10 c.
Citra Warna 24 bit Setiap piksel dalam citra warna 24 bit diwakili dengan 24 bit sehingga jumlah variasi
warna per pikselnya adalah 16.777.216. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna yang dapat dilihat dalam penglihatan manusia.
Penglihatan manusia dipercaya hanya dapat membedakan hingga 10 juta warna saja. Setiap poin informasi piksel RGB disimpan ke dalam 1 byte data. 8 bit pertama
menyimpan nilai biru, 8 bit kedua menyimpan nilai hijau, dan 8 bit terakhir menyimpan nilai merah.
2.6. Citra Abu-abu Grayscale Image
Citra abu-abu adalah suatu format citra atau gambar dimana tiap-tiap piksel hanya terdiri dari 1 channel warna yaitu abu-abu. Warna abu-abu merupakan warna pada
ruang RGB dengan komponen merah, hijau, dan biru memiliki intensitas yang sama. Pada citra beraras keabuan hanya perlu menyatakan nilai intensitas untuk tiap piksel
sebagai nilai tunggal. Untuk mengubah citra warna yang mempunyai nilai R, G, B menjadi citra abu-abu, perlu dilakukan grayscaling yaitu penyusunan citra yang
sebelumnya 3 matriks akan berubah menjadi 1 matriks saja. Pengubahan citra warna menjadi citra abu-abu biasanya mengikuti aturan sebagai berikut:
� � � = .
� + . + .
2.1
2.7. Metode Viola-Jones
Metode Viola-Jones merupakan sebuah metode yang digunakan untuk mendeteksi objek seperti manusia, mobil, roda mobil, wajah, dan sebagainya yang terdapat dalam
EmguCV dan OpenCV. Metode ini banyak digunakan untuk mendeteksi objek karena metode ini memiliki algoritma yang efisien sehingga tidak memerlukan waktu yang
banyak untuk melakukan proses pendeteksian objek. Proses pendeteksian objek dilakukan dengan membandingkan citra terhadap sebuah pengklasifikasi yang
dibentuk dari data pelatihan.
Universitas Sumatera Utara
11 Dalam metode viola-jones terdapat empat kontribusi utama yaitu :
Haar-like Features Citra Integral Integral Image
Adaptive Boosting atau Adaboost Cascade of Classifier
2.7.1. Haar-Like Feature Haar Feature merupakan fitur yang didasarkan pada Wavelet Haar Viola et al, 2001.
Wavelet Haar adalah suatu fungsi matematika yang berbentuk kotak, bersama-sama membentuk basis. Wavelet Haar hampir sama dengan fungsi Fourier yaitu meletakan
target di dalam interval, kemudian melakukan proses. Awalnya pengolahan gambar hanya memproses nilai RGB dari setiap piksel yang dimiliki oleh gambar tersebut.
Proses ini kurang efisien karena menggunakan sumber yang besar sedangkan hasil yang diperoleh kecil. Oleh sebab itu, Viola dan Jones mengembangkan proses
pengolahan gambar yakni Haar-Like Feature. Setiap Haar-Like Feature terdiri dari gabungan kotak-kotak hitam dan putih.
Ada tiga tipe kotak feature dalam Haar: a.
Tipe two-rectangle feature horizontal, vertikal b.
Tipe three-rectangle feature c.
Tipe four-rectangle feature
Gambar 2.1. Variasi Fitur pada Haar LienHart et al, 2002
Universitas Sumatera Utara
12 Haar-Like Feature mengolah gambar dalam kotak-kotak dimana dalam satu
kotak terdapat beberapa piksel. Kemudian setiap kotak tersebut diproses yakni setiap piksel-piksel dalam wilayah kotak tersebut dijumlahkan dan dilakukan proses
perhitungan sehingga didapatkan perbedaan nilai yang menandakan daerah gelap dan terang. Perbedaan inilah yang dijadikan sebagai dasar untuk menandai wilayah
tersebut yang nantinya dijadikan sebagai dasar dalam image processing.
2.7.2. Citra Integral Integral Image Citra integral adalah representasi tengah untuk citra dan terdiri dari jumlah nilai
keabu-abuan dari citra N dengan tinggi y dan lebar x dimana nilai tiap pikselnya merupakan akumulatif dari nilai piksel atas dan kirinya. Citra integral digunakan
untuk pendeteksian fitur secara cepat. Perumusannya adalah sebagai berikut: � ,
= ∑ ∑
�
′
,
′
′
=
′
=
2.4 Citra integral dihitung secara rekursif:
� , = � ,
+ � , − + � − ,
− � − , − 2.5
dimana : � − ,
= � , − = � − , − = 2.6
Representasi tengah dari citra ini memungkinkan perhitungan nilai fitur kotak D pada Gambar 2.2 dapat dihitung dengan empat refrensi perhitungan.
Gambar 2.2. Perhitungan Citra Integral
Universitas Sumatera Utara
13 Nilai dari citra integral pada lokasi 1 adalah penjumlahan dari piksel dalam
persegi panjang A. Nilai pada lokasi 2 adalah A+B, nilai pada lokasi 3 adalah A+C, dan nilai pada lokasi 4 adalah D-B-C+A.
Dengan menggunakan citra integral, perhitungan fitur akan sangat efektif dan efisien. Proses pencarian nilai fitur ini dilakukan secara iteratif mulai dari ujung kiri
atas gambar hingga ujung kanan bawah.
2.7.3. Adaptive Boosting Adaboost Adaboost merupakan salah satu metode boosting yang dapat meningkatkan ketelitian
dalam proses klasifikasi dan prediksi dengan cara membangkitkan kombinasi dari suatu model, tetapi hasil klasifikasi dan prediksi yang dipilih adalah model yang
memiliki nilai bobot paling besar. Dalam metode viola-jones, adaboost digunakan untuk memilih fitur yang
spesifik yang akan digunakan untuk mengatur nilai ambangnya treshold. Adaboost menggabungkan banyak classifier yang lemah untuk membentuk sebuah classifier
yang kuat. Classifier yang lemah adalah suatu jawaban dengan tingkat kebenaran yang kurang akurat Viola et al, 2001. Adaboost memilih sejumlah classifier yang lemah
untuk disatukan dan menambahkan bobot pada setiap classifier sehingga akan terbentuk sebuah classifier yang kuat. Salah satu metode yang cepat untuk dapat
beradaptasi dengan classifier yang lemah adalah dengan membatasi classifier yang lemah ke set klasifikasi fungsi yang masing-masing bergantung pada fitur tunggal.
Adapun algoritma adaboost adalah sebagai berikut : Input citra ,
, ...., ,
dimana = 0,1 untuk data negatif dan positif. Inisialisasikan bobot , = , untuk = 0,1 berturut-turut, dimana m dan l
adalah jumlah citra positif dan negatif. Untuk = , … , � ∶
1. Normalisasikan bobot :
, = ,
∑ ,
=
adalah distribusi probabilitas. 2.
Untuk setiap fitur, , latih sebuah classifier ℎ yang dibatasi agar menggunakan sebuah fitur tunggal. Kesalahan dievaluasi sehubungan dengan :
2.7
Universitas Sumatera Utara
14
, � = ∑ |ℎ − |.
3. Pilih classifier, ℎ , dengan kesalahan terendah � .
4. Perbaharui bobot :
Dimana = jika data diklasifikan dengan benar dan
= jika sebaliknya, dan
=
�
−
�
. Pembentukan classifier kuat :
dimana = �
�
�
2.7.4. Cascade of Classifier Cascade of classifier merupakan sebuah classifier yang telah terlatih dengan ribuan
contoh objek yang terdiri dari objek yang positif dan objek yang negatif. Dalam algoritma Viola-Jones dilakukan penggabungan atau kombinasi cascade of classifier
supaya kecepatan dari proses pendeteksian dapat meningkat yaitu dengan cara memusatkan perhatian pada daerah-daerah dalam gambar yang berpeluang saja. Hal
ini berguna untuk menentukan dimana letak objek yang dicari pada suatu gambar. Karakteristik dari algoritma Viola-Jones adalah adanya klasifikasi bertingkat
seperti tampak pada Gambar 2.3. Klasifikasi pada algoritma ini terdiri dari tiga tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan objek.
Hal ini dilakukan karena lebih mudah untuk menilai subcitra tersebut bukan objek yang ingin dideteksi dari pada menilai apakah subcitra tersebut merupakan objek yang
ingin dideteksi Dzulkamain et al, 2011.
IMAGE SUB-WINDOW 1 Feature
5 Feature 20 Feature
OBJECT
NON-OBJECT NON-OBJECT
NON-OBJECT
50 20
2
Gambar 2.3. Alur Kerja Klasifikasi Bertingkat Dzulkamain et al, 2011
2.8
2.9
2.10
Universitas Sumatera Utara
15 Pada klasifikasi fitur tingkat pertama, tiap subcitra akan diklasifikasikan
menggunakan satu fitur. Jika hasil nilai fitur dari filter tidak memenuhi kriteria yang diinginkan maka hasil ditolak. Pada klasifikasi ini akan disisakan kira-kira 50
subcitra untuk diklasifikasi di tahap kedua. Subcitra yang lolos dari tingkat pertama akan diklasifikasikan lagi pada tahap kedua dimana pada tahap kedua jumlah fitur
yang digunakan lebih banyak. Semakin bertambah tingkat klasifikasi maka fitur yang digunakan semakin banyak. Jumlah subcitra yang lolos dari klasifikasi pun akan
berkurang hingga mencapai 2.
2.8. OpenCV