat dengan waktu rata – rata kurang dari 500 mili detik. o Semua bagian tepi yang dianggap persegi akan dideteksi sehingga kandidat plat nomor tidak akan terlewatkan. o Program dapat mengenal tipe mobil secara global (MPV, sedan, dan truk)
•
Program ini juga memiliki kekurangan diantaranya : o Tidak dapat mendeteksi plat hasil modifikasi ataupun plat yang sudah rusak, contohnya plat yang sudah pudar warnanya. o Tidak dapat mendeteksi semua ukuran plat, hanya panjang dan lebar tertentu yang dapat dideteksi sempurna. o Pendeteksian tipe mobil harus memakan proses training yang lama. o Pengenalan tipe mobil harus berupa citra pada posisi yang sesuai.
o Belum diketahui dengan pasti komposisi jumlah dari input, hidden, dan output layer dalam mendapatkan hasil training yang optimal. •
Dengan demikian sistem pengenalan plat dan tipe mobil ini belum cukup kuat (robust) dalam hal pendeteksian dan pengenalan plat dan tipe kendaraan roda empat.
DAFTAR PUSTAKA Aguado, A., & S. Nixon, M. (2002). Feature Extraction and Image Processing. Oxford: Newnes. AIM, Inc., (The Association for Automatic Identification and Data Capture Technologies). (2003). Optical Character Recognition (OCR). 643 Alpha Drive Pittsburgh, USA: AIM,Inc. Burger, W., & Burger, J.B. (2007). Digital Image Processing: An Algorithmic Approach Using Java. Direktorat
Reserse
Kriminal
Umum.
Statistik
Kasus
Kriminal.
03-13-2013.
http://reskrimum.metro.polri.go.id/statistik Draghici, S. (2004). A Neural Network Based Artificial Vision System For License Plate Recognition. Detroit, Michigan: Wayne State University. Haykin, S. (2004). Neural Network A Comprehensive Foundation. New York : Macmillan College Publishing Company. Hutapea, M. B. (2007). Identifikasi Tanda Tangan (Signature Recognition) Menggunakan jaringan Syaraf Tiruan (Artificial Neural Network). Depok: Skripsi, Program Pasca Sarjana Fakutas Teknik Universitas Indonesia. J, Zulkifli B. 2012. Penjualan Mobil di Indonesia Sudah Mencapai 816.322 Unit. 03-1313.http://otomotif.kompas.com/read/2012/10/18/4844/2012.Penjualan.Mobil.di.Indonesia.Sudah. Mencapai.816.322.unit Johnson, S. (2006). Stephen Johnson on Digital Photography. O'Reilly.
Kristanto, A. (2004). Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan Aplikasi). Yogyakarta: Gava Media. Kumar, S. (2008). License Plate Recognition System for Indian Vehicle. Journal of Information Technology and Knowledge Management , 311 - 325. Kusumadewi, S. (2003). Artificial Intelligence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu. Manurung, P. M. (2008). Perangkat Lunak Pengenalan Plat Nomor Mobil Menggunakan Jaringan Kompetitif dan Jaringan Kohonen. Depok: Skripsi Program Sarjana Fakultas Teknik Elektro Universitas Indonesia. Morris, T. (2004). Computer Vision and Image Processing. Palgrave Macmillan. Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. Nathanel, D. C., Dewi, M. S., & Joandi. (2007). Perancangan Aplikasi Pengenal Plat Nomor Kendaraan Bermotor Dengan Pendekatan Backpropagation. Jakarta: Bina Nusantara University. Pearson, David W., Steele, Nigel C (2003). Artificial Neural Nets and Genetic Algorithms. Roanne, France : Springer Wien New York. Rahardjo Emanuel, A. H. (2008). Pengembangan Aplikasi Pengenalan Karakter Alfanumerik. Jurnal Informatika , 49 - 58. Resamana Lim, L. V. (2003). Sistem Pengenalan Plat Nomor Mobil Menggunakan Metode Principal Component Analysis. Jurnal Teknik Elektro Unicersitas Petra Volume 3 , 31 - 38.
Smith, R. (2009). Adapting the Tesseract Open Source OCR Engine for. Mountain View: Google Inc. Smith, R. (2005). An Overview of the Tesseract OCR Engine. Bristol: Google Inc. Szeliski, R. (2011). Computer Vision, Algorithms and Application. Washington, USA: Springer. Wawrzyniak, H. K. (2002). License plate localization and recognition in camera picture. Gliwice: Wroclaw University od Technology . Wicaksana, R. P. (2008). Pengenalan Plat Nomor Kendaraan Secara Otomatis Untuk Pelanggaran Lalu Lintas. Surabaya: Institute Teknologi Sepuluh November.
CAR TYPE AND PLATE LICENSE RECOGNIZER USING SOFT COMPUTING
RIZKY ZUHRUDIN 1301011626 WILLY WIJAYA 1301025700 YUKA MUSIKO 1301071341 Binus University, Jakarta, DKI Jakarta, Indonesia
Pembimbing : Drs. Antonius Herusutopo, B.E, M.Sc D1994
ABSTRAK This thesis is to design and implement software that can recognize license plates of vehicles and types of vehicles from cars image. The results of image processing using soft computing methods and using EmguCV library. There are 4 stages of the process used in software development which stage of the process image input, pre-processing, processing training and recognize stage. The initial stage is the user inputs a picture of a car (car image) into the program. After the image has been input, the program will read and perform pre-processing is the process of image processing of bitmap images into vector of the image in the input. Once the process is successfully executed the pre-processing stage of training into the learning phase the system in order to recognize an object (in this case a license plate number and the type of car). After that, the next process will be the recognize, that the introduction of systems that have previously been in training. After all the process is successful then we will get the results in the form of the data type of the car and license plate images that have been previously entered. Based on simulation results, number plate recognition software and the type of car that is already successfully recognize license plates with 80,223% accuracy rate and the type of car with a 75% accuracy rate and number plate recognition and vehicle type with an accuracy of 80% Keyword
: Image, Pre-Processing, Car Type and Plate License Recognizer, Training, Recognize.
4. Introduction Today the use of personal transport such as cars more attractive to everyone who live in Indonesia. It can be seen from the motor vehicle sales data particularly private cars continue to rise. With the increasing sales figures, it increased the level of congestion, crime like stolen vehicle becoming more frequent and ample parking to accommodate private vehicles in public places became more difficult. Based on these facts, we as a team of writers inspired to create a system that can be used to facilitate and provide innovations that can simplify access to the queue at the entrance. In addition, the system is expected to reduce the level of vehicle stealing because every vehicle in and out of the data recorded and stored to be accessed when needed to track down the missing vehicle. The method that we use is Pattern Recognition and Artificial Neural Network (ANN). One of the methods used in the field of pattern recognition is edge detection methods are used to find the limit - limit certain pattern on an image. ANN trying to model how the human neural network as a mathematical model based on the understanding of human biology in the field of human brain neural mechanisms of parallel processing. The advantages of this method over other methods is the ability to learn and solve a complicated relationship, which is difficult to describe the input data and output data. Based on research on the pattern recognition method using edge detection (edge detection) and JST, we as writers feel that the edge detection method and ANN can be used to help develop a software for number plate recognition and type of vehicles,
especially cars. Both of these methods are expected to resolve the basic problems in the introduction of a license plate number and the type of vehicle we were careful.
5. Methodology The scope of this research includes the analysis, design and implementation of the detection plate number and type of car. The issues covered include the design, implementation, and evaluation of programs.
5.1 Software Design Steps to be performed consists of four stages: pre-processing, the training process and the process of identification. Broadly speaking, the system will be designed as follows
Input
Output
Car Image
Pre Processing
Recognize
Data
Training
Image1 – System Diagram The initial phase is the user inputs a picture of a car (car image) into the program. Once the image is inputted, the program will read and perform pre-processing is the process of image processing bitmap image of a 7x7 array to the input image.
Image 2 – Image Pre Processing Stage Once the process is successfully executed the pre-processing stage of training into the learning phase the system in order to recognize an object (in this case a license plate number and car type).
Image 3 –Training Stage
After that, the next process will be the recognize, that the introduction of systems that have previously been trained. After all the process is successful it will get the recognition of the type of car and license plate number of images that have been previously entered.
5.2 Implementation • Processor
:
Intel® Core™ i5-2430 CPU @ 2.40GHz
• Memory (RAM)
:
4GB (2.66 GB usable)
• Hard Disk
:
750 GB
• Monitor
:
14” (Inch)
• Operating System
:
Windows 8 Proffesional 32Bit (x-64 Based Processor)
• Compiler
:
Microsoft Visual Studio 2010 Express Edition
• Bahasa Pemograman :
C# (c-sharp)
• Library
:
EmguCV, OpenCV, BPSimplified
• Engine
:
Tesseract OCR
5.3 Evaluation Picture cars to be tested first collected in a folder. This program has the advantage of detecting a license plate character recognition with the existing numbers
and letters on the license plates can be recognized quickly enough with time average the average is less than 500 mili seconds. In addition, all the square edges are considered to be detected so that the candidate plates will not be missed. For the type of car, type of car training can be done with maximum error 1.1 and with 10,000 iterations input. Thus the possibility of introduction of error gets smaller. In testing the application, used 30 samples of pictures of cars that have the vehicle number plates private and will not be modified (standard plates). Here is an example of the test results at the time the program runs
Image 4 – Success Recognition Next will display some image of the failed test is recognized by this program.
Image 5 – Failed Recognition After experimenting than 30 kinds of cars, and the importance of the accuracy of the calculations performed success of this program by 80%. For any car plate recognition at 80.223% and the type of car it is 75%.
6. Conclusion Based on the results of testing to 30 types of cars that have been implemented in the program, it can be concluded that: •
Program can detect and recognize license plates of four-wheeled vehicles using soft computing with an accuracy of 80.223%
•
Program can detect and identify the type of car using soft computing with an accuracy of 75%
•
Program can detect and identify the type of car and the number plate using soft computing with an accuracy of 80%
•
The program has such reliability: o Time detection of license plate character recognition with the existing numbers and letters on the license plates can be recognized quickly enough by the time average - the average is less than 500 mili seconds. o All the edges of the square is considered to be detected so that the candidate plates will not be missed. o The program can determine the type of cars globally (MPV, sedans, and trucks)
•
The program also has a shortage of such: o Unable to detect the modified plate or plates that have been damaged, for example plate faded. o Not able to detect all sizes of plates, only a certain length and width that can be detected perfectly. o Detection of car types should take a long training process. o The introduction of car types should be the image in the appropriate position. o Uncertainty as to the composition of the number of input, hidden and output layers in getting the optimal training.
•
Therefore, license plate recognition system and the type of car is not strong enough (robust) in terms of detection and license plate recognition and the type of fourwheeled vehicles.
REFERENCE Aguado, A., & S. Nixon, M. (2002). Feature Extraction and Image Processing. Oxford: Newnes. AIM, Inc., (The Association for Automatic Identification and Data Capture Technologies). (2003). Optical Character Recognition (OCR). 643 Alpha Drive Pittsburgh, USA: AIM,Inc. Burger, W., & Burger, J.B. (2007). Digital Image Processing: An Algorithmic Approach Using Java. Direktorat
Reserse
Kriminal
Umum.
Statistik
Kasus
Kriminal.
03-13-2013.
http://reskrimum.metro.polri.go.id/statistik Draghici, S. (2004). A Neural Network Based Artificial Vision System For License Plate Recognition. Detroit, Michigan: Wayne State University. Haykin, S. (2004). Neural Network A Comprehensive Foundation. New York : Macmillan College Publishing Company. Hutapea, M. B. (2007). Identifikasi Tanda Tangan (Signature Recognition) Menggunakan jaringan Syaraf Tiruan (Artificial Neural Network). Depok: Skripsi, Program Pasca Sarjana Fakutas Teknik Universitas Indonesia. J, Zulkifli B. 2012. Penjualan Mobil di Indonesia Sudah Mencapai 816.322 Unit. 03-1313.http://otomotif.kompas.com/read/2012/10/18/4844/2012.Penjualan.Mobil.di.Indonesia.Sudah. Mencapai.816.322.unit Johnson, S. (2006). Stephen Johnson on Digital Photography. O'Reilly.
Kristanto, A. (2004). Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma, dan Aplikasi). Yogyakarta: Gava Media. Kumar, S. (2008). License Plate Recognition System for Indian Vehicle. Journal of Information Technology and Knowledge Management , 311 - 325. Kusumadewi, S. (2003). Artificial Intelligence: Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu. Manurung, P. M. (2008). Perangkat Lunak Pengenalan Plat Nomor Mobil Menggunakan Jaringan Kompetitif dan Jaringan Kohonen. Depok: Skripsi Program Sarjana Fakultas Teknik Elektro Universitas Indonesia. Morris, T. (2004). Computer Vision and Image Processing. Palgrave Macmillan. Munir, R. (2004). Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. Nathanel, D. C., Dewi, M. S., & Joandi. (2007). Perancangan Aplikasi Pengenal Plat Nomor Kendaraan Bermotor Dengan Pendekatan Backpropagation. Jakarta: Bina Nusantara University. Pearson, David W., Steele, Nigel C (2003). Artificial Neural Nets and Genetic Algorithms. Roanne, France : Springer Wien New York. Rahardjo Emanuel, A. H. (2008). Pengembangan Aplikasi Pengenalan Karakter Alfanumerik. Jurnal Informatika , 49 - 58. Resamana Lim, L. V. (2003). Sistem Pengenalan Plat Nomor Mobil Menggunakan Metode Principal Component Analysis. Jurnal Teknik Elektro Unicersitas Petra Volume 3 , 31 - 38.
Smith, R. (2009). Adapting the Tesseract Open Source OCR Engine for. Mountain View: Google Inc. Smith, R. (2005). An Overview of the Tesseract OCR Engine. Bristol: Google Inc. Szeliski, R. (2011). Computer Vision, Algorithms and Application. Washington, USA: Springer. Wawrzyniak, H. K. (2002). License plate localization and recognition in camera picture. Gliwice: Wroclaw University od Technology . Wicaksana, R. P. (2008). Pengenalan Plat Nomor Kendaraan Secara Otomatis Untuk Pelanggaran Lalu Lintas. Surabaya: Institute Teknologi Sepuluh November.
