0503: Jangkung Raharjo dkk.
TI-20
PERANCANGAN DAN PROTOTYPING SISTEM PEMANTAU LALU LINTAS BERBASIS VIDEO PROCESSING DALAM MENDUKUNG INTELLIGENT TRANSPORTATION SYSTEM Jangkung Raharjo∗ , Eko Susatio, dan Iwan Iwut Tritoasmoro Bandung Techno Park, Kawasan Pendidikan Telkom, Dayeuh Kolot, Bandung, Tlp (022) 88884198 ∗
e-Mail: jkr
[email protected]
Disajikan 29-30 Nop 2012
ABSTRAK Peningkatan jumlah kendaraan yang tidak diimbangi dengan peningkatan luas jalan seringkali mengakibatkan kemacetan lalu lintas. Upaya untuk mengantisipasi terjadinya kemacetan salah satunya dilakukan dengan memantau kondisi jalan raya sehingga langkah pengaturan lalulintas dapat dilakukan secara optimal. Petugas pengawas di Traffic Management Center (TMC) biasanya hanya melihat kondisi lalulintas melalui layar monitor tanpa mengambil data kuantitatif tentang besaran trafik seperti kepadatan lalulintas dan kecepatan rata-rata kendaraan. Penelitian ini berusaha membuat sistem pemantau kondisi lalu lintas untuk membantu petugas yang berwenang mengatur lalu lintas jalan raya. Sistem pemantau menyediakan data kuantitatif berupa kepadatan lalulintas jalan raya dan kecepatan kendaraan rata-rata. Data tersebut disajikan secara realtime. Pengetahuan di bidang pengolahan citra digital digunakan untuk merealisasikan sistem pemantau ini. Untuk mengetahui kepadatan lalulintas sistem menganalisa citra yang diambil oleh kamera dari lingkungan jalan. Dari citra tersebut dihitung banyaknya kendaraan, diestimasi berapa kecepatannya dan ditampilkan dalam suatu Graphical User Interface sehingga pengguna dapat melihat kondisi terkini. Sistem monitoring ini merupakan salah satu riset di bidang computer vision yang diimplementasikan dengan menggabungkan subsistem Image Acquisition, metode optical flow dan analisis morphologi citra digital. Implementasi yang telah dilakukan menunjukkan sistem dapat bekerja secara real time dengan kecepatan proses 29 frame per detik pada ukuran frame 160x120 pixel dan ketepatan perhitungan lebih baik dari 90%. Kata Kunci: Traffic Management Center, optical flow, analisis morphologi, citra digital
I.
PENDAHULUAN
Adalah kenyataan bahwa peningkatan jumlah kendaraan tidak selalu diimbangi dengan peningkatan infrastruktur jalan. Oleh karena itu sering terjadi kemacetan di mana-mana. Di kota besar saat ini, dengan berkembangnya teknologi, lalu lintas jalan raya dapat dipantau secara terpusat menggunakan kamera-kamera yang terpasang di tempat-tempat strategis sekitar jalan. Sistem monitoring ini sangat penting untuk mengetahui kondisi lalu lintas, lebih jauh lagi memastikan kelancaran arus lalu lintas, mengantisipasi kemacetan dan bila diperlukan mengatasi atau mencairkan kemacetan. Dalam mencapai tujuan tersebut suatu sistem monitoring memerlukan sejumlah data masukan. Data tersebut misalnya berupa kepadatan lalu lintas jalan, peta jalan dan ketersediaan petugas di lapangan. Dengan data tersebut sistem monitoring akan dapat mengambil keputusan untuk menjaga agar lalu lintas tetap lancar. Keputusan-keputusan tersebut misalnya terkait pengaturan lampu lalu lintas, rute lalu lintas, penempatan petugas pengatur lalu lintas, dan mungkin penggunaan metode tertentu untuk mencairkan kemacetan jika terlanjur terjadi. Sejauh ini IP Camera sebatas menampilkan gambar kon-
disi lalu lintas. Petugas mengawasi, menganalisa dan jika diperlukan mengambil keputusan untuk menjaga kelancaran lalu lintas. Dengan banyaknya gambar yang harus diawasi, biasanya petugas pengawas hanya akan fokus terhadap kondisi-kondisi menonjol pada gambar yang dikirim kamera, misalnya kondisi sangat macet dan sangat lengang. Informasi ini masih kualitatif sehingga tidak banyak membantu analisa dan perencanaan di masa mendatang. Kebutuhan akan tersedianya data kuantitatif berupa angka kepadatan lalu lintas dan tingkat kelancaran jalan yang ditunjukan dengan angka laju kendaraan inilah yang mendasari penulis untuk melakukan penelitian ini. Penulis telah membuat suatu prototype sistem monitoring kepadatan lalu lintas jalan raya dengan menggunakan perangkat webcam Logitech Pro9000 sebagai pengganti IP Camera dan personal computer sebagai pusat pengolahan data. Karena penelitian ini sebatas membangun prototype sistem, maka kamera yang akan digunakan cukup satu saja. Pengembangan selanjutnya dapat diarahkan pada penanganan banyak IP Camera dengan pengolahan data oleh komputer server yang berkapasitas lebih besar. Untuk dapat menghitung kepadatan lalu lintas, sistem
Prosiding InSINas 2012
0503: Jangkung Raharjo dkk.
TI-21 maka dE =0 dt
(1)
Menggunakan aturan rantai untuk differensiasi diperoleh δE dx δE dy δE + + =0 δx dt δy dt δt Misalkan u = ulang sebagai
(2)
dy dx dan v = maka P ERS . (2) dapat ditulis dt dt (3)
Ex u + Ey v + Et = 0
G AMBAR 1: Citra berurutan dari suatu objek bergerak
harus mampu melakukan deteksi dan tracking terhadap kendaraan yang terekam kamera. Masalah deteksi dan tracking ini akan di atasi dengan penggunaan metode optical flow yang secara singkat dapat dikatakan sebagai metode untuk mendeteksi dan mengikuti pergerakan objek pada frameframe yang datang berurutan. Selanjutnya, untuk menciptakan sistem yang bekerja secara real time, maka proses tracking harus dapat dilakukan secara cepat. Masalah ini, salah satunya di atasi dengan menggunakan citra berukuran cukup kecil sehingga konsumsi waktu pemrosesannya lebih sedikit namun tetap menjaga akurasi pada tingkat yang memadai.
II.
METODOLOGI
Metode Optical Flow Optical Flow didefinisikan sebagai suatu gerakan yang tampak karena adanya perpindahan pola brightness pada dua buah bidang citra dengan mengasumsikan bahwa brightness tiap elemen citra yang lain konstan dari waktu ke waktu. Optical flow field (medan optical flow) merupakan medan vektor kecepatan sesaat dari pixel-pixel yang berpindah antara satu citra dan citra lain berikutnya. Masalah dalam optical flow adalah bagaimana mengestimasi kecepatan perpindahan pixel pada dua buah citra berurutan. Perhitungan Optical Flow didasarkan pada 2 asumsi:
Dalam hal ini Ex , Ey dan Et masing-masing adalah turunan parsial dari tingkat brightness terhadap x, y, dan t. Objektif di sini adalah menentukan u dan v yang tidak lain adalah kecepatan pergeseran pixel pada arah x dan y. Namun nilai-nilai Ex , Ey dan Et juga perlu diestimasi. HornSchunck[2] mengusulkan formula berikut untuk mengestimasi Ex , Ey dan Et , u dan v sehingga P ERS . (3) dipenuhi.
Ex
Ey
Et
≈
1 {Ei,j+1,k − Ei,j,k + Ei+1,j+1,k 4 − Ei+1,j,k + Ei,j+1,k+1 − Ei,j,k+1
≈
+ Ei+1,j+1,k+1 − Ei+1,j,k+1 } 1 {Ei+1,j,k − Ei,j,k + Ei+1,j+1,k 4 − Ei,j+1,k + Ei+1,j,k+1 − Ei,j,k+1
≈
+ Ei+1,j+1,k+1 − Ei,j+1,k+1 } 1 {Ei+1,j,k − Ei,j,k + Ei+1,j+1,k 4 − Ei+1,j,k + Ei,j+1,k+1 − Ei,j+1,k + Ei+1,j+1,k+1 − Ei+1,j+1,k }
(4)
G AMBAR 2 mengilustrasikan estimasi 3 turunan parsial pada pusat kubus.
1. Brightness dari setiap titik tidak berubah terhadap waktu. 2. Titik-titik yang berdekatan pada bidang citra bergerak atau berpindah ke arah yang sama dan perpindahannya tidak terlalu jauh. Diberikan dua buah citra berurutan dari suatu video, optical flow diharapkan dapat menentukan kecepatan (magnitude dan arah) setiap pixel pada citra sekarang relatif terhadap citra sebelumnya. Misalkan brightness pada titik (x, y) pada bidang citra pada waktu t dinotasikan sebagai E(x, y, t). Ketika pixel bergerak dan diasumsikan bahwa tingkat brightness konstan
G AMBAR 2: Tiga turunan parsial dari brightness citra pada pusat kubus Dalam hal ini indeks j menyatakan arah x (kolom), indeks i menyatakan arah y (baris) sedangkan k menyatakan arah waktu. Pada kenyataannya k menunjukkan sekuens dari citra
Prosiding InSINas 2012
0503: Jangkung Raharjo dkk.
TI-22 di mana indeks k + 1 menyatakan citra saat ini, dan indeks k menyatakan citra sebelumnya. Estimasi u dan v diberikan oleh persamaan berikut ini. Pada P ERS . (5), u dan v menyatakan kecepatan (besar dan arah) pergerakan pixel-pixel dalam citra.
u ¯i,j,k
=
v¯i,j,k
=
1 {ui−1,j,k + ui,j,k + ui+1,j,k + ui,j−1,k } 6 1 + {ui−1,j−1,k + ui−1,j+1,k 12 + ui+1,j+1,k + ui+1,j−1,k } 1 {vi−1,j,k + vi,j,k + vi+1,j,k + vi,j−1,k } 6 1 {vi−1,j−1,k + vi−1,j+1,k + 12 + vi+1,j+1,k + vi+1,j−1,k } (5)
Dari estimasi ini terjadi error sehingga P ERS . (3) tidak sepenuhnya dipenuhi Ex u + Ey v + Et 6= 0. Error itu sendiri dihasilkan dari nilai Ex , Ey , Et , u dan v hasil estimasi yang disubstitusikan ke P ERS . (3) b = Ex u + Ey v + Et
Pada P ERS . (6), b menyatakan kesalahan dari hasil estimasi nilai Ex , Ey , Et , u dan v. Untuk meminimasi b estimasi ini dapat dilakukan secara iterative terhadap u dan v. un+1 = un −
Ex (Ex un + Ey vn + Et ) α2 + Ex2 + Ey2
G AMBAR 3: Blok diagram sistem
(6)
(7)
Dalam P ERS . (7), α merupakan faktor bobot. HornSchunck[2] menyatakan α akan berpengaruh signifikan hanya pada area dimana gradien brightness relatif kecil. Metode optical flow Horn-Schunck digunakan pada penelitian ini untuk mengestimasi pergerakan objek dalam citra terakuisi. Masukan untuk metode ini adalah dua buah frame berurutan, keluarannya akan berupa suatu matriks kompleks dimana bagian real-nya menyatakan u dan bagian imaginernya menyatakan v. Magnitud dan arah dari kecepatan suatu pixel merupakan magnitude dan phasa setiap elemen kompleks pada lokasi yang sama dengan pixel tersebut. Pada akhirnya penulis tidak terlalu concern kepada arah pergerakan pixel karena yang menjadi interest adalah region dalam citra, bukan pixel-pixel dalam konteks terpisah. Penelitian ini lebih menitikberatkan pada besaran magnitude dari kecepatan pixel karena besaran ini menyatakan ada atau tidaknya pergerakan. Di sisi lain objek yang dideteksi bukanlah pixel per pixel tetapi suatu region yang merepresentasikan objek kendaraan.
Desain Sistem Secara garis besar, sistem monitoring kepadatan lalu lintas yang dibuat dalam penelitian ini dapat digambarkan dengan blok diagram pada G AMBAR 3. Citra input diperoleh dari frame terakuisisi menggunakan webcam. Setiap frame yang ada terlebih dahulu dikonversi ke citra grayscale oleh blok RGB to Intensity. Dua buah citra grayscale dari dua frame yang berurutan diproses bersamaan untuk mendapatkan estimasi flow oleh blok optical flow. Flow ini akan merupakan matriks kompleks yang
memiliki komponen real dan imaginer untuk mendeskripsikan kecepatan suatu pixel. Blok Thresholding and Region Filtering akan melakukan pemilihan elemen flow dengan magnitude kuadrat yang lebih dari suatu threshold. Jika vektor flow dinyatakan sebagai of , dan magnitude kuadrat dinyatakan sebagai y = of ∗ conj(of )
(8)
maka threshold untuk elemen yang dipilih diberikan oleh th = 0.5 ∗ mean(mean(y))
(9)
Dengan nilai th ini maka flow dengan magnitude kuadrat yang lebih dari th akan diganti menjadi 1 dan sisanya diganti menjadi 0. Dari proses ini dihasilkan citra biner dengan nilai 1 pada pixel-pixel yang magnitude kuadrat dari flow-nya lebih dari threshold. Citra biner ini kemudian disebut th Image dan sudah memberikan gambaran ada atau tidaknya objek bergerak. Citra biner ini kemudian dikenai analisis bolb (binary large object) untuk mengetahui beberapa property morphologi sehingga mempermudah proses estimasi region-region mana saja yang merupakan objek kendaraan. Pada blok yang sama, terhadap objek kendaraan yang terdeteksi pada frame-frame yang berurutan, kemudian dilakukan penghitungan banyaknya kendaraan. Karena kendaraan yang sama mungkin akan muncul di sejumlah urutan frame maka suatu algoritma tertentu akan diterapkan untuk mengetahui bahwa kendaraan yang terdeteksi adalah kendaraan yang baru atau kendaraan lama yang muncul pada frame sebelumnya. Hanya jika ditemukan kendaraan baru, counter akan bertambah.
III.
HASIL DAN PEMBAHASAN
Sistem monitoring kepadatan lalu lintas ini diuji dengan dua kondisi jalan raya. Pertama jalan raya perkotaan untuk
Prosiding InSINas 2012
0503: Jangkung Raharjo dkk.
TI-23
TABEL 1: Hasil pengujian monitoring trafik lalu lintas kota (160×120pix)
No 1 2 3 4
Jumlah Jumlah Kec. Akurasi Terhi- SebenarRerata (%) tung nya km/jam 59 36 36,1 42,4 55 42 69,0 61,6 39 39 100 47,3 55 34 38,2 48,8 60,825 Rataan Rataan akurasi
Kec. Proses (fps) 29,701 29,181 29,146 28,615 29,16
Berikut ini diberikan tabel ringkasan hasil pengujian untuk kondisi traffic jalan tol. Dari hasil di atas tampak bahwa system mampu bekerja secara real time dengan kecepatan 29,9 frame per detik dan akurasi perhitungan yang baik dengan angka 95%. Hal ini dapat dijelaskan karena pada kondisi traffic jalan tol, situasi lingkungan pada citra relative stabil dan laju kendaraan konsisten. Keadaan ini memudahkan estimasi optical flow yang pada akhirnya mempermudah proses deteksi kendaraan serta perhitungannya. Pada keadaan ini sistem bekerja sesuai harapan awal yaitu real time dengan akurasi lebih dari 90%.
IV. TABEL 2: Hasil pengujian monitoring trafik lalu lintas jalan tol (160×120pix)
No 1 2 3 4
Jumlah Jumlah Kec. Akurasi Terhi- SebenarRerata (%) tung nya km/jam 87 93 93,1 59,8 91 94 96,7 61,9 81 87 92,6 62,6 120 122 98,3 65,1 95,18 Rataan Rataan akurasi
Kec. Proses (fps) 29,880 29,910 29,935 29,939 29,916
merepresentasikan kondisi lalu lintas yang relative padat dan kedua jalan tol untuk merepresentasikan kondisi lalu lintas yang relative lancar.
A.
Pengujian di Jalan Raya Perkotaan
Pada bagian ini system diuji dengan melakukan monitoring dan memberikan data kepadatan serta kecepatan ratarata kendaraan pada kondisi lalu lintas perkotaan. Pengujian ini mengambil tempat di depan Bandung Indah Plaza (BIP). Sistem mengambil gambar dari atas jembatan penyebrangan di depan BIP. Berikut ini diberikan tabel ringkasan hasil pengujian untuk kondisi traffic perkotaan. Dari hasil di atas tampak bahwa system mampu bekerja secara real time dengan kecepatan 29 frame per detik. Namun untuk akurasi perhitungan kendaraan masih cukup rendah yaitu sekitar 60%. Hal ini terjadi karena kompleksitas lingkungan video dimana sistem mengambil data. Pada jalan perkotaan secara umum, khususnya di depan BIP lalu lintas jalan tidak hanya dipenuhi oleh kendaraan sejenis mobil sebagaimana sistem ini didesain. Di sana banyak juga orang yang lalu lalang, juga banyak kendaraan roda dua yang lewat. Kondisi ini juga dipersulit dengan pergerakan kendaraan yang tidak konsisten karena terkadang kendaraan terhenti karena macet. Ketika kendaran berhenti karena macet, maka tidak akan terdeteksi adanya gerakan sehingga hitungan berhenti. Namun ketika kendaraan yang berhenti tersebut mulai berjalan lagi, hitungan baru akan dimulai padahal kendaraan-kendaraan tersebut telah dihitung sebelumnya
B.
Pengujian di Jalan Tol
Pada bagian ini sistem diuji dengan melakukan monitoring dan memberikan data kepadatan serta kecepatan ratarata kendaraan pada kondisi lalu lintas jalan tol. Pengujian ini mengambil tempat di jembatan tol Mengger, Dayeuh Kolot.
KESIMPULAN
Beberapa kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut. 1. Sistem monitoring dapat bekerja secara realtime dengan kecepatan proses 29 frame per detik pada resolusi frame 160×120 pixel. 2. Akurasi ketepatan hitung kepadatan lalu lintas system masih perlu ditingkatkan jika system akan diaplikasikan di jalan-jalan kota yang ramai. Pada pengujian ini akurasi system hanya mencapai 60% 3. Akurasi hitung system mencapai 95% ketika diuji untuk memonitor jalan tol. 4. Sistem monitoring ini dapat diterapkan untuk memonitor kepadatan lalu lintas jalan tol namun masih perlu perbaikan jika akan diterapkan pada lalu lintas jalan raya perkotaan
SARAN 1. Perlu pengembangan metode yang lebih handal dalam menangani citra jalan raya yang kompleks agar system tetap mampu mendeteksi kendaraan dengan benar. 2. Perlu pengembangan lebih lanjut dalam hal akuisisi citra sehingga system dapat mengambil data citra dengan menggunakan IP camera agar dapat diimplementasikan pada kondisi sebenarnya di lapangan. 3. Perlu penelitian lebih lanjut terkait implementasi system sebagai perangkat lunak sehingga memungkinkan diterapkannya system dengan tools pemrograman yang mungkin lebih cepat lagi dari MATLAB
DAFTAR PUSTAKA [1] Gonzales, Rafael C dan Woods, Richard E, Digital Image Processing second edition, Prentice Hall, New Jersey, 2001. [2] Horn, Berhold K.P. dan Schunck, Brian G, Determining Optical Flow, Massachussetts Institute of Technology, Cambridge. 1981 [3] Image Processing Toolbox Users Guide, The Mathworks, Inc. 2011 [4] Image Acquisition Toolbox Users Guide, The Mathworks, Inc. 2011 [5] Kanade, Takeo dan Lucas, Bruce D, An Iterative Image Registration Technique with an Application to Stereo Vision, Computer Science Department, Carnegie-Mellon University, Pittsburgh, Pennsylvania 1981
Prosiding InSINas 2012
TI-24
0503: Jangkung Raharjo dkk.
[6] Munir, Rinaldi. Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit INFORMATIKA, Bandung, 2004. [7] D.J. Dailey and L. Li. Video Image Processing to Create a Speed Sensor. University of Washington. Washington, 1999
Prosiding InSINas 2012