Aplikasi Metode Particle Filter Pada Pelacakan Serta Penghitungan Orang - ITS Repository

  TUGAS AKHIR – SM141501 APLIKASI METODE PARTICLE FILTER PADA

PELACAKAN SERTA PENGHITUNGAN ORANG

  MUHAMMAD SIFA’UL RIZKY NRP 1213 100 067 Dosen Pembimbing DEPARTEMEN MATEMATIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2017

  FINAL PROJECT – SM141501

APPLICATION OF PARTICLE FILTER

METHOD IN PEOPLE TRACKING AND

COUNTING MUHAMMAD SIFA’UL RIZKY NRP 1213 100 067 Supervisor DEPARTMENT OF MATHEMATICS Faculty of Mathematics and Natural Science Institut Teknologi Sepuluh Nopember Surabaya 2017

  

APLIKASI METODE PARTICLE FILTER PADA

PELACAKAN SERTA PENGHITUNGAN ORANG

  Nama Mahasiswa : Muhammad Sifa’ul Rizky

  NRP : 1213 100 067 Departemen : Matematika Dosen Pembimbing : Dr. Dwi Ratna S, S.Si,MT

  

ABSTRAK

  Teknologi berkembang cukup pesat selama beberapa tahun terakhir, terutama dalam bidang pelacakan objek. Terlebih lagi terhadap objek yang diteliti yaitu orang, apalagi dalam jumlah yang banyak. Penelitian ini bertujuan untuk menerapkan metode

  

Particle Filter untuk melakukan pelacakan serta penghitungan

  orang yang berada dalam area tertentu. Pelacakan orang menjadi sedikit sulit dengan adanya beberapa halangan, salah satunya adalah oklusi. Oklusi adalah gangguan dimana membuat keakuratan suatu sistem berkurang. Metode Particle Filter menggunakan estimasi gerak yang ditambahkan pada model yang digunakan. Estimasi gerakan objek dilakukan dengan metode

  

Hierarchical Block Matching . Selanjutnya dilakukan pelacakan

  objek yang diawali dengan membangkitkan sejumlah partikel dengan bobot awal, update bobot, resample dan update posisi objek sehingga diperoleh posisi objek di setiap frame. Kemudian setelah didapatkan posisi objek maka dapat dilakukan penghitungan objek yang berada dalam area yang telah ditentukan. Pada tugas akhir ini telah dikerjakan pelacakan dan penghitungan objek agar dapat menjadi satu kesatuan dan dapat mengatasi oklusi. Setelah pengujian program didapatkan hasil bahwa penghitungan orang dapat dilakukan dengan baik dengan akurasi rata-rata sebesar 86,7 % , sedangkan untuk pelacakan orang belum dapat melacak ketika terjadi oklusi keseluruhan, hanya bisa melacak ketika oklusi sebagian saja.

  

Kata Kunci : particle filter, pelacakan orang, penghitungan

orang.

  

APPLICATION OF PARTICLE FILTER METHOD IN

PEOPLE TRACKING AND COUNTING

  Name of Student : Muhammad Sifa’ul Rizky

  NRP : 1213 100 067 Department : Mathematics Supervisor : Dr. Dwi Ratna S, S.Si,MT

  

ABSTRACT

Technology has grown quite rapidly over the past few years,

especially in the field of object tracking. Moreover, the object

tracking is people, especially in large quantities. This study aims

to apply Particle Filter method to track and calculate people who

are in certain areas. Tracking people becomes a little difficult with

some obstacles, for example is occlusion. Occlusion is a disorder

which makes the accuracy of a system diminish. The Particle Filter

method uses the estimated motion added to the model used.

  

Estimation of object movement is done by Hierarchical Block

Matching method. Furthermore, object tracking begins with

generating a number of particles with initial weights. Update the

weight, resample and update the position of the object so that the

position of objects in each frame. Then after obtaining the position

of the object then can be calculated objects that are within the area

that has been determined. In this final project has been done

tracking and counting object in order to become one unity and can

overcome occlusion. After the test the results obtained that the

calculation of people can be done well with an average accuracy

of 86.7%, while for tracking people have not been able to track

when the occurrence of the whole occlusion, can only track when

only partial occlusion.

  Keywords : particle filter, object tracking, people counting.

KATA PENGANTAR

  Segala Puji bagi Allah SWT Tuhan semesta alam yang telah telah memberikan karunia, rahmat dan anugerah-Nya sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul:

  

“Aplikasi Metode Particle Filter Pada Pelacakan Serta

Penghitungan Orang ” yang merupakan salah satu persyaratan

  akademis dalam menyelesaikan Program Studi S-1 pada Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya.

  Tugas Akhir ini dapat diselesaikan dengan berkat kerjasama, bantuan, dan dukungan dari banyak pihak. Sehubungan dengan hal itu, penulis mengucapkan terima kasih kepada: 1.

  Dr. Dwi Ratna Sulistyaningrum, S.Si, MT selaku dosen pembimbing yang senantiasa membimbing dengan sabar dan memberikan kritik dan saran dalam penyusunan Tugas Akhir ini.

  2. Dr. Imam Mukhlash, S.Si, MT selaku Kepala Departemen Matematika.

  3. elaku Dosen Wali 4.

  Prof. DR. Mohammad Isa Irawan, MT, Sunarsini, S.Si, M.Si, dan Dra. Sri Suprapti Hartatiati, M.Si selaku dosen penguji Tugas Akhir ini.

  5. Dr. Didik Khusnul Arif, S.Si., M.Si.. selaku Koordinator Tugas Akhir.

  6. Seluruh jajaran dosen dan staf Departemen Matematika ITS.

  Penulis menyadari bahwa Tugas Akhir ini masih jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan saran dan kritik dari pembaca. Akhir kata, semoga Tugas Akhir ini bermanfaat bagi semua pihak yang berkepentingan.

  Surabaya, Agustus 2017

  Penulis special thanks to: Selama proses pembuatan Tugas Akhir ini, banyak pihak yang telah memberikan bantuan dan dukungan untuk penulis.

  Penulis mengucapkan terima kasih dan apresisasi secara khusus kepada:

  1. Ayah Djumadi Susilo dan Ibu Hartatik tersayang yang senantiasa dengan ikhlas memberikan semangat, perhatian, kasih sayang, doa, motivasi dan nasihat yang sangat berarti bagi penulis.

  2. Adik Sovina Dhiya’ Ulhaq yang ikut memotivasi bagi penulis untuk segera menyelesaikan Tugas Akhir ini.

  3. Teman-teman pejuang 116 yang tidak bisa disebutkan satu per satu yang telah bersama-sama penulis berjuang dalam suka dan duka.

  4. Sahabat Matematika 2013 yang tidak bisa disebutkan satu persatu yang tidak bosan dalam memberi semangat dan saran untuk menyelesaikan Tugas Akhir ini.

  5. Teman-teman seperti Ivan, Agus, Romli, Bayu, Fadhlan, Firdo, Amel, Brigita, Wawan, Gery, Dita, Didit, Syahira, dan yang lainnya yang telah ikut membantu penulis dalam menyelesaikan Tugas Akhir ini.

  6. Saudari Fina Nurul Atikasari yang selalu menyemangati dan memberi do’a dan dukungannya kepada penulis.

  Tentu saja masih banyak pihak lain yang turut andil dalam penyelesaian tugas akhir ini yang tidak bisa penulis sebutkan satu persatu. Semoga Allah membalas dengan balasan yang lebih baik bagi semua pihak yang telah membantu penulis. Aamiin yaa rabbal

  ‘aalamiin.

  DAFTAR ISI

  

  

  

  

  

  

  

  

  

  

  

  HALAMAN JUDUL................................................................i LEMBAR PENGESAHAN.....................................................v

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

DAFTAR GAMBAR

Gambar 2.1 Blok Diagram Pelacakan Objek Bergerak ........

  9 Gambar 2.2 Sistem People Counting ................................... 11

Gambar 2.3 Representasi Citra............................................. 14Gambar 2.4 Langkah-langkah algoritma Block Matching ... 15Gambar 2.5 Ilustrasi Pencocokan Lintasan Objek ............... 19Gambar 3.1 Blok Diagram Proses Pengerjaan ..................... 23Gambar 3.2 Diagram alir ...................................................... 24Gambar 4.1 Data Flow Diagram Level 0 ............................. 25Gambar 4.2 Data Flow Diagram Level 1 ............................. 26Gambar 4.3 Data Flow Diagram Level 2 ............................. 26Gambar 4.4 Data Flow Diagram Level 2. ............................ 27Gambar 4.5 Antar muka input video. ................................... 31Gambar 4.6 Diagram Alir..................................................... 34Gambar 4.7 Ilustrasi estimasi gerakan objek........................ 42Gambar 5.1 GUI Program.. .................................................. 46Gambar 5.2 Hasil video1.avi ................................................ 55Gambar 5.3 Hasil video2.avi ................................................ 56Gambar 5.4 Hasil video3.avi ................................................ 57Gambar 5.5 Hasil video4.avi ................................................ 58Gambar 5.6 Hasil video5.avi ................................................ 59Gambar 5.7 Hasil video6.avi ................................................ 60

  

DAFTAR TABEL

Tabel 4.1 Lingkungan Perancangan Prototipe

  Perangkat Lunak ................................................. 28

Tabel 4.2 Tabel Data Proses ............................................... 28Tabel 5.1 Data Video yang digunakan ................................ 45Tabel 5.2 Lingkungan Pengujian Prototipe Perangkat

  Lunak .................................................................. 47

Tabel 5.3 Koordinat Objek yang Diketahui ........................ 51Tabel 5.4 Hasil Proses Video1.avi ...................................... 55Tabel 5.5 Hasil Proses Video2.avi ...................................... 56Tabel 5.6 Hasil Proses Video3.avi ...................................... 57Tabel 5.7 Hasil Proses Video4.avi ...................................... 58Tabel 5.8 Hasil Proses Video5.avi ...................................... 59Tabel 5.9 Hasil Proses Video6.avi ...................................... 60

BAB I PENDAHULUAN Pada bab ini dibahas mengenai latar belakang yang

  mendasari penulisan Tugas Akhir ini. Di dalamnya mencakup identifikasi permasalahan pada topik Tugas Akhir kemudian dirumuskan menjadi permasalahan yang diberikan batasan-batasan dalam pembahasan pada Tugas Akhir ini.

1.1 Latar Belakang Masalah

  Perkembangan teknologi telah meningkat cukup pesat dalam beberapa tahun terakhir. Banyak sekali aplikasi yang telah dikembangkan atau telah digunakan dalam kehidupan, baik itu untuk kepentingan pribadi ataupun umum. Salah satunya adalah kamera pengawas yang sering digunakan untuk mengawasi kegiatan orang, entah itu ditempatkan di jalan raya, di tempat parkir, di kantor. Kamera pengawas biasanya selalu dilengkapi dengan pelacakan objek untuk mengetahui pergerakan objek. Pelacakan objek visual telah menarik perhatian yang cukup besar karena banyak sekali kejadian yang memerlukan pelacakan objek, baik itu pendeteksian objek, menganalisa aktivitas orang, interaksi antar orang dengan komputer, dan sebagainya. Sebagai contoh pengawasan di dalam lingkungan sekolah , lalu lintas, kantor dan lain-lain [1].

  Pelacakan objek sendiri merupakan salah satu cara untuk memudahkan pekerjaan orang. Biasanya pelacakan serta penghitungan objek, terutama orang digunakan untuk memonitor aktivitas yang ada di lingkungan tersebut [2]. Pelacakan objek sendiri dapat berupa pelacakan satu objek atau pelacakan banyak objek, tergantung objek yang akan diteliti [3]. Pelacakan satu objek atau beberapa objek relatif sederhana dari pelacakan beberapa objek dengan kondisi latar belakang yang buruk [4]. Namun dalam

  2 prakteknya, pengaturan untuk mengambil video dari lokasi yang sama untuk kamera yang berbeda mungkin tidak selalu dapat digunakan. Yang tersedia saat ini adalah pendekatan secara tunggal yang dapat menangani objek yang terisolasi secara efektif, sementara pelacakan beberapa objek yang sangat terhambat oleh gangguan dan mungkin sering gagal, dengan adanya oklusi.

  Oklusi telah dianggap sebagai salah satu rintangan yang menantang dalam pelacakan objek visual karena mengurangi akurasi pelacakan. Dalam citra video, beberapa bagian dari objek mungkin tidak terlihat karena oklusi. Seorang orang dapat mengenali suatu objek meskipun sebagian terkena oklusi. Jika objek adalah sebagian terlihat, otak orang dapat merekonstruksi seluruh objek menggunakan inferensi berdasarkan bagian terlihat dari objek dan pengetahuan struktur umum objek.

  Ketika terjadi oklusi, teknik yang canggih mungkin diperlukan untuk melaksanakan pelacakan sistem yang mendekati mekanisme pengenalan objek dari orang. Banyak metode pelacakan yang ada menunjukkan pelacakan yang baik untuk beberapa objek bergerak ketika objek yang jelas terpisah satu sama lain dan warna mereka berbeda dari orang-orang dari latar belakang. Namun, metode pelacakan ini mungkin dinyatakan gagal dan pelacakan objek dapat beralih ke yang lain objek bergerak atau ke lokasi di suatu tempat di latar belakang. Tujuan dari penelitian ini adalah menemukan cara untuk menangani masalah tersebut.

  Selain itu, penghitungan objek juga berperan dalam sistem keamanan untuk memudahkan pengawasan terutama apabila ada hal-hal yang tidak diinginkan ataupun untuk keperluan yang lain. Seperti halnya penghitungan jumlah orang yang memasuki sebuah gedung, dengan sensor infra merah. Walaupun terlihat sederhana,

  3 bergerak mengenai sensor tersebut. Oleh karena itu dibutuhkan suatu sistem yang dapat menghitung jumlah orang yang berada di

  Batasan-batasan yang ada dalam pembuatan Tugas Akhir ini adalah :

  1. Menerapkan pelacakan orang dengan menggunakan metode particle filter .

  Tujuan dari penulisan ini adalah:

  1.4 Tujuan Penelitian

  3. Jumlah orang yang dihitung adalah yang berada dalam area ROI

  2. Video diambil dari rekaman luar ruangan.

  1. Video yang digunakan berasal dari kamera yang statis.

  1.3 Batasan Masalah

  area yang telah ditentukan serta melacaknya.

  2. Bagaimana kinerja metode particle filter untuk pelacakan dengan adanya oklusi serta penghitungan orang?

  filter ?

  1. Bagaimana melacak orang menggunakan metode particle

  Rumusan masalah untuk tugas akhir ini adalah sebagai berikut:

  1.2 Rumusan Masalah

  Dalam Tugas Akhir ini akan diterapkan sebuah metode yang dapat digunakan untuk melacak orang dalam hal ini adalah orang serta menghitungnya. Akan digunakan metode particle filter yang berfungsi untuk melacak orang yang berada dalam area serta menghitung jumlahnya.

  2. Mengetahui kinerja dari metode particle filter untuk pelacakan dengan adanya oklusi serta penghitungan orang yang berada dalam ROI.

  4

  1.5 Manfaat Penelitian

  Manfaat dari penulisan ini adalah:

  1. Untuk keperluan keamanan, cukup membantu melacak serta menghitung orang-orang yang berada di area tersebut.

  2. Untuk mengamati tingkah laku orang, entah itu berlari, berjalan dan lain-lain yang berada dalam suatu area tertentu.

  3. Untuk menganalisa area mana saja yang sering dikunjungi agar dapat dilakukan optimasi terhadap perilaku orang- orang.

  1.6 Sistematika Penulisan

  Sistematika Penulisan Tugas Akhir ini dibagi menjadi enam bab. Isi dari masing- masing bab tersebut adalah sebagai berikut :

  1. Bab I Pendahuluan Pada bab ini dibahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan dan manfaat dari penelitan yang dilakukan, serta sistematika penulisan Tugas Akhir.

  2. Bab II Dasar Teori Pada bab ini diuraikan beberapa teori pendukung yang berasal dari jurnal yang berkaitan atau yang melandasi pembahasan pada penelitian ini untuk membantu menyelesaikan permasalahan Tugas Akhir.

  3. Bab III Metodologi Pada bab ini berisi tentang langkah-langkah yang digunakan untuk menyelesaikan Tugas Akhir.

  4. Bab IV Perancangan dan Implementasi Sistem

  Bab ini menjelaskan tentang pengambilan data rekaman diluar ruangan. Kemudian juga dijelaskan mengenai perancangan sistem yang berisi aturan main berjalannya program dari awal hingga akhir. Bab ini juga menjelaskan tentang proses pengolahan informasi video sehingga dapat digunakan untuk melacak dan menghitung jumlah orang.

  5

  5. Bab V Uji Coba dan Pembahasan

  Bab ini menjelaskan tentang uji coba program yang telah dibuat, kemudian dilihat akurasinya. Setelah itu akan dilakukan pembahasan mengenai hasil uji coba yang telah dilakukan untuk bahan pertimbangan kedepannya.

  6. Bab VI Penutup

  Bab ini merupakan penutup, berisi tentang kesimpulan yang dapat diambil berdasarkan hasil uji coba dan saran yang selayaknya dilakukan bila Tugas Akhir ini dilanjutkan.

  6

BAB II DASAR TEORI Bab ini menjelaskan tentang kajian teori dari referensi

  penunjang serta penjelasan permasalahan yang dibahas dalam tugas akhir ini, meliputi Penelitian Sebelumnya dan beberapa dasar-dasar teori yang akan dijelaskan pada sub bab selanjutnya.

2.1 Penelitian Sebelumnya

  Sudah banyak penelitian yang berkaitan dengan pelacakan, entah itu satu objek atau banyak objek. Penelitian tersebut bertujuan untuk mendapatkan pelacakan yang efektif. Entah itu dengan menggunakan deteksi objek, atau algoritma yang berbeda seperti Kalman filter, mean shift dan particle filter [5]. Dalam pelacakan orang, Jin et al. [6] membagi bagian tubuh menjadi 3, representasi dari kombinasi antara histogram warna dan HOG, serta dilacak secara terpisah. Namun metode tersebut hanya melacak objek secara tunggal dan tidak bisa mengatasi oklusi. Chang dan Ansari [7] menggunakan model elliptik dan estimasi gradien. Walaupun kernel particle filter yang dirumuskan menunjukkan hasil yang lebih baik dari particle filter yang biasa, namun tidak dapat melacak banyak objek dan tidak dapat mengatasi oklusi. Cabido et al. [8] merumuskan algoritma pelacakan yang mengkombinasikan particle filter dengan algoritma memetic. Walaupun dapat melacak banyak objek, tetapi belum dapat menangani oklusi. Liu dan Sun [9] menggunakan

  

particle filter untuk melacak objek yang direpresentasikan oleh

  kotak. Performa pelacakan meningkat karena penghitungan dilakukan antara kombinasi dari histogram dan kesamaan

  

Bhattacharyya . Metode ini menghasilkan proses yang cepat namun

  kurang baik dalam akurasi. Yang et al. [10] menggunakan metode

  

particle filter untuk pelacakan banyak objek dengan quasi sample

  acak. Kemudian Cai et al. [11] menggunakan particle filter yang

  8 dikombinasikan dengan algoritma mean shift namun kelemahannya adalah banyak partikel yang dibutuhkan untuk training.

2.2 Tracking

  Tracking atau pelacakan secara harfiah memiliki arti

  mengikuti jalan, atau dalam arti bebasnya adalah proses mencari objek bergerak dalam urutan frame yang dikenal sebagai pelacakan. Pelacakan ini dapat dilakukan dengan menggunakan ekstraksi ciri benda dan mendeteksi objek/benda bergerak diurutan

  

frame. Dengan menggunakan nilai posisi objek di setiap frame,

  bisa digunakan untuk menghitung posisi dan kecepatan objek bergerak [8].

  Pelacakan objek bergerak atau object tracking adalah proses mencari lokasi dari objek yang akan diamati dari suatu data video untuk setiap satu satuan frame dalam data video tersebut. Pelacakan objek bergerak dibutuhkan dalam banyak aplikasi visual. Beberapa diantaranya adalah pengaturan lalu lintas, robot vision, pengembangan militer, sports analysis dan sistem pengawasan/pengamanan pada wilayah tertentu, misalnya tempat parkir, mall dll. Gambar 2.1 adalah sebuah ilustrasi yang menggambarkan adanya suatu pelacakan objek bergerak.

  Berbagai metode dikembangkan untuk menyelesaikan permasalahan pelacakan objek bergerak antara lain SIFT, Mean

  

Shift, CAMSHIFT, Kalman Filter, Extended Kalman Filter dan

Particle Filter . SIFT, Mean Shift dan CAMSHIFT melakukan

  pelacakan objek berdasarkan pengenalan objek. Sedangkan dan Particle Filter

  Kalman Filter, Extended Kalman Filter melakukan pelacakan objek berdasarkan gerakan objek.

  9 Pada pelacakan objek bergerak terdapat dua pendekatan yaitu tracking-by-detection dan detection-by-tracking. Pendekatan pertama (tracking-by-detection), melakukan pelacakan objek dengan cara mendeteksi objek pada setiap frame video yang diamati, guna menentukan posisi objek itu di setiap framenya. Pendekatan kedua (detection-by-tracking), melakukan pelacakan objek dengan cara mendeteksi objek hanya pada satu atau beberapa pertama saja, lalu untuk mengetahui gerak atau posisi objek

  frame

  pada frame-frame selanjutnya cukup melakukan pelacakan perubahan gerak antara frame saat ini terhadap frame-frame sebelumnya. Pendekatan yang pertama tidak dianjurkan selain karena mahalnya biaya komputasi untuk mendeteksi keberadaan suatu objek pada setiap framenya, pendekatan ini juga tidak memanfaatkan informasi yang sudah didapat pada frame-frame sebelumnya yang dapat digunakan untuk menghitung probabilitas kemunculan atau posisi suatu objek saat ini.

  10

Gambar 2.1. Blok Diagram Pelacakan Objek BergerakGambar 2.1 menunjukkan diagram pelacakan objek bergerak yang umum digunakan dalam pendeteksian dan

  pelacakan objek. Pada bagian awal dilakukan segmentasi untuk memisahkan background dan foreground. Background subtraction dan foreground detection dapat digunakan untuk mendapatkan objek dan dapat mengekstraksi atribut objek untuk selanjutnya dilakukan deteksi objek dan ekstraksi fitur. Deteksi objek digunakan dengan mengetahui perbedaan background dengan

  

foreground . Ekstraksi fitur yang tersedia biasanya berupa

histogram, wavelet, fitur berdasarkan warna, dan lain-lain.

  Ekstraksi fitur yang digunakan dalam Tugas Akhir ini adalah menggunakan ekualisasi histogram, untuk meratakan derajat

  11 keabuan. Setelah itu pelacakan objek dapat dilakukan dan untuk objek dengan fitur yang telah diekstrak dapat dilakukan klasifikasi objek. Namun pada Tugas Akhir ini hanya melakukan pelacakan objek bergerak dan tidak melakukan klasifikasi terhadap objek tersebut.

2.3 Penghitungan Orang (People Counting)

  People counting adalah perhitungan objek yang bergerak berupa orang yang melintasi bagian tertentu pada waktu tertentu.

  sendiri telah banyak digunakan untuk

  People counting

  menganalisa orang-orang yang berada dalam sebuah ruangan, misalnya saja di dalam mall, gedung bertingkat, dan lain-lain.

  

People counting biasanya digunakan dalam area tertentu saja.[2]

  Banyak cara digunakan untuk melakukan people counting. Salah satu caranya adalah dengan mendeteksi orang yang berlalu-lalang dengan garis virtual sebagai penandanya. Apabila ada orang yang masuk dari sebelah kiri kemudian bergerak melewati garis tersebit, maka akan dihitung, hal yang sama juga berlaku untuk sebaliknya. Ketika ada orang yang melewati garis tersebut,maka akan dihitung. Namun akan ada masalah bila sistem dilakukan seperti itu yaitu bila objek yang bergerak bukan hanya orang, dengan kondisi setiap objek yang melalui garis virtual akan dihitung maka akan menimbulkan error. Oleh karena itu dibutuhkan pengenalan bahwa orang yang bergerak berbeda dengan objek lain yang bergerak. Metode yang digunakan untuk proses counting juga bermacam- macam, salah satu yang sering digunakan adalah HOG (Histogram

  

of Oriented Gradients ). Sistem seperti ini sebenarnya sederhana

  karena hanya mengandalkan orang yang lewat, namun terkadang ada kondisi dimana ada dua orang yang melewati garis tersebut, namun hanya dianggap satu orang saja. Apalagi bila sistem tersebut ditempatkan pada area pusat perbelanjaan yang biasanya cukup padat akan pengunjung. Oleh karena itu people counting ini mulai dikembangkan lebih luas lagi.

  Biasanya people counting juga digunakan untuk

  12 kemana mereka lewat, dari satu titik ke titik tertentu. Dari sistem

  

people counting sendiri digunakan untuk mengurangi biaya

  pengawasan dimana biasanya pengawasan melibatkan tenaga manusia.[18] Informasi berupa pergerakan orang-orang dari satu titik ke titik lain dapat digunakan untuk berbagai macam aplikasi seperti dalam pameran dan sebagainya. Dari situ didapatkan data bahwa dalam hal ini pengunjung lebih senang berada dalam area mana, dan bisa sebagai acuan agar penempatannya lebih mudah dijangkau oleh pengunjung.

Gambar 2.2. Sistem people counting [18]

  Langkah-langkah people counting adalah sebagai berikut:

  1. Pilih area ROI dari frame

  2. Lakukan proses tracking dengan metode sebelumnya untuk mendeteksi orang yang sedang bergerak.

  3. Dari proses tracking didapatkan centroid dari masing- masing objek yang akan dignakan untuk menghitung orang yang berada dalam area ROI.

  13

  4. Ketika centroid memasuki area yang telah ditetapkan, maka orang tersebut akan dihitung, apabila centroid berada diluar

  area maka tidak akan dihitung.

  Dalam prakteknya, people counting digunakan untuk mengestimasi jumlah orang yang berada dalam suatu area, entah dengan garis virtual ataupun dengan sebuah area sebagai pendeteksian. Ada banyak metode untuk mendeteksi perpindahan orang yang bergerak yaitu Gaussian Mixture Model, Background

  Substraction , Neural Networks, dan lain-lain.[18]

2.4 Metode Gaussian Mixture Model

  Gaussian Mixture Model (GMM) merupakan metode yang

  tepat untuk berbagai kondisi yang terdapat pada citra, seperti background citra yang selalu statis, multimodal, maupun yang mengandung noise (gangguan atau objek yang tidak diinginkan terdapat pada citra). Pada proses GMM dibutuhkan algoritma

  

clustering untuk mengelompokkan pixel-pixel mana saja yang

  termasuk foreground atau background. Model-model GMM terbentuk dari data warna pixel berdasarkan waktu. Hasil model tersebut akan menjadi 2 bagian, model yang mencerminkan

  

background dan model non-background. Jumlah model GMM

yang digunakan mempengaruhi jumlah model background.

  Semakin besar jumlah model GMM yang dipakai semakin banyak model background yang dimiliki suatu piksel. R. Arif telah melakukan Uji coba terhadap parameter-parameter Gaussian menggunakan video rekaman yang berdurasi 30 detik. Sehingga diperoleh kesimpulan pada penelitiannya yaitu dengan menggunakan jumlah model antara 3 s.d 7 dan learning rate 0.001, 0.005, atau 0.01 dapat diperoleh model menyerupai background sebenarnya [19].

  14 Langkah-langkah GMM adalah sebagai berikut:

  1. Pilih area ROI dari frame

  2. Kemudian dibentuk model-model GMM. Model-model GMM terbentuk dari data warna pixel berdasarkan waktu.

  Hasil model tersebut akan menjadi 2 bagian, model yang mencerminkan background dan model non-background.

  3. Lakukan pencocokan setiap frame dengan frame model GMM yang telah dibentuk sebelumnya.

  4. Di cek apakah model sudah sesuai atau tidak, jika tidak maka harus membuat model baru dan kembali ke langkah ketiga, apabila sudah sesuai maka akan dilanjutkan ke langkah selanjutnya.

  5. Update parameter GMM kemudian normalisasi bobotnya.

  6. Mengurutkan mode berdasarkan bobot, setelah itu barulah memilih GMM yang akan menjadi background dan

  foreground .

2.5 Metode Analisis Blob

  Analisis blob ini menggunakan metode connected

  

component , dimana di setiap kumpulan pixel yang tingkat

  keabuannya bernilai satu, dikategorikan sebagai satu objek. Setiap objek yang terdeteksi akan diberi label untuk mempermudah pengolahan.[15] Pada Gambar 2.3 menjelaskan tentang pemilihan area blob yang terdeteksi. Dari analisis blob tersebut akan diperoleh informasi tentang centroid, luas area, tinggi, dan lebar sebuah objek dari bentuk rectangle.

  15

Gambar 2.3. Bagian a adalah representasi citra ukuran 10x10

  pixel dan citra dengan nilai pixel 1 merupakan

  representasi dari objek (foreground). Sedangkan bagian b merupakan blob yang terdeteksi. [15] Berdasarkan Gambar 2.3 terlihat bahwa pemilihan area blob yang terdeteksi bergantung pada nilai pixel, jika berada dalam area yang memiki nilai pixel 1, maka area yang berada didalamnya akan terdeteksi, jadi pixel bernilai 1 sebagai batas untuk membedakan antara background dengan foreground.

2.6 Algoritma Block Matching

  Block matching merupakan salah satu algoritma motion

estimation . Tujuan dari teknik motion estimation adalah untuk

  mendapatkan vektor gerakan (displacement atau velocity) untuk setiap pixel pada citra. Algoritma ini mengestimasi gerakan pada blok ke blok. Area gerakan diasumsikan konstan dengan area blok persegi dan diwakili oleh vektor gerakan tunggal pada setiap bloknya [20]. Setiap blok pada frame sekarang dicocokkan dengan blok pada frame sebelumnya berdasarkan fungsi biaya tertentu. Beberapa fungsi biaya yang paling populer dan tidak mahal secara komputasi adalah Mean Absolute Difference (MAD) seperti pada Persamaan 2.1.

  16

  −1 −1

  1 = ∑ ∑| − (2.1)

  |

  2 =0 =0

  dengan keterangan: N = ukuran makro blok

  = pixel pada makro blok sekarang C

  ij

  = pixel pada makro blok yang menjadi acuan R

  ij

Gambar 2.4. Langkah-langkah dalam algoritma block matching.

  [17]

Gambar 2.3 menunjukkan langkah-langkah dalam algoritma block matching . Langkah-langkahnya adalah sebagai berikut.

  17

  1. Misalkan input ke blok adalah frame k, maka blok membagi

  frame dengan menggunakan nilai yang telah disesuaikan sebelumnya untuk ukuran blok.

  2. Untuk setiap sub bagian atau sub blok dari frame k+1, pencocokan blok membentuk wilayah pencarian.

  3. Blok akan mencari lokasi baru dari pergerakan berdasarkan wilayah pencariannya.

2.7 Algoritma Particle Filter

  Particle Filter adalah metode state space untuk menerapkan

  filter Bayesian. Gagasan utamanya adalah mendekati perkiraan distribusi probabilitas posterior oleh partikel. Setiap partikel mewakili satu keadaan hipotetis objek, dengan sampling diskrit yang sesuai dengan probabilitas (berat). Partikelnya biasanya dilakukan resampling untuk meringankan degenerasi partikel. Efisiensi dan keakuratan filter partikel untuk pelacakan bergantung pada distribusi dan model observasi yang efektif untuk pembobotan partikel [11].

  Dalam Bayesian, distribusi posterior dari state dapat ditulis sebagai berikut.

  (2.2) ( ⁄ ) = ( ̅ ⁄ ) ( ⁄ ̅ )

  −1

  dengan adalah sistem state pada adalah faktor normalisasi, waktu ke- adalah informasi yang terkumpul hingga waktu

  , dan ̅ ke- bergantung pada observasi . Persamaan 2.2 berarti bahwa . ̅

  Particle Filter memberikan estimasi dari peluang posterior

  dari Persamaan 2.2 dalam 3 langkah, yaitu proses sampling, pembobotan dan resampling. Proses sampling terdiri dari mengambil sample (partikel) dari

  ( ⁄ ̅ ) yang disebut sebagai

  −1

  distribusi prior. Setelah itu dilakukan proses pembobotan, dimana hasil dari partikel tersebut diberi bobot dengan likelihood

  18

  

resampling untuk menghindari degenerasi dari partikel yang tidak

terpakai [21].

  Dari Bayesian tersebut didapatkan pengembangannya yang salah satunya disebut Particle Filter. Algoritma Particle

  

Filter yang digunakan dalam Tugas Akhir ini adalah Adaptive

Particle Filter . Adaptive Particle Filter merupakan metode

Particle Filter dengan menerapkan adaptive motion model untuk

  mendapatkan pendekatan distribusi yang lebih baik. Untuk lebih menyaring gangguan-gangguan yang ada, motion continuity dan kehalusan lintasan dikombinasikan dengan template korelasi dalam observasi likelihood [11].

  Didefinisikan vektor keadaan objek sebagai = ( , ) dengan

  ( , ) adalah pusat objek. Model ruang keadaan dari objek yang dilacak adalah: ) (2.3)

  = ( ,

• 1

  ) (2.4) = ( , dengan keterangan:

  = representasi vektor keadaan objek =

  [ ] dimana dan adalah pusat objek

  = vektor observasi, juga berbentuk [

  ] = waktu = model dinamik = model observasi

  = proses noise, digunakan bila ada noise = observasi noise, , digunakan bila ada noise

  Dalam metode Adaptive Particle Filter ini dibedakan menjadi 2 yaitu model dinamik serta model observasi, yang masing-masing memiliki fungsi yang berbeda-beda. Model dinamik untuk menentukan peubahan keadaan objek pada frame,

  19 sedangkan model observasi digunakan untuk melakukan pembobotan partikel berdasarkan fungsi likelihoodnya. [11]

• Model Dinamik Model dinamik mencirikan perubahan keadaan objek pada

  frame . Estimasi gerak objek dinotasikan dan

  adalah error prediksi keadaan dan dapat diperoleh dari | | , + + adalah besar gerakan pada sumbu x, adalah besar gerakan pada sumbu y, sedangkan

  , dan adalah turunan parsial dari fungsi intensitas terhadap x, y, t. Maka model dinamik (2.2) dapat dibentuk kembali menjadi :

  (2.5) + + =

• 1
• Model observasi

  Model observasi adalah model yang digunakan untuk melakukan pembobotan partikel berdasarkan fungsi likelihood. [11] Fungsi likelihood didefinisikan sebagai berikut :

  −1 1− −1

( | ) = ( | ) ( | ) ( | ) (2.6)

  dengan = { , , } dan

  = pengukuran intensitas yang independen terhadap = pengukuran gerakan

  = pengukuran lintasan = 0 jika objek mengalami oklusi dan 1 untuk yang lain.

  Sebuah pengukuran intensitas dihitung berdasarkan kemiripan objek yang dilacak dengan partikel menggunakan Sum

  

of Square Differences (SSD) yang didefinisikan sebagai berikut :

  

2

  ( ) = ∑ [ ( ) − ( + )] , ∈ (2.7)

  ∈

  dengan keterangan: W = pixel yang berada dalam ROI = persekitaran yang kecil disekitar ( ) = template objek yang dijadian acuan

  20 = frame pada waktu ke .

  Dari 2.6 diperoleh kandidat yang merupakan kandidat yang cocok di dalam Neib tersebut sehingga likelihood intensitas diperoleh sebagai berikut :

  ( | ) = (. ) + ∑ ( , ) (2.8)

  

=1

  dengan keterangan: . = sebuah kekacauan background yang diasumsikan berdistribusi uniform

  = faktor normalisasi

  1−

  adalah peluang prior dengan = = 0.5

  Likelihood gerakan objek dihitung berdasarkan selisih antara

  perubahan posisi partikel dengan kecepatan rata-rata objek pada waktu sebelumnya yaitu :

  2

  2

  2

  = (|∆ | − ∆ ̅̅̅̅) + (|∆ | − ∆ ̅̅̅̅) , > 1 (2.9) dengan keterangan: (∆ , ∆ ) = perubahan posisi partikel (∆ ̅̅̅̅,∆ ̅̅̅̅) = kecepatan rata-rata objek pada waktu sebelumnya.

  Jika diketahui persamaan sebagai berikut:

  −1 −1

  | − | | − |

  

−1 −1

  ̅̅̅̅ = ∑ ∆ , ∆ ̅̅̅̅ = ∑ (2.10)

  = − = −

  maka diperoleh perhitungan likelihood gerakan sebagai berikut :

  

2

  1

  ( | ) = exp (− ) (2.11)

  

2

√2

  

2

  2 dimana adalah varians untuk likelihood gerakan.

  Sedangkan untuk likelihood lintasan diestimasi dari kedekatan partikel terhadap lintasan yang diperoleh dari posisi objek pada waktu sebelumnya. Didefinisikan fungsi lintasan dalam bentuk polinomial sebagai berikut:

  = ∑ (2.12)

  21 dengan keterangan: = fungsi lintasan dalam bentuk polinomial

  = koefisien polinomial = order dari polinomial

  Likelihood lintasan ini berdistribusi normal sehingga dapat

  ditulis sebagai berikut:

  2

  1 / ( | ) = exp (− ) (2.13)

  2

  2 √2 dengan keterangan

  2

  = varians untuk likelihood lintasan, = | − ∑ |

  =0

  = closeness metric, adalah nilai kedekatan dari trayektori/ lintasan

  _

  adalah forgotten factor dan =

  = rasio forgotten (0 < < 1) _ = banyaknya frame pada saat objek mengalami oklusi.

Gambar 2.5 menunjukkan ilustrasi pencocokan lintasan objek (warna kuning).Gambar 2.5. Ilustrasi pencocokan lintasan objek. [15]

• Penghalusan posisi Jika objek terdeteksi pada frame sebelumnya atau cur-1

  ( = 1) , estimasi keadaan dilakukan dengan menghitung

  −1

  rata-rata bobot dari semua partikel, namun jika tidak terdeteksi

  22 pilih satu atau lebih partikel dengan bobot maksimum dan hitung rata-rata partikel tersebut.

  Penghalusan posisi objek dengan cara memproyeksikan salah satu hasil prediksi pada estimasi lintasan hanya dilakukan jika

  = 0. Diberikan dua posisi saat benda terdeteksi yaitu dan pada frame dihitung dan , ( > ) prediksi posisi ̂ sebagai :

  ( − )( − ) + ̂ = (2.14).

  −

  Proyeksi dari yaitu didefinisikan sebagai titik ̂ ̃ pada lintasan yang terdekat dengan . Sehingga penghalusan

  ̂ posisi objek adalah sebagai berikut :

  _ _ = (1 − ) ̂ + ̃ (2.15).

  Setelah mendapatkan posisi benda pada frame tersebut kemudian proses pelacakan dilanjutkan pada frame berikutnya. Dari beberapa penjelasan diatas, prosedur secara umum tentang algoritma Adaptive Particle Filter dapat ditunjukkan sebagai berikut.

  Algoritma Adaptive Particle Filter ( ) ( )

  − −

  Partikel pada waktu yaitu {( , ) | = , … , }, untuk

  waktu ke lakukan langkah berikut :

  Prediksi if

  =

  − do estimasi gerak dan prediksi error else

  = , =

  endif for

  = :

  ( ) ( )

• ~ ( , )

  − Endfor

  23

  Update for

  = :

  ( ) ( ) = ( | ) sesuai dengan persamaan (2.6).

  Endfor Resampling (jika diperlukan)

  ( ) ( )

  Ganti {( , ) | = , … , } dengan

  ( )

  {( ̃ , ) | = , … , }

  Estimasi if

  =

  −

  Hitung rata-rata dari semua partikel berdasarkan setiap bobot partikel.

  else

  pilih satu atau lebih partikel dengan bobot maksimum dan hitung rata-rata partikel tersebut. Kemudian lakukan penghalusan posisi menggunakan persamaan (2.15).

  end

  24

BAB III METODOLOGI Tahapan pengerjaan dalam menyelesaikan Tugas Akhir ini

  terdiri dari 6 tahapan, yaitu studi literatur dan perekaman video, analisis dan desain sistem, implementasi sistem, uji coba dan pembahasan, penarikan kesimpulan, serta penyusunan laporan tugas akhir.

  3.1 Studi Literatur dan Perekaman Video

  Pada tahap pertama ini akan dilakukan pengkajian tentang algoritma pelacakan serta penghitungan orang. Pada tahap ini juga akan dilakukan perekaman video yang berisi orang yang berlalu- lalang. Studi ini dilakukan dengan membaca buku, jurnal, ataupun artikel yang terkait serta melakukan pengambilan video.

  Video diambil menggunakan kamera digital, yang dimana dalam pengambilan video tersebut dilakukan beberapa pengukuran parameter. Rekaman video diambil berdasarkan ketentuan berikut: a. Video didapat dari lingkungan outdoor.

  b. Video didapat dengan menggunakan kamera digital.

  c. Video beresolusi videonya adalah 640x480.

  3.2 Analisis dan Desain Sistem