Implementasi Metode Scale Invariant Feature Transform(SIFT) Dan Metode Continuosly Adaptive Mean-Shift(Camshift) Pada Penjejakan Objek Bergerak
|
|
- Yuliani Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) Implementasi etode Scale Invariant Feature Transform(SIFT) Dan etode Continuosly Adaptive ean-shift(camshift) Pada Penjejakan Objek Bergerak Shanty Eka Agustina, dan Imam ukhlash Jurusan atematika, Fakultas atematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya imamm@matematika.its.ac.id Abstrak Sistem penjejakan objek bergerak merupakan sebuah sistem yang digunakan untuk melakukan penjejakan terhadap sebuah obyek, sehingga pergerakan obyek dapat dideteksi dengan tetap memperhatikan perubahan perubahan yang terjadi di sekitar objek tersebut. Dalam pemanfaatannya, sistem penjejakan objek bergerak sering digunakan dalam bidang robotika, game, maupun keamanan gedung. Berbagai metode dikembangkan dalam masalah ini. Pada tugas akhir kali ini, metode penjejakan objek yang digunakan adalah Scale invariant feature transform (SIFT) dan Continuosly adaptive mean-shift (Camshift). Kedua metode ini dapat dipergunakan dalam penjejakan objek bergerak. Dimana dalam mendeteksi dan mendeskripsikan fitur-fitur lokal dari citra dalam data video yang diperoleh dengan proses SIFT dan hasil pencocokan keypoint yang nantinya dijejaki pergerakannya sehingga dihasilkan output berupa video penjejakan objek bergerak. etode Camshift dapat dipergunakan juga dalam penjejakan objek bergerak. engingat metode Camshift memiliki kemampuan melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Dari uji coba yang telah dilakukan, perangkat lunak penjejakan objek bergerak menggunakan metode SIFT dan Camshift memiliki kelebihan dan kekurangan masing-masing. Kata Kunci Sistem penjejakan objek bergerak, scale invariant feature transform, camshift. I. PENDAHULUAN erkembangan teknologi multimedia pada dewasa ini telah P banyak membawa dampak yang positif bagi kehidupan manusia. Hal yang paling mendasar dikarenakan teknologi multimedia memiliki kemampuan menyimpan dan mengelola gambar digital dengan resolusi tinggi dan mampu menghasilkan suara maupun video dalam bentuk digital. Teknologi ultimedia merupakan suatu teknologi yang menggunakan elemen komputer interaktif seperti grafik, teks, video, suara, dan animasi disatukan didalam komputer untuk disimpan, diproses dan disajikan guna membentuk interaksi yang inovatif antara komputer dengan manusia, contohnya adalah sistem penjejakan obyek bergerak pada kamera digital. Sistem penjejakan objek bergerak merupakan sebuah sistem yang digunakan untuk melakukan penjejakan terhadap sebuah obyek, sehingga pergerakan obyek dapat dideteksi dengan tetap memperhatikan perubahan perubahan yang terjadi di sekitar objek tersebut. Berbagai metode dikembangkan dalam masalah penjejakan objek bergerak contohnya SIFT[6], mean shift, dan camshift. Kelebihan metode SIFT adalah kemampuannya dalam mendeteksi dan mendeskripsikan fitur-fitur lokal dari citra dalam data video[6]. Hasil dari deteksi dan pendeskripsian fitur fitur lokal itu dapat dipergunakan dalam penjejakan objek bergerak. SIFT memiliki ketahanan yang kuat terhadap penskalaan, rotasi dan perubahan sudut pandang citra. Sedangkan kemampuan mean shift dalam mendeteksi objek bergerak di dalam data video adalah tidak adanya ketergantungan pada jenis dari objek yang diamati, baik yang bersifat rigid maupun non-rigid. Namun dalam pengaplikasiannya metode mean shift ini memerlukan pengembangan dikarenakan distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Untuk itu metode camshift sangat berperan dalam hal ini. etode camshift merupakan pengembangan dari metode mean shift yang memiliki kemampuan melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video. Oleh karena itu pada tugas akhir ini, akan digunakan metode SIFT dan metode camshift untuk menyelesaikan permasalahan penjejakan objek bergerak. II. TINJAUAN PUSTAKA A. Citra Digital Citra digital adalah citra dua dimensi yang dapat dipresentasikan dengan fungsi intensitas cahaya yang mana X dan Y menyatakan koordinat s pasial. Elemen terkecil dari citra digital disebut dengan piksel. Citra dapat digolongkan menjadi dua macam, yaitu citra kontinu dan citra digital. Citra kontinu adalah citra yang dihasilkan dari sistem optic yang menerima sinyal analog. Sedangkan citra diskrit/digital dihasilkan melalui proses digitalisasi terhadap citra kontinu.
2 JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) 1-6 B. Video Video dikatakan sebagai gabungan gambar-gambar mati yang dibaca berurutan dalam suatu waktu dengan kecepatan tertentu. Gambar-gambar yang digabung tersebut dinamakan frame dan kecepatan pembacaan gambar disebut dengan frame rate, dengan satuan fps (frame per second). Karena dimainkan dalam kecepatan yang tinggi maka tercipta ilusi gerak yang halus, semakin besar nilai frame rate maka akan semakin halus pergerakan yang ditampilkan. Karakteristik suatu video digital ditentukan oleh resolusi (resolution) atau dimensi frame (frame dimention), kedalaman piksel (pixel depth), dan laju frame (frame rate). Resolusi atau dimensi frame adalah ukuran sebuah frame pa da video digital. Semakin tinggi resolusi video semakin baik kualitas video tersebut. Kedalaman bith (bit depth) menentukan jumlah bit yang digunakan untuk merepresentasikan tiap piksel pada sebuah frame, dan dinyatakan dalam bit/piksel. Semakin banyak jumlah bit yang digunakan untuk merepresentasikan sebuah piksel, semakin tinggi kedalaman pikselnya, maka semakin tinggi pula kualitasnya. Laju Frame (frame rate) menunjukan jumlah f rame yang digambar tiap detik dinyatakan dalam frame/detik. C. Penjejakan Objek Bergerak Penjejakan objek bergerak atau object tracking adalah proses mencari lokasi dari objek yang akan diamati dari suatu data video untuk setiap satu satuan frame dalam data video tersebut. Aplikasi ini merupakan aplikasi yang menggunakan teknik pengolahan citra digital. Pada umumnya ada dua pendekatan yang dapat digunakan pada aplikasi ini, yaitu : 1. Penjejakan objek bergerak berdasarkan gerakan objek.. Penjejakan objek bergerak berdasarkan pengenalan objek. Berbagai metode dikembangkan untuk menyelesaikan permasalahan penjejakan objek bergerak khususnya yang berbasiskan pola gerakan objek dan pengenalan objek antara lain menggunakan Kalman filter, extended Kalman filter, ataupun partikel filter, dan camshift. Berikut ini adalah sebuah ilustrasi yang menggambarkan adanya suatu penjejakan objek bergerak. Deteksi ekstremum (maksimum atau minimum) pada Difference of Gaussian Scale Space. Penetapan orientasi keypoint (orientation assignment). Penetapan keypoint descriptor. Gaussian dan Difference of Gaussian Scale Space Pada algoritma SIFT digunakan fungsi Gaussian untuk membangun scale space sehingga disebut dengan Gaussian Scale Space. Gambar. Ilustrasi Gaussian dan Difference of Gaussian Scale Space Setelah mendapatkan Gaussian Scale Space langkah selanjutnya yaitu membentuk Difference of Gaussian Scale (DoG). DoG dibentuk dengan cara D( σ ) = L( kσ ) L( σ ) Keterangan : L ( σ ) adalah konvolusi dari citra asli I ( dengan Gaussian filter G( σ ) pada skala σ. L ( kσ ) adalah konvolusi dari citra asli I ( dengan Gaussian filter G ( kσ ) pada skala kσ dengan nilai k =. Deteksi Ekstremum Deteksi ekstremum (nilai maksimum dan minimum) dilakukan dengan cara membandingkan nilai setiap piksel pada DoG Scale space dengan delapan piksel yang berada di sekelilingnya dan 9 piksel yang bersesuaian pada citra DoG sebelum dan setelahnya[6]. Jika nilai piksel yang dimaksud lebih besar atau lebih kecil daripada nilai-nilai piksel pembandingnya maka koordinat piksel tersebut ditandai sebagai ekstremum. Ilustrasinya dapat dilihat pada gambar di bawah ini Gambar 1. Penjejakan Objek Bergerak D. Algoritma Scale Invariant Feature Transform (SIFT) Pada penelitian ini, sistem penjejakan akan dibangun dengan memanfaatkan algoritma SIFT yang dipublikasikan oleh David Lowe pada Algoritma SIFT sendiri terbagi atas beberapa bagian yaitu[6] : Pembentukan Gaussian Scale Space dan Difference of Gaussian Scale Space. Gambar 3. Ilustrasi deteksi ekstrema, tanda silang merupakan piksel uji dan lingkaran hijau merupakan piksel pembanding Setelah mendapatkan titik-titik ekstremum maka p erlu ditingkatkan lokalisasinya dengan akurasi subpiksel dengan menggunakan ekspansi Taylor orde kedua dari fungsi ruang skala D ( σ ), sehingga posisi ekstremum sebenarnya didapatkan dengan rumus berikut [6] : 1 D D z = x x
3 JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) Selanjutnya untuk menghitung nilai keypoint pada ekstremum digunakan rumus berikut : 1 1 D D( z) = D + z x Jika nilai D(z) tidak melebihi suatu nilai threshold (0.03) maka keypoint tersebut dihilangkan dan tidak dipakai lagi[6]. Di samping penghapusan keypoint yang tidak memenuhi syarat threshold dilakukan juga penghapusan keypoint tak stabil yang berada pada daerah edge. Sebuah matriks Hessian x digunakan untuk menemukan kurvatur sehingga rasio dari kurvatur dapat diketahui[8]. D xx D xy H = D D xy yy Dxx + D yy ( r + 1) < D xx D yy ( D xy ) r Pada penelitian ini nilai r yang digunakan yaitu 10 sehingga keypoint yang memiliki rasio kurvatur lebih dari 10 akan dihilangkan[6]. Penetapan Orientasi Keypoint (Orientation assignment) Pada penetapan orientasi ini digunakan citra Gaussian smooth L yang memiliki skala paling dekat dengan skala keypoint. Untuk setiap citra sampel L( magnitude m( dan orientasi θ( dihitung dengan menggunakan perbedaan piksel sebagai berikut : m( = ( L( x + 1, L( x 1, ) + ( L( y + 1) L( y 1)) L( y + 1) L( y + 1) θ ( = arctan( ) L( x + 1, L( x 1, 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 keypoint[6]. Histogram yang didapat pada langkah penetapan orientasi ini dihitung magnitude dan nilai orientasi untuk sampel dalam wilayah 16x16 disekitar keypoint. agnitude 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 18 elemen. E. Algoritma Continuosly Adaptive ean Shift ( Camshift) Camshift a dalah singkatan dari Continuously Adaptive ean Shift, yang merupakan pengembangan dari algoritma ean Shift yang dilakukan secara terus menerus untuk melakukan adaptasi atau penyesuaian terhadap distribusi probabilitas warna yang selalu berubah tiap pergantian frame dari video sequence[7]. Langkah-langkah dari algoritma mean shift adalah sebagai berikut [7]: Langkah 1 : Tentukan ukuran search window. Langkah : Tentukan lokasi awal search window. Langkah 3 : Hitung daerah mean dalam search window. Langkah 4 : Posisikan search window ke tengah daerah mean seperti dihitung pada step (3). Langkah 5 : Ulangi langkah (3) dan (4) hingga konvergen (atau hingga pergeseran daerah mean kurang dari threshold / batas yang ditentukan). Sedangkan langkah-langkah algoritma camshift adalah sebagai berikut: Langkah 1 : Tentukan ukuran awal search window. Langkah : Tentukan lokasi awal dari search window. Langkah 3 : Tentukan daerah kalkulasi (calculation region) pada bagian tengah search window dengan ukuran lebih besar dari search window. Langkah 4 : Frame citra video dikonversi ke dalam sistem warna HSV(Hue, Saturation, Value), kemudian langkah selanjutnya adalah membuat histogram dari citra untuk mengetahui distribusi probabilitas warna. Langkah 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 dan simpan zeroth moment. Langkah 6 : Set nilai z yang diperoleh dari langkah (5). Langkah 7 : Nilai x dan y dipakai untuk menentukan titik tengah search window, sedangkan (*area 1/ ) untuk menentukan ukuran search window. Langkah 8 : Ulangi langkah (3) untuk setiap pergantian frame citra video. Untuk citra berdistribusi probabilitas warna, daerah mean (centroid) didalam search window bisa dicari dengan persamaan : Zeroth moment bisa dicari dengan persamaan: = I ( x y First moment untuk x dan y bisa dicari dengan persamaan : 10 = xi ( x y 01 = yi ( x y aka lokasi mean dalam search window(centroid) adalah : 10 x c = y 01 c = dimana I ( adalah nilai warna piksel di posisi ( x, pada citra dan y berada di dalam search window dan 10 adalah first moment untuk untuk y sedangkan adalah zeroth moment. 01 adalah first moment
4 JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) III. PENGEBANGAN PERANGKAT LUNAK A. Data asukan Data masukan adalah data video non realtime dengan ekstensi.avi yang telah tersimpan di dalam penyimpanan direktori. Data video yang akan digunakan dalam sistem ini adalah sebagai berikut. Tabel 1 Data Video Yang Digunakan No Nama Total Frame 1 redcup.avi 99 bola.avi 70 3 cangkir.avi 40 B. odul Pra-Proses Secara garis besar perangkat lunak penjejakan objek bergerak ini terdiri atas dua modul yaitu modul pra-proses dan modul uji. odul pra-proses bertujuan untuk menyiapkan data untuk diproses. Pada modul ini dilakukan proses konversi video.avi ke dalam frame. Konversi Video ke Frame Setiap inputan video dalam sistem ini akan dikonversi menjadi beberapa frame. Frame inilah yang akan diproses sehingga pergerakan dari objek yang terdapat didalam video terlacak oleh sistem. C. odul Uji Data yang dihasilkan dari modul pra-proses kemudian akan di uji dengan beberapa proses diantaranya ekstrasi fitur lokal, ekstrasi fitur match, penjejakan objek bergerak dengan algoritma SIFT, penjejakan objek bergerak dengan algoritma Camshift. Ekstrasi fitur lokal Pada proses ini dilakukan ekstrasi fitur dari setiap frame hasil konversi. Hasil dari ekstrasi fitur ini berupa visualisasi dari keypoint yang terdapat dalam frame. Ekstrasi Fitur atch Pada proses ini dilakukan uji coba dengan mengekstrasi fitur pencocokan keypoint dari citra uji yang telah di ekstrasi keypoint sebelumnya. Hal ini dilakukan untuk mencari letak letak keypoint yang sama. Setelah itu keypoint keypoint yang sama disimpan lokasinya, sedangkan yang berbeda di hapus. Penjejakan Objek Bergerak dengan algoritma SIFT Uji coba dilakukan dengan mencoba masing-masing modul yang ada didalam sistem penjejakan objek bergerak menggunakan metode SIFT. Penjejakan Objek Bergerak dengan Algoritma Camshift Uji coba dilakukan dengan mencoba masing-masing modul yang ada didalam sistem penjejakan objek bergerak menggunakan metode Camshift. IV. IPLEENTASI Struktur dari perangkat lunak ini terbagi atas dua program utama yaitu program penjejakan objek bergerak dengan algoritma SIFT dan algoritma Camshift. Untuk alur proses pelaksanaan sistem dalam program penjejakan objek bergerak menggunakan algoritma SIFT dan algoritma Camshift ditunjukkan oleh Gambar 4 dan Gambar 5. ulai Data Video Non Realtime enampilkan data video yang telah tersimpan di direktori Konversi video ke frame Ekstrasi fitur-fitur lokal dalam citra uji dengan algoritma SIFT Ekstrasi fitur-fitur pencocokan keypoint Tentukan ROI dari objek Penjejakan objek bergerak Update posisi baru dari objek Video hasil tracking Selesai Gambar 4. Diagram alur program Penjejakan Objek Bergerak enggunakan Algoritma SIFT ulai Data Video Non Realtime enampilkan 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 Gambar 5. Diagram alur program Penjejakan Objek Bergerak enggunakan Algoritma Camshift V. UJI COBA A. Uji coba ekstrasi fitur lokal dan fitur pencocokan keypoint dengan algoritma SIFT Berikut ini adalah hasil pendeteksian fitur keypoint dari citra uji yang terdapat pada beberapa citra untuk dataset video yang digunakan dalam sistem.
5 JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) Tabel Data Deteksi Fitur Keypoint dari Beberapa Citra Uji Dalam Dataset Video Dataset Frame Jumlah Hasil Deteksi Fitur Redcup.avi Redcup1.jpg 395 Redcup.jpg 4 Redcup3.jpg 393 Redcup4.jpg 389 Bola.avi Bola1.jpg 193 Bola.jpg 08 Bola3.jpg 11 Bola4.jpg 40 Cangkir.avi Cangkir1.jpg 73 Cangkir.jpg 38 Cangkir3.jpg 301 Cangkir4.jpg 339 Berikut ini adalah hasil deteksi fitur match pada dataset video yang digunakan. Tabel 3 Data Deteksi Fitur atch pada dataset video yang digunakan Dataset Frame Jumlah Hasil Pencocokan Redcup.avi Redcup1.jpg dan Redcup.jpg 183 Redcup3.jpg dan Redcup4.jpg 18 Bola.avi Bola1.jpg dan Bola.jpg 101 Bola3.jpg dan Bola.4jpg 118 Cangkir.avi Cangkir1.jpg dan Cangkir.jpg 16 Cangkir3.jpg dan Cangkir4.jpg 19 B. Uji coba penjejakan objek bergerak dengan algoritma SIFT Berikut akan dilakukan beberapa kali uji coba terhadap perangkat lunak yang telah dibuat.untuk gambar hasil penjejakan dari dataset redcup.avi, bola.avi,cangkir.avi adalah sebagai berikut Frame 69 Gambar 7. Hasil Tracking Dari Algoritma SIFT P ada Percobaan enggunakan Dataset bola.avi Tabel 5. Posisi, dan Keypoint Yang Terdeteksi Didalam ROI Pada Frame Bola19.jpg, Frame Bola 39.jpg, Frame Bola59.jpg, dan Frame Bola79.jpg enggunakan Dataset Bola.avi Frame X 1 Y 1 X Y X -X 1 Y -Y 1 Fitur Terdeteks i Waktu Komp utasi s Sedangkan gambar hasil tracking dari dataset cangkir.avi adalah sebagai berikut Frame 10 Frame 0 Frame 30 Frame 40 Gambar 8. Hasil Tracking Dari Algoritma SIFT Pada Percobaan Percobaan enggunakan Dataset Cangkir.avi Fr am e Frame 79 Gambar 6. Hasil Tracking Dari Algoritma SIFT enggunakan Dataset redcup.avi Pad a Percobaan Tabel 4. Posisi, dan Keypoint Yang Terdeteksi Didalam ROI Pada Frame Redcup19.jpg, Frame Redcup 39.jpg, Frame Redcup59.jpg, dan Frame Redcup 79.jpg enggunakan Dataset Redcup.avi X 1 Y 1 X Y X -X 1 Y -Y 1 Fitur Terdete ksi Waktu Komput asi s Sedangkan gambar hasil tracking dari dataset bola.avi adalah sebagai berikut Tabel 6 Posisi, dan Keypoint Yang Terdeteksi Didalam ROI Pada Frame Cangkir 10.jpg, Frame Cangkir 0.jpg, Frame Cangkir30.jpg, dan Frame Cangkir40.jpg enggunakan Dataset Cangkir.avi Fram e X 1 Y 1 X Y X -X 1 Y -Y 1 Fitur Terdete ksi Waktu Komputa si s C. Uji coba penjejakan objek bergerak menggunakan algoritma Camshift Uji coba proses penjejakan objek bergerak dapat dikerjakan oleh user setelah user menentukan objek yang akan diamati. Untuk memulai proses penjejakan maka user cukup menekan Tombol Proses Tracking. Hasil dari proses ini adalah berubahnya posisi koordinat titik pusat dari ROI jika terdapat
6 JURNAL SAINS DAN SENI Vol. 1, No. 1, (01) pergerakan dari objek yang diamati. Terdapat beberapa hal yang dapat ditampilkan dalam aplikasi yang merupakan hasil penjejakan objek bergerak menggunakan metode Camshift. Beberapa gambar hasil penjejakan objek bergerak menggunakan metode Camshift ditunjukkan pada Gambar 9,10, dan11 di bawah ini Frame 10 Frame 0 Frame 30 Frame 79 Gambar 9. Hasil Proses Tracking Pada Dataset Redcup.avi enggunakan Algoritma Camshift. Tabel 7 Nilai dari koordinat posisi frame hasil penjejakan dari objek untuk beberapa frame Frame X Y Waktu Komputasi s Frame 40 Gambar 11. Hasil Proses Tracking Pada Dataset Cangkir.avi enggunakan Algoritma Camshift. Tabel 9 Nilai dari koordinat posisi frame hasil penjejakan dari objek untuk beberapa frame Frame X Y Komputasi s VI. SIPULAN 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. Frame 69 Gambar 10. Hasil Proses Tracking Pada Dataset Bola.avi enggunakan Algoritma Camshift. Tabel 8. Nilai dari koordinat posisi frame hasil penjejakan dari objek untuk beberapa frame Frame X Y Waktu Komputasi s DAFTAR PUSTAKA [1]. Isard and A. Blake, Condensation - Conditional density propagation for visual tracking, Intl. J. of Computer Vision, vol. 9, no. 1, [] 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 [3] Y. Boykov and D. Huttenlocher, Adaptive Bayesian recognition in tracking rigid objects, in Proc. IEEE Conf. on C omputer Vision and Pattern Recognition, Hilton Head, SC, 0, pp [4] 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, 1, pp [5] Susanto,8, Pengembangan Perangkat Lunak Penjejakan Objek Bergerak enggunakan etode ean Shift Tugas Akhir, Jurusan atematika ITS. [6] Lowe, D.G., Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60,, pp , 4. [7] G. R. Bradski. Computer video face tracking for use in a perceptual user interface. Intel Technology Journal, Q [8] Chaoyang Zhu, 011, Video Object Tracking using SIFT and ean Shift, Thesis, Department of Signals and Systems Chalmers University Of Technology.
IMPLEMENTASI METODE SCALE INVARIANT FEATURE TRANSFORM DAN METODE CAMSHIFT PADA PENJEJAKAN OBJEK BERGERAK LOGO
IMPLEMENTASI METODE SCALE INVARIANT FEATURE TRANSFORM DAN METODE CAMSHIFT PADA PENJEJAKAN OBJEK BERGERAK Oleh : Shanty Eka Agustina (1207.1000.24) Dosen Pembimbing: Dr. Imam Mukhlas, S.si, MT Jurusan Matematika
Lebih terperinci1BAB 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
Lebih terperinciSistem 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,
Lebih terperinciANALISIS 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
Lebih terperinci... 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
Lebih terperinciPENCOCOKAN 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
Lebih terperinciPenjejakan 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
Lebih terperinciIII 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
Lebih terperinciII 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
Lebih terperinciIDENTIFIKASI 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
Lebih terperinciV 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
Lebih terperinciPERKEMBANGAN 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
Lebih terperinciAnalisis 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,
Lebih terperinciMODIFIKASI 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.
Lebih terperinciAplikasi 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
Lebih terperinciFourier 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
Lebih terperinciPENDETEKSI 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
Lebih terperinciAnalisis 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
Lebih terperinciBAB 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
Lebih terperinciBAB 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,
Lebih terperinciPENDETEKSI 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
Lebih terperinci1. 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
Lebih terperinciTracking 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
Lebih terperinci1. 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
Lebih terperinciSISTEM 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
Lebih terperinciPERBANDINGAN 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
Lebih terperinciIMPLEMENTASI METODE RETINEX UNTUK PENCERAHAN CITRA
IMPLEMENTASI METODE RETINEX UNTUK PENCERAHAN CITRA Murinto 1), Eko Aribowo, Elena Yustina Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : murintokusno@yahoo.com
Lebih terperinci1. 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
Lebih terperinciPEMANFAATAN NORMALIZED FRAME DIFFERENCE SEBAGAI UKURAN AKTIVITAS GERAK PADA VIDEO DIGITAL
PEMANFAATAN NORMALIZED FRAME DIFFERENCE SEBAGAI UKURAN AKTIVITAS GERAK PADA VIDEO DIGITAL L.D.Purnamasari 1, N. Indra 2, I M.O. Widyantara 3 Jurusan Teknik Elektro, Fakultas Teknik Universitas Udayana
Lebih terperinciKonsep 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
Lebih terperinciBAB 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
Lebih terperinciBAB 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
Lebih terperinciPERBANDINGAN 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
Lebih terperinciBAB 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
Lebih terperinciSISTEM 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
Lebih terperinciBAB 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
Lebih terperinciESTIMASI 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
Lebih terperinciAPLIKASI 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
Lebih terperinciIdentifikasi 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
Lebih terperinciTraffic 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
Lebih terperinciIMPLEMENTASI 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
Lebih terperinciDETEKSI 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
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 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,
Lebih terperinciBAB 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
Lebih terperinciEKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA TESIS OLEH: ANDRI SUPRAYOGI NIM :
EKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra ) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciBAB 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
Lebih terperinciBAB 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
Lebih terperinciISSN : 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
Lebih terperinciRancang Bangun Aplikasi Pengenalan Ukiran Bali dengan Metode ORB
Rancang Bangun Aplikasi Pengenalan Ukiran Bali dengan Metode ORB I Gusti Lanang Trisna Sumantara, I Putu Agung Bayupati, Ni Kadek Ayu Wirdiani Jurusan Teknologi Informasi, Fakultas Teknik, Universitas
Lebih terperinci9BAB 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
Lebih terperinciBAB 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
Lebih terperinciVisualisasi 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,
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Rancang Bangun Sistem Pemantau Ruangan Berbasis Multi Kamera untuk Smartphone Android pada Jaringan Pikonet yang Adaptif terhadap Perubahan Situasi Ruangan
Lebih terperinciBAB 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
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciWatermarking 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
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-5 1 Perancangan dan Pembuatan Aplikasi Kontrol Objek 3D Interaktif Melalui Sentuhan Tangan Berbasis Augmented Reality Dengan Library FLAR dan MotionTracker
Lebih terperinciPengenalan Benda di Jalan Raya dengan Metode Kalman Filter. Roslyn Yuniar Amrullah
Pengenalan Benda di Jalan Raya dengan Metode Kalman Filter Roslyn Yuniar Amrullah 7406040026 Abstrak Computer Vision merupakan disiplin ilmu perpanjangan dari pengolahan citra digital dan kecerdasan buatan.
Lebih terperinciDAFTAR 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
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciImplementasi 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,
Lebih terperinciTracking 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
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciPengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality
Pengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality Endang Setyati Information Technology Department Sekolah Tinggi Teknik Surabaya endang@stts.edu,
Lebih terperinciESTIMASI 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 *
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciAnalisa 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
Lebih terperinciLAPORAN 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
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
Lebih terperinciDETEKSI 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
Lebih terperinciAPLIKASI 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
Lebih terperinciANALISIS 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
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciPengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor
1 Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor Ricky Kurniadi dan Nurul Hidayat urusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan sistem pendeteksi orang tergeletak mulai dari : pembentukan citra digital, background subtraction, binerisasi, median filtering,
Lebih terperinciBAB 3 PERANCANGAN PERANGKAT LUNAK
A 3 PERANCANGAN PERANGKAT LUNAK Pada bab ini diuraikan mengenai perancangan perangkat lunak untuk implementasi aplikasi pengenalan obyek tiga dimensi dengan metode Subclass Discriminant Analysis (SDA).
Lebih terperinciPENGEMBANGAN 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,
Lebih terperinciRancang Bangun Pendeteksian Gerakan Tangan
334 ISSN: 2407-1102 Rancang Bangun Pendeteksian Gerakan Tangan Heriansyah* 1, Febriani 2, Willy 3 1,2,3 STMIK Global Informatika MDP Jl. Rajawali No.14 Palembang 1,2,3 PS Teknik Informatika STMIK Global
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 1 PENDAHULUAN. Augmented Reality menjadi semakin luas. Teknologi Computer Vision berperan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi Augmented Reality dapat memvisualisasikan dengan baik model 3 dimensi, video, paparan area, maupun animasi 3 dimensi dengan hanya membutuhkan deteksi visual
Lebih terperinciAPLIKASI 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
Lebih terperinciKAJIAN 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.
Lebih terperinciNavigasi 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
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciPENDETEKSIAN 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,
Lebih terperinciANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR
ANALISIS PERBANDINGAN METODE PREWITT DAN CANNY UNTUK IDENTIFIKASI IKAN AIR TAWAR Gibtha Fitri Laxmi 1, Puspa Eosina 2, Fety Fatimah 3 1,2,3 Program Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciGRAFIK KOMPUTER DAN PENGOLAHAN CITRA. WAHYU PRATAMA, S.Kom., MMSI.
GRAFIK KOMPUTER DAN PENGOLAHAN CITRA WAHYU PRATAMA, S.Kom., MMSI. PERTEMUAN 8 - GRAFKOM DAN PENGOLAHAN CITRA Konsep Dasar Pengolahan Citra Pengertian Citra Analog/Continue dan Digital. Elemen-elemen Citra
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciTATTOO 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
Lebih terperinciAplikasi Pembesaran Citra Menggunakan Metode Nearest Neighbour Interpolation
Aplikasi Pembesaran Citra Menggunakan Metode Nearest Neighbour Interpolation Daryanto 1) 1) Prodi Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Email: 1) daryanto@unmuhjember.ac.id
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur maupun metode
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2. Penelitian Terdahulu Beberapa penelitian mengenai pengenalan tulisan tangan telah banyak dilakukan oleh para peneliti, berbagai metode baik ekstraksi fitur
Lebih terperinciJurusan 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
Lebih terperinciAnalisa Gerakan Manusia Pada Video Digital
Analisa Gerakan Manusia Pada Video Digital Abstrak - Pengenalan cara bergerak tubuh manusia (human motion) dari video stream memiliki beberapa aplikasi dalam video surveillance (pengawasan), dunia hiburan,
Lebih terperinci