ADAPTIVE BACKGROUND DENGAN METODE GAUSSIAN MIXTURE MODELS UNTUK REAL-TIME TRACKING

Transkripsi

1 ADAPTIVE BACKGROUND DENGAN METODE GAUSSIAN MIXTURE MODELS UNTUK REAL-TIME TRACKING Silvia Rosianingsih 1, Rudy Adipranaa, Fredy Seiawan Wibisono Jurusan Teni Informaia, Faulas Tenologi Indusri, Universias Krisen Pera Jl. Siwalanero , Surabaya , ABSTRAK: Saa ini, apliasi moion racing digunaan secara luas unu banya ujuan, seperi mendeesi emacean dan menghiung berapa banya orang yang masu e sebuah supermare aau sebuah mall. Sebuah meode unu memisahan anara bacground dan obye yang di-rac dibuuhan unu melauan moion racing. Membua apliasi racing pada bacground yang sais buanlah hal yang suli, namun apabila racing dilauan pada bacground yang ida sais aan lebih suli, diarenaan perubahan bacground dapa dienali sebagai area racing. Unu mengaasi masalah ersebu, dapa dibua suau apliasi unu memisahan bacground dimana apliasi ersebu dapa beradapasi erhadap perubahan yang erjadi. Apliasi ini dibua unu memisahan bacground dengan menggunaan meode Gaussian Mixure Models (GMM). Meode GMM melauan cluser daa pisel dengan menggunaan warna bacground iap pisel sebagai dasarnya. Seelah cluser dibenu, dilauan pencocoan inpu sebagai disribusi, dimana disribusi yang dominan dijadian sebagai bacground. Apliasi ini dibua dengan menggunaan Microsof Visual C Hasil dari peneliian ini menunjuan bahwa algorima GMM dapa beradapasi erhadap bacground. Hal ini dibuian dengan hasil pengujian yang suses erhadap semua ondisi yang diberian. Apliasi ini dapa diembangan lebih lanju supaya proses racing dapa erinegrasi dengan bacground yang adapive. Kaa unci: adapive, bacground, Gaussian Mixure Models (GMM) ABSTRACT: Nowadays, moion racing applicaion is widely used for many purposes, such as deecing raffic jam and couning how many people ener a supermare or a mall. A mehod o separae bacground and he raced objec is required for moion racing. I will no be hard o develop he applicaion if he racing is performed on a saic bacground, bu i will be difficul if he raced objec is a a place wih a non-saic bacground, because he changing par of he bacground can be recognized as a racing area. In order o handle he problem an applicaion can be made o separae bacground where ha separaion can adap o change ha occur. This applicaion is made o produce adapive bacground using Gaussian Mixure Models (GMM) as is mehod. GMM mehod clusered he inpu pixel daa wih pixel color value as i s basic. Afer he cluser formed, dominan disribuions are choosen as bacground disribuions. This applicaion is made by using Microsof Visual C The resul of his research shows ha GMM algorihm could made adapive bacground saisfacory. This proofed by he resul of he ess ha succeed a all condiion given. This applicaion can be developed so he racing process inegraed in adapive bacground maer process. Keywords: adapive, bacground, Gaussian Mixure Models (GMM) PENDAHULUAN Dewasa ini apliasi moion racing semain banya dipaai unu berbagai ujuan, dianaranya adalah unu mendeesi emacean lalu linas. Pada moion racing diperluan suau meode unu memisahan anara bacground dengan obye yang di-racing, meode yang paling lazim digunaan adalah bacground subsracion. Meode ini membuuhan dua buah gambar yang memilii bacground yang sama, dengan sau gambar berisi obye yang di-racing. Kemudian dilauan subsracion dan hreshold anara edua gambar ersebu. Hasilnya adalah suau foreground yaiu gambar dimana hanya erdapa obye yang buan merupaan bagian dari bacground. Meode di aas memilii beberapa baasan, sebagai conoh jia erjadi perubahan pada bacground misalnya perubahan cahaya, penambahan dan/aau pengurangan obye pada bacground. Hal-hal ersebu dapa menyebaban foreground yang dihasilan ida opimal sehingga gambar bacground harus diaur ulang agar memenuhi ondisi searang. Oleh arena iu dibuuhan suau bacground yang dapa beradapasi dengan perubahan yang erjadi. Meode adapive bacground yang umum adalah meraa-raa gabungan nilai pisel dari semua inpu yang beruruan. Namun meode ini ida dapa 68

2 Rosianingsih, Adapive Bacground dengan Meode Gaussian Mixure Models 69 berjalan dengan bai jia diberi inpu yang memilii banya obye bergera. Unu menuupi eurangan ini erdapa meode adapive bacground mixure models yang menggunaan Gaussian Mixure Models. Pada peneliian ini dibua peranga luna unu menghasilan adapive bacground dengan menggunaan meode Gaussian Mixure Models. Perumusan masalah yang dihadapi adalah bagaimana menghasilan suau adapive bacground yang sabil erhadap perubahan cahaya dan perubahan scene janga panjang dan bagaimana pengolahan inpu yang berasal dari webcam. Unu proses Gaussian Mixure Models ini umumnya meode clusering yang digunaan adalah Expecaion Maximizaion dan K- means. Meode clusering yang digunaan pada asus ini adalah K-means arena meode ini memilii ecepaan proses yang lebih cepa dan hasil yang cuup bai. ADAPTIVE BACKGROUND Sebuah bacground adalah suau gambar yang di dalamnya erdapa obye-obye yang ida bergera (obye saic). Suau gambar yang berisi obye yang bergera disebu foreground. Pada apliasi-apliasi yang membuuhan inpu berupa bacground unu memisahan anara bacground dan foreground dibuuhan suau inisialisasi ulang apabila erdapa perubahan pada bacground. Bila ida dilauan inisialisasi ulang, mengaibaan esalahan pada foreground yang dihasilan. Perubahan-perubahan yang mungin erjadi pada bacground adalah perubahan inensias cahaya dari siang hari e sore hari, perubahan bayangan benda yang erdapa pada bacground yang diaibaan oleh perubahan posisi maahari, perubahan posisi benda pada bacground, penambahan benda dalam bacground, dan sebagainya. Unu mengurangi esalahan yang erjadi arena perubahan bacground maa diperluan suau adapive bacground yaiu bacground yang dapa menyesuaian dengan perubahan-perubahan yang erjadi pada bacground. Meode adapive bacground yang umum adalah meraa-raa gabungan nilai pisel dari semua inpu yang beruruan [1]. Namun meode ini ida dapa berjalan dengan bai jia diberi inpu yang memilii banya obye bergera. Unu menuupi eurangan ini erdapa meode adapive bacground mixure models yang menggunaan Gaussian Mixure Models. Unu proses Gaussian Mixure Models ini umumnya meode clusering yang digunaan adalah Expecaion Maximizaion dan K-means. Dalam peneliian ini, sebagai ala banu inpu dipaai amera USB (webcam) dengan frame rae seiar 10-0 frame/second, sehingga dibuuhan meode yang cuup efisien dan cepa arena proses dilauan pada iap frame yang masu. Karena iap dei erdapa 10-0 frame yang diolah, maa Meode clusering yang digunaan pada asus ini adalah K-means arena meode ini memilii ecepaan proses yang lebih cepa dan hasil yang cuup bai. GAUSSIAN MIXTURE MODEL (GMM) Gaussian Mixure Model (GMM) adalah sebuah ipe densiy model yang erdiri dari omponen fungsifungsi Gaussian []. Komponen fungsi ini erdiri dari weigh yang berbeda unu menghasilan muli-model densiy. Pada peneliian ini GMM digunaan unu memodelan warna-warna bacground dari iap pisel. Tiap pisel memilii GMM-nya sendiri dan daa yang diolah adalah warna pisel yang didapa dari inpu. Model-model GMM erbenu dari daa warna pisel berdasaran wau. Model yang erbenu dibagi menjadi bagian, model bacground dan model non-bacground. Model bacground adalah model yang mencerminan bacground. Jumlah model GMM yang digunaan mempengaruhi jumlah model bacground. Semain besar jumlah model GMM yang dipaai semain banya model bacground yang dimilii oleh suau pisel. Terdapa beberapa ahap proses unu meode ini yaiu ahap pencocoan inpu erhadap disribusi dan ahap pemilihan disribusi yang mencerminan bacground. Di dalam ahap pencocoan erdapa ahap updae parameer. Tahap Pencocoan Inpu erhadap Disribusi Pada ahap ini inpu dicocoan dengan semua disribusi sampai diemuan disribusi yang paling coco. Suau pisel diaaan masu dalam suau disribusi jia nilai pisel ersebu masu dalam jara.5 sandar deviasi dari sebuah disribusi. μ * (1).5 * σ < X < μ +.5 σ dimana X adalah vecor dari warna pisel (R,G,B) [3] pada wau, μ adalah vecor nilai mean (R,G,B) dari Gaussian e h, dan σ sebagai sandar deviasi dari Gaussian e h [4]. Apabila pisel ida coco dengan semua disribusi yang ada maa pisel ersebu dianggap sebagai foreground dan dibua suau disribusi baru dengan mengganian disribusi yang paling ida mencerminan bacground. Disribusi baru memilii nilai mean sesuai dengan nilai pisel, nilai varians yang inggi, dan nilai weigh yang ecil.

3 70 JURNAL INFORMATIKA VOL. 9, NO. 1, MEI 008: Nilai awal yang diberian pada variabel ersebu sanga mempengaruhi performa dari algorima GMM. Tahap Updae Parameer Pada ahap ini dilauan updae erhadap nilai dari parameer-parameer GMM yang naninya digunaan unu mengolah inpu selanjunya. Nilai yang di-updae erdiri dari weigh, mean, dan varian. Nilai weigh di-updae iap wau. Unu mengupdae nilai weigh digunaan rumus [1]: ω, = ( 1 α ) ω, 1 + α ( M, ) () dimana ω, adalah weigh dari Gaussian e h pada wau, α adalah learning rae dan nilai M, adalah 1 unu model yang coco dan 0 unu model lainnya. Seelah nilai weigh di-updae dilauan normalisasi sehingga oal weigh dari semua disribusi ida lebih dari 1. Nilai mean dari suau disribusi di-updae seiap ada nilai pisel yang coco dengan disribusi ersebu. Unu meng-updae nilai mean digunaan rumus [1]: μ = (1 ρ ) μ 1 + ρx (3) dimana ρ = αη ( X μ, ) (4) dimana η adalah fungsi Gaussian Probabiliy Densiy (GPD) ( X μ) T ( X μ) η( X μ, ) = ( π ) n 1 e (5) dimana adalah covariance marix, adalah deerminan dari covariance, panga T adalah ranspose marix, panga -1 adalah invers marix, e adalah exponen, π adalah phi, dan n adalah uuran vecor X (R,G,B) dimana covariance Ididapa dari [1]:, = σ (6) σ dimana I adalah marix idenias dan adalah varians dari Gaussian e h. Nilai sandar deviasi dari suau disribusi diupdae seiap ada nilai pisel yang coco dengan disribusi ersebu. Unu meng-updae nilai sandar deviasi digunaan rumus [1]: T σ = (1 ρ) σ 1 + ρ( X μ ) ( X μ ) (7) Tahap Pemilihan Disribusi Bacground Pada ahap ini dipilih model-model yang mencerminan bacground. Perama model-model diuruan berdasaran ω/σ sehingga disribusi yang paling mencerminan bacground eap di aas dan yang ida mencerminan bacground ada di bawah yang naninya diganian oleh disribusi yang lain. Unu memilih B disribusi perama yang dijadian disribusi bacground digunaan rumus: B = arg min ( b b = 1 ω > T ) (8) dimana T adalah proporsi erecil dari daa yang sebainya dihiung sebagai bacground [1]. PENELITIAN Perencanaan sisem apliasi pembuaan adapive bacground menggunaan meode GMM erdiri dari beberapa bagian yang melipui: Perencanaan sisem inpu Pengambilan inpu hanya dapa dilauan bila erdapa amera yang erhubung dengan peranga luna. Peranga luna mengambil gambar yang diangap oleh amera dan menyimpannya dalam sebuah class CImage yang ersedia dalam library Highgui [5] unu selanjunya dilauan proses pada gambar ersebu. Berhubung peranga luna berjalan secara real-ime maa diperluan sebuah amera (webcam) unu pengambilan daa gambar [6]. Jadi bila ida erdapa amera yang erhubung dengan peranga luna maa ida erdapa pengambilan daa gambar sama seali. Seelah daa gambar didapaan dan disimpan maa daa gambar ersebu diampilan. Perencanaan sisem pencocoan erhadap disribusi Inpu yang masu dicocoan dengan semua disribusi yang ada sampai diemuan disribusi yang coco aau semua disribusi sudah dicocoan. Apabila erdapa disribusi yang coco maa dilauan proses updae, bila ida erdapa disribusi yang coco maa dibua disribusi baru emudian dilanjuan dengan proses updae. Inpu diaaan coco aau masu suau disribusi bila inpu masu dalam jara.5 sandar deviasi dari sebuah disribusi. Unu inpu yang ida coco dengan semua disribusi maa inpu ersebu masu sebagai foreground. Kemudian dibua disribusi baru yang mengganian disribusi yang paling ida mencerminan bacground. Unu inpu yang coco dengan salah sau disribusi namun disribusi ersebu buan disribusi bacground maa inpu ersebu juga masu sebagai foreground.

4 Rosianingsih, Adapive Bacground dengan Meode Gaussian Mixure Models 71 Perencanaan sisem updae parameer Inpu yang sudah dicocoan dengan disribusi digunaan unu meng-updae parameer-parameer GMM yang digunaan unu inpu beriunya. Jia suau disribusi coco dengan inpu maa mean dan varian dari disribusi ersebu di-updae dan unu disribusi yang ida coco, mean dan variannya ida di-updae. Weigh dari semua disribusi di-updae seiap ali ada inpu, bai unu disribusi yang coco maupun yang ida coco. Perencanaan sisem pemilihan disribusi bacground Seelah dilauan proses pencocoan dan updae parameer maa yang ersisa adalah proses pemilihan disribusi yang mencerminan bacground. Disribusi bacground yang dipilih bisa lebih dari sau namun yang diampilan hanya yang berada di uruan eraas. Gambar 1 adalah blo diagram dari sisem erja peranga luna. Inpu diambil dari amera PENGUJIAN SISTEM Pengujian dilauan dengan menggeraan obye yang ada pada bacground, menambahan obye pada bacground, mengurangi obye pada bacground, menambah inensias cahaya, mengurangi inensias cahaya, memberian bayangan pada bacground, dan memberi foreground. Pengujian sisem di sini erdiri dari pengujian erhadap emampuan beradapasi dan aurasi. Aurasi berhubungan dengan eepaan hasil foreground dan bacground yang dihasilan. Beriu ini adalah beberapa pengujian yang elah dilauan. Pengujian dengan Menggeraan Obye Pengujian dilauan dengan menggeraan obye yang ada pada bacground dan obye merupaan obye yang dominan pada bacground. Pada Gambar, Gambar 3, dan Gambar 4 dapa diliha bahwa bacground dapa beradapasi dengan bai walaupun perubahan yang dilauan erhadap bacground cuup significan yaiu memindahan obye yang mendominasi bacground. Pengujian dengan Menambahan Obye pada Bacground Tiap pixel diambil warnanya dan digunaan unu membenu GMM sendiri unu iap pixel. Cocoan iap pixel dengan iap model GMM dari pixel ersebu Ada model yang coco? Ya Updae parameer Normalisasi weigh (oal weigh = 1) Uruan model berdasaran weigh/varian Pilih GMM yang menjadi model bacground Gambar 1. Blo Diagram Sisem Bua model baru dengan mengganian model yang paling ida mencerminan bacground Pengujian dilauan dengan menambahan obye pada bacground. Pada Gambar 5, Gambar 6, dan Gambar 7 dapa diliha bahwa bacground dapa beradapasi dengan bai erhadap penambahan obye pada bacground. Foreground yang dihasilan pada Gambar 6 urang sesuai dengan benda yang diambahan disebaban oleh emiripan warna pada bagian-bagian erenu sehingga pada pixel dimana erjadi emiripan warna, pisel ersebu dianggap sebagai bacground. Pengujian dengan Mengurangi Obye pada Bacground Pengujian dilauan dengan mengurangi obye pada bacground. Pada Gambar 8, Gambar 9, dan Gambar 10 dapa diliha bahwa bacground dapa beradapasi dengan bai erhadap pengurangan obye pada bacground. Foreground yang dihasilan pada Gambar 9 diaibaan arena obye yang adinya bacground dipindahan sehingga pisel dimana obye ersebu sebelumnya berada dianggap sebagai foreground unu beberapa wau. Pengujian dengan Menambah Inensias Cahaya Beriu ini merupaan hasil pengujian dengan menambahan inensias cahaya, dalam asus ini

5 7 JURNAL INFORMATIKA VOL. 9, NO. 1, MEI 008: Gambar. Kondisi Sebelum Pergeraan Obye Bacground Gambar 3. Kondisi Saa Pergeraan Obye Bacground Gambar 4. Kondisi Seelah Pergeraan Obye Bacground Gambar 5. Kondisi Sebelum Penambahan Obye

6 Rosianingsih, Adapive Bacground dengan Meode Gaussian Mixure Models 73 Gambar 6. Kondisi Saa Penambahan Obye Gambar 7. Kondisi Seelah Penambahan Obye Gambar 8. Kondisi Sebelum Pengurangan Obye Gambar 9. Kondisi Saa Pengurangan Obye

7 74 JURNAL INFORMATIKA VOL. 9, NO. 1, MEI 008: Gambar 10. Kondisi Seelah Pengurangan Obye Gambar 11. Kondisi Sebelum Penambahan Inensias Cahaya Gambar 1. Kondisi Saa Penambahan Inensias Cahaya Gambar 13. Kondisi Seelah Penambahan Inensias Cahaya

8 Rosianingsih, Adapive Bacground dengan Meode Gaussian Mixure Models 75 Gambar 14. Kondisi Sebelum Pemberian Bayangan Gambar 15. Kondisi Saa Pemberian Bayangan Gambar 16. Kondisi Seelah Pemberian Bayangan Gambar 17. Kondisi Sebelum Pemberian foreground I

9 76 JURNAL INFORMATIKA VOL. 9, NO. 1, MEI 008: Gambar 18. Kondisi Saa Pemberian foreground I Gambar 19. Kondisi Seelah Pemberian foreground I unu menambah inensias cahaya digunaan cahaya dari lampu sener yang dinyalaan dan diarahan e empa DVD yang berada pada daerah iri. Pada Gambar 11, Gambar 1, dan Gambar 13 dapa diliha bahwa bacground dapa beradapasi dengan bai erhadap penambahan inensias cahaya yang dilauan dengan lampu sener. Foreground yang dihasilan pada Gambar 6 diaibaan arena penambahan inensias cahaya pada pisel-pisel erenu mengaibaan warna dari pisel ersebu eluar dari disribusi bacground sehingga dianggap sebagai foreground. Pengujian dengan Memberi Bayangan pada Bacground Pengujian dilauan dengan memberi bayangan pada bacground. Pada Gambar 14, Gambar 15, dan Gambar 16 dapa diliha bacground beradapasi dalam wau urang lebih 1 dei dari saa munculnya bayangan, hal ini diarenaan bayangan hanya memberian perubahan sedii pada inensias cahaya sehingga bacground dapa beradapasi dengan sanga cepa Pengujian dengan Memberi Foreground Pengujian dilauan dengan memberian foreground pada inpu. Foreground yang diberian adalah obye berupa map yang dimasuan pada layar inpu. Obye diempaan pada bacground yang memilii warna yang mirip. Pada Gambar 17, Gambar 18, dan Gambar 19 dapa diliha bahwa foreground yang dihasilan ida erlalu bai, hal ini disebaban obye yang dilewai oleh foreground memilii warna yang mirip yaiu warna biru. Sehingga pisel-pisel dimana erdapa obye ersebu ida masu sebagai foreground melainan masu pada disribusi bacground.

10 Rosianingsih, Adapive Bacground dengan Meode Gaussian Mixure Models 77 Pengujian Kecepaan Adapasi erhadap K Beriu ini adalah pengujian ecepaan adapasi erhadap, yang diuji coba adalah 3 dan 5. = 3 beradapasi pada frame e-0 = 5 beradapasi pada frame e-35 Berdasaran hasil pengujian yang dilauan, semain sedii nilai yang digunaan maa semain cepa adapasi erhadap suau perubahan namun semain sedii model bacground yang dimilii. Berdasaran hasil pengujian yang dilauan dapa diliha bahwa algorima ini memilii elebihan yaiu dapa beradapasi erhadap semua jenis perubahan yang ada pada bacground. Namun seelah peranga luna berjalan urang lebih 30 dei erdapa noise pada foreground yang emunginan penyebabnya adalah hasil angapan dari amera yang urang aura dalam hal perubahan inensias cahaya. KESIMPULAN Berdasaran hasil pengujian dapa disimpulan beberapa hal sebagai beriu: 1. Foreground yang dihasilan bai selama warna bacground ida mirip dengan warna foreground.. Berdasaran semua hasil pengujian yang dilauan bacground dapa beradapasi dengan bai erhadap semua pengujian yang dilauan. 3. Walaupun bayangan dapa diadapasi oleh bacground dalam urun wau urang dari 1 dei namun bila bayangan ersebu berubah benu aau bergera secara erus-menerus maa bayangan ersebu mengganggu foreground yang dihasilan. DAFTAR PUSTAKA 1. Sauffer, C., Grimson, W.E.L (1999). Adapive Bacground Mixure Model for Real Time Tracing. 10 Desember 007, hp://www. ai.mi.edu/projecs/vsam/publicaions/sauffer cvpr 98_rac.pdf.. Gu, Juan, Jun Chen, Qiming Zhou, Hongwei Zhang. Gaussian Mixure Model of Texure for Exracing Residenial Area from High-Resoluion Remoely Sensed Imagery, ISPRS Worshop on Updaing Geo-spaial Daabases wih Imagery & The 5 h ISPRS Worshop on DMGISs, China, Agusus 007, pp Jacino, N., Jorge, S.M. (004). New Performance Evaluaion Merics for Objec Deecion Algorihms. 0 Mare 008, hp://homepages. inf. ed.ac.u/rbf/ CAVIAR/PAPERS/WECCV.pdf. 4. Rui, T., Hong, H., Jin, Q., Tao, F. (006). Traffic Video Segmenaion Using Adapive- Gaussian Mixure Model. 15 April 008, hp:// ciyu.edu.h/~anrui/pub/agmm.pdf. 5. Chien, Chao C., 00 Professional Sofware Developmen wih Visual C & MFC, Massachuses: Charles River Media Inc. 6. Wren, Chrisopher, R., Ali, A., Trevor, D., Alex, P. (1997). Pfinder: Real-ime Tracing of The Human Body. IEEE Transacions on Paern Analysis and Machine Inelligence, 19 (7),