Implementasi Handtracking Pada Kontrol Mouse Pointer Menggunakan Algoritma Pyramidal Lucas-Kanade

IMPLEMENTASI HAND TRACKING PADA KONTROL

MOUSE POINTER MENGGUNAKAN ALGORITMA

PYRAMIDAL LUCAS-KANADE

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana Program Strata Satu Jurusan Teknik Informatika

Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia

HENDRI KARISMA

10107352

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

BANDUNG

iii

Alhamdulillahi robbil’alamin, puji dan syukur penulis panjatkan kehadirat Allah SWT atas rahmat dan karunianNya, sehingga dapat menyelesaikan Skripsi dengan judul “Implementasi Hand Tracking pada Kontrol Mouse Pointer Menggunakan Algoritma Pyramidal Lucas-Kanade” sebagai salah satu syarat utama untuk memenuhi syarat kelulusan program pendidikan Strata 1 jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

Penulis menyadari bahwa dalam penulisan skripsi ini, masih banyak kekurangan dan jauh dari kesempurnaan. Oleh karena itu kritik serta saran yang membangun penulis harapkan untuk dijadikan masukan sehingga dapat bermanfaat dan berguna di masa yang akan datang.

Dalam penulisan skripsi ini penulis banyak mendapat bantuan serta dukungan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Allah SWT. atas segala rahmat dan karuniaNya dan bimbinganNya, sehingga dalam melakukan penelitian serta, penyusunan laporan tugas akhir ini terlaksana dengan baik.

2. Kedua orang tua dan seluruh anggota keluarga penulis yang dengan tulus selalu mendoakan, memberikan dorongan moril dan materil, masukan, perhatian, dan dukungan sepenuhnya.

3. Ibu Mira Kania Sabariah, S.T., M.T., selaku Ketua Jurusan Teknik Informatika Universitas Komputer Indonesia.

iv

4. Bapak Irfan Maliki, S.T., M.T., selaku dosen pembimbing yang telah membimbing selama penyusunan laporan tugas akhir ini.

5. Ibu Dian Dharmayanti, S.T., selaku reviewer yang telah memberikan masukan dan bimbingan dalam penyusunan laporan tugas akhir ini.

6. Ibu Kania Evita Dewi, S.Pd., M.Si., selaku reviewer yang telah memberikan masukan dan bimbingan dalam penyusunan laporan tugas akhir ini.

7. Bapak Adam Mukharil Bachtiar, S.Kom selaku dosen jurusan teknik informatika UNIKOM dan salah satu Pembina Unikom Programming Team yang telah memberikan banyak masukan pada laporan tugas akhir penulis.

8. Seluruh staff dosen Jurusan Teknik Informatika UNIKOM yang telah memberikan banyak ilmu dalam proses belajar penulis.

9. Rekan-rekan kelas IF-8 2007 yang telah berjuang bersama, dan memberi support dalam melakukan penelitian tugas akhir.

10.Seluruh mahasiswa angkatan 2007 yang telah mendukung dan memberi bantuan serta informasi selama masa pengerjaan tugas akhir.

11.Seluruh staff Jurusan Teknik Informatika UNIKOM untuk bantuan administrasinya.

12.Kepada Desy Andriani yang telah memberikan banyak supportnya dalam perkuliahan dan proses pembuatan tugas akhir penulis.

13.Terakhir kepada semua pihak yang telah membantu yang tidak bisa penulis sebutkan satu-persatu. Terimakasih.

v

Penulis menyadari bahwa penulisan laporan ini masih jauh dari sempurna maka kritik dan saran dari semua pihak dibutuhkan untuk menambah wawasan penulis.

Akhir kata semoga Allah SWT membalas segala kebaikan yang telah penulis terima dan harapan penulis semoga Laporan Skripsi ini dapat bermanfaat bagi pihak yang membutuhkan

Bandung, Agustus 2011 Penyusun

i

ABSTRAK

IMPLEMENTASI HAND TRACKING PADA KONTROL MOUSE POINTER MENGGUNAKAN ALGORITMA PHYRAMIDAL

LUCAS-KANADE

Oleh

Hendri Karisma 10107352

Berbagai teknik dialog interaktif yang memungkinkan terjadinya komunikasi antar manusia dengan komputer pada dewasa ini cukup bervariasi, salah satunya adalah teknik interaksi yang bersifat alami. Teknik interaksi yang bersifat alami merupakan kemampuan untuk merasakan interaksi pengguna tanpa keterlibatan fisik secara langsung dengan sistem komputer atau perangkat masukan.

Teknik interaksi berbasis visi komputer merupakan teknik interaksi yang bersifat alami dimana tidak membutuhkan kontak langsung pengguna dengan peralatan input. Input dalam berinteraksi dilakukan dengan menggunakan video camera. Input secara visual dapat memberikan kemampuan penginderaan pada komputer sebagaimana manusia melakukan penginderaan menggunakan mata. Salah satu gerak alami yang dapat dijadikan alat untuk berkomunikasi adalah gerakan tangan atau gesture tangan.

Dalam penelitian ini dilakukan implementasi hand tracking sebagai teknik interaksi yang bersifat alami untuk mengendalikan mouse pointer dengan menggunakan lagoritma lucas-kanade untuk mendeteksi pergerakan atau pergeseran dari suatu pixel suatu objek dalam video real-time dengan alat input web-cam. Dengan tangan sebagai pengendali dengan menggunakan teknik pendeteksi warna teknik dan metode covexhull dan convexity defect untuk melakukan komputasi guna mendapat jumlah jari dari tangan yang menjadi interaksi untuk event klik kanan dan kiri.

ii

ABSTRACT

IMPLEMENTATION OF HAND TRACKING ON MOUSE POINTER CONTROLL USING PYRAMIDAL LUCAS-KANADE

ALGORTHM

By

Hendri Karisma

10107352

Various techniques of interactive dialogue that allows communication between human and computer in today is very quite varied, one of which is the natural interaction techniques and one of natural interaction techniques is computer vision based techniques where do not require direct contact with the user input device.

Computer vision oriented Interaction technique is a technique that have natural characteristic which do not require direct contact with user by using input device. Interaction input can be done with using a video camera. Visual input can provide sensing capabilities to the computer such as human do sensing with the eye. One of the natural motion that can be used as a tool to communicate is the hand movements or hand gestures.

In this research the implementation of hand tracking as interaction technique that have natural characteristic for controlling the mouse pointer with pyramidal lucas-kanade algorithm to detect the motion of the pixel of an object in real-time video with web-cam for the input device. By using color detection techniques and methods as well covexhull and convexity defect to perform computation to detect the hand and get the number of fingers of the hand that to be interaction input for right and left click event.

1

PENDAHULUAN

I.1 Latar Belakang Masalah

Teknik interaksi berbasis visi komputer menjadi kandidat teknik interaksi yang bersifat alami. Teknik ini tidak membutuhkan kontak langsung pengguna dengan peralatan input, melainkan komputer menangkap gerakan pengguna melalui kamera video dan menginterpretasikannya[1].

Input secara visual dapat memberikan kemampuan penginderaan pada komputer sebagaimana manusia melakukan penginderaan menggunakan mata. Interaksi antar manusia secara alami tidak membutuhkan mouse atau keyboard, melainkan diantaranya menggunakan tangan, mata, dan telinga untuk mendapatkan informasi dari lingkungan.

Dengan adanya implementasi teknologi visual dalam berinteraksi dengan komputer kemungkinan besar dalam 10 tahun ke depan, akan terjadi perkembangan dalam area yang kenal dengan sebutan Human Computer Interaction (HCI). Dalam 10 tahun ke depan, mouse dan keyboard bukan lagi

primadona dalam berinteraksi dengan komputer. Teknologi HCI seperti speech recognition dan gesture recognition akan mulai ditemui di mana-mana.

Salah satu implementasi teknik interaksi berbasis visi komputer ini adalah pengendalian pointer mouse dengan menggunakan web-cam. Dimana pengguna tidak menggunakan atau tidak bersentuhan dengan mouse dalam mengendalikan pointer dari mouse, cukup dengan berhadapan dengan web-cam sebagai alat

penerima inputan bagi komputer dan menggerakan tangannya untuk mengendalikan komputer.

Dalam mengimplementasikan teknik interaksi visual untuk komputer tentunya membutuhkan salah satu cabang bidang ilmu komputer, salah satunya adalah computer vision yang akhir-akhir ini menjadi salah satu isu yang hangat diperbincangan didalam lingkungan ilmu komputer.

Computer Vision merupakan pengolahan citra yang dikaitkan dengan

akusisi citra, pemrosesan, klasifikasi, pengakuan, dan pencakupan keseluruhan pengambilan keputusan diikuti dengan pengidentifikasian citra. Ballard dan Brown (1982) mendefinisikan Computer Vision sebagai suatu kegiatan awal pengotomatisan dan pengintegrasian suatu pemrosesan dan representasi sebagai suatu persepsi visual dengan tahap-tahap tertentu [2].

Salah satu teknik computer vision adalah tracking and motion, dimana ketika memiliki resource video dan teradapat suatu objek yang ingin di ikuti pada bidang visual tertentu.

Hand Tracking merupakan salah satu implementasi teknik tracking and

motion, dimana tracking dilakukan pada objek tangan manusia, dalam hal ini

sumber video merupakan video yang dihasilkan oleh web-cam yang real-time menampilkan objek visual berupa tangan dari seorang individu atau seorang pengguna, lalu lalu dilkukan pendeteksian motion atau gerakan dari tangan pengguna tersebut, sehingga komputer dapat mendeteksi gerakan dan arah gerakan tangan dari pengguna tersebut yang terlihat pada web-cam.

Tentunya hand tracking ini dapat di implementasikan dalam banyak hal dan bidang, seperti dapat digunakan untuk mengenal bahasa isyarat, dan dapat dipakai menjadi teknik interaksi antara manusia dan komputer berbasis visi yang telah dikemukakan sebelumnya.

Dalam implementasi hand tracking terdapat penggunaan metode tertentu yang menjadi dasar atau merupakan inti dari hand tracking yang merupakan teknik tracking and motion, salah satunya yaitu algoritma Phyramidal Lucas-Kanade.

Penyelesaian algoritma Lucas-Kanade dengan pendekatan piramida, atau disebut Pyramidal LucasKanade diajukan pertama kali oleh Jean-Yves Bouguet (Bouguet, 2000). Pendekatan ini menggunakan prinsip piramida, yaitu bekerja dari detail citra paling rendah hingga detail citra paling tinggi. Tujuannya adalah agar gerakan yang “besar” (dalam hal ini adalah perpindahan objek dalam citra yang cepat dengan jarak transformasi dan ukuran yang besar) dapat diperhitungkan. Sementara asumsi yang digunakan pada algoritma LucasKanade adalah gerakan yang “kecil” dan koheren, sehingga tidak dapat menangkap gerakan yang “besar”. Solusi untuk dapat menangkap gerakan yang “besar” pada algoritma Lucas-Kanade adalah dengan menggunakan window yang besar. Tetapi penggunaan window atau form yang menampilkan output dari input video yang real-time atau pun input video dalam disk yang besar sering kali membuat gerakan yang ditangkap adalah gerakan yang tidak koheren. Algoritma Pyramidal

LucasKanade menyelesaikan permasalahan tersebut tanpa menghilangkan asumsi

gerakan yang koheren.

Berdasarkan paparan diatas dalam penelitian ini dilakukan implementasi hand tracking menggunakan algoritma phyramidal lucas-kanade dengan membangun sistem pengontrol pointer mouse pada komputer dengan menggunakan gerakan tangan dari pengguna, dan penelitian ini pun merupakan salah satu implementasi teknologiinteraksi berbasis visi komputer yang bersifat alami. Pergerakan tangan mouse akan disesuaikan dengan pergerakan tangan yang di inputkan pada web-cam secara real-time dan kontrol klik kanan dan klik kiri disesuaikan dengan posisi dari telapak tangan.

Teknologi yang digunakan dalam pembangunan sistem pengontrol pointer mouse dengan hand tracking yang akan dibangun adalah teknologi-teknologi berlisensi open source. Pada penilitian ini pembangunan sistem dilakukan di atas sistem operasi ubuntu 10.10, dan berjalan pada sistem operasi ubuntu 10.10 atau 11.04. Pemilihan sistem operasi ubuntu ini didasarkan pada ubuntu merupakan salah satu sistem operasi open source dan free source yang sangat handal. Ubuntu pun memiliki Grafik User Interface yang mudah. Dalam pembangunan dan pengembangan pun akan lebih mudah karena tidak terbentur dengan urusan lisensi sehingga tidak melanggar ketentuan hukum yang ada dalam perangkat lunak pembangun dan dilengkapi dengan dokumentasi yang lebih baik. Penggunaan produk open source pun dalam mendukung gerakan Indonesia Go OpenSource (IGOS) yang sekarang sudah mulai di implementasikan di berbagai bidang.

Sehingga teknologi yang digunakan merupakan teknologi yang terbaru dan relevan juga sesuai digunakan dalam penelitian ini.

I.2 Rumusan Masalah

Adapun dari latar belakang tersebut ditemukan beberapa masalah yang dirumuskan dalam satu rumusan masalah yaitu bagaimana mengimplementasikan hand tracking dengan algoritma phyramidal lucas-kanade untuk mengendalikan

atau mengontrol mousepointer komputer. I.3 Maksud dan Tujuan

I.3.1 Maksud

Maksud dari dilakukan penelitian ini adalah untuk membangun sistem pengontrol mouse komputer dengan menggunakan gerakan tangan manusia dengan mengimplementasikan teknik hand tracking menggunakan algoritma phyramidal lucas-kanade.

I.3.2 Tujuan

Tujuan dilakukannya penelitian ini adalah menerapkan teknik hand tracking dengan menggunakan algoritma phyramidal lucas-kanade pada kontrol pointer mouse komputer untuk membantu manusia dalam berinteraksi dengan komputer dengan berbasis visi komputer yang bersifat alami untuk melakukan kontrol mouse pointer komputer dengan menggunakan pergerakan alami dari tangan kanan.

I.4 Batasan Masalah

Adapun ruang lingkup yang akan dibahas sangatlah luas, untuk itu diperlukan batasan masalah sebagai berikut :

1. Bahasa pembangun yang digunakan adalah C++.

2. Tool untuk pemodelan yang digunakan adalah UML (Unified Modeling Language) versi 2.

3. Sistem di bangun di atas operating system Linux ubuntu 10.10 atau 11.04. 4. Integrated Development Environtment yang dipakai adalah Eclipse Helios

dan QT Creator.

5. Sistem hanya dapat berjalan di atas sistem operasi Ubuntu (minimal Ubuntu 9.04).

6. Sistem yang dibangun berbasis desktop.

7. Input video berupa pergerakan tangan manusia secara real-time menggunakan web-cam.

8. Pergerakan tangan yang di gunakan untuk tracking adalah salah satu tangan (kanan atau kiri).

9. Cakupan sistem dalam mengontrol mouse pointer adalah menggerakan pointer mouse dengan menggunakan pergerakan tangan, klik kanan dan klik kiri dari mouse dengan menggunakan perubahan dari bentuk atau posisi telapak tangan yaitu perubah jumlah jari tangan.

10.Output yang dihasilkan adalah pointer mouse bergerak sesuai dengan arah gerakan tangan dan menggunakan perubahan jumlah jari tangan dengan jumlah jari 0-1 untuk klik kiri dan jumlah jari 2 untuk klik kanan.

11.Dalam implementasi sistem harus menggunakan web-cam miniman 3 Mega Pixel (disarankan 5 Mega Pixel atau di atasnya, atau menggunakan Play Station 3 Eye).

12.Penggunaan cahaya disesuaikan agar komputer dapat melihat pantulan cahaya dengan baik. Sehingga cahaya tidak boleh membelakangi telapak tangan atau di hadapan web-cam (jika hanya ada satu sumber cahaya), cahaya harus menghadap telapak tangan atau membelakangi web-cam, atau jika ada lebih dari satu sumber cahaya, salah satu sumber (minimal satu) menghadap telapak tangan atau membelakangi web-cam.

13.Warna background yang dipakai atau yang ada saat pendeteksian atau saat penggunaan sistem pada objek tangan tidak boleh memiliki kemiripan dengan warna kulit manusia (coklat).

I.5 Metode Penelitian

Metodologi Penelitian yang digunakan dalam penulisan tugas akhir ini adalah sebagai berikut :

1. Metode pengumpulan data yang digunakan dalam penelitian adalah sebagai berikut :

Tahap ini digunakan untuk mencari informasi yang berhubungan dengan permasalahan yang akan dibahas dengan bersuber pada buku-buku serta bacaan lain yang kiranya dapat mebantu menyelesaikan pembangunan aplikasi.

b. Studi dokumentasi.

Dengan mengumpulkan informasi mengenai data yang diperlukan agar lebih mudah ntuk didefinisikan dan dirumuskan pada permasalahan yang ada.

2. Tahap Pembangunan Aplikasi

Dalam membangun sistem ini, digunakan metode pengembangan perangkat lunak dengan menggunakan metode waterfall sebagai berikut :

a. Analisa kebutuhan. Tujuan dilakukan tahapan ini untuk memahami sistem yang sedang berjalan agar dapat mendefinisikan permasalahan sistem sehingga selanjutnya dapatmenentukan kebutuhan sistem secara garis besar sebagai persiapan ke tahapanperancangan. Analisis disini dilakukan dengan pemodelan menggunakan metode pemrograman berorientasi object dengan Tool Unified Modeling Language (UML)

b. Desain sistem. Pada tahap perancangan ini diberikan gambaran umum yang jelas kepadapengguna dan rancang bangun yang lengkap tentang sistem yang akandikembangkan kepada pihak-pihak yang terlibat dalam pengembangansistem.Tahap perancangan ini digunakan untuk persiapan implementasi.

c. Penulisan kode program. Setelah tahap perancangan sistem selanjutnya dilakukan konversi rancangan sistem kedalam kode-kode bahasa pemrograman yang diinginkan Pada tahap inidilakukan pembuatan komponen-komponen sistem yang meliputi modul program,antarmuka, dan basis data.

d. Pengujian program. Pengujian software dilakukan untuk memastikan bahwa software yang dibuat telah sesuai dengan desainnya dan semua fungsi dapat dipergunakan dengan baik tanpa ada kesalahan.

e. Penerapan program. Pada tahap pemeliharaan ini perangkat lunak sudah diserahkan kepadapengguna.Pada tahap ini dilakukan evaluasi terhadap sistem yang baru untuk mengetahui apakah sistem telah memenuhi tujuan yang ingin dicapai.Dari hasilevaluasi ini dimungkinkan untuk melakukan

perubahan-perubahan yangdiperlukan terhadap sistem agar sistem senantiasa dapat digunakan dengan baik.

I.6 Sistematika Penulisan

Sistematia penulisan laporan ini dibagi dalam beberapa bab dengan pokok pembahasan secara umum sebagai berikut :

BAB I PENDAHULUAN

Bab ini berisikan latar belakang, perumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini berisikan landasan-landasan teori yang digunakan dalam pembangunan sistem dan teknologi apa yang dipakai dalam pembangunan sitem. Teknologi yang dijelaskan yaitu openCV atau library open Computer Vision yang digunakan adalah versi 2.2, dengan compiler GCC (GNU Compiler Collection) dengan IDE eclipse Helios dan MingW juga pemakaian framework QT4 cross platform UI.

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi analisis kebutuhan dalam membangun aplikasi ini. Dalam analisis sistem ini digunakan tools untuk memodelkan sistem dengan menggunakan UML versi 2 dengan mamakai class diagram, sequence, dan deployment diagram. Selain itu terdapat juga perancangan antarmuka untuk aplikasi yang akan dibangun sesuai dengan hasil analisis yang telah dibuat.

BAB IV IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi hasil implementasi dari hasil analisis dan perancangan yang telah dibuat disertai juga dengan hasil pengujian dari aplikasi ini.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan tentang keseluruhan dari pembangunan aplikasi ini dan saran tentang aplikasi ini untuk masa yang akan datang.

12

LANDASAN TEORI

II.1 Computer Vision

Pengolahan citra adalah pengolahan suatu citra dengan menggunakan komputer secara khusus, untuk menghasilkan suatu citra yang lain. Sedangkan computer vision dapat didefinisikan setara dengan pengertian pengolahan citra

yang dikaitkan dengan akusisi citra, pemrosesan, klasisfikasi, pengakuan, dan pencakupan keseluruhan, pengambilan keputusan yang diikuti pengindentifikasian citra.

Computer Vision adalah transformasi atau perubahan dari data-data yang

dapat berupa gambar diam ataupun video kamera menjadi bentuk lain atau suatu representasi baru dan membantu dalam pengambilan keputusan[2]. Semua bentuk transformasi yang dilakukan di arsipkan atau disimpan untuk tujuan tertentu. Input data dapat berasal dari informasi yang berhubungan dengan objek. Pada representasinya baru dimungkinkan berarti merubah warna dari suatu citra menjadi citra yang grayscale atau menghilangkan pergerakan kamera dari suatu citra berurutan.

Manusia seperti halnya mahluk visual yang mudah sekali tertipu dan berfikir jika tugas computer vision itu mudah. Seperti halnya otak manusia membagi sinyal dalam banyak saluran/channel dimana mengalirkan informasi yang berbeda-beda kedalam otak. Otak manusia memiliki attention system mengidetifikasi dengan jalannya sendiri. Setelah diproses akan menghasilkan informasi balik dan akhirnya berhasil mengartikan visual yang dihasilkan oleh

input dari otot kontrol sensor dan indra lainnya yang memperbolehkan otak untuk mengasosiasikan secara bersilang segala informasi yang didapat. Proses ini berulang dengan perangkat keras sensor berupa mata yang memiliki mekanisme pengontrol cahya (lightning) melalui iris dan melakukan setting terhadap penerimaan permukaan oleh retina.

Dalam sistem machine vision, suatu komputer menerima kumpulan angka dari kamera atau tempat penyimpanan disk, dan itulah yang komputer lihat terhadap suatu citra. Dalam kumpulan angka yang dilihat komputer terdapat noisy yang besar sehingga memperkecil informasi yang didapat. Sehingga sebelum mengolah image atau citra perlunya dibuat pengolahan noisy ini agar mendapatkan persespsi yang baik dari kumpulan angka yang memiliki noisy tersebut.

II.1.1 Histograms

Dalam proses analisis citra, objek, dan informasi video, biasanya dilakukan representasi apa yang dilihat oleh komputer melalui kamera ataupun disk sebagai histogram. Histogram dapat digunakan untuk merepresentasikan

segala macam hal yang ada dalam suatu citra seperti distribusi warna pada suatu objek, garis batas dari suatu objek, dan distribusi probabilitas representasi hipotesis yang sedang digunakan mengenai lokasi objek.

Histogram banyak ditemukan dalam berbagai implementasi computer vision. Histogram digunakan untuk mendeteksi transisi gambar dalam video

ke frame. Identifikasi interest points dalam semua citra dengan memberikan tanda pada setiap interest point yang ada di pada histogram. Histogram dari edges, warna, corners, dan lainnya merupakan objek yang dilewatkan dalam proses klasifikasi untuk proses objek recognition.

Histogram diambil dengan membuat statistik berdasarkan kumpulan angka yang dilihat oleh komputer dan biasa dibuat dalam bentuk matriks dalam dimensi tertentu dan memiliki jumlah chanel tertentu. Berikut salah satu contohhistogram yang dipakai:

Gambar II.1 Sample Histogram

Dalam contoh gambar II.1, histogram diambil dari kumpulan titik yang mewakili atau representasi dari matriks suatu citra. Lalu dilakukan komputasi untuk melihat kepadatan dari titik-titik tersebut dengan membuat grid pada kumpulan titik tersebut sehingga dapat dilihat grid yang memiliki kepadatan tertentu. Dalam proses tersebut diperlukan grid yang tidak terlalu besar dan juga

tidak terlalu berdekatan dan banyak, bila terlalu besar lebar grid dari citra tersebut maka kemungkinan galat atau error atau kesalahan yang mungkin terjadi dalam proses komputasi dikarenakan range yang terlalu besar, sedangkan bila terlalu padat maka proses komputasi pun akan membutuhkan waktu yang lebih lama karena terlalu detail.

Dalam histogram dapat dilakukan proses image processing, image transformation, contours detecting, dan tracking and motion. Proses dilakukan

dengan menggunakan algoritma tertentu guna untuk memanipulasi histogram yang didapat.

Dalam openCV histogram dapat dilihat sebagai multi-dimensional array. Setiap dimensi sesuai dengan fitur yang ada pada citra atau objek tertentu. Array tempat menyimpan nilai dari multi-dimensional histogram biasa disebut dengan bin.

Proses yang dapat dilakukan dalam memanipulasi yaitu normalisasi, pencarian nilai tertinggi dan terendah di dalam histogram, proses komputasi nilai atau besaran dari memmory yang dipakai oleh histogram, dan comparing histogram. Akan tetapi yang terpenting dalam computer vision adalah bagaimana

membandingkan dua histogram dengan kriteria tingkat kesamaan atau kemiripan pola antar histogram tersebut. Sehingga dengan normalisasi tersebut andaikan terdapat perbedaan histogram yang dikarenakan transformasi masih dapat di deteksi dengan baik.

II.1.2 Tracking dan Motion

Dalam computer vision diperlukan suatu proses dimana komputer harus bisa mengikuti pergerakan objek yang ditentukan dan dengan sumber citra berupa video baik dari disk ataupun real time berasal dari input kamera. Identifikasi dilakukan untuk menemukan object of interest dari satu frame yang merupakan subsequent dari suatu video. Tracking merupakan istilah untuk melacak atau mencari suatu objek pada suatu citra, dalam prosesnya ada sesuatu yang penting yang terjadi pada objek tersebut dalam citra, ketika citra tersebut merupakan frame yang merupakan subsequent dari suatu video yaitu motion. Motion merupakan pergerakan atau arah pergerakan yang terlihat dilakukan objek atau yang terjadi terhadap objek akibat pergantian frame.

Terdapat dua tipe metode yang terdapat dalam teknik tracking dan motion ini yaitu Dense Tracking Techniques dan Sparse Tracking Techniques. Dalam penelitian ini metode yang dipakai dalam teknik tracking dan motion adalah Phyramidal Lucas Kanade yang termasuk kedalam Sparse Tracking Techniques.

II.1.3 Threshold

Threshold adalah image processing dimana melakukan pengolahan pixel pada suatu citra atau menghilangkan beberapa pixel dan juga mempertahankan beberapa pixel sehingga menghasilkan suatu citra baru hasil sortir pixel yang telah dilakukan. Dengan dilakukannya komputasi threshold maka dapat dengan mudah mendapatkan edge/tepi dari suatu citra.

Dalam computer vision, threshold dilakukan agar mempermudah dalam proses identifikasi ataupun perbandingan dari dua atau lebih citra. Terdapat 5 tipe threshold yaitu binary threshold, binary inverted, truncate, threshold to zero dan threshold to zero inverted.

Gambar II.2 Tipe-tipe Threshold

Dalam melakukan threshold sendiri dibutuhkan citra dalam bentuk 8 bit dan 2 channel atau grayscale. Setelah itu citra grayscale ini diruba menjadi bi-level (2 bit) atau black-and-white. Berikut adalah fungsi threshold terhadap suatu citra pada persamaan (1):

�( , ) = � � ( , )�, � , , ( , )�=����

Fungsi f(x,y,p(x,y)) adalah representasi dari fungsi pixel velue (untuk mendapatkan nilai pixel dari suatu kordinat (x,y) lalu membandingkan tiga nilai pixel dari fungsi g, p dan h yaitu g(x,y) < p(x,y) < h(x,y). Maka dalam threshold sendiri dasarnya ada dua operasi. Pertama menggunakan fungsi prediksi dari suatu kordinat pada suatu citra yaitu sumbu g(x,y) dan h(x,y) yang konstan di lakukan di dalam citra. Lalu kedua melakukan perbandingan dari hasil perbandingan sebelumnya dengan fungsi h(x,y) (berfungsi untuk mengextrak daerah brightness dan contrast).

Hasil threshold dari suatu image biasanya akan dipakai dalam berbagai teknik dalam computer vision seperti pencarian contour, penggambaran contour dan tracking atau motion.

II.1.4 Segmentasi Citra

Segmentation merupakan teknik untuk memisahkan atau mengisolasi suatu

objek atau sebagian dari objek dari suatu image (memisahkan foreground dengan background). Banyak situasi dalam computer vision yang membutuhkan

segmentasi atau memisahkan foreground atau suatu objek terhadap backgroundnya guna melihat aktifitas pixel dari objek yang objek yang ingin kita lihat. Misalkan ketika suatu kamera keamanan dilengkapi pendeteksi pergerakan manusia atau objek lainnya yang menyerupai manusia dan beberapa binaang, maka kamera tersebut harus terlebih dahulu dapat melakukan segmentasi terhadap objek manusia ataupun binatang tertentu.

Segmentasi biasa dilakukan dengan maksud agar pencarian pixel tidak terlalu memakan waktu dan memory, sehingga ketika terjadi komputasi pencarian tidak memerlukan pencarian secara menyeluruh pada suatu citra, cukup pencarian pada daerah yang biasa disebut region of interest sehingga dapat menghemat waktu dan memory. Pencarian yang dimaksud biasanya berupa proses tracking dan motion atau pergerakan suatu pixel. Komputasi pendeteksian motion ini akan terjadi hanya pada setiap point yang telah di segmentasi atau bisa disebut pada objek yang tela dispesifikan.

Ada banyak metoda atau algoritma yang dapat digunakan dalam segmentasi bahkan dengan algoritma image processing biasa seperti morphology, flood fill, threshold, dan pyramid akan tetapi terdapat algoritma tersendiri yang

dapat menghasilkan segmentasi yang cukup baik terutama dalam segmentasi kulit manusia yang dipakai dalam penelitian ini.

II.1.4.1 Background Subtraction

Background Subtraction merupakan operasi yang sangat fundamental

dalam image processing. Biasanya dilakukan pembelajaran terhadap suatu background (biasanya dilakukan pada suatu model background. Suatu

background model akan di compare atau di bandingkan terhadap citra yang

dimiliki, sehingga dapat membedakan mana background dan mana foreground. Background Subtraction menggunakan dua model dengan tingkat warna

atau yang biasa dipakai adalah brightness tinggi dan rendah. Dua model yang memiliki nilai warna tinggi yang biasa disebut dengan model maximum dan yang

rendah disebut dengan model minimum. Model maksimum dan minimum digunakan untuk mengeliminasi background, dengan membandingkan setiap nilai pixel yang ada dan menggantinya dengan 0 dan 1 sehingga menghasilkan citra 1 channel dengan citra yang mirip dengan hasil threshold. Jika pixel pada suatu citra

berada di antara range maximum dan minimum makan akan diganti dengan nilai 1 sedangkan jika tidak akan diberikan nilai 0.

Namun ada dua cara yang dapat digunakan yaitu dengan menggunakan nilai range warna ataupun dengan menggunakan citra background yang normal (hanya ada background yang nanti dipakai dalam citra). Dengan menggunakan citra background biasanya dengan membandingkan citra background maximum dan minimum (biasanya menggunakan brightness) dan melakukan normalisasi citra sehingga dapat dilakukan pembandingan dengan citra yang ingin dicari objeknya atau citra yang ingin dikenakan segmentasi.

Sedangkan dengan menggunakan warna biasanya menggunakan warna maximum atau minimum dengan format YCrCb ataupun HSV. Penggunaan warna YCrCb atau HSV bertujuan agar lebih mudah dalam membandingkan warna,

dengan menggunakan warna 1 channel. Seperti HSV, H pada warna HSV merupakan Hue yang terdiri dari satu nilai dari warna RGB, sehingga memudahkan dalam mendeteksi range warna.

II.1.5 HSV Color Image

HSV singkatan hue, saturasi, dan value, dan juga sering disebut HSB (B untuk kecerahan). Sebuah model ketiga, yang umum dalam aplikasi visi

komputer, HSI, untuk hue, saturasi, dan intensitas. Akan tetapi, sementara definisi ini tidak standar, dan setiap singkatan ini dapat digunakan untuk salah satu model lainnya tiga atau beberapa silinder yang terkait (selinder warna seperti RGB, HSL, YCrCb, dan lain-lain).

Gambar II.3 Selinder warna HSV

Dalam masing-masing silinder, sudut sekitar sumbu vertikal pusat sesuai dengan "hue", jarak dari sumbu sesuai dengan "saturation", dan jarak sepanjang sumbu sesuai dengan "lightness", "value" atau "brightness". Karena HSV transformasi sederhana dari perangkat-tergantung model RGB, warna fisik mereka menentukan tergantung pada warna primary merah, hijau, dan biru dari perangkat atau dari ruang RGB tertentu, dan di koreksi gamma digunakan untuk mewakili jumlah mereka primary. Nilai numerik HSV menggambarkan nilai-nilai warna yang berbeda untuk setiap ruang dasar RGB.

Kedua representasi digunakan secara luas dalam komputer grafis, dan satu atau yang lain dari mereka sering lebih mudah daripada RGB, tetapi HSV pun dikritik karena tidak cukup memisahkan warna membuat atribut, atau kurangnya keseragaman persepsi.

Berikut adalah konversi nilai RGB ke dalam HSV :

Dalam kasus ini citra dalam bentuk 8-bit dan 16-bit. R, G and B yang di konversi berformat floating-point dan dengan nilai dari 0 hingga 1.

� = max( , , ) ………...(2)

=�

�−min⁡( , , )

� � ≠0

0 �ℎ��� ��

………..(3)

=�

60( − )⁄ � =

120−60( − )⁄ � =

240−60( − )⁄ �=

………...……(4)

if H < 0 then H =H + 360

output-nya adalah 0 ≤V ≤ 1, 0 ≤ S ≤ 1, 0 ≤ H ≤ 360. Lalu nilai dikonversi ke data type tujuan :

8-bit images

�= ����,� =����,� =�/�( � � �� ����)

16-bit images (currently not supported)

�< −65535�, < −65535 , < − 32-bit images

H, S, V yang dihasilkan sudah 32-bit

II.1.6 YCrCb Color Image

YCbCr atau Y'CbCr, kadang-kadang ditulis YCbCr atau Y'CBCR, adalah keluarga ruang warna yang digunakan sebagai bagian dari pipa warna gambar

dalam video dan sistem fotografi digital. Y adalah komponen luma dan CB dan CR adalah perbedaan biru dan merah perbedaan komponen kroma. Y '(dengan prima) dibedakan dari Y yang terang, yang berarti bahwa intensitas cahaya adalah non-linear dikodekan menggunakan koreksi gamma.

Y'CbCr bukan merupakan ruang warna mutlak, tetapi merupakan cara pengkodean informasi RGB. Warna yang sebenarnya ditampilkan tergantung pada primary RGB yang sebenarnya digunakan untuk menampilkan sinyal. Oleh karena itu nilai dinyatakan sebagai Y'CbCr diprediksi hanya jika standar RGB kromatisitas warna primer yang digunakan.

Berikut adalah konversi warna RGB ke dalam YCrCb :

= 0.2999∙ + 587∙ + 114∙ ………...…(5)

�= ( − )∙0.713 + ���� ………(6)

�= ( − )∙0.564 + ���� ………(7)

= + 1.403∙( �+ ����)……….……(8)

= −0.344∙( � − ����)−0.714∙( � − ����)……….(9)

= + 1.773∙( � − ����) ………..……(10)

Dimana

����= �

128 Untuk Citra 8 bit

32768 Untuk Citra 16 bit 0.5 Untuk Citra floating point

Y, Cr dan Cb telah meliputi seluruh value range.

Pada gambar II.4 merupakan contoh citra yang memiliki format warna YCrCb, hasil konversi dari format warna RGB ke YCrCb.

Gambar II.4 Contoh dari citra dengan format warna YCrCb II.1.7 Grayscale Image

Dalam sistem yang dibangun, banyak dilakukan konversi citra dari berbagai format warna seperti RGB, BGR, RGBA, YCrCb, HSV menjadi grayscale. Tujuannya adalah untuk melakukan pencarian batas atau edge atau tepi

citra lalu menggambarkan tepi-tepi tersebut sehingga komputer akan dapat dengan mudah melihat bentuk atau kontur-kontur yang terdapat dengan citra. Setelah komputer dapat melihat bentuk tersebut maka komputer dapat dengan mudah melakukan berbagai proses komputasi terutama yang berhubungan dengan recognizing, tracking, dan motion pada suatu gambar bergerak baik itu dari disk

atau pun real-time dengan sumber input menggunakan kamera atau web-cam. Dalam sistem ini digunakan fungsi untuk melakukan konversi warna citra menjadi grayscale seperti pada persamaan (11):

Y = (0.299)R +(0.587)G +(0.114)B ………...(11)

II.1.8 Kontur

Kontur adalah suatu kumpulan poinatau titik yang didapatkan dari suatu komputasi atau perhitungan yang mewakili bentuk dari suatu batas objek pada suatu citra

Dalam pembuatan kontur diperlukan rutin untuk melakukan proses pencarian kontur. Citra yang dipakai adalah citra hasil konversi menjadi grayscale dan dikenakan threshold sehingga menghasilkan citra bi-level. Dalam gambar II.5 dapat terlihat dari ilustrai pencarian kontur. Terdapat image/citra/gambar yang memiliki daerah putih dan abu-abu (dengan tingkat ketebalan yang berbeda) dan merupakan background, daerah putih diberi label A sampai E dengan background yang nantinya dihubungkan dengan garis dari setiap titik atau point yang telah didapat, sehingga menghasilkan kontur dari objek tersebut.

Kontur biasa dipakai untuk melihat garis-garis batas dari suatu objek, mirip dengan tepi (edge) hanya saja kontur lebih detil, tegas dan jelas. Misalkan melakukan pencarian kontur terhadap suatu citra untuk melihat apakan ada kontur yang berbentuk seperti sebuah mobil dala suatu citra.

Kontur didalam openCV membutuhkan suatu tempat memory khusus untuk menampung sequence yang berisikan titik atau point-point yang ditemukan. Maka di dalam openCV dibuat suatu struktur data yang merupakan linkedlist yang sequential tersendiri untuk menampung titik-titik kontur tersebut yang disebut dengan sequence atau disingkat cvSeq (computer vision Sequential).

gelap. Di bagian gambar paling bawah terdapat hasil dari rutin pencarian kontur dan diberi label cX dan hX (X merupakan nilai biner iterator). Untuk label cX merupakan kontur dari setiap objek yang ada pada gambar sedangkan label hX merupakan hole atau lubang yang nantinya merupakan bagian yang dilingkari oleh kontur, yang didalam gambar kontur di perlihatkan sebagai garis yang putus-putus.

Gambar II.5 Contoh test pencarian kontur pada suatu citra

Dalam pencarian kontur ada 4 metode yang dapat digunakan dalam pengambilan konturpada suatu citra yaitu Retrieval External,Retrieval Components, Retriecal List dan Retrieval Tree.

Gambar II.6 Bentuk Tipe Contour

1. Retrieval External

Pengambilan kontur yang didasarkan hanya pada kontur-kontur yang terlihat jelas dan berada di bagian luar objek yang ada dalam citra.

2. Retrieval List

Pengambilan seluruh kontur dan menyimpannya di dalam list. Tersimpan sebagai linkedlist.

3. Retrieval Components

Pengambilan seluruh kontur dan menyimpannya pada dua level hirarki dimana hirarki paling atas/top level boundaris (kontur yang paling luar yang melingkari hole) adalah external boundaries dari komponen sedangkan level kedua adalah boundaris dari hole.

Pengambilan seluruh kontur dan merekonstruksikannya ke dalam hirarki (full herarchy) menjadi kontur yang bersarang. Seperti pada gambar II-6.

II.1.8.1 Convexty dan Convexty Defects

Dalam menggambar shape atau suatu bentuk dalam suatu kontur yang sudah ditemukan dapat menggunakan metode Convexity and Convexity defects. Metode ini memberikan pemahaman pada komputer mengenai bentuk dari kontur yang ditemukan dengan memanfaatkan ketidak tepatan penggambaran shape yang mengelilingi objek, metode ini bukan hanya dapat mendapatkan karakteristik dari tangan tapi juga posisi tangan.

Convexity Defect berfungsi sebagai suatu metode untuk mendapatkan

kontur yang berkarakter kuat dan pasti pada suatu objek misalkan tangan. sedangkan convex hull biasa dipakai untuk mendapatkan kontur besar yang mengelilingi suatu objek.

Convexity dan convexity defects menggambarkan kontur dengan dua

metode yaitu convex hull dan convexity defects. Convexity adalah rasio perimeter convexity-hull , � _{��� ℎ���} ke perimeter batas bentuk, �_{�ℎ� �}, mana convex hull adalah poligon convex minimum yang mencakup bentuk.

�= � ��� ℎ���

��ℎ� � ………..(12)

Sehingga dengan menggunakan convex hull kita akan mendapatkan bentuk boundary dari tangan dengan batas-batas minimal.

Sedangkan untuk mendapatkan kontur atau menggambarkan kontur tepat mengelilingi kontur tangan dapat menggunakan metode convexity defects.

Berikut adalah persamaan yang dipakai dalam opencv sesuai dengan advances visual computing 5th symposium:

=�� � � �1.�2

|�1||�2|� ………(13) Dimana v1,v2 adalah masing-masing vektor antara awal dan titik akhir pertama dan kedua convexity defects. Jikaangle lebih rendah dari threshold terkecil,makav1 dan v2 dari persamaan convexity defects tersebut dianggap sebagai kandidat yang mungkin untuk penyempitan (menjadi titik baru), selain itumaka convexity defects tidak dapat dipakai. Berikut contoh convex hull dan convexity defects.

Gambar II.7 Implementasi Convexity dan Convexity Defect pada citra tangan manusia

Convexity defect terlihat merupakan garis yang tepat mengelilingi tangan dan merupakan shape atau bentuk yang minimalis, sedangkan garis kontur gelap adalah convex hull sekitar tangan.

II.1.9 Corner Finding

Corner finding adalah teknik yang dipakai untuk melakukan pencarian

terhadap setiap sisidari suatu citra dan mencari sudut yang baik untuk dapat dipakai sebagai acuan untuk melakukan tracking terhadap corner tersebut pada setiap frame. Sehingga dalam prosesnya biasanya corner finding dilakukan terhadap terhadap citra yang sudah dikonversi menjadi 2 channel dan sudah dilakukan proses threshold guna menemukan seluruh edge yang ada dalam citra tersebut.

Ada banyak corak yang dapat di lacak. Sangat penting ketika memperhitungkan seperti apa sesungguhnya corak atau objek yang di lacak, seperti halnya ketika menentukan sebuah titik pada suatu citra dalam sebuah frame sequent dalam sebuah video lalau mencari titik yang sama pada frame selanjutnya dengan corak yang sama dengan corak titik sebelumnya. Terkadang corak dari objek yang dipilih pada citra sebelumnya cenderung bersifat unik sehingga pada frame berikutnya sulit menemuka titik yang mirip sekali coraknya dengan objek yang ada pada frame lainnnya.

Gambar II.8 Proses Corner Finding Citra

Converg Gray

Threshold

Find Good Corner

Untuk mendeteksi suatu corner dapat menggunakan definisi yang dibuat oleh Haris [Haris88] yang menggunakan matriks dari turunan (∂2x , ∂2y , ∂x ∂y ) yang dihasilkan dari intensitas citra. Turunan dari matriks suatu citra dan mengambil semua hasil turunan lalu menggunakannya untuk membuat citra yang baru atau biasa disebut dengan Hessian Image. Terminologi dari Hessian Matrix dalam mengolah point tersebut dengan menggunakan matriks dua dimensi, dan berikut persamaannya pada persamaan (15).

( ) =� �2 � 2 �2 � � �2 � � �2 � 2

�………...(14)

Untuk menemukan corner dengan menggunakan definisi Haris atau biasa disebut dengan HarrisCorner, dengan korelasi turunan kedua matriks dari suatu citra dengan jendela/window yang di dalamnya terdapat point-point dapat menggunakan persamaan matriks persamaan (4).

( , ) =

� �, 2( + , + − ≤,≤

) � �, 2( + , + ) ( + , + ) − ≤,≤

� �, 2( + , + ) ( + , + ) − ≤,≤

� �, 2( + , + ) − ≤,≤

(15)

(disini wi,j adalah weigh yang memiliki nilai yang sama tetapi ini biasa digunakan untuk membuat tampilan jendela yang circular).

Definisi Harris pada dasarnya menggunakan nilai determinan fungsi H(p), atau substract dari H(p) (dengan nilai konstanta weight), lalu melakukan perbandingan dengan citra yang nilai matriksnya belum dilakukan determinan

treshold. Pada definisi lain disebutkan selain apa yang telah dilakukan dalam

definisi Harris bahwa pencarian corner nilai dua eigen merupakan nilai terbesar dari nilai treshold.

II.1.10 Lucas Kanade

Dalam computer vision, metode Lucas-Kanade adalah metode diferensial banyak digunakan untuk estimasi optical flow yang dikembangkan oleh Bruce D. Lucas dan Takeo Kanade. Ini mengasumsikan bahwa aliran/flow pada dasarnya konstan/tetap di lingkungan lokal dari pixel yang dipertimbangkan, dan memecahkan persamaan aliran dasar optik untuk semua piksel di lingkungan itu, dengan kriteria kuadrat terkecil.

Dengan menggabungkan informasi dari beberapa piksel terdekat, metode Lucas-Kanade sering dapat menyelesaikan ambiguitas yang melekat pada persamaan aliran optik metode point-wise.

Metode Lucas-Kanade mengasumsikan bahwa perpindahan dari isi gambar antara dua instants dekat (frame) yang kecil dan sekitar konstan dalam lingkungan dari p titik dalam pertimbangan. Jadi persamaan aliran optik dapat dianggap berlaku untuk semua piksel dalam jendela berpusat di p. Yakni, aliran gambar lokal (kecepatan) vektor (Vx, Vy) harus memenuhi persamaan (5).

Ix(q1)Vx + Iy(q1)Vy = − It(q1)

………..……(16) Ix(q2)Vx + Iy(q2)Vy = − It(q2

I

) x(qn)Vx + Iy(qn)Vy = − It(qn)

Mana adalah piksel dalam jendela, dan Ix(qi),Iy(qi),It(qi) adalah derivatif parsial dari gambar sehubungan dengan posisi x, y dan waktu t, dievaluasi pada titik qi dan pada waktu saat ini. Persamaan ini dapat ditulis dalam bentuk matriks Av = b, di mana

= �

( ₁) ( ₁)

⋮ ⋮

( _�) ( _�)

� , �= �_{� �}� , �� �= �

− �( 1)

− �( 2)

⋮ − �( 1�)

�…………....(17)

Sistem ini memiliki persamaan lebih dari yang diketahui dan dengan demikian biasanya over-diterminan. Metode Lucas-Kanade mendapatkan solusi dengan prinsip kuadrat terkecil. Yaitu, memecahkan sistem 2 × 2

ATAv = ATb or

v = (ATA) − 1ATb

dimana AT adalah matriks transpos A

II.1.11 Algoritma Pyramidal Lucas Kanade

, dengan perhitungan :

��_{� �}= � ∑ ( )

2 ∑ _{( ) ( )}

∑ ( ) ( ) ∑ ( )2 �……….(18)

dengan jumlah berjalan dari i = 1 sampai n.ATA matriks sering disebut tensor struktur gambar pada titik p.

Pada dasarnya algoritma phyramidal lucas kanade merupakan pengembangan dari algoritma lucas kanade. Metoda ini di adaptasikan dengan metode phyramidal guna untuk memberikan kemampuan untuk memperluas

pendeteksian gerakan agar gerakan-gerakan yang besar dalam windows(jendela yang membaca gerakan input dari kamera web) yang kecil. Misalkan ada gerakan objek ke kanan akan mudah terdeteksi dibandingkan dengan gerakan objek yang menyerong ke kanan dan kebawah secara bersamaan di depan kamera dengan windows yang berukuran kecil tidak akan bias terdeteksi.

Pada dasarnya metode lucas kanade terdiri dari tiga asumsi :

1. Brightness Constancy : brightness dari sebuah pixel dari sebuah citra dalam sebuah layar tidak berubah (bentuk dalm sebuah grayscale).

2. Temporalpersistenceor “small movements” : gerakan citra bergerak secara perlahan. Ini berarti kecepatan tergantung dari skala perpindahan objek yang ada dalam frame tidak berpindah terlalu banyak.

3. Spatial coherence : point kordinat yang ada pada tampilan citra yang sama memiliki kemiripan objek.

Hanya saja dengan asumsi di atas gerakan besar yang terjadi tidak dapat dideteksi, sedangkan salah satu solusinya adalah menggunakan windows yang besar, akan tetapi ini mengakibatkan adanya gerakan yang tidak koheren. Algoritma Pyramidal Lucas-Kanade menyelesaikan permasalahan tersebut tanpa menghilangkan asumsi gerakan yang koheren.

Pendekatan ini menggunakan prinsip piramida, yaitu bekerja dari detil citra paling rendah hingga detil citra paling tinggi.

Gambar II.9 Pyramidal Lucas Kanade

Algoritma Pyramidal Lucas-Kanade pertama bekerja pada layer piramida paling tinggi. Kemudian hasilnya digunakan sebagai titik awal untuk bekerja pada layer dibawahnya. Hal ini berlanjut hingga mencapai level paling rendah. Berdasarkan makalah yang diajukan oleh Bouquet (Bouquet, 2000), algoritma Pyramidal Lucas-Kanade dapat dijelaskan sebagai berikut: Misalkan I dan J adalah dua citra gray scale 2D. Dua nilai I(x) = I(x;y) dan J(x) = J(x;y) adalah nilai gray scale dari dua citra pada lokasi x = [x;y]T, dengan x dan y merupakan koordinat dua pixel dari point citra generik x. Citra I akan ireferensikan sebagai citra pertama, dan citra J sebagai citra kedua[2].

Anggap sebuah titik u = [ux uy]T pada citra pertama I. Tujuan dari tracking fiture adalah untuk menemukan lokasi v = u + d = [ux +dx uy +dy]T pada citra kedua J dengan I(u) dan J(v) adalah serupa. Vektor d = [dx dy]T merupakan kecepatan

citra pada x, juga diketahui sebagai aliran optis pada x. Hal ini penting untuk mendefinisikan dugaan kesamaan dalam ketetanggaan 2D. Misalkan wxdan wyy

dua integer yang mendefinisikan setengah ukuran dari window integrasi di atas x. Didefinisikan kecepatan citra d sebagai vektor yang meminimasi fungsi yang didefinisikan sebagai persamaan (8)[1].

�( ) = �( , ) ……….(19)

Sedangkan untuk summary algoritma pyramidal tracking dengan lucas kanade secara matematis terdiri dari persamaan-persamaan matematik yang

diambil berdasarkan journal nomor [3] pada daftar pustaka, berikut summary algoritma pyramidal lucas kanade:

(Goal : jadikan u menjadi titik kordinat awal pada gambar. menemukanlokasiv yang sesuaipadagambar J)

Build pyramid representations of I and J :

{ } _{=0,., �} �� { } _{=0,., �} …………...(20)

Initiation ofpyramidalguess: � _{= [} � �_{] = [0 0] …..………..(21)}

For = _�down to 0 with step of -1 (or until ‖ ̅ ‖< accuracy threshold)

Location of point u on image � : = [ ] = /2 ………...(22) Derivative of with respect to x : ( , ) = ( +1, )− ( −1, )

2 .…(23)

Derivative of with respect to y : ( , ) = ( , +1)− ( , −1)

Spatial gradient matrix :

= ∑ ∑ �

2_{( , ) ( , ) ( , )}

( , ) ( , ) 2_{( , )} �

+� = −� +�

= −� ………(25)

Initializationdari iterasi L-K : ����0 _{= [0 0] ………....(26)}

For k = 1 toK with step of 1 (or until ‖ ̅ ‖< accuracy threshold Image difference :

� ( , ) = ( , )− ( + +� −1, + +� −1) …..(27) Image mismatch vector :

�� = ∑ ∑ ��_� ( , ) ( , )

( , ) ( , )� +�

= −� +�

= −� ………..(28)

Optical flow (Lucas-Kanade) : ̅ = −1�� …………...(29) Guess for next iteration : �̅ = �̅ −1+ ̅ ………(30)

End of for-loop on k

Final optical at level L : � = �̅ ………...(31) Gues for next level L-1 :

−1 _=� −1 −1_{� = 2( �+ ) ..(32)}

End for for-loop onk

Final optical flow vector : �= �+��……….(33) Location of point on J : v = u + d………...(34)

Dan psedeocode yang di ambil dari algoritma di atas adalah sebagai berikut :

#

build pyramid representations of I and JILm, JLm Initialization of pyramidal guess gLm

for L = Lm to 0

uL =location of u on ILm = u/2^L Ix = derivative of IL wrt x

Iy = derivative of IL wrt y G = spatial gradient matrix init iterative L-K (guess V0)

for k = 1 to K or until optical flow < treshold

Vk = iterative L-K loop estimation end for

final optical flow at level L dL = Vk calculate guess for next level gLm-1 end for

final optical flow vector V = g0 + d0 return v = u +d

# #

Sehingga akhirnya ditemukan titik perubahan adalah v dan dengan vector

V.

II.2 OpenCV (Open Computer Vision)

OpenCV merupakan framework untuk membantu dalam membangun sistem yang menggunakan teknologi Computer Vision yang support terhadap Intel Image Processing Library (IPL). OpenCV di desain untuk mengefisiensikan

komputasi dengan focus terhadap aplikasi yang bersifat real-time. OpenCV dibangun oleh Intel pertamkali dikembangkan tahun 1999 dan versi alpha yang direalease ke publi Willow

II.2.1 IPLImage dan Math

OpenCV memiliki beberapa tipe data primitif. Jenis data tidak primitif dari sudut pandang C, tetapi mereka semua struktur sederhana, dan opencv akan menganggap mereka sebagai atom. Tipe data dasar tersebut dapat diperiksa dalam rincian struktur yang diuraikan dalam header cxtypes.h file (dan juga lainnya struktur), yang ada di .../OpenCV/cxcore/ include direktori dari OpenCV menginstal.

Tipe sederhana jenis ini adalah CvPoint. CvPoint adalah struktur sederhana dengan dua bilangan bulat anggota, x dan y. CvPoint memiliki dua saudara kandung: CvPoint2D32f dan CvPoint3D32f. Tipe data CvPoint2D32f dan CvPoint3D32f memiliki dua anggota yang sama x dan y, yang keduanya

floating-point. Terakhir juga mengandung elemen ketiga, z.

CvSize lebih mirip sepupu CvPoint. Anggota-anggotanya adalah lebar dan

tinggi, yangkedua bilangan bulat. Jika Anda ingin memiliki CvSize dengan tipe data purba dalam C/C++ floating-point, gunakan CvSize2D32f sepupu CvSize.CvRect merupakan anak/turunan dari CvPoint dan CvSize; itu berisi empat

anggota: x, y, lebar, dan tinggi. Terakhir namun tidak kalah pentingnya adalah CvScalar, yang merupakan satu set empat nomor ganda-presisi. Ketika memori

tidak memiliki masalah (mencukupi), CvScalar sering digunakan untuk mewakili satu, dua, atau tiga bilangan real. CvScalar memiliki anggota tunggal val, yang merupakan pointer ke array yang berisi empat ganda presisi floating-titik angka. Semua tipe data memiliki metode konstruktor dengan nama seperti cvSize()

(umumnya * konstruktor mempunyai nama yang sama dengan tipe struktur tetapi dengan karakter pertama tidak dikapitalisasi). Ingatlah bahwa ini adalah C dan tidak C++, jadi ini "konstruktor" hanya fungsi inline yang mengambil daftar argumen dan mengembalikan struktur yang diinginkan dengan

II.2.1.1

nilai ditetapkan dengan benar. Matrix dan Tipe-tipe Image

Dalam GambarII.10 menunjukan hirarki class atau struktur dari ketiga jenis foto. Dalam penggunaan OpenCV, tipe data IplImage adalah struktur dasar yang digunakan untuk mengkodekan suatu citra. Gambar dimungkinkan memiliki format grayscale, warna, empat-channel (RGB +alpha), dan masing-masing saluran mungkin berisi salah satu dari beberapa jenis integeratau floating-point. Oleh karena itu, jenis ini lebih general dari pada tiga saluran dimana citra memiliki 8-bit RGB. OpenCV menyediakan banyak operator yang berguna yang bertindak atas suatu gambar, termasuk alat untuk mengubah ukuran gambar, ekstrak saluran individu, mencar inilai terbesar atau terkecil saluran tertentu, tambahkan dua foto, ambang gambar, dan sebagainya.

Gambar II.10 Meskipun OpenCV diimplementasikan dalam C, struktur yang digunakan dalam OpenCV memiliki

Ada dua hal yang perlu diketahui sebelum terjun kedalam pengolahan matriks. Pertama, tidak ada "vektor" dalam OpenCV. Setiap kali terdapat vektor, OpenCV hanya menggunakan matriks dengan satu kolom (atau satu baris, jika

ingin berpindah atau vektor conjugate). Kedua, konsep matriks di OpenCV agak lebih abstrak dari konsep yang dipelajari dalam aljabar linear pada mata kuliah biasanya. Secara khusus, unsur-unsur matriks tidak perlu diri mereka nomor sederhana. Sebagai contoh, rutin yang menciptakan matriks dua dimensi baru memiliki prototipe sebagai berikut:

cvMat * cvCreateMat (int baris, int cols, tipe int);

Di sini salah satu jenis dari daftar panjang jenis predefined bisa dalam bentuk: CV_<bit_depth>(S|U|F)C<number_of_channels>. Matriks dalam OpenCV dapat terdiri dari 32-bit floating-point (CV_32FC1), dari unsigned

integer 8-bit kembar tiga (CV_8UC3), atau unsur-unsur lain yang tak terhitung

jumlahnya. Sebuah elemen dari CvMat belum tentu satu hanya memiliki satu nilai di dalamnya sehingga dapat mewakili beberapa nilai untuk entri tunggal dalam

matriks memungkinkan untuk melakukan hal-hal seperti merupakan saluran beberapa warna dalam sebuah gambar RGB. Untuk citra sederhana yang berisi jalur merah, hijau dan biru, operator citra akan diterapkan untuk setiap channel secara terpisah (kecuali jika dinyatakan lain).

II.2.1.2 Struktur Data IPlImage

Pada intinya obyek ini merupakan CvMat tetapi dengan beberapa variabel tambahan di dalamnya untuk membuat matriks ditafsirkan sebagai gambar. Struktur ini awalnya didefinisikan sebagai bagian dari Intel Image.

Beberapa hal mungkin kecil tidak teralalu signifikan untuk di pelajari, tetapi banyak yang sangat penting untuk memahami bagaimana OpenCV menafsirkan sesuatu dan bagaiman OpenCV bekerja dengan gambar. Pada struct di atas, terdapat variabel lebar (width) dan tinggi (height), kedalaman (depth) dan Channels dimana nilai tersebut nantinya diambil berdasarkan informasi yang didapat dari suatau citra yang berbentuk matriks. Variabel kedalaman mengambil salah satu set nilai yang didefinisikan dalam ipl.h, dan nilai-nilai ini tidak persis seperti yang dilihat ketika melihat matriks. Hal ini karena untuk foto atau image cenderung untuk berurusan dengan kedalaman dan jumlah channel terpisah (sedangkan dimatrik yang sering digunakan cenderung untuk merujuk secara bersamaan). Kedalaman yang mungkin dipakai dalam tipe data image yang dapat digunakan Tabel2-1.

Tabel II-1 Tabel kedalaman tipe data iplimage yang disediakan Macro Image pixel type

Image pixel type IPL_DEPTH_8U Unsigned 8-bit integer (8u)

IPL_DEPTH_8S Signed 8-bit integer (8s)

IPL_DEPTH_16S Signed 16-bit integer (16s)

IPL_DEPTH_32S Signed 32-bit integer (32s)

IPL_DEPTH_32F 32-bit fl oating-point single-precision (32f)

IPL_DEPTH_64F 64-bit fl oating-point double-precision (64f)

II.2.2 Lucas kanade Dalam OpenCV

Rutin yang mengimplementasikan algoritma Lucas-Kanade nonpyramidal pada optical-flowadalah:

Gambar II.11 Gambar kedalaman tipe data iplimage yang disediakan

Hasilnya array untuk OpenCV rutin akan diisi hanya oleh piksel untuk yang mampu menghitung kesalahan minimum. Untuk pixel yang error ini (dan dengan demikian perpindahan) tidak dapat diandalkan dihitung, kecepatan terkait akan ditetapkan ke 0. Dalam kebanyakan kasus, Anda tidak akan ingin menggunakan rutin ini. Metode berbasis piramida lebih baik untuk situasi paling banyak memakan waktu.

void cvCalcOpticalFlowLK ( const CvArr * Imga, const CvArr * imgB, CvSize winSize, CvArr * velx, CvArr * vely

II.2.2.1 Piramida Lucas-Kanade Dalam OpenCV

Untuk algoritma dalam OpenCV yang menghitung Lucas-Kanade flowoptic dalam piramida, adalah cvCalcOpticalFlowPyrLK(). Fungsi ini flow optic memanfaatkan "good fitur to track" dan juga melakukan indikasi

kembali seberapa baik masing-masing pelacakan point melanjutkan.

Gambar II.12 Rutin Pyramidal Lucas Kanade Optical Flow

Fungsi ini memiliki banyak masukan, dua argument pertama

cvCalcOpticalFlowPyrLK () adalah gambar awal dan akhir; keduanya harus citra single-channel, 8-bit. Kedua argumen berikutnya adalah buffer yang dialokasikan untuk menyimpan gambar piramida. Ukuran dari buffer harus setidaknya (img.width+ 8) img.height * / 3 byte, * dengan satu buffer tersebut untuk masing-masing dari dua gambar input (PyrA dan pyrB). Jika kedua pointer diatur ke NULL maka rutin akan mengalokasikan, penggunaan, dan tidak perlu mengalokasikan memori yang sesuai saat dipanggil, tetapi ini tidak begitu baik

void cvCalcOpticalFlowPyrLK ( const CvArr * Imga, const CvArr * imgB, CvArr * Pyra, CvArr * pyrB,

CvPoint2D32f * featuresA, CvPoint2D32f * featuresB, int hitung,

CvSize winSize, int level, status char *, float * track_error, CvTermCriteria kriteria, int flag

dalm hal kinerja. FeaturesAarray berisi poin yang gerak tersebut dapat ditemukan, dan featuresB adalah array yang sama ke lokasi yang baru dihitung dari titik-titik dari featuresA harus ditempatkan, hitung adalah jumlah titik dalam daftar featuresA. Jendela yang digunakan untuk menghitung gerakan koheren lokal

diberikan oleh winSize. Karena membangun gambar piramida, tingkat argumen yang digunakan untuk mengatur kedalaman tumpukan gambar.

Jika tingkat diatur ke 0 maka piramida tidak digunakan. Status array hitung panjang; pada saat penyelesaian rutin, setiap entri dalam status akan baik 1 (jika yang sesuai titik ditemukan pada gambar kedua) atau 0 (jika tidak). Parameter track_error adalah opsional dan dapat dimatikan dengan menetapkan ke NULL. Jika track_error aktif maka akan berbentuk array angka, satu untuk setiap titik dilacak, sama dengan erence diff antara patch sekitar titik dilacak pada gambar terlebih dulu, patch di sekitar lokasi yang titik yang dilacak pada gambar kedua. Anda dapat menggunakan track_error untuk memangkas pergi poin yang lokal perubahan terlalu banyak patch tampilan sebagai memindahkan titik.

Untuk menghasilkan struktur yang butuhkan biasanya menggunakan

cvTermCriteria() berfungsi. Argumen pertama fungsi ini adalah

CV_TERMCRIT_ITER atau CV_TERMCRIT_EPS, yang menentukan algoritma yang dipilih untuk menentukan setelah beberapa jumlah iterasi atau ketika konvergensi metrik mencapai beberapa nilai kecil (masing-masing). Kedua argumen berikutnya menetapkan nilai-nilai di mana satu, yang lain, atau kedua kriteria ini harus mengakhiri algoritma.

Alasan memiliki kedua pilihan adalah agar dapat menetapkan jenis untuk

CV_TERMCRIT_ITER | CV_TERMCRIT_EPS dan dengan demikian rutin memiliki kondisi berhenti dalam proses yang memerlukan perulangan(ini adalah apa yang dilakukan di sebagian besar nyata code). Akhirnya, bendera memungkinkan untuk beberapa kontrol halus dari pembukuan internal rutin itu, mungkin ditetapkan untuk setiap atau semua (menggunakan OR bitwise) dari berikut.

1. CV_LKFLOW_PYR_A_READY Gambar piramida untuk frame terlebih Fdulu dihitung sebelum panggilan tersebut dan disimpan dalam Pyra.

2. CV_LKFLOW_PYR_B_READY Gambar piramida untuk frame kedua dihitung sebelum panggilan tersebut dan disimpan dalam pyrB.

3. CV_LKFLOW_INITIAL_GUESSES Array B sudah berisi menebak awal untuk fitur koordinat saat rutin disebut.

Flag ini sangat berguna saat menangani video berurutan. Gambar piramida

agak mahal untuk menghitung (penggunaan memory), sehingga recomputing harus dihindari sebisa mungkin. Frame akhir untuk pasangan frame sebelumnya (source awal) akan dihitung menjadi bingkai awal untuk pasangan akan dighitung berikutnya. Jika rutin diberi informasikan bahwa informasi ini sudah dihitung maka tidak akan menghitung ulang (recomputing). Demikian pula, jika menghitung gerak suatu titik dari frame sebelumnya maka menjadi posisi yang

baik untuk membuat awal yang baik tebakan untuk frame berikutnya. Jadi rencana dasar yang sederhana: menyertakan foto, daftar poin yang ingin dilacak di featuresA, dan panggilan rutin. Ketika rutin memberikan return value, periksa

status array untuk melihat poin berhasil dilacak dan kemudian periksa featuresB untuk menemukan yang baru lokasi titik-titik. Hal ini membawa kembali ke masalah bagaimana untuk memilih mana fituryang baik untuk melacak. Sebelumnya OpenCV memniliki rutin cvGoodFeaturesToTrack (), yang awalnya menggunakan metode yang diusulkan oleh Shi dan Tomasi untuk memecahkan ini masalah dengan cara yang dapat diandalkan. Dalam kebanyakan kasus, hasil yang baik yang diperoleh dengan menggunakan kombinasi dari cvGoodFeaturesToTrack() dan cvCalcOpticalFlowPyrLK (). Tentu saja dapat

juga menggunakan kriteria sendiri untuk menentukan poin untuk melacak. II.3 C/C++

Tahun 1969, laboratorium Belll AT&T di Muray Hill, New Jersey menggunakan bahasa assembly ini untuk mengembangkan sistem operasi UNIX. Maksudnya adalah untuk membuat sistem operasi yang dapat bersifat programmer-friendly. Setelah UNIX berjalan, Ken Thompson, seorang pengembang sistem di laboratorium tersebut mengembangkan bahasa baru dengan nama bahasa B. huruf B ini diambil BCPL. Bahasa B ini kemudian digunakan untuk menulis ulang atau merevisi sistem operasi UNIX. Oleh karena bahasa B masih bersifat interpret dan lambat, maka pada tahun 1971, sistem operasi UNIX kemudian ditulis ulang dengan menggunakan bahasa C, yaitu bahasa

pemrograman yang dikembangkan oleh Dennis Ritchie, seorang pengembang sistem di laboratorium yang sama.

Sampai sekarang basaha C masih digunakan untuk melakukan pengembangan-pengembangan program dan siste-sistem operasi, diantaranya sistem operasi Windows. Alasan itulah yang menjadikan bahasa C sangat populer di dunia pemrograman, khususnya untuk industri perangkat lunak.

Bjarne Stroustrup pada Bell labs pertama kali mengembangkan C++ pada

awal sistem support untuk pemrograman tingkat rendah (low level coding). Pada C++ ditambahkan konsep-konsep baru seperti class dengan sifat-sifatnya seperti inheritance dan overloading. Salah satu perbedaan yang paling mendasar dengan bahasa C adalah dukungan terhadap konsep pemrograman berorientasi objek

Perbedaan Antara Bahasa pemrograman C dan C++ meskipun bahasa-bahasa tersebut menggunakan sintaks yang sama tetapi merekakeduanya memiliki perbedaan, C merupakan bahasa pemrograman prosedural, dimana penyelesaian suatu masalah dilakukan dengan membagi-bagi masalah tersebut kedalam su-submasalah yang lebih kecil, Selain itu, C++ merupakan bahasa pemrograman yang memiliki sifa masalah, C++ melakukan langkah pertama dengan menjelaskan class-class yang merupakan anak class yang dibuat sebelumnya sebagai abstraksi dari object-object fisik, Class tersebut berisi keadaan object, anggota-anggotanya dan

kemampuan dari objectnya, Setelah beberapa Class dibuat kemudian masalah dipecahkan dengan Class.

II.4 Eclipse Helios

Eclipse adalah sebuaIntegrated Development Environment) untuk mengembangkan perangkat lunak dan dapat dijalankan di semua platform (platform-independent). Berikut ini adalah sifat dari Eclipse:

1. Multi-platform: Target sistem operasi Eclipse adalah Linux, Solaris, AIX, HP-UX, dan Mac OS X.

2. Mulit-language: Eclipse dikembangkan dengan bahasa pemrograman Java, akan tetapi Eclipse mendukung pengembangan aplikasi berbasis bahasa pemrograman lainnya, seperti C/C++ sebagainya.

3. Multi-role: Selain sebagai IDE untuk pengembangan aplikasi, Eclipse pun bisa digunakan untuk aktivitas dalam siklus pengembangan perangkat lunak, seperti dokumentasi, test perangkat lunak, pengembangan web, dan lain sebagainya.

Eclipse pada saat ini merupakan salah satu IDE favorit dikarenakan gratis

dan open source, yang berarti setiap orang boleh melihat kode pemrograman perangkat lunak ini. Selain itu, kelebihan dari Eclipse yang membuatnya populer adalah kemampuannya untuk dapat dikembangkan oleh pengguna dengan komponen yang dinamakan.

II.5 CDT (C Development Tool)

CDT adalah suatu project yang berisikan seluruh fungsional C dan C++ untuk mengintegrasikannya dengan Development Environtment Eclipse. Fasilitas yang dimasukan kedalam eclipse adalah support untuk pembuatan project dan memanage hasil builduntuk berbagai macam peralatan, mendukung menggunakan 'make' build, navigasi source, dan berbagai peralatan pendukung untuk source knowloedge, seperti hirarki, call graph,include browser, macro definition browser, code editor dengan syntax highlighting, folding dan hyperlink, navigasi,

source code refactoring dan code generation, visual debugging tools, including

memory, register, dan disassembly viewers.

II.6 GCC (GNU Compiler Collection) dan G++

Richard Stallman memulai GCC pada tahun 1985. Dia diperpanjang

kompiler yang ada untuk mengkompilasi C. kompilator awalnya dikompilasi Pastel, sebuah dialek, diperpanjang nonportable Pascal, dan ditulis dalam Pastel. Ini ditulis ulang di C oleh Len Tower dan Stallman, dan dirilis pada tahun 1987 sebagai compiler untuk Proyek GNU, dalam rangka untuk memiliki sebuah kompiler yang tersedia yang perangkat lunak bebas. Pengembangannya dibawah oleh Free Software Foundation (FSF). Pada 1991, 1.x GCC telah mencapai titik stabilitas, tetapi keterbatasan arsitektur dicegah banyak perbaikan yang diinginkan, sehingga FSF mulai bekerja pada GCC 2.x.

Sebagai GCC merupakan perangkat lunak bebas, programer yang ingin bekerja di arah lain-terutama yang menulis antarmuka untuk bahasa lain selain

C-bebas untuk mengembangkan garpu mereka sendiri compiler. Beberapa garpu terbukti tidak efisien dan berat, namun, dan kesulitan dalam mendapatkan pekerjaan yang diterima oleh proyek GCC resmi sangat frustrasi bagi banyak orang. FSF terus kontrol yang dekat seperti pada apa yang telah ditambahkan ke versi resmi dari GCC GCC 2.x yang digunakan sebagai salah satu contoh dari model "katedral" pembangunan di esai s Eric S. Raymond 'The Cathedral dan Bazaar. Dengan rilis 4.4BSD pada tahun 1994, GCC menjadi compiler default untuk sistem BSD.

GNU Compiler Collection (GCC) adalah suatu sistem compiler yang dihasilkan oleh Proyek GNU mendukung berbagai bahasa pemrograman. GCC adalah komponen kunci dari GNU toolchain. Selain sebagai compiler resmi dari sistem operasi GNU belum selesai, GCC telah diadopsi sebagai compiler standar oleh sebagian besar sistem komputer modern lain operasi mirip Unix, termasuk Linux, keluarga BSD dan Mac OS X.

GCC telah porting ke berbagai arsitektur prosesor, dan secara luas digunakan sebagai alat dalam lingkungan pengembangan perangkat lunak sumber komersial, eksklusif dan tertutup. GCC juga tersedia untuk platform tertanam kebanyakan, misalnya Symbian, AMCC dan Power Freescale Arsitektur berbasis chip Compiler. Dapat menargetkan berbagai platform, termasuk videogame konsol seperti PlayStation 2 dan Dreamcast. Beberapa perusahaan membuat bisnis keluar dari penyediaan dan mendukung port GCC untuk berbagai platform, dan

produsen chip hari ini mempertimbangkan sebuah port GCC hampir penting bagi keberhasilan arsitektur.

Awalnya bernama GNU C Compiler, karena hanya menangani bahasa C pemrograman, GCC 1.0 dirilis pada tahun 1987, dan compiler ini diperpanjang untuk mengkompilasi C + + di bulan Desember tahun itu Front berakhir itu. Kemudian dikembangkan untuk Fortran, Pascal, Objective-C, Java, dan Ada, antara lain.

Free Software Foundation (FSF) mendistribusikan GCC di bawah GNU General Public License (GNU GPL). GCC telah memainkan peranan penting dalam pertumbuhan perangkat lunak bebas, baik sebagai alat dan contoh.

G++ merupakan prangkat lunak yang berfungsi sebagai compiler C++, sama halnya dengan GCC, G++ berlisensi open source dan biasa di pakai dalam sistem operasi berbasis linux. Dan G++ maupun GCC dapat di intgrasikan dengan IDE lain termasuk dengan eclipse dengan menggunakan bantuan toolkit yang bernama CDT.

II.7 QT Framework

Qt adalah aplikasi cross-platform kerangka yang banyak digunakan untuk mengembangkan perangkat lunak atau aplikasi dengan antarmuka pengguna grafis (GUI) (Qt disebut juga sebagai widget toolkit), dan juga digunakan untuk mengembangkan program-program non-GUI seperti tool baris perintah dan konsol untuk server. Qt yang pun telah digunakan dalam pengembangan perangkat lunak pada Autodesk Maya, Dassault DraftSight, Google Earth, KDE,

Adobe Photoshop Album, European Space Agency, OPIE, Siemens, Volvo, Walt Disney Animation Studios, Skype, VLC media player, Samsung, Philips, Panasonic, VirtualBox dan Mathematica.

Hal ini dihasilkan oleh Nokia divisi Pengembangan Qt Frameworks, yang muncu setelah Nokia meng-akuisisi perusahaan Trolltech Norwegia, produsen asli dari Qt. Nokia mengumumkan bahwa itu akan menjatuhkan teknologi Symbian dan basis smartphone masa depan mereka pada Microsoft platform bukannya pada Februari 2011, menimbulkan pertanyaan tentang nasib Qt's. Satu bulan kemudian Nokia mengumumkan akuisisi lisensi komersial Qt dan layanan profesional dengan Digia PLC, meskipun Nokia akan tetap menjadi kekuatan pengembangan utama di balik kerangka kerja.

Qt menggunakan standar C + + tetapi membuat ekstensif menggunakan generator kode khusus (disebut Meta Object Compiler, atau moc) bersama dengan beberapa macro untuk memperkaya bahasa. Qt juga dapat digunakan dalam beberapa bahasa pemrograman lain melalui bindings bahasa. Ia berjalan di semua platform utama dan memiliki dukungan internasionalisasi yang luas. Non-GUI fitur termasuk akses SQL database, parsing XML, manajemen benang, dukungan jaringan, dan terpadu lintas-platform API untuk menangani file.

Didistribusikan menurut ketentuan dari GNU Lesser General Public License (antara lain), Qt adalah perangkat lunak bebas dan open source. Semua edisi mendukung berbagai kompiler, termasuk kompiler GCC C + + dan Visual Studio suite.

II.8 UML

Unified Modeling Language (UML) adalah himpunan struktur dan teknik

untuk pemodelan desain program berorientasi objek (OOP) serta aplikasinya. UML adalah metodologi untuk mengembangkan sistem OOP dan sekelompok perangkat tool untuk mendukung pengembangan sistem tersebutUML mulai diperkenalkan oleh Object Management Group, sebuah organisasi yang telah mengembangkan model, teknologi, dan standar OOP sejak tahun 1980-an. Sekarang UML sudah mulai banyak digunakan oleh para praktisi OOP. UML merupakan dasar bagi perangkat (tool) desain berorientasi objek dari IBM.

UML adalah suatu bahasa yang digunakan untuk menentukan, memvisualisasikan, membangun, dan mendokumentasikan suatu sistem informasi. UML dikembangkan sebagai suatu alat untuk analisis dan desain berorientasi objek oleh Grady Booch, Jim Rumbaugh, dan Ivar Jacobson. Namun demikian UML dapat digunakan untuk memahami dan mendokumentasikan setiap sistem informasi. Penggunaan UML dalam industri terus meningkat. Ini merupakan standar terbuka yang menjadikannya sebagai bahasa pemodelan yang umum dalam industri peranti lunak dan pengembangan sistem.

Saat ini UML paling banyak digunakan dengan cara pertama dan kedua. Khusus dalam metode agile (cepat dan ringan), UML digunakan dengan cara pertama.

UML menyediakan 10 macam diagram untuk memodelkan aplikasi berorientasi objek, yaitu:

1. Use Case Diagram untuk memodelkan proses bisnis.

2. Conceptual Diagram untuk memodelkan konsep-konsep yang ada di dalam aplikasi.

3. Sequence Diagram untuk memodelkan pengiriman pesan (message) antar objects.

4. Collaboration Diagram untuk memodelkan interaksi antar objects. 5. State Diagram untuk memodelkan perilaku objects di dalam sistem.

6. Activity Diagram untuk memodelkan perilaku Use Cases dan objects di dalam system.

7. Class Diagram untuk memodelkan struktur kelas. 8. Object Diagram untuk memodelkan struktur object.

9. Component Diagram untuk memodelkan komponen object. 10.Deployment Diagram untuk memodelkan distribusi aplikasi.

Berikut akan dijelaskan 4 macam diagram yang paling sering digunakan dalam pembangunan aplikasi berorientasi object, yaitu use case diagram, sequence diagram, collaboration diagram, dan class diagram.

5. Use Case Diagram

Use case diagram digunakan untuk memodelkan bisnis proses berdasarkan

perspektif pengguna sistem. Use case diagram terdiri atas diagram untuk use case dan actor. Actor merepresentasikan orang yang akan mengoperasikan atau orang yang berinteraksi dengan sistem aplikasi.

Use case merepresentasikan operasi-operasi yang dilakukan oleh actor.

Use case digambarkan berbentuk elips dengan nama operasi dituliskan di

dalamnya. Actor yang melakukan operasi dihubungkan dengan garis lurus ke use case.

6. Sequence Diagram

Sequence diagram menjelaskan secara detail urutan proses yang dilakukan

dalam sistem untuk mencapai tujuan dari use case: interaksi yang terjadi antar class, operasi apa saja yang terlibat, urutan antar operasi, dan informasi yang

diperlukan oleh masing-masing operasi. 7. Collaboration Diagram

Collaboration diagram dipakai untuk memodelkan interaksi antar object

di dalam sistem. Berbeda dengan sequence diagram yang lebih menonjolkan kronologis dari operasi-operasi yang dilakukan, collaboration diagram lebih fokus pada pemahaman atas keseluruhan operasi yang dilakukan oleh object.

8. Class Diagram

Class diagram merupakan diagram yang selalu ada di permodelan sistem

berorientasi objek. Class diagram menunjukkan hubungan antar class dalam sistem yang sedang dibangun dan bagaimana mereka saling berkolaborasi untuk mencapai suatu tujuan.

57

ANALISIS DAN PERANCANGAN SISTEM

III.1 Analisis

III.1.1 Analisis Masalah

Permasalahan pada penelitian ini adalah sulitnya membangun sistem pengontrol mouse pointer komputer dengan pergerakan tangan manusia menggunakan web-cam. Hal ini dikarenakan sulitnya mendeteksi letak kontur tangan, optical-flow dan juga proses komputasi matriks dan histogram yang ada dalam sistem dikarenakan harus dibuat dengan memori yang terbatas sedangkan angka yang berada dalam matriks dan histogram sangat banyak dan terjadi perubahan nilai yang cukup besar dan cepat dalam prosesnya.

III.1.2 Analisis Kebutuhan Data

Sistem yang dibangun adalah sistem pengontrol mouse pointer komputer dengan pergerakan tangan manusia menggunakan web-cam. Suatu sistem yang melukakan kontrol atau kendali terhadap mouse pointer dengan pergerakan tangan manusia menggunakan web-cam dengan mengimplementasikan algoritma lucas-kanade, sehingga membutuhkan input berupa citra yang diambil secara real-time

menggunakan alat input web-cam dan citra tersebut merupakan kumpulan matriks yang nantinya akan diolah lebih lanjut dalam sistem untuk proses identifikasi objek tangan manusia guna mengontrol mouse pointer komputer.

III.1.3 Analisis Algoritma

Dalam penelitian ini digunakan dua metode, akan tetapi metode yang paling utama adalah algoritma pyramidal lucas kanade. Algoritma pyramidal lucas kanade yang digunakan dalam penelitian ini adalah untuk mengetahui

pergerakan vector yang terjadi dalam setiap perubahan frame pada video real-time yang didapatkan dari web-cam. Sedangkan metode kedua adalah convexity defects dimana metode ini berfungsi sebagai pengenal dari pola tangan yang diambil berdasarkan warna kulit dan menghitung jumlah jari yang terdeteksi oleh convexity defects.

Bukan hanya dalam openCV tetapi hampir disemua tools untuk pengembangan teknologi computer vision dibutuhkan proses komputasi sebelum diolah lebih lanjut dalam algoritma pyramidal lucas kanade. Adapun beberapa proses komputasi diperlukan dalam implementasi algoritma pyramidal lucas kanade adalah konversi citra menjadi grayscale, membuat citra threshold, metode

“good feature to track”, find corner, barulah implementasi algoritma pyramidal

lucas kanade.

Dalam penggunaana library OpenCV dengan menggunakan bahasa pemrogramman C++, diperlukan beberapa library yang di include untuk menghubungkan antara sistem yang dibangun dengan library openCV. Library yang perlu di include ke dalam sistem adalah sebagai berikut :

1. opencv_imgproc 2. opencv_calib3d

3. opencv_video 4. opencv_features2d 5. opencv_ml

6. opencv_highgui 7. opencv_objdetect 8. opencv_contrib 9. opencv_legacy

Sedangkan Header di perlukan untuk menggunakan openCV dalam sistem adalah :

1. cv.h 2. highgui.h 3. cvaux.h

Dalam implementasi teknik handtracking tentunya tidak dapat langsung diimplementasikan begitu saja, dibutuhkan pre-processing sebelum mengimplementasikan metoda tracking and motion dengan menggunakan openCV.

Berikut garis besar proses yang terjadi di dalam sistem:

Deteksi kulit Input dari

web-cam

Deteksi Tangan dengan Convexhull & convexity defects

Lucas Kanade

Singkronisasi Mouse Pointer

160 V(G) = 11 – 11 + 2 = 2

Dari gambar IV.13 didapat independent path sebagai berikut : Path = 1-2-3-4

Path = 1-2-5-6-7-8-9-10-11-8-12-13 IV.2.1.3Kesimpulan Pengujian Alpha

Dari hasil pengujian yang didapatkan, dapat disimpulkan bahwa sistem sudah berjalan sesuai dengan yang diharapkan dan diperkirakan, proses penanganan kamera yang sudah berjalan dan proses komputasi guna mendeteksi objek tangan pada suatu citra ketika citra yang didapat bukan merupakan objek tangan ataupun bagian tubuh manusia maka proses komputasi tersebut tidak dilakukan sehingga dapat memperkecil penggunaan memori guna efisiensi penggunaan memori.

Secara fungsional sistem sudah dapat menghasilkan keluaran yang diharapkan penerapan algoritma lucas kanade berjalan sesuai dengan pergerakan yang dilakukan objek tangan atau bagian tubuh manusia sehingga mempermudah singkronisasi pointer mouse.

161 BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Dari hasil penelitian yang telah dialakukan dapat terlihat penggunaan algoritma pyramidal lucas-kanade untuk mendeteksi motion dari objek tangan dengan memanfaatkan perbedaan warna kulit dengan format YCrCb dalam penelitian ini, bekerja cukup baik dalam prosesnya. Algoritma Lucas Kanade bekerja sesuai dengan yang diharapakan dapat mendeteksi pergerakan titik suatu pixel dengan cepat, namun kelemahan terjadi pada pemanfaatan warna range kulit dalam format YCrCb karena kemungkinan akan terjadi ketidakstabilan ketika proses tracking dengan menggunakan convex hull dan convexity defext karena kontur yang diciptakan hanya berdasarkan perbedaan warna kulit. Sehingga ketika terjadi dua objek dengan warna yang hamper sama dengan kulit berpapasan makan kedua objek tersebut akan membentuk satu objek yang dideteksi sebagai tangan dengan ukutan bidang yang cukup luas. Namun pendeteksian dan proses perhitungan jumlah jari dari objek tangan terjadi cukup cepat dengan pemanfaatan titik-titik defect yang dihasilkan oleh metode convexity defect.

Cahaya menjadi salah satu faktor yang mempengaruhi kualitas hasil dari proses yang terjadi didalam sistem. Semakin baik pencahayaanya (cahaya membelakangi kamera) maka proses komputasi pendeteksian tangan menghasilkan contour yang baik.

162 V.2 Saran

Dalam pembangunan sistem yang berteknologi computer vision juga menggunakan teknik motion and tracking disaran menambah dengan menggunakan teknik haar cascade agar dapat menyimpan nilai-nilai konstan yang nantinya memperkecil pengaruh atau noise dari luar sistem seperti cahaya untuk menginterfensi proses yang sedang berjalan (proses motion and tracking). Namun itu akan menambah kesulitan dalam menemukan nilai-nilai warna tetap untuk tangan dan juga sudut dan nilai kontur untuk tangan dikarenakan masih sedikitnya penelitian untuk mendapatkan nilai-nilai tersebut yang dipublikasikan, dan dalam proses menemukannya pun membutuhkan waktu yang cukup lama.

Dalam pengembangan di masa yang akan dating, disarankan untuk dapat mengimplementasikan juga di atas platform sistem operasi Windows XP. Penyesuaian dilakukan pada driver dan teknik pengendali pointer mouse pada sistem operasi windows.

163 DAFTAR PUSTAKA

[1] A. Mahtarami, Hariadi, Moch, "Tracking Gerak Tangan Berbasis Pyramidal Lucas-Kanade," 2010.

[2] G. Bradski, Kehler, Adrian, Learning OpenCV First ed. New Yourk: O'Relly, 2008.

[3] J.-Y. Bouguet, "Pyramidal Implementation of the Lucas Kanade Feature Tracker Description of the algorithm," 2000.

[4] J. Blanchete, C GUI Programming with Qt 4 vol. Second: Prentice Hall PTR, 2006.

[5] Fadlisyah, Computer Vision dan Pengolahan Citra: Andi, 2007.

[6] Intel, Open Source Computer Vision Library. U.S.A: Intel Corporation, 1999-2001.

[7] Munawar, Pemodelan UML: Andi, 2005.

[8] Wikipedia. (2011, 1 Feb). Lucas Kanade Optical Flow Methode. Available:

[9] WillRage, OpenCV Reference Manual: OpenCV, 2010.

[10] K. H. Russ Miles, Learning UML vol. I. California: O'Reilly & Associates, Inc, 2006.

DAFTAR RIWAYAT HIDUP

A. DATA PRIBADI

Nama Lengkap : Hendri Karisma Nama Panggilan : Hendri

Jenis Kelamin : Pria

Tempat Tanggal Lahir : Bandung, 29 Juli 1989

Status : Mahasiswa

Agama : Islam

Kewarganegaraan : Indonesia

Alamat : Komp. Permata Cimahi

Jl. Zamrud 9. No.11

No Telepon : 085659378552

Email : situkangsayur@gmail.com

Hobby : Main game, denger music, renang, membaca Cita-Cita : Ingin selamat dunia akhirat

Motto : seniman yang baik, meniru, seniman yang hebat, mencuri.

B. PENDIDIKAN FORMAL

Sekolah Jurusan Tempat Tahun

SDN Merdeka 5/II - Bandung 1995 – 2001

SMP N 40 Bandung - Bandung 2001 – 2004

SMA N 6 Bandung IPA Bandung 2004 – 2007

FTIK UNIKOM Teknik Informatika Bandung 2007 - 2011

C. RIWAYAT ORGANISASI

Nama Organisasi Tempat Jabatan Waktu

Unikom Programming

Team UNIKOM Anggota 2009 – 2010

Unikom Programming

Team UNIKOM Kordinator Angkatan 2010 – 2011

KPLI Cimahi / KLUC Cimahi Angota 20010 -

Sekarang

Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar dan tanpa paksaan.

Bandung, 7 Agustus 2011