ITS Undergraduate 15896 Paper 413105
Analisa Gerakan Manusia Pada Video Digital
Miftahur Rohman1), Wirawan2)
Jurusan Teknik Elektro FTI - ITS
1) miftahur_r@elect-eng.its.ac.id
2) wirawan@ee.its.ac.id
yang lama. Dan ketika hal tersebut disadari, semua sudah
terlambat dan semua informasi yang terekam menjadi tidak
berguna. Karena pelaku telah pergi dan sulit untuk diketahui
keberadaannya lagi. Dengan menambahkan teknik tembahan
berupa informasi keberadaan orang yang tertangkap kamera,
akan sangat membantu meningkatkan kerja kamera pengawas.
Pengenalan pergerakan tubuh manusia (human motion)
dari video stream memiliki beberapa aplikasi dalam video
surveillance, dunia hiburan, user interface, olahraga dan
bidang lainnya. Jika terdefinisikan beberapa jenis gerakan
tubuh, maka problem pengenalan gerakan tubuh manusia bisa
digunakan untuk memisahkan gerakan manusia dengan latar
belakangnya (background substraction). Cara bergerak
manusia adalah suatu ruang lingkup yang lebih kecil dari
begitu banyak dan kompleksnya tipe gerakan manusia. Karena
terdapat berbagai macam gerakan tubuh manusia, analisa dan
pengenalan gerakan tubuh biasanya difokuskan pada domain
atau ruang lingkup yang lebih spesifik / khusus. Misalnya saja
cara berjalan atau tipe gerakan kaki [2], gerakan ibu jari
tangan [3], gerakan bagian kepala, gerakan badan. Tugas akhir
ini akan fokus pada cara bergerak yang berdasarkan gerakan
kaki misalnya berjalan. Karena berhubungan dengan gerakan,
maka yang menjadi input dalam sistem deteksi adalah video
atau kumpulan frame image berukuran n × m yang merekam
dan merepresentasikan gerakan manusia.
Abstrak - Pengenalan cara bergerak tubuh manusia (human
motion) dari video stream memiliki beberapa aplikasi dalam video
surveillance (pengawasan), dunia hiburan, dll. Pemanfaatan
kamera sebagai pengawasan (CCTV) masih memiliki banyak
kelemahan. Kamera hanya merekam sebuah kejadian saja,
sehingga masih dibutuhkan pengawasan dari penjaga secara
terus menerus. Kadang sebuah kejadian terabaikan begitu saja
dan baru diketahui setelah beberapa saat. Keterlambatan itu
menyebabkan informasi yang diperoleh menjadi tidak berguna.
Dengan keterbatasan dalam pemberian informasi maka
dibutuhkan sebuah kemampuan tambahan untuk meningkatkan
kerja kamera pengawas. Salah satu kemampuan tambahan yang
dapat digunakan adalah object detection yang membantu
memberi informasi ketika ada orang yang tertangkap kamera.
Sehingga keberadaan orang yang tertangkap kamera cepat
disadari.
Pengenalan gerakan tubuh manusia bisa digunakan untuk
memisahkan gerakan manusia dengan latar belakangnya
(background substraction). Dari pengenalan gerakan manusia
tersebut, maka dapat dilakukan proses pendeteksian gerakan
manusia. Pendeteksian gerakan – gerakan manusia dapat
dikembangkan menjadi proses pelacakan dari gerakan – gerakan
manusia yang terekam oleh video sehingga dapat
diimplementasikan pada video surveillance (pengawasan) pada
CCTV.
Pada tugas akhir ini akan mempelajari teknik - teknik dari
object tracking (pelacakan objek bergerak) yang digunakan
untuk analisa gerakan manusia pada video digital dengan
menggunakan software Matlab. Proses analisa gerakannya
melalui beberapa tahap yaitu pemodelan lingkungan,
memisahkan antara obyek bergerak dengan latar belakangnya
(background substraction), segmentasi gerakan obyek, object
detection, dan object tracking. Hasil yang didapatkan dari analisa
gerakan manusia tersebut berupa analisa jarak dan kecepatan
dari gerakan – gerakan objek tersebut (terutama dalam gerakan
berjalan) yang tertangkap oleh video kamera yang mempunyai
tingkat akurasi tertentu.
II.
TEORI PENUNJANG
A. Video Digital [1]
Video digital pada dasarnya tersusun atas serangkaian
frame. Rangkaian frame tersebut ditampilkan pada layar
dengan kecepatan tertentu, tergantung pada frame rate yang
diberikan (dalam frame/second). Jika frame rate cukup tinggi,
mata manusia tidak dapat menangkap gambar atau frame,
melainkan menangkapnya sebagai rangkaian frame yang
saling bersambungan (continue).
Karakteristik suatu video digital ditentukan oleh resolusi
(resolution) atau frame dimention (dimensi gambar), aspect
ratio, bit depth (kedalaman bit), frame rate (laju frame), dan
pixel video tersebut. Karakteristik - karakteristik ini akan
menentukan kualitas video dan jumlah bit yang dibutuhkan
untuk menampilkannya.
Kata kunci : human motion, object detection, object tracking.
I. PENDAHULUAN
emasangan kamera pada tempat – tempat yang
membutuhkan pengawasan ketat mulai diminati oleh
banyak pihak. Karena dianggap mampu melingkupi wilayah
yang luas sehingga diharapkan dapat meningkatkan
keamanan. Memasang kamera pengawas lebih lanjut dipilih
untuk pengawasan tempat – tempat yang tidak berpenjaga.
Karena lebih efektif dalam pemakaian tenaga manusia dan
juga lebih akurat. Namun dalam pemanfaatan kamera
pengawas dibutuhkan
tambahan pendukung yang lain.
Kamera pengawas hanya akan merekam kejadian saja. Sering
kali kita tidak menyadari sebuah kejadian dalam jangka waktu
P
B. Pengenalan Gerakan Manusia
Pengenalan dari pergerakan tubuh manusia (human
motion) dari video stream memiliki beberapa aplikasi dalam
video surveillance (pengawasan), dunia hiburan, olahraga dan
bidang lainnya. Jika terdefinisikan beberapa jenis gerakan
1
(thresholding) karena terlalu banyak noise (gangguan atau
distorsi dalam citra) dan lain sebagainya. Citra dengan kualitas
seperti ini memerlukan langkah-langkah perbaikan atau
kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan
yang akan dilakukan. Semua ini memerlukan pengolahan awal
dari sebuah sistem visual yang bertujuan meningkatkan
kualitas citra secara umum, sebelum melangkah kepada
pengolahan inti dengan tujuan yang lebih spesifik. Diantara
teknik-teknik pengolahan awal untuk meningkatkan kualitas
citra ini adalah penggunaan filter.
tubuh, maka problem pengenalan gerakan tubuh manusia bisa
dinyatakan sebagai pengklasifikasian suatu gerakan ke dalam
satu dari beberapa kelas gerakan tubuh yang ada. Cara
bergerak manusia adalah suatu ruang lingkup yang lebih kecil
dari begitu banyak dan kompleksnya tipe gerakan manusia.
Karena terdapat berbagai macam gerakan tubuh manusia,
analisa dan pengenalan gerakan tubuh biasanya difokuskan
pada domain atau ruang lingkup yang lebih spesifik. Misalnya
saja cara berjalan atau tipe gerakan kaki [2], gerakan ibu jari
tangan [3], gerakan bagian kepala, gerakan badan. Karena
berhubungan dengan gerakan, maka yang menjadi input dalam
sistem klasifikasi adalah klip video atau kumpulan frame
image berukuran n × m yang merekam dan merepresentasikan
gerakan manusia.
F. Background Segmentation
Background segmentation pada prinsipnya terbagi atas tiga,
yaitu segmentasi terhadap warna, bentuk, dan tekstur.
Segmentasi yang dilakukan adalah segmentasi terhadap
warna yang merupakan proses untuk memisahkan obyek yang
kita ambil dengan latar belakang obyeknya dimana
pendekatan yang diambil adalah dengan pengelompokan
(clustering) warna. Segmentasi terhadap warna dapat
dilakukan melalui proses threshold. Sedangkan pada
clustering warna - warna yang mendekati bagian warna
sejenis nantinya akan diproses agar hanya memperoleh dua
jenis warna yang menonjol yaitu hitam dan putih.
C. Motion Segmentation
Motion segmentation bertujuan untuk memisahkan suatu
gerakan ke dalam beberapa gerakan - gerakan dengan suatu
kriteria tertentu. Jenis operasi ini berkaitan dengan pengenalan
pola. Kebanyakan segmentasi gambar memilih daerah dengan
kualitas gambar yang bagus dan setelah itu mencari daerah
yang terbaik dan cocok untuk gambar.
Segmentasi mengacu pada label piksel-piksel yang
dihubungkan dengan daerah atau gerakan objek dengan
perbedaan yang jelas. Segmentasi mempunyai hubungan erat
dengan dua masalah lain antara motion detection dan motion
estimation. Motion detection adalah panggilan khusus untuk
motion segment dengan hanya dua segmen yang sesuai dengan
gerakan kemudian dibandingkan dengan daerah gambar yang
tidak bergerak (untuk kamera yang tidak bergerak) atau global
dibandingkan dengan daerah gerakan lokal (untuk kamera
yang bergerak).
G. Thresholding
Salah satu metode yang sering digunakan dalam
pengolahan citra digital atau image processing adalah
thresholding citra. Thresholding citra adalah suatu metode
yang digunakan untuk memisahkan antara obyek dan
backgroundnya. Thresholding merupakan teknik yang
sederhana dan efektif untuk segmentasi citra. Proses
thresholding sering disebut dengan proses binerisasi. Pada
beberapa aplikasi pengolahan citra, terlebih dahulu dilakukan
threshold terhadap citra gray level untuk dapat menjadi citra
biner (citra yang memiliki nilai level 0 dan 1). Sebuah citra
hasil proses thresholding dapat disajikan dalam histogram
citra untuk mengetahui penyebaran nilai-nilai intensitas piksel
pada suatu citra/bagian tertentu dalam citra. Histogram dapat
dibagi dengan baik (segmentasi objek dengan background)
dan dapat ditentukan nilai threshold-nya. Threshold
digunakan untuk mengatur jumlah derajat keabuan yang ada
pada citra.
D. Motion Detection
Motion detection merupakan penelitian yang penting dalam
keilmuan computer vision. Banyak metode motion detection
yang telah ditemukan, satu diantaranya adalah dengan
menghitung perbedaan nilai - nilai intensitas pada suatu piksel
dari dua frame gambar yang diambil secara berturut-turut
(frame difference) yang kemudian dilakukan proses
thresholding untuk menentukan adanya perubahan objek atau
tidak. Sekalipun metode ini sangat sederhana dalam proses
implementasinya, tapi metode ini merupakan metode dasar
dari proses motion detection. Hanya saja metode ini kurang
efektif untuk menentukan pergerakan objek secara
keseluruhan, terutama bagian dalam dari objek yang bergerak,
akan tetapi secara umum metode ini sudah mampu
mengidentifikasi adanya perubahan objek.
H. Frame Difference [5]
Perbedaan frame (frame difference) adalah teknik
menghitung selisih antara 2 frame di setiap posisi pixel.
Perbedaan frame digunakan untuk memvisualisasikan objek
bergerak dalam urutan frame. Perbedaan Frame membutuhkan
memori sangat sedikit untuk melakukan perhitungan. Sebagai
contoh, jika kita mengambil urutan frame. Frame sekarang
dan frame berikutnya yang akan dipertimbangkan pada setiap
perhitungan.
E. Pre Processing [4]
Ketika kamera menangkap sebuah citra, seringkali tidak
dapat langsung digunakan seperti yang diinginkan karena
kualitasnya yang belum tentu memenuhi standar pengolahan.
Sebagai contoh citra disertai oleh variasi intensitas yang
kurang seragam akibat dari pencahayaan yang tidak merata
atau lemah dalam hal kontras sehingga obyek sulit untuk
dipisahkan dari latar belakangnya melalui operasi binerisasi
I. Edge Detection [6]
Edge detection atau deteksi tepi adalah proses yang sering
digunakan saat pengolahan image. Edge detection dapat
diartikan sebagai pelacakan atau pendeteksian sudut-sudut /
tepi suatu objek dalam sebuah image dimana sudut – sudut /
2
Dimana :
D (distance) adalah jarak yang ditempuh
X1 adalah posisi titik 1 pada sumbu X
X2 adalah posisi titik 2 pada sumbu X
Y1 adalah posisi titik 1 pada sumbu Y
Y2 adalah posisi titik 2 pada sumbu Y
Kecepatan objek bergerak dihitung dengan jarak tempuh
itu berkaitan dengan waktu. Rumus jarak Euclidean digunakan
untuk menghitung jarak antara urutan frame. Dengan
menggunakan nilai jarak sehubungan dengan frame rate,
kecepatan dari objek terdefinisi [5]. Kecepatan terdefinisi
adalah 2-dimensi (karena kamera statis).
Gambar 1. Hasil beberapa deteksi tepi
Dimana :
V (velocity) adalah kecepatan yang dicapai dalam melakukan
perpindahan.
D (distance) adalah jarak yang ditempuh.
T (time) adalah waktu yang ditempuh dalam melakukan
perpindahan
Gambar 2. Image dengan bounding box
III. PEMODELAN DAN SIMULASI SISTEM
tepi tersebut dibedakan berdasarkan perbedaan nilai R, G dan
B masing-masing piksel.
Deteksi tepi (Edge Detection) pada suatu citra adalah suatu
proses yang menghasilkan tepi-tepi dari objek - objek citra,
tujuannya adalah :
• Untuk menandai bagian yang menjadi detail citra
• Untuk memperbaiki detail dari citra yang kabur
Strategi analisis meliputi sistem pengujian untuk analisa
gerakan dengan hasil analisa berupa object tracking. Proses
analisa gerakannya melalui beberapa tahap yaitu segmentasi,
feature extraction, object detection, dan object tracking.
1. PEMODELAN LINGKUNGAN BACKGROUND
Proses pemodelan lingkungan adalah memilih tipe
lingkungan yang sesuai dengan sistem yang akan dibangun.
Lingkungan (background) pada suatu video klip didefinisikan
sebagai bagian image yang relatif statis terhadap perubahan
waktu. Apabila melakukan analisa gerakan dengan latar
belakang yang bergerak maka proses pendeteksian gerak pada
objek yang dituju menjadi sulit, karena terdapat banyak
gerakan yang dideteksi.
J. Bounding Box [5]
Jika segmentasi ini dilakukan dengan menggunakan frame
difference. Gambar divisualisasikan dengan bounding box
melalui dimensi objek yang dihasilkan dari gambar
sebelumnya. Untuk gambar tertentu, scanning dilakukan
dimana nilai intensitas dari gambar lebih dari batas
(tergantung pada nilai yang diberikan, untuk menetapkan
keakuratan yang maksimum).
Dalam hal ini fitur diekstraksi (feature extraction) oleh
warna yang menggambarkan nilai intensitas warna. Pixel
tersebut. Nilai-nilai intensitas dari atas, bawah, kiri dan kanan
menggunakan dimensi ini nilai kotak pembatas persegi
panjang diplot dalam batas-batas nilai yang dihasilkan.
2. PEREKAMAN DENGAN KAMERA
Untuk kamera yang posisinya tetap, maka kita akan
mendapatkan image background dari objek frame yang
bergerak dengan mudah. Karena yang terdeteksi gerakan
hanya pada objek yang dituju. Jika terdapat variasi karena
pencahayaan yang berubah, bayangan obyek, gerakan kamera
atau gerakan obyek-obyek pada latar belakang maka problem
mendapatkan model latar belakang menjadi lebih rumit karena
K. Tracking
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 di urutan frame. Dengan menggunakan
nilai posisi objek di setiap frame, kita dapat menghitung posisi
dan kecepatan objek bergerak [7].
Jarak yang ditempuh oleh objek ditentukan dengan
menggunakan titik pusat dari bounding box tersebut. Jarak
yang dihitung dengan menggunakan rumus jarak Euclidean
[5]. Rumus jarak Euclidean pada 2 dimensi merupakan
perpindahan sebuah simbol antara satu titik ke titik lainnya
pada sumbu X dan sumbu Y.
Gambar 3. Blok diagram
3
banyak gerakan yang terdeteksi. Untuk melakukan analisa
gerakannya dengan menggunakan Matlab dibutuhkan hasil
video dari kamera yang berformat AVI (Audio Video
Interleave) dan kapasitas file video tersebut tidak terlalu besar.
Apabila file video tersebut berkapasitas besar, maka
pemrosesan analisa gerakan pada video tersebut
membutuhkan waktu yang lama untuk prosesnya. Jika
melakukan perekaman dengan menggunakan suatu kamera
tetapi kamera tersebut tidak menghasilkan video yang
berformat AVI, maka perlu konversi terlebih dahulu menjadi
video yang berformat AVI agar bisa diproses pada Matlab.
6. OBJECT DETECTION
Tracking atau sistem pelacakan merupakan salah satu
pengembangan dari pengolahan citra (image processing)
dimana metode ini dapat digunakan untuk melacak posisi
objek sekaligus mengenali pergerakan objek melalui fitur
ekstraksi sebelumnya.
IV.
ANALISA HASIL SIMULASI
Pada tugas akhir ini, hasil yang didapatkan dari analisa
gerakan manusia tersebut adalah berupa object tracking dari
pendeteksian gerakan yang tertangkap oleh video kamera
yang ditempatkan secara diam. Pada object tracking melalui
deteksi objek ini mempunyai tingkat akurasi tertentu. Setelah
melakukan tracking pada objek tersebut selanjutnya mencari
jarak yang ditempuh dengan menggunakan pergerakan pixel
dari titik pusat bounding box yang mengikuti pergerakan
objek tersebut. Setelah didapatkan jarak dari pergerakan titik
pusat bounding box, maka dapat dicari kecepatan dari gerakan
objek tersebut.
Pada perekaman melalui kamera tersebut akan
menghasilkan video yang berukuran tinggi dan mempunyai
frame rate yang tinggi juga. Untuk mempermudah proses
analisa melalui Matlab, maka perlu pengkompresian untuk
memudahkan prosesnya
Untuk mengetahui informasi – informai yang terdapat
pada video pertama, dapat kita lihat pada properties Media
Player Classic dan Gomplayer. Berikut ini adalah tabel
inormasi dari video pertama.
3. PRE PROCESSING
Ketika kamera menangkap sebuah citra, seringkali tidak
dapat langsung digunakan seperti yang diinginkan karena
kualitasnya yang belum tentu memenuhi standar pengolahan
untuk melakukan analisa gerak melalui thresholding. Sebagai
contoh citra disertai oleh variasi intensitas yang kurang
seragam akibat dari pencahayaan yang tidak merata, atau
lemah dalam hal kontras sehingga obyek sulit untuk
dipisahkan dari latar belakangnya melalui operasi binerisasi
(yang dianggap sebagai warna hitam dan putih untuk
segmentasi antara objek dengan background) karena terlalu
banyak noise.
4. SEGMENTASI
Segmentasi gambar pada video bertujuan untuk mendeteksi
daerah - daerah yang berhubungan dengan obyek bergerak
dengan lingkungannya / background. Proses – proses setelah
segmentasi gambar kemudian memberi perhatian yang lebih
khusus pada obyek bergerak yang dihasilkan. Teknik
background substraction pada video dari sebuah kamera statis
diharapkan dapat membedakan obyek dengan latar
belakangnya sehingga obyek bisa diisolasi dan dikenali
sepanjang frame pada video.
Tabel 1. Informasi Video
Parameter
Satuan
AVI
Format
530 KiB
File Size
4s 667ms
Duration
929 Kbps
Overall Bit Rate
AVC
Format Video
H264
Codec ID
Advanced Video Codec
Codec ID/Info
320 pixels
Width
240 pixels
Height
4:3
Display Aspect Ratio
15.000fps
Frame Rate
0.798
Bits/(Pixel*Frame)
524 KiB (99%)
Stream size
YUV
Input Type
YUV
Output Type
5. FEATURE EXTRACTION
Sebelum melakukan deteksi objek, diperlukan fitur
ekstraksi. Fitur akstraksi (bounding box) ini, berfungsi sebagai
proses transformasi data masukan menjadi kumpulan fitur –
fitur untuk mengambil informasi yang relevan dari data
masukan dengan tujuan untuk mengambil representasi
minimal dari data masukan.
Gambar 4. Proses pelacakan objek dari thresholding dan
substraction frame
Gambar 5. frame asli dari video
4
Untuk mengetahui skala jarak, dicari jarak yang ditempuh
titik tengah bounding box dari objek yang terdeteksi pada
frame awal yaitu pada pada frame ke 2 sampai dengan frame
terakhir. Pada video ini, jumlah frame tersebut sebanyak 70
frame. Jadi frame terakhir pada video tersebut adalah frame ke
70. Pada frame 2 diketahui posisi titik tengah dari bounding
box yaitu pada koordinat (68.5,37).
Gambar 6. Background substraction dengan background
berwarna hitam dan objek berwarna putih
Gambar 8. frame 2 dengan skala gambarnya
Gambar 7. Background substraction dengan background
berwarna putih dan objek berwarna hitam
Dari informasi tabel tersebut dapat diketahui bahwa jumlah
frame tersebut adalah sebagai berikut :
Jumlah Frame = Frame Rate * Duration
= 15.0000 Frame/s * 4.667 s
= 70.005 Frame
= 70 Frame
Gambar 9. frame 70 dengan skala gambarnya
Jumlah frame yang tersedia pada video dipengaruhi oleh
frame rate dan duration. Semakin besar frame rate atau durasi
dalam menampilkan gambar, maka semakin banyak pula
gambar yang diperoleh.
1. Background substraction
Pada pemisahan objek dengan backgroundnya dapat
dilakukan
dengan
dua
cara
yaitu
menggunakan
backgroundnya dengan bernilai ‘0’ (berwarna hitam) dengan
objeknya bernilai ‘1’ (berwarna putih) atau sebaliknya pada
backgroundnya dengan bernilai ‘1’ (berwarna putih) dengan
objeknya bernilai ‘0’ (berwarna hitam).
Gambar 10. Frame ke 3 dengan skala gambarnya
2. Perhitungan skala jarak pada video pertama
Pada perhitungan skala jarak ini menggunakan
perbandingan antara jarak nyata dengan jarak pada koordinat
video yang menggunakan ukuran dari video tersebut. Ukuran
jarak yang digunakan pada koordinat video tersebut
menggunakan perpindahan posisi titik pusat dari bounding
box tersebut. Untuk mengetahui posisi skala titik tengah, maka
pada frame tersebut ditampilkan skala ukuran dari video
tersebut yaitu sebanyak 240 pixel pada koordinat Y dan 320
pada koordinat X.
Pada proses object tracking, frame 1 dari video tersebut
tidak dapat dideteksi karena pada frame ke 1 tidak terdapat
gerakan karena gerakan baru dimulai dan tidak terdapat
perbedaan posisi pixel dari frame sebelumnya, maka pada
proses object tracking dimulai pada frame ke 2.
Pada frame ke 70 posisi titik tengah dari bounding box
tersebut adalah (274 ,38). Maka jarak perpindahan posisi
koordinat titik tengah kedua frame adalah 205
Pada jarak nyata diketahui panjangnya sebesar 7.8 meter.
Skala perbandingan antara jarak nyata dengan jarak pada
koordinat adalah 205 : 7.8 atau 0.038 : 1. Dengan waktu yang
dibutuhkan dari frame ke 2 sampai dengan frame ke 70 adalah
4.667 second. Maka untuk menampilkan tiap frame nya
membutuhkan waktu 0.0666 second atau 66.6 milisecond.
Jadi kecepatan yang dicapai dari frame awal sampai dengan
frame terakhir adalah 1.67m/s
5
3. Perhitungan jarak dan kecepatan antar frame video kedua
Pada frame ke 3 dapat diketahui posisi titik tengahnya
adalah (70.5,37). Maka jarak antara titik tengah frame ke 2
dengan frame ke 3 adalah 1.5
Jarak yang dicapai antara titik tengah frame ke 2 dengan
frame ke 3 adalah 1.5. Maka untuk mencapai jarak nyatanya
adalah 1.5 × 0.038 = 0.057 m. Kecepatan yang dicapai adalah
0.057m/0.066s = 0.86m/s
Untuk melakukan perhitungan jarak antar frame yang
satu dengan yang lainnya, perhitungannya sama dengan antara
frame ke 2 dengan frame ke 3.
IEEE, 2004
[3] Wong. Stephen, Cipolla R,“Real-time Adaptive Hand
Motion Recognition Using A Sparse Bayesian
Classifie”, Proceeding International Conference on
Computer Vision, 2005
[4] Usman. Ahmad, “Pengolahan Citra Digital dan Teknik
Pemrogramannya”, Yogyakarta, Penerbit Graha Ilmu,
2005
[5] Lokesh Peddireddi, “Object Tracking and Velocity
Determination using TMS320C6416T DSK”, Fakultät
für Technische Wissenschaften, Universität Klagenfurt,
Austria 2008.
[6] Braccini, Carlo, Defloriani, Leila, “Image Analysis And
Processing”, 8th International Conference ICIAP,
Italy, 1995
[7] Alper Yilmaz, Omar Javed, and Mubarak Shah. “Object
tracking: A survey”. ACM Comput. Surv., 38(4):13,
2006.
V. PENUTUP
1. KESIMPULAN
Berdasarkan hasil simulasi dan analisa, diperoleh beberapa
kesimpulan sebagai berikut:
1. Dalam analisa gerakan manusia pada video digital ini
terdapat perbedaan jarak yang dihitung melalui video
dengan jarak nyata.
2. Video dengan posisi kamera perekaman dengan sudut tegak
lurus pada objek yang bergerak memiliki error yang
sedikit dalam perbandingan antara perhitungan jarak
nyata dengan perhitungan jarak melalui video.
3. Video dengan posisi kamera perekaman dengan sudut
tertentu pada objek yang bergerak memiliki error yang
signifikan dalam perbandingan antara perhitungan jarak
nyata dengan perhitungan jarak melalui video.
4. Posisi kamera dalam melakukan perekaman menentukan
validasi dalam perhitungan jarak pada objek yang
bergerak.
5. Gerak objek dalam bergerak tersebut juga menentukan
validasi dalam perhitungan jarak melalui video dengan
jarak nyata.
6. Dalam analisa gerakan manusia pada video digital ini, jika
terdapat suatu kerumunan belum dapat mendeteksi objek
satu persatu
BIODATA PENULIS
Miftahur Rohman, dilahirkan di Surabaya 07
Juli 1987. Memulai pendidikan Sekolah
Dasar di SDN Jagir II Surabaya, kemudian
meneruskan pendidikan di SLTPN 13
Surabaya dan SMA Negeri 16 Surabaya.
Kemudian meneruskan pendidikan D3
Teknik Elektro bidang studi komputer
kontrol dan melanjutkan ke jenjang S1 di
Teknik Elektro bidang studi Telekomunikasi Multimedia
ITS. Sekarang sedang mengerjakan tugas akhir di Bidang
Studi Telekomunikasi Multimedia, Jurusan Teknik Elektro,
Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Nopember (ITS) Surabaya.
2. SARAN
Dengan diselesaikannya tugas akhir ini diharapkan dapat
digunakan guna mengembangkan sistem pendeteksian
gerakan secara real time yaitu pendeteksian secara langsung
secara live dari video. Dari pengembangan tersebut, nantinya
dapat digunakan dalam beberapa aplikasi pendeteksian
gerakan, seperti dalam pengawasan dengan menggunakan
CCTV, digunakan untuk entertainment, digunakan untuk
pembuatan robot yang dapat mendeteksi gerakan, pendeteksi
pada tiap – tiap objek pada suatu kerumunan, dan juga untuk
pengembangan alat pendeteksi kecepatan melalui video.
Selain itu juga dapat dikembangkan untuk aplikasi objek
klasifikasi tiap gerakan – gerakan manusia.
DAFTAR PUSTAKA
[1] Zettl. Herbert, “Video Basics”, Canada, 2010
[2] Dongwei. Cao, Masoud. O. Et. All, “Online Motion
Classification Using Support Vector Machines”,
International Conference On Robotics and Automation,
6
Miftahur Rohman1), Wirawan2)
Jurusan Teknik Elektro FTI - ITS
1) miftahur_r@elect-eng.its.ac.id
2) wirawan@ee.its.ac.id
yang lama. Dan ketika hal tersebut disadari, semua sudah
terlambat dan semua informasi yang terekam menjadi tidak
berguna. Karena pelaku telah pergi dan sulit untuk diketahui
keberadaannya lagi. Dengan menambahkan teknik tembahan
berupa informasi keberadaan orang yang tertangkap kamera,
akan sangat membantu meningkatkan kerja kamera pengawas.
Pengenalan pergerakan tubuh manusia (human motion)
dari video stream memiliki beberapa aplikasi dalam video
surveillance, dunia hiburan, user interface, olahraga dan
bidang lainnya. Jika terdefinisikan beberapa jenis gerakan
tubuh, maka problem pengenalan gerakan tubuh manusia bisa
digunakan untuk memisahkan gerakan manusia dengan latar
belakangnya (background substraction). Cara bergerak
manusia adalah suatu ruang lingkup yang lebih kecil dari
begitu banyak dan kompleksnya tipe gerakan manusia. Karena
terdapat berbagai macam gerakan tubuh manusia, analisa dan
pengenalan gerakan tubuh biasanya difokuskan pada domain
atau ruang lingkup yang lebih spesifik / khusus. Misalnya saja
cara berjalan atau tipe gerakan kaki [2], gerakan ibu jari
tangan [3], gerakan bagian kepala, gerakan badan. Tugas akhir
ini akan fokus pada cara bergerak yang berdasarkan gerakan
kaki misalnya berjalan. Karena berhubungan dengan gerakan,
maka yang menjadi input dalam sistem deteksi adalah video
atau kumpulan frame image berukuran n × m yang merekam
dan merepresentasikan gerakan manusia.
Abstrak - Pengenalan cara bergerak tubuh manusia (human
motion) dari video stream memiliki beberapa aplikasi dalam video
surveillance (pengawasan), dunia hiburan, dll. Pemanfaatan
kamera sebagai pengawasan (CCTV) masih memiliki banyak
kelemahan. Kamera hanya merekam sebuah kejadian saja,
sehingga masih dibutuhkan pengawasan dari penjaga secara
terus menerus. Kadang sebuah kejadian terabaikan begitu saja
dan baru diketahui setelah beberapa saat. Keterlambatan itu
menyebabkan informasi yang diperoleh menjadi tidak berguna.
Dengan keterbatasan dalam pemberian informasi maka
dibutuhkan sebuah kemampuan tambahan untuk meningkatkan
kerja kamera pengawas. Salah satu kemampuan tambahan yang
dapat digunakan adalah object detection yang membantu
memberi informasi ketika ada orang yang tertangkap kamera.
Sehingga keberadaan orang yang tertangkap kamera cepat
disadari.
Pengenalan gerakan tubuh manusia bisa digunakan untuk
memisahkan gerakan manusia dengan latar belakangnya
(background substraction). Dari pengenalan gerakan manusia
tersebut, maka dapat dilakukan proses pendeteksian gerakan
manusia. Pendeteksian gerakan – gerakan manusia dapat
dikembangkan menjadi proses pelacakan dari gerakan – gerakan
manusia yang terekam oleh video sehingga dapat
diimplementasikan pada video surveillance (pengawasan) pada
CCTV.
Pada tugas akhir ini akan mempelajari teknik - teknik dari
object tracking (pelacakan objek bergerak) yang digunakan
untuk analisa gerakan manusia pada video digital dengan
menggunakan software Matlab. Proses analisa gerakannya
melalui beberapa tahap yaitu pemodelan lingkungan,
memisahkan antara obyek bergerak dengan latar belakangnya
(background substraction), segmentasi gerakan obyek, object
detection, dan object tracking. Hasil yang didapatkan dari analisa
gerakan manusia tersebut berupa analisa jarak dan kecepatan
dari gerakan – gerakan objek tersebut (terutama dalam gerakan
berjalan) yang tertangkap oleh video kamera yang mempunyai
tingkat akurasi tertentu.
II.
TEORI PENUNJANG
A. Video Digital [1]
Video digital pada dasarnya tersusun atas serangkaian
frame. Rangkaian frame tersebut ditampilkan pada layar
dengan kecepatan tertentu, tergantung pada frame rate yang
diberikan (dalam frame/second). Jika frame rate cukup tinggi,
mata manusia tidak dapat menangkap gambar atau frame,
melainkan menangkapnya sebagai rangkaian frame yang
saling bersambungan (continue).
Karakteristik suatu video digital ditentukan oleh resolusi
(resolution) atau frame dimention (dimensi gambar), aspect
ratio, bit depth (kedalaman bit), frame rate (laju frame), dan
pixel video tersebut. Karakteristik - karakteristik ini akan
menentukan kualitas video dan jumlah bit yang dibutuhkan
untuk menampilkannya.
Kata kunci : human motion, object detection, object tracking.
I. PENDAHULUAN
emasangan kamera pada tempat – tempat yang
membutuhkan pengawasan ketat mulai diminati oleh
banyak pihak. Karena dianggap mampu melingkupi wilayah
yang luas sehingga diharapkan dapat meningkatkan
keamanan. Memasang kamera pengawas lebih lanjut dipilih
untuk pengawasan tempat – tempat yang tidak berpenjaga.
Karena lebih efektif dalam pemakaian tenaga manusia dan
juga lebih akurat. Namun dalam pemanfaatan kamera
pengawas dibutuhkan
tambahan pendukung yang lain.
Kamera pengawas hanya akan merekam kejadian saja. Sering
kali kita tidak menyadari sebuah kejadian dalam jangka waktu
P
B. Pengenalan Gerakan Manusia
Pengenalan dari pergerakan tubuh manusia (human
motion) dari video stream memiliki beberapa aplikasi dalam
video surveillance (pengawasan), dunia hiburan, olahraga dan
bidang lainnya. Jika terdefinisikan beberapa jenis gerakan
1
(thresholding) karena terlalu banyak noise (gangguan atau
distorsi dalam citra) dan lain sebagainya. Citra dengan kualitas
seperti ini memerlukan langkah-langkah perbaikan atau
kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan
yang akan dilakukan. Semua ini memerlukan pengolahan awal
dari sebuah sistem visual yang bertujuan meningkatkan
kualitas citra secara umum, sebelum melangkah kepada
pengolahan inti dengan tujuan yang lebih spesifik. Diantara
teknik-teknik pengolahan awal untuk meningkatkan kualitas
citra ini adalah penggunaan filter.
tubuh, maka problem pengenalan gerakan tubuh manusia bisa
dinyatakan sebagai pengklasifikasian suatu gerakan ke dalam
satu dari beberapa kelas gerakan tubuh yang ada. Cara
bergerak manusia adalah suatu ruang lingkup yang lebih kecil
dari begitu banyak dan kompleksnya tipe gerakan manusia.
Karena terdapat berbagai macam gerakan tubuh manusia,
analisa dan pengenalan gerakan tubuh biasanya difokuskan
pada domain atau ruang lingkup yang lebih spesifik. Misalnya
saja cara berjalan atau tipe gerakan kaki [2], gerakan ibu jari
tangan [3], gerakan bagian kepala, gerakan badan. Karena
berhubungan dengan gerakan, maka yang menjadi input dalam
sistem klasifikasi adalah klip video atau kumpulan frame
image berukuran n × m yang merekam dan merepresentasikan
gerakan manusia.
F. Background Segmentation
Background segmentation pada prinsipnya terbagi atas tiga,
yaitu segmentasi terhadap warna, bentuk, dan tekstur.
Segmentasi yang dilakukan adalah segmentasi terhadap
warna yang merupakan proses untuk memisahkan obyek yang
kita ambil dengan latar belakang obyeknya dimana
pendekatan yang diambil adalah dengan pengelompokan
(clustering) warna. Segmentasi terhadap warna dapat
dilakukan melalui proses threshold. Sedangkan pada
clustering warna - warna yang mendekati bagian warna
sejenis nantinya akan diproses agar hanya memperoleh dua
jenis warna yang menonjol yaitu hitam dan putih.
C. Motion Segmentation
Motion segmentation bertujuan untuk memisahkan suatu
gerakan ke dalam beberapa gerakan - gerakan dengan suatu
kriteria tertentu. Jenis operasi ini berkaitan dengan pengenalan
pola. Kebanyakan segmentasi gambar memilih daerah dengan
kualitas gambar yang bagus dan setelah itu mencari daerah
yang terbaik dan cocok untuk gambar.
Segmentasi mengacu pada label piksel-piksel yang
dihubungkan dengan daerah atau gerakan objek dengan
perbedaan yang jelas. Segmentasi mempunyai hubungan erat
dengan dua masalah lain antara motion detection dan motion
estimation. Motion detection adalah panggilan khusus untuk
motion segment dengan hanya dua segmen yang sesuai dengan
gerakan kemudian dibandingkan dengan daerah gambar yang
tidak bergerak (untuk kamera yang tidak bergerak) atau global
dibandingkan dengan daerah gerakan lokal (untuk kamera
yang bergerak).
G. Thresholding
Salah satu metode yang sering digunakan dalam
pengolahan citra digital atau image processing adalah
thresholding citra. Thresholding citra adalah suatu metode
yang digunakan untuk memisahkan antara obyek dan
backgroundnya. Thresholding merupakan teknik yang
sederhana dan efektif untuk segmentasi citra. Proses
thresholding sering disebut dengan proses binerisasi. Pada
beberapa aplikasi pengolahan citra, terlebih dahulu dilakukan
threshold terhadap citra gray level untuk dapat menjadi citra
biner (citra yang memiliki nilai level 0 dan 1). Sebuah citra
hasil proses thresholding dapat disajikan dalam histogram
citra untuk mengetahui penyebaran nilai-nilai intensitas piksel
pada suatu citra/bagian tertentu dalam citra. Histogram dapat
dibagi dengan baik (segmentasi objek dengan background)
dan dapat ditentukan nilai threshold-nya. Threshold
digunakan untuk mengatur jumlah derajat keabuan yang ada
pada citra.
D. Motion Detection
Motion detection merupakan penelitian yang penting dalam
keilmuan computer vision. Banyak metode motion detection
yang telah ditemukan, satu diantaranya adalah dengan
menghitung perbedaan nilai - nilai intensitas pada suatu piksel
dari dua frame gambar yang diambil secara berturut-turut
(frame difference) yang kemudian dilakukan proses
thresholding untuk menentukan adanya perubahan objek atau
tidak. Sekalipun metode ini sangat sederhana dalam proses
implementasinya, tapi metode ini merupakan metode dasar
dari proses motion detection. Hanya saja metode ini kurang
efektif untuk menentukan pergerakan objek secara
keseluruhan, terutama bagian dalam dari objek yang bergerak,
akan tetapi secara umum metode ini sudah mampu
mengidentifikasi adanya perubahan objek.
H. Frame Difference [5]
Perbedaan frame (frame difference) adalah teknik
menghitung selisih antara 2 frame di setiap posisi pixel.
Perbedaan frame digunakan untuk memvisualisasikan objek
bergerak dalam urutan frame. Perbedaan Frame membutuhkan
memori sangat sedikit untuk melakukan perhitungan. Sebagai
contoh, jika kita mengambil urutan frame. Frame sekarang
dan frame berikutnya yang akan dipertimbangkan pada setiap
perhitungan.
E. Pre Processing [4]
Ketika kamera menangkap sebuah citra, seringkali tidak
dapat langsung digunakan seperti yang diinginkan karena
kualitasnya yang belum tentu memenuhi standar pengolahan.
Sebagai contoh citra disertai oleh variasi intensitas yang
kurang seragam akibat dari pencahayaan yang tidak merata
atau lemah dalam hal kontras sehingga obyek sulit untuk
dipisahkan dari latar belakangnya melalui operasi binerisasi
I. Edge Detection [6]
Edge detection atau deteksi tepi adalah proses yang sering
digunakan saat pengolahan image. Edge detection dapat
diartikan sebagai pelacakan atau pendeteksian sudut-sudut /
tepi suatu objek dalam sebuah image dimana sudut – sudut /
2
Dimana :
D (distance) adalah jarak yang ditempuh
X1 adalah posisi titik 1 pada sumbu X
X2 adalah posisi titik 2 pada sumbu X
Y1 adalah posisi titik 1 pada sumbu Y
Y2 adalah posisi titik 2 pada sumbu Y
Kecepatan objek bergerak dihitung dengan jarak tempuh
itu berkaitan dengan waktu. Rumus jarak Euclidean digunakan
untuk menghitung jarak antara urutan frame. Dengan
menggunakan nilai jarak sehubungan dengan frame rate,
kecepatan dari objek terdefinisi [5]. Kecepatan terdefinisi
adalah 2-dimensi (karena kamera statis).
Gambar 1. Hasil beberapa deteksi tepi
Dimana :
V (velocity) adalah kecepatan yang dicapai dalam melakukan
perpindahan.
D (distance) adalah jarak yang ditempuh.
T (time) adalah waktu yang ditempuh dalam melakukan
perpindahan
Gambar 2. Image dengan bounding box
III. PEMODELAN DAN SIMULASI SISTEM
tepi tersebut dibedakan berdasarkan perbedaan nilai R, G dan
B masing-masing piksel.
Deteksi tepi (Edge Detection) pada suatu citra adalah suatu
proses yang menghasilkan tepi-tepi dari objek - objek citra,
tujuannya adalah :
• Untuk menandai bagian yang menjadi detail citra
• Untuk memperbaiki detail dari citra yang kabur
Strategi analisis meliputi sistem pengujian untuk analisa
gerakan dengan hasil analisa berupa object tracking. Proses
analisa gerakannya melalui beberapa tahap yaitu segmentasi,
feature extraction, object detection, dan object tracking.
1. PEMODELAN LINGKUNGAN BACKGROUND
Proses pemodelan lingkungan adalah memilih tipe
lingkungan yang sesuai dengan sistem yang akan dibangun.
Lingkungan (background) pada suatu video klip didefinisikan
sebagai bagian image yang relatif statis terhadap perubahan
waktu. Apabila melakukan analisa gerakan dengan latar
belakang yang bergerak maka proses pendeteksian gerak pada
objek yang dituju menjadi sulit, karena terdapat banyak
gerakan yang dideteksi.
J. Bounding Box [5]
Jika segmentasi ini dilakukan dengan menggunakan frame
difference. Gambar divisualisasikan dengan bounding box
melalui dimensi objek yang dihasilkan dari gambar
sebelumnya. Untuk gambar tertentu, scanning dilakukan
dimana nilai intensitas dari gambar lebih dari batas
(tergantung pada nilai yang diberikan, untuk menetapkan
keakuratan yang maksimum).
Dalam hal ini fitur diekstraksi (feature extraction) oleh
warna yang menggambarkan nilai intensitas warna. Pixel
tersebut. Nilai-nilai intensitas dari atas, bawah, kiri dan kanan
menggunakan dimensi ini nilai kotak pembatas persegi
panjang diplot dalam batas-batas nilai yang dihasilkan.
2. PEREKAMAN DENGAN KAMERA
Untuk kamera yang posisinya tetap, maka kita akan
mendapatkan image background dari objek frame yang
bergerak dengan mudah. Karena yang terdeteksi gerakan
hanya pada objek yang dituju. Jika terdapat variasi karena
pencahayaan yang berubah, bayangan obyek, gerakan kamera
atau gerakan obyek-obyek pada latar belakang maka problem
mendapatkan model latar belakang menjadi lebih rumit karena
K. Tracking
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 di urutan frame. Dengan menggunakan
nilai posisi objek di setiap frame, kita dapat menghitung posisi
dan kecepatan objek bergerak [7].
Jarak yang ditempuh oleh objek ditentukan dengan
menggunakan titik pusat dari bounding box tersebut. Jarak
yang dihitung dengan menggunakan rumus jarak Euclidean
[5]. Rumus jarak Euclidean pada 2 dimensi merupakan
perpindahan sebuah simbol antara satu titik ke titik lainnya
pada sumbu X dan sumbu Y.
Gambar 3. Blok diagram
3
banyak gerakan yang terdeteksi. Untuk melakukan analisa
gerakannya dengan menggunakan Matlab dibutuhkan hasil
video dari kamera yang berformat AVI (Audio Video
Interleave) dan kapasitas file video tersebut tidak terlalu besar.
Apabila file video tersebut berkapasitas besar, maka
pemrosesan analisa gerakan pada video tersebut
membutuhkan waktu yang lama untuk prosesnya. Jika
melakukan perekaman dengan menggunakan suatu kamera
tetapi kamera tersebut tidak menghasilkan video yang
berformat AVI, maka perlu konversi terlebih dahulu menjadi
video yang berformat AVI agar bisa diproses pada Matlab.
6. OBJECT DETECTION
Tracking atau sistem pelacakan merupakan salah satu
pengembangan dari pengolahan citra (image processing)
dimana metode ini dapat digunakan untuk melacak posisi
objek sekaligus mengenali pergerakan objek melalui fitur
ekstraksi sebelumnya.
IV.
ANALISA HASIL SIMULASI
Pada tugas akhir ini, hasil yang didapatkan dari analisa
gerakan manusia tersebut adalah berupa object tracking dari
pendeteksian gerakan yang tertangkap oleh video kamera
yang ditempatkan secara diam. Pada object tracking melalui
deteksi objek ini mempunyai tingkat akurasi tertentu. Setelah
melakukan tracking pada objek tersebut selanjutnya mencari
jarak yang ditempuh dengan menggunakan pergerakan pixel
dari titik pusat bounding box yang mengikuti pergerakan
objek tersebut. Setelah didapatkan jarak dari pergerakan titik
pusat bounding box, maka dapat dicari kecepatan dari gerakan
objek tersebut.
Pada perekaman melalui kamera tersebut akan
menghasilkan video yang berukuran tinggi dan mempunyai
frame rate yang tinggi juga. Untuk mempermudah proses
analisa melalui Matlab, maka perlu pengkompresian untuk
memudahkan prosesnya
Untuk mengetahui informasi – informai yang terdapat
pada video pertama, dapat kita lihat pada properties Media
Player Classic dan Gomplayer. Berikut ini adalah tabel
inormasi dari video pertama.
3. PRE PROCESSING
Ketika kamera menangkap sebuah citra, seringkali tidak
dapat langsung digunakan seperti yang diinginkan karena
kualitasnya yang belum tentu memenuhi standar pengolahan
untuk melakukan analisa gerak melalui thresholding. Sebagai
contoh citra disertai oleh variasi intensitas yang kurang
seragam akibat dari pencahayaan yang tidak merata, atau
lemah dalam hal kontras sehingga obyek sulit untuk
dipisahkan dari latar belakangnya melalui operasi binerisasi
(yang dianggap sebagai warna hitam dan putih untuk
segmentasi antara objek dengan background) karena terlalu
banyak noise.
4. SEGMENTASI
Segmentasi gambar pada video bertujuan untuk mendeteksi
daerah - daerah yang berhubungan dengan obyek bergerak
dengan lingkungannya / background. Proses – proses setelah
segmentasi gambar kemudian memberi perhatian yang lebih
khusus pada obyek bergerak yang dihasilkan. Teknik
background substraction pada video dari sebuah kamera statis
diharapkan dapat membedakan obyek dengan latar
belakangnya sehingga obyek bisa diisolasi dan dikenali
sepanjang frame pada video.
Tabel 1. Informasi Video
Parameter
Satuan
AVI
Format
530 KiB
File Size
4s 667ms
Duration
929 Kbps
Overall Bit Rate
AVC
Format Video
H264
Codec ID
Advanced Video Codec
Codec ID/Info
320 pixels
Width
240 pixels
Height
4:3
Display Aspect Ratio
15.000fps
Frame Rate
0.798
Bits/(Pixel*Frame)
524 KiB (99%)
Stream size
YUV
Input Type
YUV
Output Type
5. FEATURE EXTRACTION
Sebelum melakukan deteksi objek, diperlukan fitur
ekstraksi. Fitur akstraksi (bounding box) ini, berfungsi sebagai
proses transformasi data masukan menjadi kumpulan fitur –
fitur untuk mengambil informasi yang relevan dari data
masukan dengan tujuan untuk mengambil representasi
minimal dari data masukan.
Gambar 4. Proses pelacakan objek dari thresholding dan
substraction frame
Gambar 5. frame asli dari video
4
Untuk mengetahui skala jarak, dicari jarak yang ditempuh
titik tengah bounding box dari objek yang terdeteksi pada
frame awal yaitu pada pada frame ke 2 sampai dengan frame
terakhir. Pada video ini, jumlah frame tersebut sebanyak 70
frame. Jadi frame terakhir pada video tersebut adalah frame ke
70. Pada frame 2 diketahui posisi titik tengah dari bounding
box yaitu pada koordinat (68.5,37).
Gambar 6. Background substraction dengan background
berwarna hitam dan objek berwarna putih
Gambar 8. frame 2 dengan skala gambarnya
Gambar 7. Background substraction dengan background
berwarna putih dan objek berwarna hitam
Dari informasi tabel tersebut dapat diketahui bahwa jumlah
frame tersebut adalah sebagai berikut :
Jumlah Frame = Frame Rate * Duration
= 15.0000 Frame/s * 4.667 s
= 70.005 Frame
= 70 Frame
Gambar 9. frame 70 dengan skala gambarnya
Jumlah frame yang tersedia pada video dipengaruhi oleh
frame rate dan duration. Semakin besar frame rate atau durasi
dalam menampilkan gambar, maka semakin banyak pula
gambar yang diperoleh.
1. Background substraction
Pada pemisahan objek dengan backgroundnya dapat
dilakukan
dengan
dua
cara
yaitu
menggunakan
backgroundnya dengan bernilai ‘0’ (berwarna hitam) dengan
objeknya bernilai ‘1’ (berwarna putih) atau sebaliknya pada
backgroundnya dengan bernilai ‘1’ (berwarna putih) dengan
objeknya bernilai ‘0’ (berwarna hitam).
Gambar 10. Frame ke 3 dengan skala gambarnya
2. Perhitungan skala jarak pada video pertama
Pada perhitungan skala jarak ini menggunakan
perbandingan antara jarak nyata dengan jarak pada koordinat
video yang menggunakan ukuran dari video tersebut. Ukuran
jarak yang digunakan pada koordinat video tersebut
menggunakan perpindahan posisi titik pusat dari bounding
box tersebut. Untuk mengetahui posisi skala titik tengah, maka
pada frame tersebut ditampilkan skala ukuran dari video
tersebut yaitu sebanyak 240 pixel pada koordinat Y dan 320
pada koordinat X.
Pada proses object tracking, frame 1 dari video tersebut
tidak dapat dideteksi karena pada frame ke 1 tidak terdapat
gerakan karena gerakan baru dimulai dan tidak terdapat
perbedaan posisi pixel dari frame sebelumnya, maka pada
proses object tracking dimulai pada frame ke 2.
Pada frame ke 70 posisi titik tengah dari bounding box
tersebut adalah (274 ,38). Maka jarak perpindahan posisi
koordinat titik tengah kedua frame adalah 205
Pada jarak nyata diketahui panjangnya sebesar 7.8 meter.
Skala perbandingan antara jarak nyata dengan jarak pada
koordinat adalah 205 : 7.8 atau 0.038 : 1. Dengan waktu yang
dibutuhkan dari frame ke 2 sampai dengan frame ke 70 adalah
4.667 second. Maka untuk menampilkan tiap frame nya
membutuhkan waktu 0.0666 second atau 66.6 milisecond.
Jadi kecepatan yang dicapai dari frame awal sampai dengan
frame terakhir adalah 1.67m/s
5
3. Perhitungan jarak dan kecepatan antar frame video kedua
Pada frame ke 3 dapat diketahui posisi titik tengahnya
adalah (70.5,37). Maka jarak antara titik tengah frame ke 2
dengan frame ke 3 adalah 1.5
Jarak yang dicapai antara titik tengah frame ke 2 dengan
frame ke 3 adalah 1.5. Maka untuk mencapai jarak nyatanya
adalah 1.5 × 0.038 = 0.057 m. Kecepatan yang dicapai adalah
0.057m/0.066s = 0.86m/s
Untuk melakukan perhitungan jarak antar frame yang
satu dengan yang lainnya, perhitungannya sama dengan antara
frame ke 2 dengan frame ke 3.
IEEE, 2004
[3] Wong. Stephen, Cipolla R,“Real-time Adaptive Hand
Motion Recognition Using A Sparse Bayesian
Classifie”, Proceeding International Conference on
Computer Vision, 2005
[4] Usman. Ahmad, “Pengolahan Citra Digital dan Teknik
Pemrogramannya”, Yogyakarta, Penerbit Graha Ilmu,
2005
[5] Lokesh Peddireddi, “Object Tracking and Velocity
Determination using TMS320C6416T DSK”, Fakultät
für Technische Wissenschaften, Universität Klagenfurt,
Austria 2008.
[6] Braccini, Carlo, Defloriani, Leila, “Image Analysis And
Processing”, 8th International Conference ICIAP,
Italy, 1995
[7] Alper Yilmaz, Omar Javed, and Mubarak Shah. “Object
tracking: A survey”. ACM Comput. Surv., 38(4):13,
2006.
V. PENUTUP
1. KESIMPULAN
Berdasarkan hasil simulasi dan analisa, diperoleh beberapa
kesimpulan sebagai berikut:
1. Dalam analisa gerakan manusia pada video digital ini
terdapat perbedaan jarak yang dihitung melalui video
dengan jarak nyata.
2. Video dengan posisi kamera perekaman dengan sudut tegak
lurus pada objek yang bergerak memiliki error yang
sedikit dalam perbandingan antara perhitungan jarak
nyata dengan perhitungan jarak melalui video.
3. Video dengan posisi kamera perekaman dengan sudut
tertentu pada objek yang bergerak memiliki error yang
signifikan dalam perbandingan antara perhitungan jarak
nyata dengan perhitungan jarak melalui video.
4. Posisi kamera dalam melakukan perekaman menentukan
validasi dalam perhitungan jarak pada objek yang
bergerak.
5. Gerak objek dalam bergerak tersebut juga menentukan
validasi dalam perhitungan jarak melalui video dengan
jarak nyata.
6. Dalam analisa gerakan manusia pada video digital ini, jika
terdapat suatu kerumunan belum dapat mendeteksi objek
satu persatu
BIODATA PENULIS
Miftahur Rohman, dilahirkan di Surabaya 07
Juli 1987. Memulai pendidikan Sekolah
Dasar di SDN Jagir II Surabaya, kemudian
meneruskan pendidikan di SLTPN 13
Surabaya dan SMA Negeri 16 Surabaya.
Kemudian meneruskan pendidikan D3
Teknik Elektro bidang studi komputer
kontrol dan melanjutkan ke jenjang S1 di
Teknik Elektro bidang studi Telekomunikasi Multimedia
ITS. Sekarang sedang mengerjakan tugas akhir di Bidang
Studi Telekomunikasi Multimedia, Jurusan Teknik Elektro,
Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Nopember (ITS) Surabaya.
2. SARAN
Dengan diselesaikannya tugas akhir ini diharapkan dapat
digunakan guna mengembangkan sistem pendeteksian
gerakan secara real time yaitu pendeteksian secara langsung
secara live dari video. Dari pengembangan tersebut, nantinya
dapat digunakan dalam beberapa aplikasi pendeteksian
gerakan, seperti dalam pengawasan dengan menggunakan
CCTV, digunakan untuk entertainment, digunakan untuk
pembuatan robot yang dapat mendeteksi gerakan, pendeteksi
pada tiap – tiap objek pada suatu kerumunan, dan juga untuk
pengembangan alat pendeteksi kecepatan melalui video.
Selain itu juga dapat dikembangkan untuk aplikasi objek
klasifikasi tiap gerakan – gerakan manusia.
DAFTAR PUSTAKA
[1] Zettl. Herbert, “Video Basics”, Canada, 2010
[2] Dongwei. Cao, Masoud. O. Et. All, “Online Motion
Classification Using Support Vector Machines”,
International Conference On Robotics and Automation,
6