Kalman Filter Dan Model Gaussian Di Jalan Tol: Deteksi Dan Penggolongan Kendaraan Dengan
Kalman Filter Dan Model Gaussian Di Jalan Tol: Deteksi Dan Penggolongan Kendaraan Dengan
php/jsinbis 1
DOI : 10.21456/vol8iss1pp1-8
Abstract
Monitoring systems are widely implemented in various sectors aimed at improving the security and productivity aspects. The
research aims to detect moving objects in the form of video file tipefile (* .avi) 640x480 resolution and image class according
to pixel area. Moving objects are given in the Region of Interest path for easy detection. Detection on moving objects using
methods of Kalman filter and gaussian mixture model. There are two types of distribution, the distribution of Background and
Foreground. The form of the Foreground distribution is filtered using Bit Large Object segmentation to obtain the dimensions
of the vehicle and morphological operations. The feature extraction results from the vehicle are used for vehicle classification
based on pixel dimension. Segmentation results are used by Kalman Filter to calculate the tracking of moving object positions.
If the Bit Large Object segmentation is not found moving object, then it is continued on the next frame. The final results of
system detection are calculated using Positive True validation, True Negative, False Positive, and False Negative by looking
for the sensitivity and specificity of each morning, day and night conditions
Keywords : Detection of Moving Objects; Recognition; Kalman Filter; Gaussian Mixture Model.
Abstrak
Sistem pemantauan banyak dilakukan pada berbagai sektor bertujuan untuk peningkatan aspek keamanan dan
produktivitas. Penelitian ini bertujuan untuk mendeteksi objek bergerak dalam bentuk file video tipefile (*.avi) yang
beresolusi 640x480 dan golongan citra sesuai luas piksel. Objek bergerak diberikan pada lintasan Region of Interest untuk
memudahkan pendeteksian. Deteksi pada obyek bergerak menggunakan metode Kalman filter dan model gaussian mixture.
Terdapat dua jenis distribusi, yaitu distribusi Backgrounddan Foreground. Bentuk dari distribusi Foreground difilter
menggunakan segmentasi Bit Large Object untuk mendapatkan dimensi dari kendaraan tersebut dan operasi morfologi. Hasil
ekstrasi ciri dari kendaraan tersebut digunakan untuk penggolongan kendaraan berdasarkan dimensi piksel. Hasil Segementasi
digunakan Kalman Filter untuk menghitung pelacakkan posisi objek bergerak. Jika segmentasi Bit Large Object tidak
ditemukan objek bergerak, maka dilanjutkan pada frame berikutnya. Hasil akhir deteksi sistem dihitung menggunakan validasi
True Positif, True Negatif, False Positif, dan False Negatif dengan mencari sensitifitas dan spesifisitas masing-masing kondisi
pagi, siang dan malam.
Kata Kunci : Deteksi Objek Bergerak; Penggolongan; Kalman Filter; Gaussian Mixture Model.
dasarnya adalah untuk menemukan atau identifikasi pengukuran baru yang didapat dari nilai estimasi awal.
sebuah objek dari kelas yang telah ditetapkan dalam Setelah kedua tahap terpenuhi, proses tersebut akan
gambar statis atau frame video. Terkadang hal ini berulang kembali dengan nilai estimasi yang didapat
dapat dilakukan dengan mengekstraksi fitur gambar dari tahap pengukuran digunakan sebagai informasi
tertentu, seperti tepi, daerah warna, tekstur dan kontur. awal tahap peramalan yang kedua, begitu seterusnya
Setelah itu, beberapa heuristik diterapkan untuk hingga didapat nilai yang konvergen.
menemukan konfigurasi dan/atau kombinasi dari fitur- Penelitian ini bertujuan untuk mendeteksi objek
fitur karakteristik dari objek yang satu ingin untuk bergerak dalam bentuk file video tipefile (*.avi) yang
mendeteksi (Gon et al., 2012). Dibutuhkan sebuah beresolusi 640x480 dan golongan citra sesuai luas piksel.
teknik yang dinamis dan tidak terikat pada bentuk Objek bergerak diberikan pada lintasan Region of Interest
gerak objek pada background. Teknik ini hanya untuk memudahkan pendeteksian. Perhitungan validasi
sementara digunakan selayaknya spatio-temporal. menggunakan tingkat True Positif, True Negatif, False
Seperti teknik spatio-temporal Gaussian mixture Positif, False Negatif untuk mendapatkan keakuratan
model (STGMM) dikemukakan oleh Soh et al. (2012). kondisi penggolongan dan deteksi objek bergerak
Setelah extraction, sebuah filter nonlinear mampu dijalan tol berdasarkan sensitifitas dan spesifisitas
membantu deteksi posisi objek. Kemudian, Kalman (Yadradj dan Ajay, 2013).
filter digunakan untuk prediksi dan pembaruan lokasi
objek (Julier dan Uhlmann, 2004). 2. Kerangka Teori
Multiple object tracking sangat penting bagi
peneliti terutama topik komputer vision. Mampu
menangani objek tunggal serta pergantian 2.1. Gaussian Mixture Model (GMM)
pencahayaan background, gerak non rigid dan GMM adalah sebuah tipe density model yang
kesulitan muliti deteksi saat antara satu objek dan terdiri dari komponen fungsi-fungsi Gaussian (Nicola
objek bergabung atau menyatu (MacCormick dan et al., 2012) Komponen fungsi ini terdiri dari
Blake, 2000). Membenahi angka objek. (Tao et al., Threshold yang berbeda untuk menghasilkan multi-
1999) Efisiensi algoritma mencari multiple objek model density. Pada penelitian ini GMM digunakan
(Hue et al., 2002). Ditujukan bayesian tracker untuk untuk memodelkan warna-warna background dari
multiple tracking blob. Begitu banyak algrotima tiap piksel. Hasil adaptasi terhadap perubahan yang
tracking yang diusulkan pada literatur, namun yang terjadi dievaluasi melalui proses update parameter
mencapai template dan local fiture adalah kalman Weight, Standard Deviation, dan Means. Setiap piksel
filter (Raja et al., 1998). dikelompokkan berdasarkan distribusi yang dianggap
Objek detektor bertujuan menemukan tiap wilayah paling efektif sebagai model latar belakang.
pada gambar yang berisi contoh objek. Begitu banyak Semakin besar nilai standar deviasi, semakin lebar
aplikasi objek deteksi yang menantang karena akurasi distribusi kernel Gaussian maka, maka semakin kuat
tinggi dibutuhkan ketika gambar dievaluasi pada penghalusan yang terjadi pada citra.
kecepatan real-time (Sun, 2006) dan Miller et al. Menggunakan algoritma GMM masih terlihat
(2006). Seperti pendeteksi kendaraan, dimana salah kurang sempurna, sehingga masih terlihat ada
satu kebutuhan untuk memperingatkan pengemudi beberapa sedikit noise pada daerah sekitar obyek.
tentang kemungkinan kecelakaan secepat mungkin Maka dari itu perlu ditambahkan suatu filter untuk
dan tugas pengawasan dimana tiap video frame perlu menghilangkan noise disekitar obyek berupa filter
diperiksa secara real-time untuk memeriksa pencurian Morfologi dengan menggunakan operasi Erosi,
(Viola dan Jones, 2001). sehingga ukuran dimensi hasil segmentasi yang
Kalman Filter metode bagian dari state space didapat mendekati ukuran yang sebenarnya.
(ruang keadaan) yang dapat diterapkan dalam model
prakiraan statistik. Sesuai dengan (Wei, 2006), metode 2.2. Operasi Morfologi
ini menggunakan teknik rekursif dalam Pengujian menggunakan Operasi Erosi bertujuan
mengintegrasikan data pengamatan terbaru ke model untuk memperhalus bentuk dari distribusi Foreground.
untuk mengoreksi prediksi sebelumnya dan Sehingga didapat fitur obyek mendekati dengan fitur
melakukan prediksi selanjutnya secara optimal obyek yang sebenarnya.
berdasarkan informasi data di masa lalu maupun Hasil filter morfologi terhadap noise dari sebuah
berdasarkan informasi data saat ini. distribusi foreground dengan menggunakan filter
Berdasarkan (Welch dan Bishop, 2001), konsep erosi yang bertujuan untuk memperkecil bentuk
Kalman Filter terdiri dari dua tahapan yakni dimensi kendaraan agar mendekati dengan ukuran
peramalan dan pembaharuan. Pada tahap peramalan, sebenarnya, sekaligus mengurangi gerakan-gerakan
dihasilkan nilai estimasi untuk keadaan (state) di kecil yang sekiranya tidak perlu untuk disegmentasi.
waktu sekarang dan nilai kovarian error yang Meskipun hasil tidak terlihat bersih sepenuhnya,
digunakan sebagai informasi estimasi awal untuk namun kondisi ini sudah cukup baik untuk proses
langkah selanjutnya. Tahap pembaharuan berfungsi segmentasi.
sebagai korektor. Pada tahap ini dihasilkan
Jurnal Sistem Informasi Bisnis 01(2018) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 3
3. Metode
Setiap piksel yang tergabung pada area Blob
mempunyai nilai logika yang sama, suatu setiap 3.1. Prosedur Penelitian
piksel yang tergabung pada area Blob kan dianggap Prosedur penelitan dari Input video, deteksi
sebagai Foreground. Sedangkan piksel yang lain akan kendaraan hingga penggolongan menggunakan
dianggap sebagai Background dengan memiliki nilai metode kalman filter dan Gaussian seperti Gambar 1.
logika 1.
pagi 60 1438 21 4 29
300 7192 98 22 120
siang 60 1438 17 4 22
300 7188 86 28 114
malam 60 1439 4 0 4
300 7188 23 20 43
didapatkan berbagi dimensi kendaraani kendaraan kendaraan kondisi siang, dari citra kendaraan terdapat
kondisi pagi, Dari citra kendaraan yang didapatkan bayangan yang menempel pada mobil. Hal ini
dibuat rentang penggolongan dari golongan satu membuat bayangan sulit untuk dihilangkan sehingga
hingga golongan lima, diberikan variabel x untuk pada siang hari dimensi lebih besar dari pagi. Rentang
range penggolongan seperti terlihat di Tabel 5. penggolongan dari golongan satu hingga golongan
lima, diberikan variabel x untuk range penggolongan
Tabel 5. Rentang golongan kondisi pagi seperti terlihat di Tabel 6.
Dimensi
Golongan 1 0 ≤ Dimensi < 30000 Tabel 6. Rentang Golongan Kondisi Siang
Golongan 2 30000 ≤ Dimensi < 60000 Dimensi
Golongan 3 60000 ≤ Dimensi < 70000 Golongan 1 0 ≤ Dimensi < 79000
Golongan 4 70000 ≤ Dimensi < 1000000 Golongan 2 79000 ≤ Dimensi < 89900
Golongan 5 - Dimensi ≥ 1000000 Golongan 3 89900 ≤ Dimensi < 99990
Golongan 4 99990 ≤ Dimensi < 1000000
4.5. Performa Sistem Kondisi Cahaya Pagi Golongan 5 Dimensi ≥ 1000000
Performa Sistem Kondisi Pagi. Berikut penyajian
data citra yang diambil dalam bentuk histogram dan 4.7. Performa Sistem Kondisi Cahaya Siang
forgroundmask, ditunjukkan pada Gambar 6. Performa Sistem Kondisi Siang. Disajikan seperti
Gambar 7, data citra yang diambil dalam bentuk
histogram dan forgroundmask.
4.9. Performa Sistem Kondisi Cahaya Malam bayangan objek yang berdekatan akan membentuk
Performa sistem kondisi siang disajkan seperti satu objek foreground.
gambar 8, data citra yang diambil dalam bentuk Perlu dilakukan pendeteksian kendaraan pada
histogram dan forgroundmask. Seperti Gambar 8. keadaan malam hari atau minim pencahayaan.
Dengan kondisi malam yang terlihat pada Gambar Demikian juga, perlu dilakukan deteksi objek
4.28, sistem bekerja kurang maksimal identifikasi kendaraan yang bergerak cepat. Perlu
deteksi kendaraan dan penggolongan tidak tepat. Data mengoptimalkan objek kendaraan yang masuk dalam
histogram di tunjukkan pada sumbu x dibawah 100, daerah ROI secara bersamaan, mencegah dianggap
dengan kata lain citra gambar satu objek yang melewati. Algoritma yang dipakai
dalam penilitain ini belum dapat mengenali jenis
kendaraan secara sepesifik berdasarkan merek. Hal ini
disebabkan karena ada beberapa jenis mobil memiliki
variabel yang sama. Glare yang terjadi pada kaca
mobil terhadap cahaya matahari menyebabkan
dimensi lebar kendaraan menjadi lebih panjang pada
citra threshold. Sistem ini masih perlu dikembangkan
lebih lanjut, sehingga kelak mampu memberikan hasil
yang lebih baik dalam mendeteksi jenis dan jumlah
kendaraan yang lebih akurat untuk mencapai
intelligent transport system.
Proceedings of the Conference on Computer Welch, G dan Bishop, G., 2014. Kalman Filter.
Vision and Pattern Recognition, Los Alamitos, CA, Computer Vision A Reference Guide, Springer,
USA, 511-518. New York, 435-437.
Wei, Y., Jun, S., 2006. On Estimation and prediction Yadraj, M., Ajay, M., 2013. Blobs and Cracks
for Multivariate Multiresolution Tree-Structured detection on Plain Ceramic Tile Surface.
Spatial Linear Models, Statistica Sinica, 981-1020. International Journal of Advance Research in
Computer Science and Software Engineering 3 (7),
647-652.