FEATURE RECOGNITION BERBASIS CORNER DETECTION …

JURNAL TRANSFORMATIKA, Volume 11, No.2, Januari 2014 : 51 – 59 51

FEATURE RECOGNITION BERBASIS CORNERDETECTION DENGAN METODE FAST, SURF DAN FLANN

TREE UNTUK IDENTIFIKASI LOGOPADA AUGMENTED REALITY MOBILE SYSTEM

(Feature Recognition Base on Corner Detection with FAST, SURF andFLAN TREE Method for Logo Identification in Augmented Reality System)

Rastri PrathiviProgram Studi Teknik Informatika, Jurusan Teknologi Informasi

Fakultas Teknologi Informasi dan Komunikasi, Universitas SemarangEmail: [email protected]

Abstract

Logo is a graphical symbol that is the identity of an organization, institution, or company. Logois generally used to introduce to the public the existence of an organization, institution, or company.Through the existence of an agency logo can be seen by the public. Feature recognition is one of theprocesses that exist within an augmented reality system. One of uses augmented reality is able torecognize the identity of the logo through a camera.The first step to make a process of featurerecognition is through the corner detection. Incorporation of several method such as FAST, SURF, andFLANN TREE for the feature detection process based corner detection feature matching up process,will have the better ability to detect the presence of a logo. Additionally when running the featureextraction process there are several issues that arise as scale invariant feature and rotation invariantfeature. In this study the research object in the form of logo to the priority to make the process offeature recognition. FAST, SURF, and FLANN TREE method will detection logo with scale invariantfeature and rotation invariant feature conditions. Obtained from this study will demonstration theaccuracy from FAST, SURF, and FLANN TREE methods to solve the scale invariant and rotationinvariant feature problems.

Keywords: Feature Recognition, Logo Identification

1. PENDAHULUANLogo adalah simbol berbentuk grafis yang

merupakan identitas dari sebuah organisasi,lembaga atau perusahaan. Logo umumnyadigunakan untuk memperkenalkan kepada publickeberadaan sebuah organisasi, lembaga atauperusahaan. Logo juga menjadi simbol jaminanmutu bagi sebuah hasil produksi dan telahmenjadi keharusan yang wajib dimiliki olehsebuah organisasi, lembaga atau perusahaan.Keberadaan logo di dalam sebuah organisasi,lembaga atau perusahaan menjadi pentingkarena melalui logo maka ciri khas atau informasi

yang berkaitan dengan organisasi, lembaga atauperusahaan tertentu dapat diketahui. Informasiyang terkandung di dalam sebuah logo dapatdisampaikan menggunakan media komunikasiseperti mobile device dan internet menggunakanaplikasi augmented reality. Untuk bisa mengenalibentuk sebuah logo di dalam sistem augmentedreality maka terlebih dahulu perlu dilakukanproses recognition terhadap logo tersebut.

Berkaitan dengan jenis image yang dapatdideteksi di dalam proses recognition, maka adadua jenis image yaitu bitmap dan vector. Logotermasuk ke dalam kategori vector image. Di

52 Feature Recognition berdasarkan Corner Detection... (Rastri P.)

mana tingkat resolusi di dalam sebuah imageberbentuk logo tidak memiliki peranan yangpenting. Proses recognition yang diterapkanpada jenis image yang berbeda akanmempengaruhi keakuratan prosesrecognition.Proses recognition merupakanproses awal yang perlu ada untuk membangunsistem augmented reality. Proses recognition inibertujuan untuk mengidentifikasi bentuk logoagar dapat dikenali, dideteksi dan dideskripsikanoleh sistem. Di dalam recognition yang berbasisfeature, proses awal yang perlu dilakukan adalahmelakukan pendeteksian corner. Pendeteksiancorner akan mendeteksi bentuk sebuah logoyang berorientasi pada sudut dalam logotersebut. Logo akan sulit dideteksi jika letaksudut saat dideteksi tidak sesuai dengan datayang ada.

Selain itu letak sudut akan berbeda jika adaperbedaan kondisi tampilan seperti perbedaanatau perubahan skala dan rotasi. Maka perluadanya metode corner recognition yang tepatuntuk mengatasi masalah tersebut. Prosesrecognition berbasis corner feature perlumengalami tiga tahapan yaitu feature detectiondan extraction, feature descriptor dan featurematching. Setiap tahapan tersebut dapat memilikimetode tertentu yang dapat dijadikan acuan.

Dalam state of the art tentang recognitionberbasis corner feature untuk sistem augmentedreality ada beberapa penelitian yang telahmembuktikan penggunaan beberapa metodeyang berbeda-beda antara lain: Mikolajczyk, K.dan Schmid, C. [1] di dalam papernya yangberjudul Performance Evaluation of LocalDescriptor melakukan penelitian terhadapbeberapa feature descriptor dan menemukanbahwa GLOH (Gradient Location and OrientationHistogram ) descriptor yang merupakan variantdari SIFT (Scale Invariant FeatureTransformation) descriptor memiliki komputasiyang tinggi meskipun dapat mengatasi masalahpada perbedaan skala lebih baik daripada SIFTdescriptor. Kelemahan dari penelitian ini adalahbelum dapat mengatasi masalah pada kondisiperbedaan rotasi di dalam sebuah image danhanya melakukan penelitian terhadap featuredescriptor.

Wei-Chao Chen, Yingen Xiong, Jiang Gao,Natasha Gelfand, dan Radek Grzeszczuk [10] didalam papernya yang berjudul EfficientExtraction of Robust Image Features on MobileDevices melakukan penelitian terhadap SURFuntuk melakukan tahapan feature extraction danfeature descriptor serta ANN (AproximateNearest Neighbor) untuk melakukan tahapanfeature matching. Penelitian ini menghasilkankomputasi rata – rata sebesar 30% lebih cepatdibandingkan dengan penelitian yang dilakukanoleh Herbert Bay, Tinne Tuytelaars, Luc VanGool [3]. Obyek penelitian mereka adalah imageberjenis bitmap atau foto.

Gabriel Takacs [9] di dalam papernya yangberjudul Outdoors Augmented Reality on MobileDevice Using Loxel-Based Visual FeatureOrganization membangun sistem outdooraugmented reality dengan memanfaatkan prosesimage recognition di sisi client dan prosesmatching di sisi server. Mereka menggunakanmetode SURF, ANN dan Brute Force untukmelakukan proses recognition di sisi client padamobile device. Obyek penelitian mereka adalahreal time video yang diambil secara langsung.

Niels Henze, Torben Schinke dan SusanneBoll [8] di dalam papernya yang berjudul What isThat? Object Recognition from Natural Featureson a Mobile Device menggunakanpenggabungan metode yang berbeda – bedauntuk setiap tahapan proses pada recognition.Mereka menggunakan metode FAST, SIFT danVocabulary Tree. Obyek penelitian merekaadalah poster yang berukuran 45x55 cm. Prosesrecognition yang diterapkan berbasis naturalfeatures yaitu melakukan pendeteksian imagesesuai dengan bentuk imagenya.

Daniel Wagner [5] dan teman-teman di dalampapernya yang berjudul Real Time Detection andTracking for Augmented reality on Mobile Devicemenyatakan bahwa metode SIFT sangat kuatuntuk melakukan proses recognition tetapimemerlukan komputasi yang tinggi. Merekamelakukan modifikasi pada metode SIFTsehingga dapat diimplementasikan pada mobiledevice. Mereka menggunakan metode FASTpada proses interest point detection danekstraksi image, proses feature descriptor


menggunakan metode SIFT dan proses featurematching menggunakan metode Spill Forest.Obyek penelitian mereka beragam yaitu foto,panorama picture, image satellite, dan vectorimage.

Charles Norona, Tyagi dan Vivek Kumar [7] didalam papernya yang berjudul Non-distributedObject Recognition Potential on the AndroidPlatform menerapkan proses recognition padamobile device dengan platform androidmenggunakan metode SURF. Dari penelitian inimereka membuktikan bahwa SURF lebih cepatmelakukan komputasi proses feature detectiondan feature descriptor pada platform android.Obyek penelitian mereka adalah imagephotographic yang diambil secara langsung darikamera.

Mosalam Ebrahimi dan Walterio W. Mayol-Cuevas [6] di dalam papernya yang berjudulAdaptive Sampling for Feature Detection,Tracking and Recognition on Mobile Platformsmemodifikasi metode FAST (Features fromAccelerated Segment Test ) untukdiimplementasikan ke dalam handphone. Hasilmodifikasi dari metode FAST adalah M-FAST(Mobile Features from Accelerated SegmentTest). Selain itu mereka juga memodifikasiBRIEF untuk membentuk adaptive descriptor.Mereka menyatakan bahwa metode M-FASTyang mereka temukan lebih cepat dari metodeSURF. Sedangkan untuk proses featurematching mereka menggunakan metode FLANNTREE. Obyek penelitian yang mereka telitiadalah video atau gambar bergerak.

Sami Mohammad Halawani, DzulkifliMohammad [20] di dalam papernya yangberjudul Logo Matching Technique Based onPrinciple Component Analysis melakukanpenelitian terhadap logo dengan metode principlecomponent analysis.

Dari state of the art tentang prosesrecognition maka tingkat akurasi dari penelitianyang berhubungan dengan vector image masih

beragam meskipun tidak sepenuhnyamenggunakan ketiga tahapan proses recognition.Sehingga belum ditemukan metode yang akuratuntuk melakukan proses recognition denganmenggunakan ketiga tahapan proses recognitiondengan metode yang berbeda di setiaptahapannya.

Proses recognition pada logo sebagai vectorimage sulit dilakukan jika ada perbedaan kondisitampilan seperti scale invariant dan rotationinvariant.Belum ditemukannya metode yangtepat dan tingkat akurasi yang tinggi dalamproses feature recognition pada logo berbasiscorner detection dalam augmented reality systemmelalui tahapan feature extraction, featuredescriptor dan feature matching.

Penelitian ini bertujuan menemukan metodeyang tepat untuk mengatasi masalah dalamproses recognition logo pada kondisi scaleinvariant dan rotation invariant.

Meningkatkan akurasi pada proses featurerecognition logo berbasis corner detectionmelalui tahapan feature extraction, featuredescriptor dan feature matching dengan metodeFAST, SURF dan FLANN TREE.

Gambar 1 adalah ilustrasi proses dari featurerecognition berbasis corner detection denganmetode Fast, Surf dan Flann Tree. Logo akandicapture melalui kamera. Ketika logo dicaptureakan ada tiga kondisi yang diberikan yaitunormal, perbedaan skala (scale invariant), danperbedaan rotasi (rotation invariant). Kemudiandata dari logo dicapture akan melalui prosescorner detection dan extraction denganmenggunakan metode Fast. Setelah diperolehletak corner maka proses selanjutnya adalahmembentuk descriptor dengan metode Surf. Daripembentukan descriptor ini akan diperoleh datayang akan menunjukkan letak corner pada logoyang dicapture dengan data logo di dalamdatabase. Kemudian proses matching bisadilakukan dengan metode Flann Tree.


Gambar 1. Kerangka Teori Proses Feature Recognition

Yang terdiri dari:a. Input camera untuk mengambil image dari kamera perangkat mobile.b. Feature detection dilakukan dengan metode FASTc. Feature descriptor dengan metode SURFd. Feature matching menggunakan metode FLANN TREEe. Dan display result akan menampilkan hasil feature matching dari pengambilan image yang

berupa logo dengan logo di dalam database lokal.

2. PEMBAHASAN2.1. Pengolahan Awal Data

Pengolahan awal data dilakukan terhadapdata berbentuk image yang berjenis logosebanyak 50 jenis logo. Pengolahan awal databerbentuk logo ini terdiri dari beberapa tahap,yaitu:

1. Menentukan resolusi untuk setiap logoyaitu dengan resolusi maksimal 320 x 320pixel.

2. Data yang berupa data sumber adalahdata yang bersifat normal artinya tidak adaperlakuan khusus seperti perbedaan skala,perbedaan rotasi dan memiliki kualitaswarna standar.

3. Ketika data logo sebagai data sumberdiinput ke dalam sistem maka warna padalogo akan diubah menjadi warnagrayscale.

4. Data kedua akan diinput melalui kamerapada sistem, data ini akan ditangkap olehkamera sesuai dengan warna aslinya.

5. Saat data kedua ditangkap oleh kamera,selain logo diperlakukan pada kondisinormal, ada kondisi khusus yang diberikanpada logo yaitu adanya perbedaan skaladan rotasi sebesar 900 dan 1800 pada datalogo.

6. Kemudian sistem akan melakukan prosesidentifikasi logo pada data sumber dandata yang diinput melalui kamera.

2.2. Tahapan Proses RecognitionTahapan proses untuk melakukan

eksperimen logo recognition sebagai berikut:Tahap 1: Proses feature detection dan

extraction dengan metode FAST Penentuan intensitas pixel


Pada tahap feature detection ditentukansegment test pada masing – masing logodari 50 logo yang merupakan obyekpenelitian.

Intensitas pixel dari segment test yangdiambil ditentukan dengan rumus (1).

S → = , I → ≤ I − ( ), I − < I → < I + ( ), I + ≤ I → ( ℎ ) (1)

Pada rumus di atas, dihitung untuksetiap pixel ∈ (P adalah semuapixel dalam image yang ditraining).

P dikelompokkan ke dalam tiga subsetyaitu , , dan setiap pixel pdikelompokkan ke dalam subset → .

f. Penentuan dan perhitungan corner Setelah pixel p dikelompokkan ke dalam

subset → kemudian variabel booleanditentukan bernilai benar (true) jika p

adalah corner dan bernilai salah (false)jika bukan corner (non corner).

Untuk menentukan sebuah pixelmerupakan corner dihitung denganentropy dari pada rumus (2).

H(P) = ( + ̅) log ( + ̅) − log − ̅ log ̅ (2)

Di mana = (jumlahcorners)dan ̅ = ( jumlah noncorners)

Jumlah corner dan non corner dihitungdengan rumus (3)

Pendeteksian corner yang berdekatandengan non-maximal suppression

Menentukan non-maximal suppressiondengan mencari nilai maksimum V untuk setiapcorner yang berdekatan berdasarkan rumus (4).

V = max ∑ I → − I − t , ∑ I − I → − t∈∈ (4)

Dengan definisi dari dansebagai berikut:= I → ≥ I += I → ≤ I −

Jika nilainya lebih tinggi dari Vmax makasetiap corner yang berdekatan akandihapus.

Tahap 2: Proses feature descriptor padametode SURF Pemfilteran corner dengan haar wavelet.

Menentukan gradien pada arah dx, dy,|dx| dan |dy|.

g. Menentukan vektor descriptor SURFberdasarkan rumus (5).

(5)

Tahap 3: Proses feature matching denganmetode FLANN TREE berdasarkan rumus (6)= ( ) + (6)

Penentuan index pada pencarian nearestneighbor dari corner logo sumber dancorner logo capture berdasarkan parameterdari KD Tree Index.

Menentukan korespondensi dengan NNDR(Nearest Neighbor Distance Ratio).

Menemukan homography berdasarkan inlierdan outlier dari logo sumber dan logocapture.

2.3. PengujianPengujian dilakukan dengan mengacu pada

beberapa kondisi yaitu kondisi normal, scaleinvariant, rotation 900 dan rotation 1800. Padakondisi normal logo yang dicapture memilikikondisi yang sama dengan data logo padadatabase sumber. Sedangkan pada kondisi scaleinvariant, logo yang dicapture memilikiperbedaan skala dengan data logo sumber.Selain itu pada kondisi scale invariant, logo yangdicapture memiliki struktur image yang berbeda

(3)


dengan logo pada data sumber. Pada kondisirotation 900 dan rotation 1800, logo yangdicapture akan diputar dengan sudut 900 dan1800.

Metode yang diuji adalah metode Fast, Surfdan Flann Tree; metode Fast, Sift dan FlannTree dan metode Fast, Brief dan Flann Tree. Darihasil pengujian didapatkan akurasi dari metodeFast,Surf dan Flann Tree lebih tinggidibandingkan dengan metode Fast, Sift danFlann Tree serta Fast, Brief dan Flann Tree.

Pengujian akan menghitung kecepatan waktukomputasi dari beberapa parameter yangdigunakan sebagai acuan yaitu: Feature detection (ms): digunakan untuk

menghitung lama waktu dilakukannyaproses corner detection.

Descriptor extraction (ms): digunakan untukmenghitung lama waktu dilakukannyaproses ekstraksi descriptor untukmenentukan arah vektor descriptor.

Descriptor indexing (ms): digunakan untukmenghitung lama waktu dilakukannyaproses indexing pada descriptor yaitumemberikan nilai index pada letak vektordescriptor.

Descriptor matching (ms): digunakan untukmenghitung lama waktu dilakukannyaproses descriptor matching pada datasumber dan data yang diambil melaluikamera.

Detect outlier dan GUI (ms): digunakanuntuk menghitung lama waktu dilakukannyaproses mendeteksi outline dan GUI darilogo.

Pengujian dengan parameter untukmenentukan akurasi area corner yang ditemukanyaitu: Min matched distance: digunakan untuk

menghitung banyaknya area minimal yangsama antara data sumber dan data yangdiambil melalui kamera .

Max matched distance: digunakan untukmenghitung banyaknya area maksimal yangsama antara data sumber dan data yangdiambil melalui kamera.

Corner quantity: digunakan untukmenghitung banyaknya jumlah corner.

2.4. Hasil Eksperimen Metode Fast, Surf dan Flann Tree

Tabel 1. Rata-Rata Kecepatan Komputasipada Metode Fast, Surf dan Flann Tree

Metode Fast, Brief dan Flann Tree

Tabel 2. Rata-Rata Kecepatan Komputasi padaMetode Fast, Brief dan Flann Tree

Metode Fast, Sift dan Flann Tree

Tabel 3. Rata-Rata Kecepatan Komputasi padaMetode Fast, Sift dan Flann Tree

Tabel 1,2, dan 3 memperlihatkan rata-ratakecepatan komputasi dengan parameter featuredetection, descriptor extraction, descriptorindexing, descriptor matching dan detect outlierand GUI.

Hasil Perbandingan Akurasi pada KondisiNormal

Tabel 4. Perbandingan Akurasi pada KondisiNormal

Dari tabel 4 terlihat bahwa akurasi metodeFast, Surf dan Flann Tree memiliki tingkat rata –rata akurasi 9% lebih besar dibandingkan


metode Fast, Brief dan Flann Tree dan 26% lebihbesar dibandingkan metode Fast, Sift dan FlannTree.

Gambar 2. Grafik Akurasi pada Kondisi Normal

Dari gambar 2 diketahui bahwa akurasi metodeFast, Surf dan Flann Tree lebih tinggidibandingkan dengan metode lainnya.

Hasil Perbandingan Akurasi pada KondisiScale Invariant

Tabel 5. Perbandingan Akurasi pada KondisiScale Invariant

Dari tabel 5 terlihat bahwa akurasi metodeFast, Surf dan Flann Tree memiliki tingkat rata –rata akurasi 14% lebih tinggi dibandingkanmetode Fast, Brief dan Flann Tree dan 31% lebihtinggi dibandingkan metode Fast, Sift dan FlannTree.

Gambar 3. Grafik Akurasi pada Kondisi ScaleInvariant

Dari gambar 3 diketahui bahwa akurasimetode Fast, Surf dan Flann Tree pada kondisiscale invariant lebih tinggi dibandingkan denganmetode lainnya.

Tabel 6. Perbandingan Akurasi pada KondisiRotation Invariant

Dari tabel 6 terlihat bahwa akurasi metodeFast, Surf dan Flann Tree memiliki tingkat rata –rata akurasi 65% pada sudut 900 dan 66% padasudut 1800.

Gambar 4. Grafik Akurasi pada Kondisi RotationInvariant


Dari gambar 4 diketahui bahwa memiliki rata-rata akurasi metode Fast, Surf dan Flann Treepada kondisi rotation invariant 1800 lebih tinggidibandingkan dengan pada kondisi rotationinvariant 900, yang ditunjukkan oleh barberwarna merah.

3. KESIMPULANDari hasil penelitian terhadap logo recognition

diperoleh kesimpulan sebagai berikut:a. Metode Fast, Surf dan Flann Tree akurat

untuk melakukan identifikasi logo padaproses feature recognition berbasis cornerdetection yang terdapat di dalam sistemaugmented reality.

b. Metode Fast, Surf dan Flann Tree memilikiakurasi rata-rata 73 % untuk kondisi normal,69% untuk kondisi scale invariant, 65% untukkondisi rotation 900 dan 66% untuk kondisirotation 1800.

c. Akurasi metode Fast, Surf dan Flann Treememiliki tingkat rata – rata akurasi 14% lebihtinggi dibandingkan metode Fast, Brief danFlann Tree dan 31% lebih tinggidibandingkan metode Fast, Sift dan FlannTree.

DAFTAR PUSTAKA

[1] Mikolajczyk, K., Schmid, C. (2005).“Performance Evaluation of LocalDescriptor,” IEEE Transactions on PatternAnalysis and Machine Intelligence. 27(10).pp. 1615-1630.

[2] Calonder,M., Vincent Lepetit, Strecha,C.,Pascal Fua. (2010). “BRIEF: Binary RobustIndependent Elementary Features,” InECCV. pp. 778-792.

[3] Herbert Bay, Tinne Tuytelaars, Luc VanGooL. (2006). “Speeded-up RobustFeature,” Computer Vision and ImageUnderstanding. 110(3). 346-359.

[4] Marius Muja, David G. Lowe. (2009). “FASTApproximate Nearest Neighbors withAutomatic Algorithm Configuration,” In

International Conference on ComputerVision Theory and Application (VISSAPP).pp. 331-340.

[5] Daniel Wagner, Gerhard Reitmayr,Alessandro Mulloni, Tom Drummond,Dieter Schmalstieg. (2010). “Real TimeDetection and Tracking for Augmentedreality on Mobile Device,” IEEE Transactionon Visualization and Computer Graphic. Vol16. No 3.

[6] Mosalam Ebrahimi, Walterio W. Mayol-Cuevas. (2011). “Adaptive Sampling forFeature Detection, Tracking andRecognition on Mobile Platforms,” IEEETransactions on Circuits and Systems forVideo Technology.

[7] Charles Norona, Tyagi, Vivek Kumar. (2010).“Non-distributed Object RecognitionPotential on the Android Platform,”COT5930 – Digital Image Processing Fall.

[8] Niels Henze, Torben Schinke, Susanne Boll.(2009). “What is That? Object Recognitionfrom Natural Features on a Mobile Device,”Research Paper University of Oldenburg.

[9] Gabriel Takacs, Vijay Chandrasekhar,Natasha Gelfand, Yingen Xiong, Wei-ChaoChen, Thanos Bismpigiannis, ThanosBismpigiannis, Radek Grzeszczuk, KariPulli, dan Bernd Girod. (2008). “OutdoorsAugmented Reality on Mobile Device UsingLoxel-Based Visual Feature Organization,”Proc. of ACM international conference onmultimedia information retrieval (ACM MIR).Vancouver. Canada.

[10] Wei-Chao Chen, Yingen Xiong, Jiang Gao,Natasha Gelfand, Radek Grzeszczuk.(2007). “Efficient Extraction of RobustImage Features on Mobile Devices,”ISMAR.

[11] Ronald T. Azuma. (1997). “A Survey ofAugmented Reality,” In Presence:


Teleoperators and Virtual Environments. 6,4. pp. 355-385.

[12] Héctor López,Antonio Navarro, José Relaño.(2010). “An Analysis of Augmented RealitySystems,” Fifth International Multi-conference on Computing in the GlobalInformation Technology.

[13] J. Rekimoto, Y. Ayatsuka. (2000). “CyberCode: Designing Augmented RealityEnvironments with Visual Tags,” Proc.Designing Augmented Reality Environments(DARE).

[14] Fiala, M. (2004). “ARTag Revision 1, AFiducial Marker System Using DigitalTechniques,” NRC/ERB-111.

[15] Tom Drummond, Edward Rosten. (2006).“Machine Learning for High-Speed CornerDetection,” European Conf. ComputerVision (ECCV'06).pp. 430-443.

[16] Christopher Evans. (2009). “Notes on theOpenSURF Library”.

[17] Antonio Torralba, Fergus, R., Weiss, Y.(2008). “Small Codes and Large ImageDatabases for Recognition,” In Proc. ofIEEE conference on computer vision andpattern recognition (CVPR). Anchorage.Alaska.

[18] Olsson, S. and Åkesson, P. (2009).“Distributed Mobile Computer Vision andApplications on the Android Platform,”Master’s Thesis Paper. Lund University.

[19] Tyagi, Vivek Kumar. (2010) “ObjectRecognition on the Android Platform UsingSpeeded Up Robust Features,” Master’sThesis Dissertation: Florida AtlanticUniversity.

[20] Sami Mohammad Halawani, DzulkifliMohammad. (2011) “Logo MatchingTechnique Based on Principle ComponentAnalysis,” International Journal of ComputerVision and Applications. Vol 1. No 1. April2011

60

FEATURE RECOGNITION BERBASIS CORNER DETECTION …

Documents