IMPLEMENTASI METODE SCALE INVARIANT FEATURE TRANSFORM DAN METODE CAMSHIFT PADA PENJEJAKAN OBJEK BERGERAK LOGO
|
|
|
- Yuliani Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI METODE SCALE INVARIANT FEATURE TRANSFORM DAN METODE CAMSHIFT PADA PENJEJAKAN OBJEK BERGERAK Oleh : Shanty Eka Agustina ( ) Dosen Pembimbing: Dr. Imam Mukhlas, S.si, MT Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
2 PENDAHULUAN DASAR TEORI ANALISIS SISTEM DAN PERANCANGAN PERANGKAT LUNAK PENUTUP IMPLEMENTASI SISTEM PENGUJIAN DAN ANALISIS PERANGKAT LUNAK
3 PENDAHULUAN Latar Belakang Sistem Penjejakan Objek Bergerak
4 Kelebihan : 1. memiliki kemampuan melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Alasan: distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video
5 PENDAHULUAN(LANJUTAN) Rumusan Masalah 1 Bagaimana mengaplikasikan metode scale invariant feature transform untuk mendeteksi dan mendeskripsikan fitur fitur lokal yang terdapat dalam data video. 2 Bagaimana mengaplikasikan metode camshift untuk mendeteksi objek bergerak dalam data video. 3 Bagaimana sistem yang telah dibuat dapat menjejaki gerakan dari objek yang telah ditentukan.
6 PENDAHULUAN(LANJUTAN) Batasan Masalah Data video yang akan diamati sebelumnya telah tersimpan dalam penyimpanan komputer. Objek yang akan diamati ditentukan oleh user dengan ketentuan hanya satu kesatuan objek bergerak saja. Penjejakan objek bergerak dengan metode scale invariant feature transform dan metode camshift di implementasikan pada MATLAB R2012a
7 Tujuan PENDAHULUAN(LANJUTAN) Mengaplikasikan metode scale invariant feature transform untuk mendeteksi dan mendeskripsikan fitur- fitur lokal dari citra pada data video Mengaplikasikan metode camshift untuk mendeteksi objek bergerak dalam data video. Mengaplikasikan sistem yang telah dibuat agar dapat menjejaki gerakan dari objek yang telah ditentukan oleh user.
8 Manfaat PENDAHULUAN(LANJUTAN) 1 2 Dapat memudahkan pengamat dalam melakukan proses pengamatan objek bergerak pada suatu data video. Dihasilkan suatu aplikasi penjejakan objek bergerak pada video yang mampu melakukan penjejakan suatu objek bergerak.
9 PENDAHULUAN DASAR TEORI ANALISIS SISTEM DAN PERANCANGAN PERANGKAT LUNAK PENUTUP IMPLEMENTASI SISTEM PENGUJIAN DAN ANALISIS PERANGKAT LUNAK
10 DASAR TEORI Citra Digital Citra adalah kumpulan gambar yang secara keseluruhan merekam suatu adegan melalui media indra visual.citra dapat dideskripsikan sebagai data dalam dua dimensi dalam bentuk matriks. Citra digital adalah citra dua dimensi yang dapat dipresentasikan dengan fungsi intensitas cahaya yang mana X dan Y menyatakan koordinat spasial.
11 DASAR TEORI (LANJUTAN) Penjejakan Objek Bergerak Penjejakan Objek Bergerak(Obyek Tracking) adalah proses mencari lokasi dari objek yang akan diamati dari suatu data video untuk setiap satu satuan frame dalam data video tersebut. Penjejakan objek bergerak berdasarkan gerakan objek Penjejakan objek bergerak berdasarkan pengenalan objek. Metode yang sering digunakan : 1.Kalman filter 2.extended Kalman filter 3.Particle filter Metode yang sering digunakan : 1.SIFT 2.RANSAC 3.Mean Shift 4.Camshift
12 DASAR TEORI (LANJUTAN) Cara Kerja Algoritma SIFT Cara Kerja Algoritma SIFT adalah sebagai berikut: 1. Gaussian dan Difference of Gaussian Scale Space Scale Space Tujuan Pembangun Scale Space agar didapatkan fitur-fitur yang stabil (invarian) terhadap berbagai kemungkinan perubahan terhadap skala citra. Fungsi Gausian Rumus Gaussian Scale Space Difference Of Gaussian Cara Pembentukannya (D(x,y,σ)) = L(x,y,kσ)-L(x,y,σ) cara mensubstraksi dua citra Gaussian Scale Space yang berdekatan
13 DASAR TEORI (LANJUTAN) Keterangan L(x,y,kσ) adalah konvolusi dari citra asli I(x,y) dengan Gaussian filter G(x,y,σ) pada skala kσ dengan k = 2. L(x,y,σ) adalah konvolusi dari citra asli I(x,y) dengan Gaussian filter G(x,y,σ) pada skala σ 2. Deteksi Ekstremum Deteksi Ekstremum Cara Pembentukannya membandingkan nilai setiap piksel pada DoG Scale space dengan delapan piksel yang berada di sekelilingnya dan 9 piksel yang bersesuaian pada citra DoG sebelumnya dan setelahnya. Kriteria Deteksi Ekstremum Jika nilai piksel yang dimaksud lebih besar atau lebih kecil daripada nilai-nilai piksel pembandingnya maka koordinat piksel tersebut ditandai sebagai ekstremum
14 DASAR TEORI (LANJUTAN) Titik-titik Ekstremum Lokalisasi dengan akurasi subpiksel Alat Pembantu ekspansi Taylor orde kedua Posisi Ekstrema Menghitung Nilai Keypoint Pada Ekstrema Kriteria Keypoint Jika nilai D(z)tidak melebihi suatu nilai threshold ( 0.03) maka keypoint tersebut dihilangkan dan tidak dipakai lagi.
15 Penetapan Orientasi Keypoint (Orientation assignment) Alat Pembentuk Penetapan Orientasi Keypoint Tujuan untuk mendapatkan sifat invarian terhadap rotasi objek citra Gaussian smooth L yang memiliki skala paling dekat dengan skala keypoint Gradien Magnitude Dicari Orientasi Dibentuk Histogram Orientasi Dicari Puncak Histogram Orientasi = Orientasi Dominan
16 DASAR TEORI (LANJUTAN) Penentuan Deskriptor Lokal Proses terakhir adalah menghitung vektor deskriptor. Deskriptor dihitung untuk masing-masing keypoint, langkah ini dilakukan pada gambar yang paling dekat dengan skala untuk skala keypoint. Pertama membuat orientasi dengan 4x4 piksel dengan 8 bin untuk tiap masing-masingnya. Histogram ini dihitung dari magnitude dan nilai orientasi dari sampel dalam wilayah 16x16 disekitar keypoint. Magnitude dihitung dengan fungsi Gaussian dengan σ sama dengan satu setengah lebar deskriptor. Kemudian deskriptor menjadi vektor dari semua nilai histogram ini. Karena 4x4= 16 histogram dengan masing-masing memiliki 8bin, maka vektor memiliki 128 elemen.
17 DASAR TEORI (LANJUTAN) Algoritma Meanshift Langkah-langkah dari algoritma Mean Shift adalah sebagai berikut: Step 1 : Ukuran search window yang sudah ditentukan. Step 2 : Lokasi awal search window yang sudah ditentukan. Step 3 : Hitung daerah mean dalam search window. Step 4 : Posisikan search window ke tengah daerah mean seperti dihitung pada step (3). Step 5 : Ulangi step (3) dan (4) hingga konvergen (atau hingga pergeseran daerah mean kurang dari threshold / batas yang ditentukan).
18 DASAR TEORI (LANJUTAN) Algoritma Camshift Secara umum algoritma camshift meliputi step-step sebagai berikut: Step 1 : Tentukan ukuran awal search window. Step 2 : Tentukan lokasi awal dari search window. Step 3 : Tentukan daerah kalkulasi (calculation region) pada bagian tengah search window dengan ukuran lebih besar dari search window. Step 4 : Frame citra video dikonversi ke dalam sistem warna HSV (Hue, Saturation,Value), dan dilakukan color histogram lookup dalam calculation region yang akan menghasilkan citra distribusi probabilitas warna. Step 5 : Lakukan algoritma Mean Shift seperti di atas (satu atau banyak iterasi) dengan input berupa ukuran dan lokasi search window serta citra distribusi probabilitas warna, simpan zeroth moment. Step 6 : Set nilai x, y, z yang diperoleh dari step (5). Step 7 : Nilai x, y dipakai untuk set titik tengah search window, (2*area 1/2 ). Untuk set ukuran window. Ulangi step(3) untuk setiap pergantian frame citra video.
19 PENDAHULUAN DASAR TEORI ANALISIS SISTEM DAN PERANCANGAN PERANGKAT LUNAK PENUTUP IMPLEMENTASI SISTEM PENGUJIAN DAN ANALISIS PERANGKAT LUNAK
20 Perancangan Perangkat Lunak Software Program Utama: Penjejakan Objek Bergerak dengan SIFT Program Utama: Penjejakan Objek Bergerak dengan Camshift
21 FLOWCHART PENJEJAKAN OBJEK BERGERAK dengan SIFT Mulai Data Video Non Realtime Menampilkan data video yang telah tersimpan di direktori Konversi video ke frame Ekstrasi fitur-fitur lokal dalam citra uji dengan algoritma SIFT Ekstrasi fitur pencocokan keypoint Tentukan ROI dari objek Penjejakan objek bergerak Update posisi baru dari objek Video hasil tracking Selesai
22 FLOWCHART PENJEJAKAN OBJEK BERGERAK dengan CAMSHIFT Mulai Data Video Non Realtime Menampilkan data video yang telah tersimpan di direktori Tentukan ROI dari objek yang akan diamati Penjejakan Objek Bergerak dengan Camshift Update posisi baru dari objek Video Hasil Tracking Selesai
23 Uji Coba Program UJI COBA PROGRAM Data Uji Coba No Nama Video Video 1 Redcup.avi 2 bola.avi 3 cangkir.avi
24 Uji coba pendeteksian fitur keypoint Total citra.jpg ada 100 citra.jpg untuk dataset redcup.avi yaitu 1.jpg sampai dengan 100.jpg.Sedangkan total citra.jpg ada 80.jpg untuk dataset bola.avi yaitu bola1.jpg sampai dengan bola80.jpg. Dan untuk dataset cangkir.avi ada 40 citra yaitu cangkir1.jpg sampai cangkir40.jpg. N o Citra Uji Jumlah Fitur Keypoint Yang Terdeteksi 1 Redcup1.jpg Jumlah Fitur yang terdeteksi 395 keypoint 2 Redcup2.jpg Jumlah Fitur yang terdeteksi 422 keypoint 3 Redcup3.jpg Jumlah Fitur yang terdeteksi 393 keypoint 4 Redcup4.jpg Jumlah Fitur yang terdeteksi 389 keypoint Untuk dataset Redcup.avi
25 N o Citra Uji Jumlah Fitur Keypoint Yang Terdeteksi 1 Bola1.jpg Jumlah Fitur yang terdeteksi 193 keypoint 2 Bola2.jpg Jumlah Fitur yang terdeteksi 208 keypoint 3 Bola3.jpg Jumlah Fitur yang terdeteksi 211 keypoint 4 Bola4.jpg Jumlah Fitur yang terdeteksi 240 keypoint Untuk dataset Bola.avi N o Citra Uji Jumlah Fitur Keypoint Yang Terdeteksi 1 Cangkir1.jpg Jumlah Fitur yang terdeteksi 273 keypoint 2 Cangkir2.jpg Jumlah Fitur yang terdeteksi 328 keypoint 3 Cangkir3.jpg Jumlah Fitur yang terdeteksi 301 keypoint 4 Cangkir4.jpg Jumlah Fitur yang terdeteksi 339 keypoint Untuk dataset cangkir.avi
26 Uji coba ekstrak fitur pencocokan keypoint beserta penjejakan objek bergeraknya Deteksi fitur match redcup1.jpg dengan redcup2.jpg Deteksi fitur match redcup3.jpg dengan redcup4.jpg
27 Deteksi fitur match bola1.jpg dengan bola2.jpg Deteksi fitur match bola3.jpg dengan bola4.jpg Deteksi fitur match cangkir1.jpg dengan cangkir2.jpg Deteksi fitur match cangkir3.jpg dengan cangkir4.jpg
28 Hasil Tracking Algoritma SIFT untuk dataset redcup.avi
29 Untuk dataset bola.avi Untuk dataset cangkir.avi
30 Uji coba penjejakan (tracking) objek bergerak. Input : - Data video penyimpanan direktori - Indeks frame awal sampai dengan indeks frame akhir - Koordinat dari ROI Proses: Proses penjejakan objek bergerak Output :- Koordinat titik pusat dari ROI sesuai dengan hasil penjejakan objek bergerak - Nilai zeroth moment untuk x dan y, Jumlah iterasi untuk setiap proses penjejakan
31 Untuk dataset bola.avi Untuk dataset cangkir.avi
32 KESIMPULAN DAN SARAN Dari hasil uji coba diatas menunjukkan bahwa waktu komputasi dari algoritma SIFT lebih efisien dibandingkan dengan algoritma Camshift. Akan tetapi, hasil penjejakan yang dilakukan oleh algoritma Camshift lebih baik dibandingkan dengan algoritma SIFT. Saran Saran yang dapat diberikan dalam pengembangan tugas akhir ini antara lain adalah: Sebagai pengembangan program, dapat dibuat program penjejakan objek bergerak dengan pengambilan citra secara real time.
33 DAFTAR PUSTAKA Exner David and Bruns Erich, Fast and robust camshift tracking, in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, M. Isard and A. Blake, Condensation - Conditional density propagation for visual tracking, Intl. J. of Computer Vision, vol. 29, no. 1, Pratama, Rangga Yudha, 2005, Rancang Bangun Perangkat Lunak Untuk Deteksi Objek Bergerak Menggunakan Motion Tracking dan Short Message Services, Tugas Akhir, Jurusan Matematika ITS. R. Rosales and S. Sclaroff, 3D trajectory recovery for tracking multiple objects and trajectory guided recognition of actions, in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Fort Collins, CO, 1999, pp Y. Boykov and D. Huttenlocher, Adaptive Bayesian recognition in tracking rigid objects, in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Hilton Head, SC, 2000, pp Y. Rui and Y. Chen, Better proposal distributions: Object tracking using unscented particle filter, in Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Kauai, Hawaii, volume II, 2001, pp
34 Chaoyang Zhu, 2011, Video Object Tracking using SIFT and Mean Shift, Thesis, Department of Signals and Systems Chalmers University Of Technology. Susanto,2008, Pengembangan Perangkat Lunak Penjejakan Objek Bergerak Menggunakan Metode Mean Shift Tugas Akhir, Jurusan Matematika ITS. Lowe, D.G., Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60, 2, pp , G. R. Bradski. Computer video face tracking for use in a perceptual user interface. Intel Technology Journal, Q D. Comaniciu, V. Ramesh, Real-Time Tracking of Non-Rigid Objects using Mean Shift, IEEE CVPR, 2000.
Implementasi Metode Scale Invariant Feature Transform(SIFT) Dan Metode Continuosly Adaptive Mean-Shift(Camshift) Pada Penjejakan Objek Bergerak
JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) 1-6 1 Implementasi etode Scale Invariant Feature Transform(SIFT) Dan etode Continuosly Adaptive ean-shift(camshift) Pada Penjejakan Objek Bergerak Shanty Eka Agustina,
ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE
ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE HANANTO DHEWANGKORO A11.2009.04783 Universitas Dian Nuswantoro. Semarang, Indonesia Email: hanantodhewangkoro@gmail.com
1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Sistem Pendeteksi Gambar Termanipulasi Menggunakan Metode SIFT
Sistem Pendeteksi Gambar Termanipulasi Menggunakan Metode SIFT Regina Lionnie 1, Mudrik Alaydrus 2 Program Studi Magister Teknik Elektro, Universitas Mercu Buana, Jakarta 1 regina.lionnie.id@ieee.org,
Penjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt
Penjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt Sulfan Bagus Setyawan 1, Djoko Purwanto 2 Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember 1 sulfan13@mhs.ee.its.ac.id
PENCOCOKAN OBYEK WAJAH MENGGUNAKAN METODE SIFT (SCALE INVARIANT FEATURE TRANSFORM)
Jurnal Ilmiah NERO Vol. 1 No. 1 2014 PENCOCOKAN OBYEK WAJAH MENGGUNAKAN METODE SIFT (SCALE INVARIANT FEATURE TRANSFORM) Meidya Koeshardianto, S. Si., M. T. Program Studi D3Manajemen Informatika, Universitas
II TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
III METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
MODIFIKASI METODE CAMSHIFT UNTUK PENGENALAN CITRA WAJAH SECARA REAL TIME BERDASARKAN WARNA KULIT WAJAH
MODIFIKASI METODE CAMSHIFT UNTUK PENGENALAN CITRA WAJAH SECARA REAL TIME BERDASARKAN WARNA KULIT WAJAH Sultoni 1) 1) Pendidikan Teknologi Informatika dan Komputer, Universitas Muhammadiyah Sidoarjo Jl.
PERKEMBANGAN teknologi dalam bidang animasi 3
PROCEEDING TUGAS AKHIR 1 Perkiraan Pose Manusia Menggunakan 3D Cylindrical Model Hasbi Dwinanto Saputra, Mochammad Hariadi, Ahmad Zaini Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya
Aplikasi Citra Mosaik Panoramik
Aplikasi Citra Mosaik Panoramik Reyza Rizki Mahaputra dan Karmilasari Jurusan Sistem Informasi, Fakultas Ilmu Komputer dan Tekonologi Informasi, Universitas Gunadarma, Depok - Indonesia, [reyza riz, karmila]@staff.gunadarma.ac.id
Analisis dan Implementasi Object Tracking Menggunakan Metode ASIFT dan Mean Shift
Analisis dan Implementasi Object Tracking Menggunakan Metode ASIFT dan Mean Shift Andrian Wijayana #1, Tjokorda Agung Budi W, ST,. MT #2 Siti Sa adah, ST,. MT #3 # Departemen Informatika, Fakultas Teknik,
1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Meningkatnya kebutuhan manusia akan sistem keamanan berbasis tracking yang dapat bekerja secara otomatis membuat ilmuwan mulai menciptakan berbagai macam teknologi dan
Konsep Penambahan High Pass Filter pada Pengenalan Pola Metode SIFT
Konsep Penambahan High Pass Filter pada Pengenalan Pola Metode SIFT Argo Wibowo 1 1 Universitas Atma Jaya Yogyakarta,Yogyakarta 55281 ABSTRAK Salah satu tools pengenalan obyek yang sedang banyak dikembangkan
Tracking Markerless Augmented Reality Untuk Design Furniture Room
ANNUAL RESEARCH SEMINAR 216 6 Desember 216, Vol 2 No. 1 ISBN : 979-587-626- UNSRI Tracking Markerless Augmented Reality Untuk Design Furniture Room Sri Desy Siswanti Sistem Komputer Fakultas Ilmu Komputer
Analisis dan Implementasi Object Tracking Menggunakan Metode ASIFT dan Mean Shift
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1166 Analisis dan Implementasi Object Tracking Menggunakan Metode ASIFT dan Mean Shift Andrian Wijayana #1, Tjokorda Agung Budi
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
SISTEM POSITIONING MENGGUNAKAN SIMBOL DENGAN MENGGUNAKAN SCALE INVARIANT FEATURE TRANSFORM (SIFT) oleh. Mario Bunda Setiawan NIM :
SISTEM POSITIONING MENGGUNAKAN SIMBOL DENGAN MENGGUNAKAN SCALE INVARIANT FEATURE TRANSFORM (SIFT) oleh Mario Bunda Setiawan NIM : 612009016 Skripsi Untuk melengkapi salah satu syarat memperoleh Gelar Sarjana
Fourier Descriptor Based Image Alignment (FDBIA) (1)
Fourier Descriptor Based Image Alignment (FDBIA) (1) Metode contour tracing digunakan untuk mengidentifikasikan boundary yang kemudian dideskripsikan secara berurutan pada FD. Pada aplikasi AOI variasi
BAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini sampah merupakan masalah yang menjadi fokus utama di berbagai daerah. Hal tersebut terjadi karena setiap hari jumlah sampah semakin bertambah seiring dengan
Analisa Perbandingan Algoritma Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model (GMM) Dalam Mendeteksi Manusia
Analisa Perbandingan Algoritma Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model (GMM) Dalam Mendeteksi Manusia Yolinda Fatimah Munawaroh 1), Ciksadan 2), Irma Salamah 3) 1),2),3 ) Program
9BAB V. 10KESIMPULAN DAN SARAN
9BAB V. 10KESIMPULAN DAN SARAN 10.1. KESIMPULAN Pada penelitian ini pengembangan pelacak objek CAMSHIFT telah dilakukan menggunakan metode segmentasi mean-shift dan region growing yang diterapkan pada
BAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian ini merupakan penelitian di bidang pemrosesan citra. Bidang pemrosesan citra sendiri terdapat tiga tingkatan yaitu operasi pemrosesan citra tingkat rendah,
V HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Tracking Mata secara real-time Berbasis ROI dari hasil deteksi pusat iris menggunakan Template Matching
Hal B36-B40 Industrial Electronicss Seminar 008 EEPIS-ITS Tracking secara real-time Berbasis ROI dari hasil deteksi pusat iris menggunakan Template Matching Akhmad Hendriawan 1, Djoko Purwanto hendri@eepis-its.edu
ANALISIS PENGGUNAAN SCALE INVARIANT FEATURE TRANSFORM SEBAGAI METODE EKSTRAKSI FITUR PADA PENGENALAN JENIS KENDARAAN SKRIPSI
UNIVERSITAS INDONESIA ANALISIS PENGGUNAAN SCALE INVARIANT FEATURE TRANSFORM SEBAGAI METODE EKSTRAKSI FITUR PADA PENGENALAN JENIS KENDARAAN SKRIPSI ROMMY RAKHMAN ARIEF 0606074325 FAKULTAS TEKNIK PROGRAM
Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical Agglomerative Clustering
2015 International Conference on Information, Communication Technology and System Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical
ESTIMASI LOCAL MOTION MENGGUNAKAN ALGORITMA PENCARIAN FOUR STEP. Rosida Vivin Nahari 1*, Riza Alfita 2 2 1,2
Simposium Nasional Teknologi Terapan (SNTT) 5 017 ISSN:339-08X ESTIMASI LOCAL MOTION MENGGUNAKAN ALGORITMA PENCARIAN FOUR STEP Rosida Vivin Nahari 1*, Riza Alfita 1, Fakultas Teknik, Universitas Trunojoyo
LAPORAN TUGAS AKHIR. Disusun Oleh :
LAPORAN TUGAS AKHIR ANALISIS PENGARUH PENINGKATAN KUALITAS GAMBAR MENGGUNAKAN RGB TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA GAMBAR BAWAH LAUT Disusun Oleh : NAMA NIM Program Studi : JEFRI
1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Dalam beberapa tahun terakhir, perkembangan teknologi pengolahan citra semakin pesat. Salah satu bidang pengolahan citra tersebut adalah bidang identifikasi citra
KAJIAN TENTANG SISTEM PENDETEKSIANSEL DARAH PUTIH MENGGUNAKAN METODE SCALE INFARIANT FEATURE TRANSFORM
KAJIAN TENTANG SISTEM PENDETEKSIANSEL DARAH PUTIH MENGGUNAKAN METODE SCALE INFARIANT FEATURE TRANSFORM Johan 1) Lina 2) Arlends Chris 3) 1) 2) 3) Teknik Informatika Universitas Tarumanagara Jl. Letjen.
DAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi
DAFTAR ISI Halaman Judul... i Lembar Pengesahan Pembimbing... ii Lembar Pengesahan Penguji... iii Halaman Persembahan... iv Halaman Motto... v Kata Pengantar... vi Abstrak... viii Daftar Isi... ix Daftar
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
APLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT
APLIKASI PENGENALAN RAMBU BERBENTUK BELAH KETUPAT Andhika Pratama, Izzati Muhimmah Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia
1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
BAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah 1), Djoko Purwanto 2), Ronny Mardiyanto 3) 1), 2),3) Teknik Elektro
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Video Video adalah teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang citra bergerak. Teknologi ini biasanya menggunakan film seluloid, sinyal elektronik,
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah1) Djoko Purwanto2) Ronny Mardiyanto3) 1) 2)3) Teknik Elektro Institut
BAB III METODELOGI PENELITIAN. Penelitian dilakukan dalam empat tahap, yaitu preprocessing citra, ekstraksi citra, SIFT, dan pencocokan citra.
BAB III METODELOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam empat tahap, yaitu preprocessing citra, ekstraksi citra, SIFT, dan pencocokan citra. Gambar 3.1 Kerangka penelitian 42 43
DETEKSI RAMBU-RAMBU LALU LINTAS UNTUK MEMBANTU PENGGUNA JALAN RAYA DENGAN ALGORITMA CAMSHIFT
DETEKSI RAMBU-RAMBU LALU LINTAS UNTUK MEMBANTU PENGGUNA JALAN RAYA DENGAN ALGORITMA CAMSHIFT DETECTION OF TRAFFIC SIGNS TO HELP THE HIGHWAY USERS WITH CAMSHIFT ALGORITHM Kurnia Khafidhatur Rafiah 1, Rita
Restorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah
Restorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah Bayu Setyo Prayugi Teknik Komputer dan Telematika Jurusan Teknik Elektro Insitut Teknologi Sepuluh
Analisa dan Pemodelan Kerumunan Orang pada Video Digital
Sidang Tugas Akhir Analisa dan Pemodelan Kerumunan Orang pada Video Digital Oleh: Nick Darusman (2209106015) Dosen Pembimbing Dr. Ir. Wirawan, DEA Jumat, 24 Januari 2012 Surabaya 1 Latar Belakang Angka
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Navigasi Perangkat Lunak ebook Reader Berbasis Mobile Menggunakan Fitur Face Tracking
Navigasi Perangkat Lunak ebook Reader Berbasis Mobile Menggunakan Fitur Face Tracking Rikza Azriyan, Saparudin, dan Reza Firsandaya Malik Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas
BAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini, akan diuraikan perancangan program, mulai dari perancangan algoritma sampai rancangan tampilan. Selain itu akan disajikan juga skema flowchart yang menjelaskan
DETEKSI WAJAH UNTUK OBJEK 3D MENGGUNAKAN ANDROID
DETEKSI WAJAH UNTUK OBJEK 3D MENGGUNAKAN ANDROID Afdhol Dzikri 1, Dwi Ely Kurniawan 2, Handry Elsharry Adriyanto 3 1,2,3 Jurusan Teknik Informatika, Prodi Teknik Multimedia dan Jaringan, Politeknik Negeri
Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
SISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON
SISTEM TEMU KEMBALI CITRA UNTUK E- COMMERCE MENGGUNAKAN PROSEDUR PENCARIAN DUA FASE DENGAN FITUR HISTOGRAM MULTI TEKSTON Nurissaidah Ulinnuha 1), Halimatus Sa dyah 2) Fakultas Sains dan Teknologi, Universitas
BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Empiris Dalam tinjauan empiris ini akan menampilkan beberapa penelitian yang telah dilakukan oleh peneliti sebelumnya mengenai metode dan hasil dari pengidentifikasian
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
TATTOO RECOGNITION BASED ON SPEED UP WITH ROBUST FEATURES (SURF)
Tatto Recognition Based on Speed Up with Robust Features (SURF) (Ken Ditha Tania, et al) TATTOO RECOGNITION BASED ON SPEED UP WITH ROBUST FEATURES (SURF) Ken Ditha Tania *, Aniati Murni Arymurthy ** ABSTRAK
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
BAB I 1 PENDAHULUAN. 1.1 Latar Belakang
BAB I 1 PENDAHULUAN 1.1 Latar Belakang Bidang komputer merupakan suatu bidang yang tidak akan pernah berhenti dan selalu berkembang kegunaanya hingga sekarang ini. Teknologi baru dan aplikasi baru selalu
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
ANALISIS PELACAKAN OBJEK MENGGUNAKAN BACKGROUND ESTIMATION PADA KAMERA DIAM DAN BERGERAK (Hasil Penelitian)
ANALISIS PELACAKAN OBJEK MENGGUNAKAN BACKGROUND ESTIMATION PADA KAMERA DIAM DAN BERGERAK ( Penelitian) Oleh : Wahyu Supriyatin 1, Yeniwarti Rafsyam 2, Jonifan 3 1,3 Universitas Gunadarma Jakarta, Jalan
BAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan
Deteksi Jenis Kendaraan di Jalan Menggunakan OpenCV
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-296 Deteksi Jenis di Jalan Menggunakan OpenCV Alvin Lazaro, Prof. Dr. Ir. Joko Lianto Buliali, M.Sc., Bilqis Amaliah S.Kom.,
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata Berty Chrismartin Lumban Tobing Fakultas Ilmu Komputer Universitas Indonesia Depok berty.chrismartin@ui.ac.id
BAB 1 PENDAHULUAN 1.1 Latar Belakang Universitas Sumatera Utara
BAB 1 PENDAHULUAN Pada bab ini dijelaskan tentang latar belakang penelitian dibuat, rumusan masalah, batasan masalah yang akan dibahas, tujuan penelitian, manfaat penelitian, metodologi penelitian yang
Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
BAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
PENDETEKSIAN RAMBU LALU LINTAS DENGAN ALGORITMA SPEEDED UP ROBUST FEATURES (SURF)
PENDETEKSIAN RAMBU LALU LINTAS DENGAN ALGORITMA SPEEDED UP ROBUST FEATURES (SURF) Alexander A S Gunawan, Pascal Gerardus A, Wikaria Gazali Mathematics & Statistics Department, School of Computer Science,
ISSN : e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1353
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1353 Analisis dan Implementasi Scale Invariant Feature Transform (SIFT) pada Sistem Autentikasi Menggunakan Pembuluh Vena Ghofinka
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK
APLIKASI CONTENT BASED IMAGE RETRIEVAL DENGAN FITUR WARNA DAN BENTUK Arwin Halim 1, Hardy 2, Alvin Yufandi 3, Fiana 4 Program Studi Teknik Informatika, STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan
BAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MEMPERBAIKI CITRA DIGITAL
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MEMPERBAIKI CITRA DIGITAL 1. Pendahuluan Citra / gambar merupakan hal yang vital dan menjadi bagian integral dari kehidupan sehari-hari. Pada kepentingan tertentu,
BAB III METODE PENELITIAN. melacak badan manusia. Dimana hasil dari deteksi atau melacak manusia itu akan
BAB III METODE PENELITIAN 3.1. Model Pengembangan Tujuan dari tugas akhir ini adalah untuk membuat sebuah aplikasi untuk mengatur kontras pada gambar secara otomatis. Dan dapat meningkatkan kualitas citra
Implementasi Principal Component Analysis - Scale Invariant Feature Transform pada Content Based Image Retrieval
e-issn : 2443-2229 Jurnal Teknik Informatika dan Sistem Informasi Volume 3 Nomor 3 Desember2017 Implementasi Principal Component Analysis - Scale Invariant Feature Transform pada Content Based Image Retrieval
Aplikasi Findgo-ITATS Berbasis Android Dengan Algoritma SURF Untuk Menampilkan Informasi Lokasi Di ITATS
Hapsari, Aplikasi Findgo-ITATS Berbasis Android Dengan Algoritma SURF Untuk Menampilkan Informasi.. 37 Aplikasi Findgo-ITATS Berbasis Android Dengan Algoritma SURF Untuk Menampilkan Informasi Lokasi Di
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
DETEKSI PEMALSUAN CITRA COPY MOVE MENGGUNAKAN DYADIC WAVELET DAN SCALE INVARIANT FEATURE TRANSFORM
DETEKSI PEMALSUAN CITRA COPY MOVE MENGGUNAKAN DYADIC WAVELET DAN SCALE INVARIANT FEATURE TRANSFORM Wahyu Restuti Tresnaningsih 1, Endina Putri Purwandari 2, Desi Andreswari 3 1,2,3 Program Studi Teknik
Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
TRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION
TRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION Indra Pramana, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Pendeteksian Objek Pada Citra Menggunakan Pencocokan Titik-Titik Fitur Berbasis Algoritma SURF dan MSER
KOMPUTASI, Vol.13, No.2, Juli 2016, pp. 71-79 ISSN: 1693-7554 71 Pendeteksian Objek Pada Citra Menggunakan Pencocokan Titik-Titik Fitur Berbasis Algoritma SURF dan MSER Homa. P. Harahap Sistem Informasi,
IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
TRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW
TRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW Ubaidillah Umar, Reni Soelistijorini, B. Eng, MT, Haryadi Amran Darwito, S.ST Jurusan Teknik Telekomunkasi - Politeknik
PENGEMBANGAN SISTEM TEMU KEMBALI CITRA DENGAN MULTIMODAL DATA MENGGUNAKAN MICROSTRUCTURE DESCRIPTOR DAN PLSA
PENGEMBANGAN SISTEM TEMU KEMBALI CITRA DENGAN MULTIMODAL DATA MENGGUNAKAN MICROSTRUCTURE DESCRIPTOR DAN PLSA Choiru Za in, Nanik Suciati, Chastine Fatichah Institut Teknologi Sepuluh Nopember choiruzain@gmail.com,
BAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Perkembangan Pengolahan Citra Data atau informasi tidak hanya disajikan dalam bentuk teks saja, akan tetapi dapat berupa sebuah gambar, audio (bunyi, suara, musik), dan video.
Pengenalan Wajah Secara Real Time Menggunakan Metode Camshift dan Operator Erosi Berdasarkan Citra Wajah
Journal of Information and Computer Technology Education, 1 (2), April 2017, E. ISSN. 1-12 2541-5107 DOI Artikel: Pengenalan Wajah Secara Real Time Menggunakan Metode Camshift dan Operator Erosi Berdasarkan
Oleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
BAB III METODE PENELITIAN. tracking obyek. Pada penelitian tugas akhir ini, terdapat obyek berupa bola. Gambar 3.1. Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan dalam pengerjaan Tugas Akhir ini adalah studi literatur, pembuatan program serta melakukan deteksi dan tracking obyek. Pada
BAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM Sistem vision yang akan diimplementasikan terdiri dari 2 bagian, yaitu sistem perangkat keras dan perangkat lunak. Perangkat lunak yang digunakan dalam sistem vision ini adalah
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET
CONTENT BASED IMAGE RETRIEVAL BERDASARKAN CIRI TEKSTUR MENGGUNAKAN WAVELET Nana Ramadijanti RG. Computer Vision, Program Studi Teknologi Informasi, Politeknik Elektronika Negri Surabaya E-mail: nana@eepis-its.edu
Deteksi Keypoint pada Markerless Augmented Reality untuk Design Furniture Room
Jurnal Komputer Terapan Vol.2, No. 2, November 2016, 179-194 179 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Deteksi Keypoint pada Markerless Augmented Reality untuk Design Furniture Room Sri
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa : Yuliono NRP : 1206 100 720 Jurusan : Matematika Dosen Pembimbing : Drs. Soetrisno, M.IKomp
Visualisasi Bentuk Ruangdari Gambar Denah dan Dinding
Visualisasi Bentuk Ruangdari Gambar Denah dan Dinding Kartika Gunadi, UK Petra, Siwalankerto 121 Surabaya, kgunadi@petra.ac.id Liliana, UK Petra, Siwalankerto 121 Surabaya, lilian@petra.ac.id Anthony Wibisono,
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Purwarupa Sistem Penggabungan Foto Udara Pada UAV Menggunakan Algoritma Surf (Speeded-Up Robust Features)
IJEIS, Vol.5, No.2, October 2015, pp. 165~176 ISSN: 2088-3714 165 Purwarupa Sistem Penggabungan Foto Udara Pada UAV Menggunakan Algoritma Surf (Speeded-Up Robust Features) Farida Dewanti* 1, R. Sumiharto
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia