True True True
….
False False False
Gambar 2.5. Cascade Clasifier Dwiprasetyo, 2012
Gambar 2.5 menjelaskan proses penyeleksian keberadaan obyek. Di asumsikan suatu sub image di evaluasi oleh classifier pertama dan berhasil melewati classifier tersebut,
hal ini mengindikasikan sub image berpotensi terkandung obyek dan dilanjutkan pada classifier ke dua sampai dengan ke-n, jika berhasil melewati keseluruhan classifier,
maka disimpulkan terdapat obyek yang dideteksi. Jika tidak, proses evaluasi tidak dilanjutkan ke classifier berikutnya dan disimpulkan tidak terdapat obyek.
2.3. OpenCV Intel® Open Source Computer Vision Library
OpenCV merupakan singkatan dari Intel Open Source Computer Vision Library yang sekurang-kurangnya terdiri dari 300 fungsi-fungsi C, bahkan bisa lebih. Software ini
gratis, dapat digunakan dalam rangka komersil maupun non komersil, tanpa harus membayar lisensi ke intel Santoso H, 2013. OpenCV dapat beroperasi pada
komputer berbasis Windows ataupun Linux. Library OpenCV adalah suatu cara penerapan bagi komunitas open source vision yang sangat membantu dalam
kesempatan meng-update penerapan computer vision sejalan dengan pertumbuhan PC personal computer yang terus berkembang. Software ini menyediakan sejumlah
fungsi-fungsi image processing, seperti halnya dengan fungsi-fungsi analisis gambar dan pola.
Beberapa contoh aplikasi dari OpenCV adalah pada Human-Computer Interaction interaksi manusia komputer; Object Indentification Identifikasi Objek,
Segmentation segmentasi dan Recognition pengenalan; Face Recognition pengenalan wajah; Gesture Recognition pengenalan gerak isyarat, Motion
Tracking penjajakan gerakan, Ego Motion gerakan ego, dan Motion Understanding Sub Image
Object
Non Object 1
2 3
n
Universitas Sumatera Utara
pemahaman gerakan; Structure From Motion gerakan dari struktur; dan Mobile Robotics robot-robot yang bergerak.
Pengenalan wajah pada OpenCV menggunakan metode yang disebutkan oleh metode Viola-Jones Viola, 2001, juga disebut sebagai Haar cascade classifier.
Pendekatan ini untuk mendeteksi objek dalam gambar dengan menggabungkan empat konsep yaitu:
a. Segi empat sederhana, disebut dengan Haar feature.
b. Sebuah Integral gambar untuk mempercepat menemukan feature.
c. Metode AdaBoost machine-learning.
d. Klasifikasi bertingkat untuk menyatukan banyaknya feature secara efesien.
Bentuk yang Viola dan Jones gunakan adalah berdasarkan Haar wavelets. clasifikasi ini menggunakan gelombang segiempat tunggal satu interval tinggi dan
yang satunya interval rendah dalam dua dimensi, gelombang persegi adalah pasangan dari segi empat yang berdekatan satu putih yang satunya hitam seperti pada Gambar
2.6.
Gambar 2.6. Klasifikasi Haar digunakan dalam OpenCV Santoso H, 2013
Sebelum melakukan pengenalan, gambar wajah didapat terlebih dahulu sebelum di proses. Hal ini memungkinkan untuk mendapatkan sebuah hasil yang
benar dalam sebuah gambar kurang dari 10. Hal ini sangat penting dilakukan beberapa teknik kedalam standarisasi gambar. Banyak algoritma pengenalan wajah
sangat sensitif terhadap kondisi cahaya. Sama halnya dengan model rambut, dandanan, perputaran sudut, ukuran dan emosi yang dapat mempengaruhi proses
pengenalan. Metode pengenalan yang digunakan adalah Eigenface, dan metode ini
Universitas Sumatera Utara
bekerja dengan gambar skala keabu-abuan. Langkah yang penting untuk mengambil gambar sebelum di proses adalah sebagai berikut:
a. Gambar wajah di potong dan ukurannya disesuaikan.
b. Gambar Gambar di rubah ke skala ke abu-abuan
c. Histogram equalization
Pemrosesan gambar wajah adalah langkah berikutnya setelah gambar di perbaiki. Hal ini menghasilkan Eigenface pada sebuah gambar. OpenCV dengan
sebuah fungsi operasi PCA, walaupun butuh sebuah database set training dari sebuah gambar untuk di ketahui bagaimana pengenalan setiap orang. PCA merubah
semua pembelajaran gambar kedalam kumpulan dari Eigenface yang mewakili perbedaan antara gambar pembelajaran dan rata-rata gambar wajah Irianto, 2010.
2.3.1. Teknik Background Subtraction dan Frame Differencing
Yang dimaksud background adalah sejumlah piksel-piksel gambar yang diam dan tidak bergerak didepan kamera. Model background yang paling sederhana meng-
asumsikan bahwa seluruh kecerahan piksel background berubah-ubah secara bebas, tergantung pada distribusi normalnya. Karakteristik background dapat dihitung
dengan mengakumulasi beberapa jumlah frame sehingga akan menemukan jumlah nilai-nilai piksel dalam lokasi s x,y dan jumlah square-square q x,y yang memiliki
nilai untuk setiap lokasi piksel Triatmoko, 2014. Sedangkan foreground adalah semua objek yang ada selain background dan biasanya foreground ini ada setelah
didapatkannya background. Background subtraction merupakan salah satu tugas penting yang pertama kali dikerjakan pada aplikasi computer vision. Output dari
background subtraction biasanya adalah inputan yang akan diproses pada tingkat yang lebih lanjut lagi seperti men-tracking objek yang teridentifikasi. Kualitas
background subtraction umumnya tergantung pada teknik pemodelan background yang digunakan untuk mengambil background dari suatu layar kamera. Background
subtraction biasanya digunakan pada teknik segmentasi objek yang dikehendaki dari suatu layar, dan sering diaplikasikan untuk sistem pengawasan. Tujuan dari
background subtraction itu sendiri adalah untuk menghasilkan urutan frame dari kamera dan mendeteksi seluruh objek foreground. Suatu deskripsi pendekatan yang
telah ada tentang background subtraction adalah mendeteksi objek-objek foreground
Universitas Sumatera Utara
sebagai perbedaan yang ada antara frame sekarang dan gambar background dari layar statik. Suatu piksel dikatakan sebagai foreground jika:
|Frame
i
–Background
i
| Threshold..1 2.9
2.3.2. Fitur OpenCV
Berikut ini adalah fitur-fitur pada library OpenCV Bradski, 2008: 1.
Manipulasi data gambar alokasi memori, melepaskan memori, kopi gambar, setting serta konversi gambar.
2. Imagevideo IO bisa menggunakan camera yang sudah didukung oleh
library ini 3.
Manipulasi matriks dan vector serta terdapat juga routines linear algebra products, solvers, eigenvalues, SVD
4. Image processing dasar filtering, edge detection, pendeteksian tepi, sampling
dan interpolasi, konversi warna, operasi morfologi, histogram, image pyramida
5. Analisis structural
6. Kalibrasi kamera
7. Pendeteksian gerak
8. Pengenalan objek
9. BasicGUI Display gambarvideo, mousekeyboard control, scrollbar
10. Image Labelling line, conic, polygon, test drawing
2.4. Pengolahan Citra
