65
Bagan 4.4-1 - Bagan Proces Scale Space
66
4.4.3.2. Penempatan Lokasi Keypoint
Metode SURF menggunakan metode Hessian-Affine region detector untuk menentukan lokasi keypoint. Tahapan selanjutnya
adalah penentuan nilai ambang Hessian Hessian treshold untuk menentukan lokasi keypoint. Nilai ambang tentukan dengan
pertimbangan dari besar kontras pada gambar, keypoint didapatkan apa bila nilai kontras gambar lebih besar dari nilai ambang yang
ditentukan. Jadi semakin besar nilai ambang yang ditentukan semakin sedikit keypoint yang ditemukan. Pada aplikasi ini nilai
ambang hessian yang dipakai adalah 400. Penggunaan nilai hesssian tersebut dikarenakan input gambar yang digunakan merupakan input
citra tanda tangan dengan warna latar putih, hal ini membuat kontras dari citra sudah cukup baik untuk menentukan keypoint.
Setelah menentukan nilai hessian maka selanjutnya adalah menentukan calon keypoint. Menentukan calon keypoint ini
menggunakan proses non maxima suppression. Proses ini dilakukan
Gambar 4.4.1 - Penerapan scale space pada citra tanda tangan
67 dengan membandingkan setiap pixel citra pada scale space dengan
26-Neighbors, yang terdiri atas 8 titik di scale asli dan 9 di setiap scale atas dan bawahnya total keseluruhan 9+8+9=26-Neighbors.
Hasil dari non-maxima suppression adalah keypoint yang dihasilkan citra.
Berikut diagram yang menjelaskan pencarian keypoint citra tanda tangan:
Gambar 4.4.2 - Keypoint pada citra tanda tangan
68
start
Hessian = 400 Vector Image
FM,N
Contras FMx,Nx Hessian
no yes
M
x+1
, N
x+1
finish Pencarian Contras
Non maximum suppression
yes Contras
FMx,Nx
Keypoitnt, Kx= fMx, Nx
n++ For n=1
to jumlah
calon keypoint
recursive n++
no
For x=1 to
jumlah vector
image FM,N
Bagan 4.4-2 - Diagram alir pencarian keypoint
69
4.4.4. Proses Pencocokan Fitur Feature Matching
Metode yang digunakan untuk mencocokan fitur dari dua citra tanda tangan yang berbeda pada aplikasi ini menggunakan metode Fast Library for
Approximate Nearest Neighbors FLANN. Algoritma ini sudah berupa fungsi dalam library OpenCV. Fungsi FLANN terdiri dari fungsi index yang
membentuk kd-tree pencarian dari dataset berupa keypoint yang sudah didapatkan, fungsi kknSearch untuk melakukan pencarian nearest neighbors
K-dimensi, dan fungsi radiusSearch untuk melakukan indeks pencarian. Dalam hal ini, fungsi yang digunakan adalah fungsi index dan kknSearch.
Fungsi index membutuhkan inputan berupa matriks yang berisi fitur- fitur dari citra referensi dan parameter pembentuk kd-tree jumlah jumlah kd-
tree yang ingin dibentuk. Sedangkan fungsi knnSearch membutuhkan inputan berupa fitur-fitur dari citra uji, jumlah titik nearest neighbors, dan
parameter pencarian berupa jumlah maksimum leaf yang diperiksa dalam pencarian.
Proses yang terjadi pada pencocokan fitur ini adalah pembentukan matriks yang berisi fitur dari citra referensi dan citra uji. Selanjutnya
pembentukan kd-tree yang berasal dari fitur citra referensi dengan ketentuan beberapa kd-tree acak. Kemudian dimulai pencarian nearest neighbor
terhadap fitur dari citra uji.
70
Pencocokan fitur
Inisiasi matriks deskriptor
Baca dan salin
deskriptor
Bentuk kd-tree
Pencarian nearest
neighbor
finish Pencarian nearest
neighbors
For i=1 to
jumlah fitur
Baca jarak fitur i ke tetangga terdekat
Perbandingan jarak 0.36
Simpan ke daftar fitur
cocok
finish yes
recursive no
i++ i++
Bagan 4.4-3 - Diagran alir pencocokan fitur
Bentuk keluaran dari pencocokan fitur ini adalah indeks fitur yang merupakan tetangga terdekat dan jarak antar fitur. Fitur tersebut dikatakan
cocok apabila perbandingan jarak euclidean sebesar 0.36.
Gambar 4.4.3 - Hasil pencocokan fitur
71
4.5. Hasil Rancang Bangun Aplikasi
Aplikasi pengenalan pola tanda tangan ini berhasil dibangun pada Single Board Computer Beaglebone Black dengan framework QT C++ dan pustaka
pemprosesan citra digital opencv. Berikut screenshoot aplikasi pengenalan pola tanda tangan single board computer beaglebone black :
Gambar 4.5.1 - Tampilan aplikasi : menu analisa tanda tangan