DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM

Transkripsi

1 DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM Charles Edison Chandra; Herland Jufry; Sofyan Tan Computer Engineering Department, Faculty of Engineering, Binus University Jl. K.H. Syahdan No. 9, Palmerah, Jakarta Barat ABSTRACT This research creates algorithms to detect road lane markings and estimate the position and angle of the camera to the road markings captured. The implementation uses a camera to take a sample image and then will be processed using the Multiresolution Hough Transform as one of the main methods in road lane marking detection. Computional Cost results obtained in algorithms are slow which takes an average of seconds, however, the algorithm has its own advantages which are able to detect road lane marking as well as estimate the position and angle of the camera towards the road markings with an average positional error of cm and the average angular error of Keywords: algorithm, road lane detection, multiresolution hough transform ABSTRAK Penelitian ini membuat suatu algoritma untuk mendeteksi marka jalan serta mengestimasi posisi dan sudut dari kamera terhadap marka jalan yang ditemukan. Implementasinya menggunakan sebuah kamera untuk mengambil sample citra yang kemudian diproses menggunakan Multiresolution Hough Transform sebagai salah satu metode utama dalam pendeteksian marka jalan. Hasil Computional Cost yang didapatkan pada algoritma ini cukup lambat yaitu dengan waktu rata-rata yang dibutuhkan sebesar detik. Namun, algoritma ini memiliki kelebihan tersendiri yaitu tidak hanya bisa mendeteksi marka jalan tapi juga dapat mengestimasi posisi dan sudut kamera terhadap marka jalan dengan baik, dengan eror posisi rata-rata sebesar cm dan eror sudut rata-rata sebesar Kata kunci: algoritma, pendeteksian, marka jalan, multiresolution hough transform 66 Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73

2 PENDAHULUAN Lane detection merupakan suatu metode untuk mengetahui lokasi dari marka jalan tanpa diketahui terlebih dahulu noise yang terdapat pada lingkungan sekitarnya. Lane detection ini telah menjadi penelitian yang sering dilakukan oleh banyak orang agar bisa menjadi salah satu pendukung driver assistant maupun untuk autonomous navigation yang termasuk bagian dari inteligent transportation system. Namun, penelitian ini masih berlanjut sampai sekarang ini karena masih terdapat banyak masalah-masalah yang belum bisa diselesaikan dalam lane detection ini. Contohnya adalah sulitnya menentukan marka jalannya pada berbagai kondisi, terutama terhadap noise yang ada di lingkungan sekitarnya, seperti bayangan, garis-garis lain yang terdapat pada jalan, dan juga marka jalan yang sudah tidak utuh lagi atau sudah terputus-putus. Dalam lane detection ini terdapat beberapa metode yang bisa digunakan seperti yang digunakan oleh M. Caner Kurtul (2010) yaitu multiresolution hough transform. B.Yu and A.K. Jain (1996) juga mengunakan multiresolution hough transform tetapi dengan parameter tiga dimensi. Selain meteode tersebut, randomized hough transform digunakan oleh Azali Saudi (2008) dan Qing Li (2004). Pada umumnya penelitian-penelitian lane detection sebelumnya hanya sampai tahap mendeteksi marka jalan saja. Pada penelitian tak hanya sampai pada tahap tersebut, melainkan dilanjutkan hingga mencari tahu posisi dan sudut dari kendaraan terhadap marka jalan yang ada. METODE Pada penelitian ini, kami melakukan simulasi road lane detection pada jalanan yang kosong. Informasi input yang diberikan berupa sample image jalan yang diambil menggunakan kamera. Metode yang digunakan yaitu multiresolution hough transform. Output yang dihasilkan berupa posisi kendaraan terhadap marka jalan, yang nantinya akan menampilkan hasil deteksi garis jalan dan juga untuk mengetahui posisi dari kamera. Implementasi yang dilakukan ditujukan untuk menguji sistem yang telah dirancang, Sistem dikatakan stabil apabila output system dapat mendeteksi marka jalan yang ada serta dapat mengestimasikan posisi dan sudut dari kamera. Sistem ini diuji dengan membandingkan posisi dan sudut yang asli dengan estimasi posisi dan sudut yang didapatkan serta melihat hasil marka jalan yang ditemukan. Penelitian ini melakukan percobaan sebanyak 30 kali dengan posisi dan sudut yang berbeda-beda: (1) posisi 0 cm sudut 0 0 ; (2) posisi 0 cm sudut 20 0 ; (3) posisi 24 cm sudut 0 0 ; (4) posisi 24 cm sudut 10 0 ; (5) posisi 24 cm sudut ; (6) posisi 30 cm sudut 0 0 ; (7) posisi 30 cm sudut 10 0 ; (8) posisi 30 cm sudut ; (9) posisi 48 cm sudut 0 0 ; (10) posisi 48 cm sudut Untuk lebih jelasnya tentang posisi dan sudut dapat dilihat pada contoh Gambar 1 di bawah ini: Deteksi Marka Jalan (Charles Edison Chandra; dkk) 67

3 Gambar 1 Posisi dan sudut pengambilan data Dengan keterangan sbb: (1) posisi kiri dari hasil yang didapatkan merupakan posisi real yang digunakan; (2) garis merah merupakan marka jalan yang ditemukan sedangkan garis hijau merupakan semua garis yang ditemukan oleh Multiresolution Hough Transform; (3) masingmasing posisi memiliki tiga sampel yang diambil rata-rata error-nya; (4) fix error posisi maksimum = 10 cm; (5) fix error sudut maksimum = 5 o ; (6) fix error sudut kemiringan antara dua garis = 0.02 o ; (7) fix jarak antara dua garis = 48 cm. Pada penelitian road lane detection ini dibuat suatu algoritma untuk menyampaikan informasi marka jalan pada pengguna mobil. Di sini terdapat beberapa tahapan yang harus dikerjakan oleh algoritma tersebut (Gambar 2). Pertama dilakukan preproccesing pada citra yaitu grayscale dan edge detection agar citra dapat diproses oleh multiresolution hough transform. Pada multiresolution hough transform ini akan dicari garis-garis yang terdapat pada citra yang diproses. Selanjutnya dilakukan image cropping untuk memperkecil kemungkinan terdeteksinya garis yang bukan merupakan marka jalan. Pada garis-garis yang sudah ditemukan akan dicari line segment, yaitu titik awal dan titik akhir pada masing-masing garis serta panjang garis tersebut. Setelah itu dilakukan proses inverse perspective mapping yang bertujuan untuk memproyeksikan citra dari bidang citra ke bidang jalan. Pada citra yang sudah diproyeksikan ke bidang jalan tersebut akan dicari dua garis paralel di mana jika jarak antar garis sesuai dengan jarak yang sudah ditentukan, kedua garis yang ditemukan tersebut dianggap sebagai marka jalan. Setelah marka jalan berhasil terdeteksi, selanjutnya akan dilakukan perhitungan posisi marka jalan terhadap kamera. 68 Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73

4 Gambar 2 Diagram alir perancangan sistem secara umum HASIL DAN PEMBAHASAN Analisis Deteksi Marka Jalan Tabel 1 di bawah ini menampilkan data persentase sample yang terdeteksi sebagai marka jalan berdasarkan berbagai posisi dan sudut kamera. Tabel 1 Hasil Deteksi Marka Jalan No Posisi dan sudut Persentase sample yang terdeteksi sebagai marka jalan 1 Posisi 0 cm, Sudut 0 O 0% 2 Posisi 0 cm, Sudut 20 O 100% Deteksi Marka Jalan (Charles Edison Chandra; dkk) 69

5 3 Posisi 24 cm, Sudut 0 O 100% 4 Posisi 24 cm, Sudut 10 O 100% 5 Posisi 24 cm, Sudut -10 O 100% 6 Posisi 30 cm, Sudut 0 O 100% 7 Posisi 30 cm, Sudut 10 O 100% 8 Posisi 30 cm, Sudut -10 O 100% 9 Posisi 48 cm, Sudut 0 O 100% 10 Posisi 48 cm, Sudut -20 O 33.33% Pada Tabel 1 di atas terlihat rata-rata disemua posisi dapat terdeteksi marka jalan dengan 100% atau dapat dibilang semua marka jalan yang ada dapat terdeteksi dengan baik. Namun, ada satu posisi yang hanya terdeteksi 33,33% saja atau dapat dibilang hanya terdeteksi 1 dari total 3 sampel yang ada. Ada juga satu posisi yang tidak terdeteksi sama sekali karena pada kedua posisi ini kamera tidak dapat menangkap dengan jelas garis marka jalan aslinya (Gambar 3). Gambar 3 Kedua posisi yang tidak terdeteksi marka jalannya Analisis Estimasi Posisi dan Sudut Tabel 2 di bawah ini menampilkan data error posisi dan sudut. Tabel 2 Hasil Estimasi Posisi dan Sudut No Posisi dan Sudut Absolut Rata-Rata Absolut Rata-Rata Error Posisi Error Sudut 1 Posisi 0 cm, Sudut 0 O cm Posisi 0 cm, Sudut 20 O cm Posisi 24 cm, Sudut 0 O cm Posisi 24 cm, Sudut 10 O cm Posisi 24 cm, Sudut -10 O cm Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73

6 6 Posisi 30 cm, Sudut 0 O cm Posisi 30 cm, Sudut 10 O cm Posisi 30 cm, Sudut -10 O cm Posisi 48 cm, Sudut 0 O cm Posisi 48 cm, Sudut -20 O cm Rata-Rata cm Dilihat pada tabel 2 di atas posisi dan sudut yang mendapatkan error yang besar kebanyakan pada saat sudut kameranya tidak pada 0 0 melainkan sudah berubah dari 0 0 ke 20 0 maupun dari 0 0 ke ±10 0. Maka dari itu, perubahan sudut pada kamera dapat menyebabkan kenaikan error posisi pada hasil yang didapatkan dan sebaliknya apabila sudut kamera pada 0 0 maka error posisi dan sudut yang didapatkan akan semakin kecil. Kemudian dilihat secara keseluruhan dari rata-rata error posisi dan sudut didapatkan error rata-rata posisi sebesar 2,0520cm dan error rata-rata sudut sebesar 1, Hasil estimasi posisi dan sudut disini sudah termasuk sangat akurat karena error yang didapatkan sangat kecil sekitar 1-2cm atau derajat saja sehingga tidak berpengaruh besar pada hasilnya, dan ditambah lagi sebagian besar error yang terjadi dari pengambilan data di atas dikarenakan pada saat melakukan pengambilan data memang sulit untuk mendapatkan posisi dan sudut yang benar-benar tepat dengan hanya menggunakan pengaris dan busur. Sisanya rata-rata dapat mendeteksi marka jalan yang ada dengan baik, dan apabila dilihat dari error rata-rata yang didapatkan sebenarnya sudah sangat kecil. Sehingga tidak berpengaruh terhadap hasil yang didapatkan atau dapat dibilang sudah berhasil menemukan marka jalan dan mengestimasikan posisi dengan baik. Analisis Waktu Proses yang Dibutuhkan Tabel 3 di bawah ini menampilkan hasil perhitungan waktu yang dibutuhkan dalam pemrosesan. Tabel 3 Hasil Perhitungan Waktu yang Dibutuhkan dalam Pemrosesan Posisi dan Sudut Posisi 0 cm, Sudut 0 O Posisi 0 cm, Sudut 20 O Posisi 24 cm, Sudut 0 O Posisi 24 cm, Sudut 10 O Posisi 24 cm, Sudut -10 O Posisi 30 cm, Sudut 0 O Posisi 30 cm, Sudut 10 O Posisi 30 cm, Sudut -10 O Posisi 48 cm, Sudut 0 O Posisi 48 cm, Sudut -20 O Rata-Rata Rata-rata Waktu Proses s s s s s s s s s s s Deteksi Marka Jalan (Charles Edison Chandra; dkk) 71

7 Dilihat pada tabel 3 di atas rata-rata waktu yang dibutuhkan sebesar 4-5 detik, kecuali pada posisi 48 cm sudut 0 0 karena jumlah garis yang terdeteksi pada posisi ini sangat sedikit yaitu hanya sembilan garis. Sedangkan pada posisi lain rata-rata garis yang terdeteksi di atas 20 garis sehingga waktu yang dibutuhkan untuk posisi iniuntuk menyelesaikan algoritma ini dua kali lipat lebih cepat dibandingkan dengan posisi lainnya. Keseluruhannya waktu rata-rata pemrosesan yang dibutuhkan pada percobaan pengambilan data adalah s. Ini dinilai cukup lambat dibandingkan dengan pemrosesan MHT yang sudah pernah ada karena di sini ditambahkan algoritma untuk mengestimasikan posisi dari kamera terhadap marka jalan sehingga tentunya computational cost jadi lebih besar. Analisis Perbandingan HT Dengan MHT Berikut adalah data hasil pendeteksian marka jalan dan waktu yang dibutuhkan menggunakan HT (Tabel 4). Tabel 4 Hasil Pendeteksian Marka Jalan dan Waktu yang Dibutuhkan Menggunakan HT Threshold Posisi & Sudut waktu cm & 0 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi - 0cm & 20 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi - 24cm & 0 Tidak terdeteksi Terdeteksi Tidak terdeteksi 1.7s 24cm & 10 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi - 24cm & -10 Tidak terdeteksi Terdeteksi Tidak terdeteksi 1.8s 30cm & 0 Tidak terdeteksi Terdeteksi Tidak terdeteksi 1.6s 30cm & 10 Tidak terdeteksi Terdeteksi Tidak terdeteksi 2s 30cm & -10 Tidak terdeteksi Terdeteksi Tidak terdeteksi 1.8s 48cm & 0 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi - 48cm & -20 Tidak terdeteksi Tidak terdeteksi Tidak terdeteksi - Dilihat pada Tabel 4 di atas dapat disimpulkan MHT tidak hanya lebih cepat computional cost nya melainkan juga ketelitian pendeteksiannya. HT hanya dapat mendeteksi saat threshold sebesar 150 di mana lebih cepat dalam waktu tapi hanya mampu mendeteksi setengah dari seluruh sample. Selain itu, ketika diturunkan threshold-nya untuk menambah ketelitian, waktunya yang dibutuhkan sudah terlalu lama sampai matlab saja tidak sanggup untuk memprosesnya lagi. SIMPULAN Pada hasil percobaan skripsi ini didapatkan tingkat keberhasilan pendeteksian marka jalan hampir rata-rata 100%, kecuali 2 posisi yang tidak dapat terdeteksi marka jalannya. Tingkat akurasi dalam estimasi posisi juga sudah sangat bagus dengan rata-rata error posisi sebesar cm dan rata-rata error sudut sebesar Namun, waktu rata-rata yang dibutuhkan untuk pendeteksian marka jalan dan estimasi posisi termasuk lama yaitu detik. 72 Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73

8 Diharapkan kedepannya dapat ditambahkan algoritma lagi untuk menambah ketelitian pendeteksiannya. Tentunya dengan ditambahkan algoritma lagi, waktu yang dibutuhkan akan semakin lama sehingga diharapkan juga bisa dioptimasikan lagi algoritma untuk mempersingkat waktu perhitungan dengan cara mengimplementasikan secara real-time, karena apabila secara real-time thresholdnya bisa dinaikkan lagi agar garis yang terdeteksi semakin sedikit dan waktu prosesnya juga akan semakin cepat. DAFTAR PUSTAKA Jain, B. Y. (1996). A robust and fast skew detection algorithm. Pattern Recognition, Kurtul, M. C. (2000). Road Lane and Traffic Sign Detection and Tracking. Istanbul: Bogazici University. Qing Li, N. Z. (2004). Lane boundary detection using an adaptive. Intelligent Control and Automation, WCICA Fifth World Congress, Shanghai, Saudi, J. T Azali. (2008). Fast lane detection with randomized hough transform. ITSim 2008: International Symposium, Kinabalu, 1 5. Yu, B., & Jain, A. K. (1997). Lane boundary detection using a multiresolution hough transform. Image Processing, Proceedings International Conference, Michigan, Deteksi Marka Jalan (Charles Edison Chandra; dkk) 73