LOGO IMPLEMENTASI METODE SCALE INVARIANT FEATURE TRANSFORM DAN METODE CAMSHIFT PADA PENJEJAKAN OBJEK BERGERAK Oleh : Shanty Eka Agustina (1207.1000.24) Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya Dosen Pembimbing: Dr . Imam Mukhlas, S.si, MT
34
Embed
IMPLEMENTASI METODE SCALE INVARIANT FEATURE … · implementasikan pada MATLAB R2012a. Batasan Masalah. PENDAHULUAN(LANJUTAN) LOGO. Mengaplikasikan metode . scale invariant feature
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
LOGO
IMPLEMENTASI METODE SCALE INVARIANT FEATURE TRANSFORM DAN METODE CAMSHIFT
PADA PENJEJAKAN OBJEK BERGERAK
Oleh :Shanty Eka Agustina (1207.1000.24)
Jurusan MatematikaFakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Surabaya
Dosen Pembimbing: Dr . Imam Mukhlas, S.si, MT
LOGO
DASAR TEORI
ANALISIS SISTEM DAN PERANCANGAN PERANGKAT LUNAK
IMPLEMENTASI SISTEM
PENGUJIAN DAN ANALISIS PERANGKAT LUNAK
PENDAHULUAN
PENUTUP
LOGOPENDAHULUAN
Sistem Penjejakan Objek Bergerak
Latar Belakang
LOGO
Kelebihan : 1. memiliki kemampuan
melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video.
Alasan:distribusi probabilitas warnayang selalu berubah tiappergantian frame dari video
LOGO
1
• Bagaimana mengaplikasikan metode scale invariant feature transform untuk mendeteksi dan mendeskripsikan fitur –fitur lokal yang terdapat dalam data video.
2
• Bagaimana mengaplikasikan metode camshift untuk mendeteksi objek bergerak dalam data video.
3
• Bagaimana sistem yang telah dibuat dapat menjejaki gerakan dari objek yang telah ditentukan.
Rumusan Masalah
PENDAHULUAN(LANJUTAN)
LOGO
Data video yang akan diamati sebelumnya telah tersimpan dalam penyimpanan komputer.
Objek yang akan diamati ditentukan oleh user dengan ketentuan hanya satu kesatuan objek bergerak saja.
Penjejakan objek bergerak dengan metode scale invariant feature transform dan metode camshift di implementasikan pada MATLAB R2012a
Batasan Masalah
PENDAHULUAN(LANJUTAN)
LOGO
Mengaplikasikan metode scale invariant feature transformuntuk mendeteksi dan mendeskripsikan fitur- fitur lokal dari citra pada data video
Mengaplikasikan metode camshift untuk mendeteksi objek bergerak dalam data video.
Mengaplikasikan sistem yang telah dibuat agar dapat menjejaki gerakan dari objek yang telah ditentukan oleh user.
Tujuan
PENDAHULUAN(LANJUTAN)
LOGO
1Dapat memudahkan pengamat dalam melakukan proses pengamatan objek bergerak pada suatu data video.
2Dihasilkan suatu aplikasi penjejakan objek bergerak pada video yang mampu melakukan penjejakan suatu objek bergerak.
Manfaat
PENDAHULUAN(LANJUTAN)
LOGO
DASAR TEORI
ANALISIS SISTEM DAN PERANCANGAN PERANGKAT LUNAK
IMPLEMENTASI SISTEM
PENGUJIAN DAN ANALISIS PERANGKAT LUNAK
PENDAHULUAN
PENUTUP
LOGODASAR TEORI
Citra DigitalCitra adalah kumpulan gambar yang
secara keseluruhan merekam suatuadegan melalui media indra visual.Citradapat dideskripsikan sebagai data dalamdua dimensi dalam bentuk matriks. Citradigital adalah citra dua dimensi yangdapat dipresentasikan dengan fungsiintensitas cahaya yang mana X dan Ymenyatakan koordinat spasial.
LOGO
Penjejakan Objek BergerakPenjejakan Objek Bergerak(Obyek Tracking)adalah proses mencari lokasi dari objek yang akan diamati dari suatu data video untuk setiap satu satuan frame dalam data video tersebut.
Penjejakan objek bergerak berdasarkan gerakan objek
Penjejakan objek bergerak berdasarkan pengenalan objek.
Metode yang sering digunakan : 1.Kalman filter2.extended Kalman filter3.Particle filter
Metode yang sering digunakan : 1.SIFT2.RANSAC3.Mean Shift4.Camshift
DASAR TEORI (LANJUTAN)
LOGO
Cara Kerja Algoritma SIFTCara Kerja Algoritma SIFT adalah sebagai berikut:1. Gaussian dan Difference of Gaussian Scale Space
Scale Space
agar didapatkan fitur-fitur yang stabil (invarian) terhadap berbagai
kemungkinan perubahan terhadap skala citra.
Tujuan
Fungsi Gausian
Pembangun Scale Space
Gaussian Scale Space
Difference Of Gaussian
Cara Pembentukannya
cara mensubstraksi dua citra Gaussian Scale Space yang
berdekatan(D(x,y,σ)) = L(x,y,kσ)-L(x,y,σ)
Rumus
DASAR TEORI (LANJUTAN)
LOGO
Keterangan – L(x,y,kσ) adalah konvolusi dari citra asli I(x,y) dengan Gaussian filter G(x,y,σ) pada skala kσ dengan k = √2. – L(x,y,σ) adalah konvolusi dari citra asli I(x,y) dengan Gaussian filter G(x,y,σ) pada skala σ2. Deteksi Ekstremum
Deteksi Ekstremum
membandingkan nilai setiap piksel pada DoG Scale spacedengan delapan piksel yang
berada di sekelilingnya dan 9 piksel yang bersesuaian pada citra DoG sebelumnya dan setelahnya.
Cara Pembentukannya
Jika nilai piksel yang dimaksud lebih besar atau lebih kecil daripada nilai-nilai piksel
pembandingnya maka koordinat piksel tersebut ditandai sebagai
ekstremum
Kriteria Deteksi Ekstremum
DASAR TEORI (LANJUTAN)
LOGO
Titik-titik Ekstremum
Lokalisasi dengan akurasi
subpiksel ekspansi Taylor orde kedua
Posisi Ekstrema
Menghitung Nilai Keypoint Pada Ekstrema
Jika nilai D(z)tidak melebihi suatu nilai threshold ( 0.03) maka keypoint tersebut
dihilangkan dan tidak dipakai lagi.
Alat Pembantu
Kriteria Keypoint
DASAR TEORI (LANJUTAN)
LOGO Penetapan Orientasi Keypoint (Orientation assignment)
Penetapan Orientasi Keypoint
untuk mendapatkan sifat invarian
terhadap rotasi objek
Tujuan
citra Gaussian smooth L yang memiliki skala paling dekat dengan skala keypoint
Gradien MagnitudeOrientasi
Histogram Orientasi
Puncak Histogram Orientasi =
Orientasi Dominan
Alat Pembentuk
Dicari
Dibentuk
Dicari
LOGO
Penentuan Deskriptor Lokal Proses terakhir adalah menghitung vektor deskriptor.
Deskriptor dihitung untuk masing-masing keypoint, langkahini dilakukan pada gambar yang paling dekat dengan skalauntuk skala keypoint. Pertama membuat orientasi dengan 4x4piksel dengan 8 bin untuk tiap masing-masingnya.
Histogram ini dihitung dari magnitude dan nilai orientasi darisampel dalam wilayah 16x16 disekitar keypoint. Magnitudedihitung dengan fungsi Gaussian dengan σ sama dengan satusetengah lebar deskriptor. Kemudian deskriptor menjadi vektordari semua nilai histogram ini. Karena 4x4= 16 histogramdengan masing-masing memiliki 8bin, maka vektor memiliki128 elemen.
DASAR TEORI (LANJUTAN)
LOGO
Algoritma MeanshiftLangkah-langkah dari algoritma Mean Shift adalah sebagai berikut: Step 1 : Ukuran search window yang sudah ditentukan.Step 2 : Lokasi awal search window yang sudah ditentukan. Step 3 : Hitung daerah mean dalam search window.Step 4 : Posisikan search window ke tengah daerah mean seperti
dihitung pada step (3). Step 5 : Ulangi step (3) dan (4) hingga konvergen (atau hingga
pergeseran daerah mean kurang dari threshold / batas yang ditentukan).
DASAR TEORI (LANJUTAN)
LOGO
Algoritma CamshiftSecara umum algoritma camshift meliputi step-step sebagai berikut:Step 1 : Tentukan ukuran awal search window. Step 2 : Tentukan lokasi awal dari search window. Step 3 : Tentukan daerah kalkulasi (calculation region) pada bagian tengah search window dengan ukuran lebih besar dari search window. Step 4 : Frame citra video dikonversi ke dalam sistem warna HSV (Hue, Saturation,Value), dan dilakukan color histogram lookup dalam calculation region yang akan menghasilkan citra distribusi probabilitas warna. Step 5 : Lakukan algoritma Mean Shift seperti di atas (satu atau banyak iterasi) dengan input berupa ukuran dan lokasi search window serta citra distribusi probabilitas warna, simpan zeroth moment. Step 6 : Set nilai x, y, z yang diperoleh dari step (5).Step 7 : Nilai x, y dipakai untuk set titik tengah search window, (2*area1/2). Untuk set ukuran window. Ulangi step(3) untuk setiap pergantian frame citra video.
DASAR TEORI (LANJUTAN)
LOGO
DASAR TEORI
ANALISIS SISTEM DAN PERANCANGAN PERANGKAT LUNAK
IMPLEMENTASI SISTEM
PENGUJIAN DAN ANALISIS PERANGKAT LUNAK
PENDAHULUAN
PENUTUP
LOGOPerancangan Perangkat Lunak
Software
Program Utama:Penjejakan Objek Bergerak dengan
SIFT
Program Utama:Penjejakan Objek Bergerak dengan
Camshift
LOGOFLOWCHART PENJEJAKAN OBJEK BERGERAK dengan SIFT
Mulai
Data Video
Non Realtime
Menampilkan data video yang telah tersimpan di direktori
Konversi video ke frame
Ekstrasi fitur-fitur lokal dalam citra uji dengan algoritma SIFT
Ekstrasi fitur pencocokan keypoint
Tentukan ROI dari objek
Video hasil tracking
Selesai
Penjejakan objek bergerak
Update posisi baru dari objek
LOGOFLOWCHART PENJEJAKAN OBJEK BERGERAK dengan CAMSHIFTMulai
Data Video
Non Realtime
Menampilkan data video yang telah tersimpan di direktori
Tentukan ROI dari objek yang akan diamati
Update posisi baru dari objek
Penjejakan Objek Bergerak dengan Camshift
Video Hasil Tracking
Selesai
LOGOUji Coba Program UJI COBA PROGRAM
Data Uji CobaNo Nama Video Video1 Redcup.avi
2 bola.avi
3 cangkir.avi
LOGO
Uji coba pendeteksian fitur keypointTotal citra .jpg ada 100 citra.jpg untuk dataset redcup.avi yaitu 1.jpg
sampai dengan 100.jpg.Sedangkan total citra .jpg ada 80.jpg untuk dataset bola.avi yaitu bola1.jpg sampai dengan bola80.jpg. Dan untuk dataset cangkir.avi ada 40 citra yaitu cangkir1.jpg sampai cangkir40.jpg.
No
Citra Uji Jumlah Fitur KeypointYang Terdeteksi
1 Redcup1.jpg Jumlah Fitur yang terdeteksi 395 keypoint
2 Redcup2.jpg Jumlah Fitur yang terdeteksi 422 keypoint
3 Redcup3.jpg Jumlah Fitur yang terdeteksi 393 keypoint
4 Redcup4.jpg Jumlah Fitur yang terdeteksi 389 keypoint
Untuk dataset Redcup.avi
LOGO
No
Citra Uji Jumlah Fitur KeypointYang Terdeteksi
1 Bola1.jpg Jumlah Fitur yang terdeteksi 193 keypoint
2 Bola2.jpg Jumlah Fitur yang terdeteksi 208 keypoint
3 Bola3.jpg Jumlah Fitur yang terdeteksi 211 keypoint
4 Bola4.jpg Jumlah Fitur yang terdeteksi 240 keypoint
No
Citra Uji Jumlah Fitur KeypointYang Terdeteksi
1 Cangkir1.jpg Jumlah Fitur yang terdeteksi 273 keypoint
2 Cangkir2.jpg Jumlah Fitur yang terdeteksi 328 keypoint
3 Cangkir3.jpg Jumlah Fitur yang terdeteksi 301 keypoint
4 Cangkir4.jpg Jumlah Fitur yang terdeteksi 339 keypoint
Deteksi fitur match redcup1.jpg dengan redcup2.jpg Deteksi fitur match redcup3.jpg dengan redcup4.jpg
LOGO
Deteksi fitur match bola1.jpg dengan bola2.jpg Deteksi fitur match bola3.jpg dengan bola4.jpg
Deteksi fitur match cangkir1.jpg dengan cangkir2.jpg Deteksi fitur match cangkir3.jpg dengan cangkir4.jpg
LOGO
Hasil Tracking Algoritma SIFT untuk dataset redcup.avi
LOGO
Untuk dataset bola.avi
Untuk dataset cangkir.avi
LOGO
•Uji coba penjejakan (tracking) objek bergerak.Input : - Data video penyimpanan direktori
- Indeks frame awal sampai dengan indeks frame akhir- Koordinat dari ROI
Proses: Proses penjejakan objek bergerakOutput :- Koordinat titik pusat dari ROI sesuai dengan hasil
penjejakan objek bergerak- Nilai zeroth moment untuk x dan y, Jumlah iterasi untuk setiap proses penjejakan
LOGO
Untuk dataset bola.avi
Untuk dataset cangkir.avi
LOGOKESIMPULAN DAN SARAN
Dari hasil uji coba diatas menunjukkan bahwa waktu komputasi dari algoritmaSIFT lebih efisien dibandingkan dengan algoritma Camshift. Akan tetapi, hasilpenjejakan yang dilakukan oleh algoritma Camshift lebih baik dibandingkandengan algoritma SIFT.
SaranSaran yang dapat diberikan dalam pengembangan tugas akhir ini antara lainadalah:•Sebagai pengembangan program, dapat dibuat program penjejakan objekbergerak dengan pengambilan citra secara real time .
LOGODAFTAR PUSTAKA
Exner David and Bruns Erich,”Fast and robust camshift tracking,” in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, 2010.
M. Isard and A. Blake, “Condensation - Conditional density propagation for visual tracking,” Intl. J. of Computer Vision, vol. 29, no. 1, 1998.
Pratama, Rangga Yudha, 2005, “Rancang Bangun Perangkat Lunak Untuk Deteksi Objek Bergerak Menggunakan Motion Tracking dan Short Message Services”, Tugas Akhir, Jurusan Matematika ITS.
R. Rosales and S. Sclaroff, “3D trajectory recovery for tracking multiple objects and trajectory guided recognition of actions,” in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Fort Collins, CO, 1999, pp. 117–123.
Y. Boykov and D. Huttenlocher, “Adaptive Bayesian recognition in tracking rigid objects,” in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Hilton Head, SC, 2000, pp. 697–704.
Y. Rui and Y. Chen, “Better proposal distributions: Object tracking using unscented particle filter,” in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Kauai, Hawaii, volume II, 2001, pp. 786–793
LOGO
Chaoyang Zhu, 2011, “ Video Object Tracking using SIFT and Mean Shift”, Thesis, Department of Signals and Systems Chalmers University Of Technology.
Susanto,2008,” Pengembangan Perangkat Lunak Penjejakan Objek Bergerak Menggunakan Metode Mean Shift” Tugas Akhir, Jurusan Matematika ITS.
Lowe, D.G., “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision, 60, 2, pp. 91-110, 2004.
G. R. Bradski. Computer video face tracking for use in a perceptual user interface. Intel Technology Journal, Q2 1998.
D. Comaniciu, V. Ramesh, “Real-Time Tracking of Non-Rigid Objects using Mean Shift”, IEEE CVPR, 2000.