1
Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Email: arifku[at]te.its.ac.id dan zaini[at]te.its.ac.id
Ringkasan—Kemacetan yang terjadi pada persimpangan jalan raya sering diakibatkan oleh sistem pewaktuan yang tidak efisien. Sistem pewaktuan yang tidak efisien ini dapat diatasi dengan menerapkan Smart Traffic Light pada persimpangan jalan raya. Smart Traffic Light merupakan suatu sistem terintegrasi yang membutuhkan suatu kondisi kepadatan jalan sebagai sumber masukan. Kondisi kepadatan jalan bisa didapatkan menggunakan beberapa cara salah satunya dengan menggunakan sensor kamera. Tugas akhir ini bertujuan untuk dapat mengintegrasikan IP Camera dan sistem penghitungan kendaraan berbasis Single Board Computer untuk menjadi sebuah Traffic IP Camera sehingga dapat digunakan untuk menghitung kendaraan secara live atau langsung. Traffic IP Camera akan dibangun pada sebuah SBC (Single Board Computer) dengan citra masukan yang berasal dari IP camera, yang mana SBC akan berlaku sebagai media pengolahan citra untuk mendeteksi kendaraan sekaligus client yang bertugas mengirimkan kondisi terakhir jalan yang dipantau menuju sebuah SBC server yang akan melakukan perhitungan jumlah kendaraan. Metode yang digunakan pada sistem untuk mendeteksi kendaraan adalah menggunakan metode luasan piksel. Berdasarkan hasil pengujian secara live, menunjukkan bahwa sistem Traffic IP Camera yang diajukan dapat menghasilkan perhitungan kendaraan roda empat dengan tingkat akurasi hingga 82.18% pada waktu siang hari dan tingkat akurasi hingga 88.30% pada waktu malam hari. Kata kunci—Smart Traffic Light, Traffic IP Camera, IP Camera,Single Board Computer.
I. P ENDAHULUAN Kemacetan yang terjadi pada persimpangan jalan raya sering diakibatkan oleh sistem pewaktuan yang kurang efisien. Sistem pewaktuan yang efisien ini dapat diatasi dengan menerapkan Smart Traffic Light pada persimpangan jalan raya. Smart Traffic Light merupakan suatu sistem terintegrasi yang membutuhkan suatu kondisi kepadatan jalan sebagai masukan. Kondisi kepadatan jalan bisa didapatkan melalui beberapa cara, antara lain seperti menggunakan induksi magnet yang tertanam pada jalan raya atau dengan perhitungan manual secara statistic. Namun kedua cara tersebut masih dinilai kurang responsif. Cara lain untuk mendapatkan kepadatan jalan adalah dengan menggunakan sensor kamera. Berdasarkan hasil penelitian yang dilakukan oleh Ahmad Zaini [1], didapatkan hasil pendeteksian kendaraan yang baik hingga 87.5%. Tujuan dari penelitian ini untuk mengintegrasikan IP Camera dan sistem penghitungan kendaraan berbasis Single Board Computer untuk menjadi sebuah Traffic IP Camera sehingga dapat digunakan untuk menghitung kendaraan secara live atau langsung.
II. D ESAIN DAN I MPLEMENTASI P ENELITIAN Desain sistem yang akan dibangun adalah sebuah Traffic IP Camera yang terdiri dari sebuah IP Camera dan sebuah Single Board Computer. IP Camera sendiri berfungsi untuk memberikan citra masukan yang kemudian akan diolah oleh Single Board Computer. Proses pendeteksian kendaraan dilakukan pada Single Board Computer yang nantinya dikirimkan menuju sebuah Single Board Computer lainnya yang berfungsi sebagai Server yang menghitung kendaraan berdasarkan data yang diterima dari SBC Client. Pengerjaan sistem ini dibagi dalam beberapa tahapan:
A. Penentuan Region of Interest Penentuan ROI atau daerah deteksi merupakan hal yang sangat penting untuk memfokuskan daerah yang ingin diamati. ROI nantinya akan digunakan sebagai daerah pengamatan untuk menentukan ada tidaknya kendaraan yang melintas. Daerah deteksi dibuat menggunakan fungsi pustaka cv::rect untuk menghasilkan sebuah daerah berbentuk rectangle. Parameter yang butuhkan adalah x, y, width, dan height. Proses penentuan daerah deteksi nantinya akan ditangani oleh aplikasi web.
B. Perancangan metode rekonstruksi citra latar Rekonstruksi citra latar merupakan suatu metode pengolahan citra digital untuk menemukan sebuah citra latar dari suatu rekaman atau streaming video. Rekonstruksi citra latar ini sangat diperlukan dalam proses segmentasi, terutama pada proses Background Subtraction [2]. Syarat utama yang diperlukan dalam rekonstruksi citra latar adalah sebuah video yang steady (tidak bergerak) agar pembuatan citra latar dapat berjalan dengan baik. Metode yang akan digunakan untuk melakukan proses rekonstruksi citra latar adalah dengan menggunakan bantuan fungsi dari pustaka OpenCV. Fungsi yang digunakan adalah fungsi cv::accumulateWeighted. Accumulate Weighted merupakan fungsi OpenCV untuk menghitung jumlah bobot piksel dari citra digital masukan dan kemudian dilakukan rata-rata berjalan (Running average) terhadap citra tersebut. Visualisasi proses Background Reconstruction dapat dilihat pada gambar 1.
2
Gambar 1. Proses rekonstruksi citra latar Gambar 4. Citra hasil proses Dilation
C. Perancangan metode pendeteksi kendaraan Tahapan pertama, citra masukan yang didapat diubah menjadi citra grayscale kemudian dilakukan Background Subtraction dengan citra latar yang didapatkan dari proses Background Reconstruction. Digunakan fungsi cv::asdiff dari pustaka OpenCV untuk mendapatkan perbedaan absolut dari tiap piksel antar kedua citra. Hasil dari Background Subtraction dapat dilihat pada Gambar 2.
pertama yang dilakukan adalah menghitung nilai N yaitu jumlah piksel yang bernilai 255 pada ROI atau daerah deteksi. Selanjutnya dilakukan pengecekan apakah jumlah piksel yang bernilai 255 melebihi nilai threshold kendaraan. Nilai threshold kendaraan didapatkan dari jumlah piksel pada prosentase luas daerah deteksi. Apabila nilai N melebihi nilai threshold kendaraan, nilai Flag diberi nilai 1. Flag merupakan nilai untuk menandakan bahwa terdeteksi kendaraan pada daerah deteksi, 1 menandakan terdeteksi kendaraan dan 0 menandakan tidak ada kendaraan. Temp merupakan nilai kondisi Flag sebelumnya. Proses selanjutnya adalah mengecek apabila terjadi perubahan nilai Flag dari 1 menjadi 0. Apabila nilai Flag bernilai 0, dan kondisi Flag tidak sama dengan nilai Temp, pada kondisi ini kendaraan dianggap telah melintas pada daerah deteksi.
Gambar 2. Proses Subtraksi citra latar
Tahapan selanjutnya dilakukan beberapa proses Image Segmentation terhadap citra hasil proses Background Subtraction sebelumnya. Dilakukan proses Thresholding pada citra hasil proses Background Subtraction. Threshold yang digunakan adalah binary threshold untuk mengubah citra menjadi citra biner. Digunakan metode OTSU Threshold sebagai nilai ambang batas untuk proses ini. Metode Otsu Threshold dapat menentukan secara otomatis nilai Threshold berdasarkan nilai intensitas histogram citra masukan.
Gambar 3. Citra hasil proses Thresholding
Proses selanjutnya adalah proses Erosion dan Dilation pada citra hasil Thresholding. Tahapan ini bertujuan untuk menghilangkan noise sekaligus ”menutup” piksel kendaraan yang ”bolong” pada pada citra hasil Thresholding. Tahapan selanjutnya adalah proses pendeteksian kendaraan. Proses ini adalah proses untuk menentukan ada tidaknya kendaraan yang melintas pada daerah deteksi. Algoritma untuk pendeteksian kendaraan dapat dilihat pada gambar 5. Proses
Gambar 5. Algoritma pendeteksian kendaraan
III. H ASIL P ENGUJIAN Pengujian dibagi menjadi beberapa tahapan pengujian: a. Pengujian Background Reconstruction. b. Pengujian Citra Latar.
3
c. Pengujian ketepatan program dengan video uji. d. Pengujian ketepatan program secara live.
A. Pengujian Background Reconstruction Pengujian dilakukan untuk membandingkan citra hasil dari proses Background Reconstruction terhadap jumlah frame yang digunakan. Pengujian dilakukan dengan mengubah jumlah frame yang akan digunakan pada proses Background Reconstruction kemudian menghitung waktu yang dibutuhkan untuk melakukan proses tersebut. Pengujian dilakukan secara live sehingga citra masukan merupakan citra hasil tangkapan IP Camera.
Gambar 8. Citra latar hasil Background Reconstruction menggunakan 200 frame
Tabel 1 Tabel waktu yang dibutuhkan proses Background Reconstruction dalam satuan detik Pengujian ke 1 2 3
50 3 3 3
100 6 7 6
Frame 200 250 12 15 12 16 12 16
300 19 19 19
Gambar 9. Citra latar hasil Background Reconstruction menggunakan 250 frame
Gambar 6. Citra latar hasil Background Reconstruction menggunakan 50 frame
Gambar 10. Citra latar hasil Background Reconstruction menggunakan 300 frame
untuk digunakan sebagai citra latar yang akan digunakan pada proses Segmentation.
Gambar 7. Citra latar hasil Background Reconstruction menggunakan 100 frame
B. Pengujian Citra Latar Pengujian ini untuk mengetahui seberapa baik citra latar hasil Background Reconstruction pada pengujian sebelumnya
C. Pengujian ketepatan program secara live Pengujian ini dilakukan untuk mengetahui kemampuan sistem yang dirancang dalam melakukan proses pendeteksian kendaraan. Pengujian dilakukan dengan mengubah sensivitas
4
Gambar 11. Citra hasil Background Subtraction denga citra latar 50 frame
Gambar 15. Citra hasil Background Subtraction denga citra latar 300 frame
deteksi untuk mengetahui galat yang dihasilkan pada sensivitas yang berbeda. Pengujian dilakukan pada waktu yang berbeda untuk mengetahui pengaruh dari pencahayaan matahari. Tabel 2 Tingkat ketepatan perhitungan sistem pada pagi hari Sensivitas Deteksi 80% 90%
Akurasi 80.95% 61.90%
Gambar 12. Citra hasil Background Subtraction denga citra latar 100 frame Tabel 3 Tingkat akurasi perhitungan sistem pada siang hari Sensivitas Deteksi 80% 90%
Akurasi 68.92% 59.74%
Tabel 4 Tingkat akurasi perhitungan sistem pada malam hari
Gambar 13. Citra hasil Background Subtraction denga citra latar 200 frame
Sensivitas Deteksi 80% 90%
Akurasi 82.14% 78.33%
IV. K ESIMPULAN Hasil pengujian secara live dijalan pada resolusi 640x512 dan 25 FPS, menunjukkan bahwa sistem yang diajukan dapat menghasilkan perhitungan kendaraan roda empat dengan tingkat akurasi hingga 82.18% pada waktu siang hari dan tingkat akurasi hingga 88.30% pada waktu malam hari.
Gambar 14. Citra hasil Background Subtraction denga citra latar 250 frame
5
P USTAKA [1] A. Zaini, “Implementasi sensor kamera pada pengaturan sistem adaptable traffic lights,” in Industrial Electronic Seminar, 2009. [2] Z.-Q. Hou and C.-Z. Han, “A background reconstruction algorithm based on pixel intensity classification [j],” Journal of Software, vol. 9, no. 16, pp. 1568–1576, 2005. [3] S. Cheung, S. Coleri, B. Dundar, S. Ganesh, C.-W. Tan, and P. Varaiya, “Traffic measurement and vehicle classification with single magnetic sensor,” Transportation research record: journal of the transportation research board, no. 1917, pp. 173–181, 2005. [4] G. Bradski and A. Kaehler, Learning OpenCV: Computer vision with the OpenCV library. ” O’Reilly Media, Inc.”, 2008. [5] T.-H. Chen, Y.-F. Lin, and T.-Y. Chen, “Intelligent vehicle counting method based on blob analysis in traffic surveillance,” in Innovative Computing, Information and Control, 2007. ICICIC’07. Second International Conference on. IEEE, 2007, pp. 238–238. [6] W. W. Mullins and R. F. Sekerka, “Morphological stability of a particle growing by diffusion or heat flow,” Journal of applied physics, vol. 34, no. 2, pp. 323–329, 1963. ´ Serrano, C. Conde, L. J. Rodr´ıguez-Arag´on, R. Montes, and E. Ca[7] A. bello, “Computer vision application: real time smart traffic light,” in Computer Aided Systems Theory–EUROCAST 2005. Springer, 2005, pp. 525–530.
