SWA-KALIBRASI KAMERA MULTIVIEW MENGGUNAKAN METODE ALGORITMA GENETIKA

Transkripsi

1 SWA-KALIBRASI KAMERA MULTIVIEW MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Giri Wahyu Wiriasto (Nrp ) Dosen Pembimbing : Bapak Moch. Hariadi, S.T., MSc.,Ph.D Bapak Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng

2 Latar Belakang Setiap kamera memiliki karakteristik. Karakteristik Kamera Berupa Parameter Kamera. Untuk mengetahui parameternya maka perlu dilakukan proses yang disebut Kalibrasi Kamera.

3 Permasalahan Bagaimana perancangan pemodelan kalibrasi kamera? Bagaimana memperoleh aproksimasi nilai parameter pada swa-kalibrasi kamera multiview dengan menggunakan metode DLT untuk menentukan parameter bound dari parameter kamera untuk diproses menggunakan metode algoritma genetika? Bagaimana performa Algoritma Genetika untuk memperoleh solusi terbaik?

4 Kontribusi Penelitian Data parameter kamera hasil kalibrasi baik menggunakan metode DLT ataupun dengan menggunakan metode Algoritma Genetika dapat digunakan dalam proses rekonstruksi objek 3 dimensi.

5 Dasar Teori Model Kamera (Pinhole, Webcam) Sistem Proyeksi Kamera Objek Kalibrasi Kamera (Perancangan Ruang Kalibrasi) Kalibrasi Kamera (Tranformasi Geometris, Paramater Intrinsik, Parameter Ekstrinsik) Direct-Linier Transform Algoritma Genetika

6 Model Kamera Kamera Model webcam Kamera Model Pinhole

7 Proyeksi Kamera

8 Kamera Dengan Pusat Optik Berhimpit dengan pusat sumbu koordinat dunia (Mencari Parameter Intrinsik) P us at P roy ek s i Titik G am bar y B idang gam bar x Titik pandang ( xs, y S, z S ) ( xi, yi, f ), Z C f

9 Parameter Interistik Bidang Pusat Gambar (Vo,Uo) Perbandingan Resolusi Sumbu X dan Y (Sx,Sy) Focal Length (f)

10 METODOLOGI PENELITIAN Tahap I Preprocessing D kalibrasi (menca referensi pad

11 Perancangan Ruang Kamera dan Target Kalibrasi 1Ukuran Ruangan 3m x 2,8m x 2,5m 2Kamera Webcam (spek:logitech QuickCam) 3Ukuran Citra (piksel) HD ( 960 x 720 ) 4Frame Rate 15

12 Posisi Penempatan Kamera dan objek Gambar papan catur

13 Objek Kalibrasi Parameter Internal Chessboard Digunakan untuk kalibarasi parameter internal

14 View Kamera ; Object Point (Objek terhadap koordinat dunia Xs,Ys,Zs) 3m Ys (0,0,0) 3m Xs (Initial Point) Titik A (-30,-30,0) (Initial Point) Titik B (30,30,0)

15 Ekstraksi Titik Image Point (Objek dengan koordinat dunia Xpix, Ypix) 960 pxl Ypix Kuadran II (-,+) Kuadran I (+,+) XY i (0,0) Xpix 720 pxl Kuadran IV (+,-) Kuadran III (-,-) TITIK xi yi A Initial point (A-AW)

16 Kamera Dengan Pusat Optik Berhimpit dengan pusat sumbu koordinat dunia (Mencari Parameter Intrinsik) P us at P ro y e k s i T itik G am bar y B id a n g gam bar x T itik pandang u f v = 0 w 0 ( xs, y S, z S ) ( xi, yi, f ) Z, 0 f 0 xs 0 0 ys 0 0 zs xs y = f ys i xi = f zs zs C f u ' α x v' = 0 w' 0 0 αy 0 x0 y0 1 xs 0 ys 0 zs 0 1 α x = fk x α y = fk y

17 Hasil Perhitungan Parameter Internal (Camera 1)

18 Parameter External Kamera Matrix yang menyatakan hubungan antara koordinat kamera dengan koordinat dunia xs y x zs Bidang gambar C Z z Titik Gambar ys ( xi, y i, f ) Y ( xs, y S, z S ) M ( X S, YS, Z S ) O X C Koordinat camera xs,ys,zs (camera point)

19 Objek Kalibrasi Parameter Eksternal Object Point (Objek dengan koordinat dunia Xs,Ys,Zs) Ys Xs O

20 Matrix Parameter External Kamera x S I.i J.i K.i Tx X S y I. j J. j K. j T Y y S S = z S I.k J.k K.k Tz Z S xs X S y S = R T YS z S 0 T3 1 Z S 1 1

21 Hasil Perhitungan Parameter Internal (Camera 1) Matriks Homogen Parameter Eksternal di Titik A,Titik G dan Titik AW

22 Hasil perhitungan parameter intrinsik Menggunakan Matlab toolbox calibration

23 G rafiknilai aproksim asifocallenght 880 1Kam era1-1 2Kam era1-2 3Kam era Kam era1-4 5Kam era2-1 focal lenght(dalam pixel) 6Kam era2-2 7Kam era Kam era2-4 9Kam era3-1 10Kam era3-2 11Kam era Kam era3-4 13Kam era4-1 14Kam era Kam era4-3 16Kam era4-4 17Kam era5-1 18Kam era Kam era5-3 20Kam era5-4 21Kam era Kam era6-2 23Kam era6-3 24Kam era6-4 25Kam era Kam era7-2 27Kam era7-3 28Kam era7-4 29Kam era Kam era8-2 31Kam era8-3 32Kam era data 50data 100data 150data 200data Focal Length(fc) banyakdatauji coba Kurva Grafik perbandingan focal length tiap kamera

24

25 Tahap II

26 ALGORITMA GENETIKA Perhitungan dan Implementasi Kalibrasi dengan metode Algoritma Genetika Representasi kromosom q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 Uo Vo f Sx Sy W Q K Tx Ty Tz

27 Fungsi Fitness [ ( g ( q, X ) c ) M i =1 i i 2 + (ω (q, X i ) ri ) 2 ].(3.15) hubungan korespondensi antara parameter internal dan parameter eksternal kamera fg = f/(sx * (r11*x + r12*y + r13*z + Tx)) / (r31*x + r32*y + r33*z + Tz) + uo fw = f/(sy * (r21*x + r22*y + r23*z + Ty)) / (r31*x + r32*y + r33*z + Tz) + vo

28 Operator Genetik Crossover

29 Data Pembangkitan Populasi awal (Terbaik) Sebelum Proses Crossover

30

31 Data Populasi (Baru) Setelah Proses Crossover

32 Operator Genetik Mutasi

33

34

35 Data Populasi (Baru) Setelah Proses Mutasi

36 Tabel Hasil Pengujian 1 (dengan crossover dan mutasi) Var. Param. Kamera1 Gener Pop. Waktu Paramet Kamera (target) asi Individ (detik) er u [0.1] Selek si α Popul asi Konst. Titik Hasil Golden refere pencaria fraction nsi n (GA) (c) [0,1] Q1 Uo Q2 Vo Q3 f Q4 Sx Q5 Sy Q6 W Q7 Q Q8 K Q9 Tx Q10 Ty Q11 Tz

37 Grafik hasil perhitungan parameter kamera: dengan seleksi, crossover dan mutasi

38 Grafik hasil perhitungan parameter kamera: dengan seleksi, tanpa crossover dan dengan mutasi

39 Grafik hasil perhitungan parameter kamera: dengan seleksi, crossover dan tanpa mutasi

40 Hasil Pengujian 2 Grafik hasil perhitungan parameter kamera dengan GA traditional

41 Hasil Pengujian 2 (Algoritma Genetika Traditional) Tabel perbandingan hasil pengujian I dan II Var. Param. kromoso Kamera m Kamera1 (target) GA (crossovermutasi) GA (mutasi) GA (crossover) GA Traditional q1 Uo q2 Vo q3 f q4 Sx q5 Sy q6 W q7 Q q8 K q9 Tx q10 Ty q11 Tz

42 Grafik perbandingan hasil operasi genetik

43 4.4. Grafik perbandingan metode perhitungan parameter internal (kamera-1)

44 4.5. Grafik perbandingan metode perhitungan parameter eksternal (kamera-1) Grafik h

45 KESIMPULAN Metode Algoritme Genetika mempunyai rata-rata akurasi untuk 11 parameter kalibrasi kamera sebesar %. Terhadap titik optimum (Target point).

46 DAFTAR PUSTAKA Zhang,Yongmian & Ji,Qiang, Camera Calibration With Genetic Algorithm, IEEE Transaction On Systems,Man, and Cybernetics-Part A: System and Humans, Vol.31.No.2. March Abdel-Aziz, Y.I., & Karara, H.M., "Direct Linear Transformation from comparator coordinates into object space coordinates in close-range photogrammetry", Roger.Y.Tsai, A Versatile Camera Calibration Techniaue for HighAccuracy 3D Machine Vision Metrology Using Off-the-shelf TV Cameras and Lenses, IEEE JOURNAL OF ROBOTICS AND AUTOMATION, VOL. RA-3, NO. 4, AUGUST Goldberg,D.E. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Publishing Co Suyanto, Algoritma Genetika dalam Matlab,, Andi Offset, R. C. Gonzalez and R. E. Woods. Digital Image Processing, 2nd ed. Prentice Hall, Upper Saddle River, NJ, 2002.

47 Trucco, Emmanuel & Verri,Alsessandro, "Introductory Techniques for 3D Computer Vision", Prentice Hall, Charles Darwin. Britannica concise encyclopedia from encyclopædia britannica., URL < 9>. S.M. Sait and H. Youssef, editors. Iterative Computer Algorithms with Application in Engineering: Solving Combinatorial Optimization Problems, chapter 3. IEEE Computer Society, 1999 Z. Michalewicz, editor. Genetic Algorithm + Data Structures = Evolution Programs, 3rd, revised and extended edition. Springer-Verlag, Z. Zang. A flexible new technique for camera calibration. Microsoft Research, 1998.

48 TERIMA KASIH