Perkiraan Bentuk dan Pose Model 3D Manusia

Transkripsi

1 Perkiraan Bentuk dan Pose Model 3D Manusia Edi Prayitno 1, Mochammad Hariadi 2, Ahmad Zaini 3 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya Ringkasan Di dalam penelitian motion capture (mocap) tanpa penanda (markerless) di bidang studi Teknik Komputer dan Telematika Jurusan Teknik Elektro ITS, terdapat beberapa bagian penelitian, salah satunya adalah perkiraan bentuk dan pose model 3 dimensi (3D) manusia. Selama ini masih belum tentukan metode-metode yang tepat dalam memperkirakan bentuk dan pose model 3D manusia. Sehingga perkiraan bentuk dan pose model 3D menusia dijadikan judul pada penelitian ini. Pada penelitian ini dikenal adanya dua model, yaitu model utama dan model animasi. Model utama adalah model manusia yang di-capture dengan kamera. Sedangkan model animasi adalah model 3D manusia yang dibuat dengan perangkat lunak 3D maker. Hasil yang diharapkan dalam penelitian ini adalah agar bentuk dan pose dari model animasi mampu mengikuti perubahan bentuk dan pose dari model utama. Pada penelitian ini digunakan beberapa metode yaitu Background Subtraction, Scale Invariant Feature Transform (SIFT) dan Laplacian. Metode Background Subtraction digunakan untuk menghilangkan background dari model utama. Metode SIFT digunakan untuk menentukan keypoint dari model utama. Sedangkan metode Laplacian digunakan mendeformasi bentuk dan pose model animasi saat terjadi perubahan bentuk dan pose dari model utama. Dari penelitian ini diketahui bahwa: hasil pencarian keypoint terbaik terdapat pada kamera 1 pada resolusi 480 x 640 dengan rata-rata 723,746 keypoint/frame, hasil matching keypoint terbaik terdapat pada kamera 1 pada resolusi 480 x 640 dengan rata-rata 192,729 keypoint/frame, dan metode Background Subtraction, Scale Invariant Feature Transform (SIFT) dan Laplacian dapat digunakan untuk memperkirakan bentuk dan pose model animasi sesuai dengan perubahan bentuk dan pose model utama. Kata Kunci Motion Capture, SIFT, Laplacian, 3D Model I. PENDAHULUAN BIDANG Teknologi animasi 3D saat ini telah berkembang dengan pesat. Banyak film-film animasi 3D yang telah dibuat baik oleh perusahaan film dalam negeri maupun perusahaan film luar negeri. Namun kebanyakan gerakan-gerakan dari model animasi pada film animasi 3D masih dibuat secara manual. Hal ini mempunyai beberapa kelemahan diantaranya gerakan model animasi 3D masih terlihat kaku dan membutuhkan waktu yang lama dalam pembuatan animasinya. Untuk mengatasi masalah diatas, teknologi motion capture (mocap) adalah salah satu jalan keluarnya. Namun teknologi motion capture (mocap) di Jurusan Teknik Elektro ITS masih dalam proses penelitian. Saat ini Laboratorium motion capture sedang dalam tahap penelitian teknologi motion capture tanpa penenda , Jurusan Teknik Elektro ITS Surabaya (edi_its@yahoo.co.id) 2 Dosen Pembimbing I, Jurusan Teknik Elektro ITS Surabaya (mochar@ee.its.ac.id) 3 Dosen Pembimbing II, Jurusan Teknik Elektro ITS Surabaya (zhain2001@yahoo.com) (markerless) dan salah satu bagian dari penelitian tersebut adalah perkiraan bentuk dan pose model 3D manusia. Permasalahan yang dihadapi dalam penelitian ini adalah belum diketahui hasil dari penerapan metode-metode Background Subtraction, Scale Invariant Feature Transform (SIFT) dan Laplacian dalam memperkirakan bentuk dan pose model 3D manusia. Sehingga dengan adanya penelitian ini dapat deketahui hasil dari penerapan metodemetode Background Subtraction, Scale Invariant Feature Transform dan Laplacian dalam memperkirakan bentuk dan pose model 3D manusia. Dalam pengerjaan penelitian ini, permasalahan di atas dibatasi dengan asumsi sebagai berikut : 1) Model utama diambil dengan meng-capture pergerakan manusia dengan menggunakan dua buah kamera yang beda dengan spesifikasi yang tersebut dalam bab 3. 2) Metode-metode yang digunakan dalam penelitian ini terbatas pada Background Subtraction, Scale Invariant Feature Transform dan Laplacian. 3) Untuk penerapan metode Scale Invariant Feature Transform digunakan toolbox SIFT Demo versi 4 [3]. 4) Untuk penerapan metode Laplacian digunakan General Purpose toolbox, The Signal Processing toolbox dan The Graph Processing toolbox [4]. 5) Deformasi model animasi hanya didasarkan pada 3 buah frame model utama dengan pergerakan hanya pada tangan kiri. A. Sistem Warna II. DASAR TEORI Di dalam komputer grafis, dikenal tiga sistem warna yang umum digunakan yaitu sistem RGB, YCbCr dan HSV. 1) Sistem warna RGB: Di dalam sistem warna RGB, dikenal tiga komponen warna utama yaitu merah (red), hijau (green), dan biru (blue). Dasar pemilihan tiga warna ini karena ketiga warna terebut adalah warna pokok yang dapat membentuk warna-warna lainnya. Untuk membentuk suatu warna tertentu, harus diatur intensitasa atau nilai dari ketiga komponen warna merah (Red), Hijau (Green) dan Biru (Blue). Dengan kata lain, sebuah warna di dalam sistem RGB berarti mengindikasikan berapa banyak warna merah, hijau, dan biru yang ada di dalamnya. Intensitas atau nilai dari masing-masing komponen mempunyai nilai minimum 0 (hitam) dan nilai maksimum 1 (putih). Untuk menyatakan besarnya nilai atau intensitas

2 PROSIDING PENELITIAN BIDANG STUDI TKT SEMT. GENAP komponen R, G dan B, dapat dilakukan dengn beberapa cara. Dengan menggunakan rentang nilai antara 0 sampai 1 Dengan menggunakan persentase dari 0% sampai 100 % Dengan menggunakan angka dengan rentang nilai dari 0 sampai 255. sehingga nantinya untuk satu komponen warna dinyatakan dalam 8 bit Dengan menggunakan kode Hexadesimal sebagai pengganti angka ) Sistem Warna YCbCr: YCbCr adalah salah satu sistem warna yang biasa digunakan dalam kompresi gambar. Sistem warna ini terdiri dari dua komponen, yaitu Y sebagai komponen luminance serta Cb dan Cr sebagai komponen chrominance. Sebenarnya dalam sistem warana YCbCr juga memiki komponen Cg (chhrominance green). Namun sering nilai Cr+Cg+Cb selalu konstan, maka hanyay, Cb dan Cr yang pakai dalam representasi sebuah warna. 3) Sistem Warna HSV: HSV merupakan singkatan dari Hue (H), Saturation (S) dan Value (V). Sistem HSV disebut juga dengan HSI. Sistem warna HSI mengkodekan informasi warna dengan cara memisahkan nilai Intensitas (I) yang diperoleh dari besarnya Hue (H) dan Saturasi (S). Pada sistem warna ini dapat dikontrol secara langsung besarnya kecerahan dan hue yang diinginkan. Apabila diaplikasikan dalam algoritma computer vision karena dapat menormalisasikan pencahayaan dan fokus pada dua parameter kromatis yang berhubungan. B. Background Subtraction Konsep dari metode background subtraction adalah memisahkan background dari model utama yang kita ambil. Salah satu metode yang paling mudah dalam melakukan beckground subtraction adalah membedakan warna background dengan warna pada obyek utama. Contohnya terlihat pada gambar 1. mudah, yakni hanya dengan menghapus warna yang dipilih sebagai background dari obyek utama. C. Scale Invariant Featrure Transform Scale Invariant Feature Transform adalah sebuah algoritma dalam visi komputer yang digunkan untuk mendeteksi dan mendeskripsikan fitur-fitur lokal di dalam gambar. Algoritma ini dipublikasikan oleh David Lowe pada tahun 1999 dan telah dipatenkan di Amerika Serikat denga pemilik University of British Columbia. Dalam mendeskripsikan fitur-fitur lokal pada gambar dikenal adanya keypoint yang menjadi kunci untuk mendeskripsikan gambar. Proses SIFT dilakukan pada tiap pixel gambar dan memberikan hasil dengan memilih beberapa keypoint dari pixel-pixcel gambar tersebut. Keypoint-keypoint ini memiliki beberapa komponen, diantaranya komponen letak keypoint (X,Y), komponen Scale dan komponen orientation. Dengan adanya komponen-komponen tersebut, maka SIFT dapat keypointkeypoint yang cocok dari dua buah gambar yang berbeda skalanya, ukuran, posisi dan distorsinya. Contoh Penerapan SIFT dapat dilihat pada gambar??. Gambar 2. Contoh penggunaan SIFT untuk mencocokan keypointkeypoint dari dua buah gambar [3] D. Laplacian Laplacian atau disebut juga operator Laplace merupakan diferensial orde dua dalam dimensi-n ruang Euclidean, didefinikan sebagai divergen (.)dari suatu gradien ( f ). sehingga jika f adalah diferensial dua buah fungsi nilai nyata maka Laplacian f didefinisikan sebagai f = 2 f =. f (1) Secara ekuivalen, Laplacian f adalah jumlah dari seluruh turunan parsial kedua yang tidak bercmpur pada koordinat Cartesian x i. Gambar 1. Contoh warna background yang digunakan dalam penelitian Pada gambar 1 terlihat bahwa warna background sangat berbeda dari warna obyek utama. Warna background dipilih warna biru, karena tidak ada komponen warna biru pada obyek utama (manusia). Dengan kata lain warna yang dipakai sebagai background harus tidak terdapat pada obyek utama. Karena jika ada warna yang sama antara obyek utama dan background akan terhapus saat proses background dilakukan. Dengan pengkondisian seperti ini, proses background subtraction dapat dilakukan dengan f = Σ n 2 f i x 2 i Operator Laplace pada dimensi dua diberikan sebagai berikut : (2) f = 2 f x f y 2 (3) Sedangkan pada dimensi 3 diberikan sebagai berikut : f = 2 f x f y f z 2 (4)

3 PROSIDING PENELITIAN BIDANG STUDI TKT SEMT. GENAP A. Gambaran Umum Sistem III. DESAIN SISTEM Gambar 3 adalah gambar desain sistem yang ingin dicapai dalam penelitian ini. model utama pada frame ke-i+1 dengan menggunakan matrix transformasi yang didapat pada pross sebelumnya. IV. IMPLEMENTASI DAN PENGUJIAN SISTEM A. Model Animasi Model animasi yang digunakan dalam penelitian ini dibaut dengan software blender dengan bentuk model seperti laki-laki dewasa. Permukaan model dibuat kasar, sehingga jumlah vertex yang dihasilkan lebih sedikit. Gambar 4adalah gambar model animasi yang digunakan dalam penelitian ini. Gambar 3. Desain sistem yang ingin dicapai Pada gambar 3 terlihat alur pengerjaan penelitian ini. Dari alur tersebut, dapat dikelompokan menjadi tiga bagian yaitu pembuatan model animasi, capturing model utama, dan perkiraan bentuk dan pose dari model animasi terhadap bentuk dan pose model utama. Model animasi yang dimaksud pada penelitian ini adalah model 3D yang berbentuk manusia. Sedangkan yang dimaksud dengan model utama adalah model manusia yang kemudian dicapture dengan menggunakan kamera. Model animasi 3D dibuat dengan menggunakan software Blender. Model animasi dibuat dengan bentuk seperti manusia laki-laki dewasa. Namun model animasi tersebut sengaja dibuat sederhana, dengan permukaan kulit yang kasar. Tujuanya adalah semakin kasar permukaan kulit dari model animasi, semakin sedikit vertex yang diolah. Dan semakin sedikit vertex yang diolah maka semakin cepat pemrosesan model animasi tersebut. Pada bagian capturing model utama, dimaksudkan untuk mendapatkan frame-frame gambar dari model utama yang menunjukan perubahan bentuk dan pose dari model utama. Dari frame-frame tersebut nantinya dicari keypointkeypoint-nya dengan menggunakan metode Scale Invarian Feature Transform. Keypoint-keypoint ini dijadikan sebagai penanda virtual (virtual marker) yang menjadi acuan untuk merubah bentuk dan pose model animasi. Setelah model animasi dibuat dan keypoint dari frameframe model utama didapatkan, langkah selanjutnya memperkirakan bentuk dan pose model animasi terhadap bentuk dan pose model utama. Misalnya diambil dua frame dari model utama yang telah dicari keypoint-nya. Keypoint dari frame ke-i dicocokan dengan keypoint pada frame ke-i+1. Dari proses ini akan didapatkan sebuah matrix transformasi. Setelah itu vertex-verex pada model animasi dipetakan dengan keypoint dari frame ke-i. Kemudian model animasi dirubah bentuk dan posenya mengikuti Gambar 4. Gambar model animasi 3D manusia Setelah proses pembuatan model animasi pada Blender selesai, maka langkah selanjutkan adalah mengekspor model animasi menjadi sebuah file yang dapat dibaca oleh matlab. File yang dipilih adalah file *.off. Proses expor dapat dilakukan langsung dengan memilih menu export pada Blender. Dari hasil ekspor file tersebut diketahui bahwa model animasi yang digunakan dalam penelitian ini memiliki 475 vertex dan 935 mesh yang berbentuk triangulasi. B. Model Utama 1) Capturing model utama : Proses capturing model utama yang dilakukan dalam penelitian ini, dilakukan di dalam Laboratoriun Motion Capture dengan. Proses capturing dilakukan dengan menggunakan dua buah kamera, dengan spesifikasi yang telah dijelaskan pada bab 3. Background saat capturing model utama, digunakan tirai dari kain dengan warna biru. Hal ini dimaksudkan agar background dapat dipisahkan dari model utama dengan mudah. Sedangkan untuk pencahayaan ruangan dilakukan dengan 4 (empat) buah lampu PHILIPS ESSENTIAL 14 Watt yang dipasang pada bagian atas ruangan. Untuk meng-capture model utama, dilakukan dengan membuat sebuah script program di dalam Matlab yang memanfaatkan fungsi-fungsi dari Image Acquisition Toolbox 3.5. Algoritma 1adalah algoritma dari program yang digunakan untuk mengcapture model utama. Proses capturing model utama dilakukan dengan dua jenis resolusi untuk tiap kamera. Resolusi yang pertama berukuran 320 x 240 pixel. Sedangkan resolusi yang kedua berukuran 640 x 480 pixel. Secara default Image Acquisition Toolbox akan mengcapture model utama dengan kecepatan 15 frame per second. Pada penelitian ini diambil

4 PROSIDING PENELITIAN BIDANG STUDI TKT SEMT. GENAP Algoritma 1 Algoritma untuk mengcapture model utama pada matlab 1) Menentukan id kamera dan seolusi kamera 2) Menentukan jumlah fram yang akan diambil. Kecepatan capturing 15 frame/second 3) Memulai capturing. 4) Menyimpan tiap frame gambar dalam file bitmap (*.bmp) 5) Menyimpan semau frame dalam file *.avi 6) Menghentikan capturing. mengambil beberapa nilai n. Dari gambar tersebut dilihat bahwa nilai n yang paling baik untuk diterapkan pada frame model utam penelitian ini adalah antara 135 sampai 140. sampel 75 (tujuh puluh lima) frame yang diambil selama 5 (lima) detik. Hasil dari Capturing disimpan dalam file gambar yang bertipe *.bmp dan file video yang bertipe *.avi tanpa kompresi. 2) Background Subtraction: Backround subtraction dilakukan untuk memisahkan model utama dengan banckground. Seperti yang telah dijelaskan sebelumnya, bahwa saat capturing model utama dilakukan dengan menutup ruangan di sekitar model utama dengan tirai dari kain berwarna biru. Warna biru dipilih sebagi background dengan tujuan agar proses subtraction dapat dilakukan dengan lebih mudah. Proses pemisahan model utama dengan background dilakukan agar nantinya tidak ada keypoint yang terletak pada background model saat metode SIFT diterapkan. Sehingga hanya keypoint-keypoint pada model utama saja yang tersisa pada frame-frame model utama. Proses background subtraction dilakukan dengan memanfaatkan adanya sistem-sistem warna seperti RGB, YCbCr dab HSV. Pada proses capturing model utama, warna yang didapat adalah warna pada sistem RGB. Sehingga untuk merubah gambar dari sistem warna yang satu ke sistem warna lainnya dapat menggunakan fungsifungsi image processing yang ada pada matlab. Dari hasil penerapan background subtraction dari ketiga sistem warna tersebut, diketahui bahwa proses background subtraction terbaik didapat dari penerapan pada sistem warna YCbCr. KOmponen yang menjadi acuan untuk menghilangkan warna biru adalah komponen Cr (Chrominance Blue). Algoritma2 menjelaskan bagaimana proses background subtraction pada sistem warna YCbCr. Algoritma 2 Algoritma background subtraction pada sistem warana YCbCr 1) Menggandakan gambar asli ke dalam sebuah variabel temp 2) Merubah sistem warna variabel temp dari sistem warna RGB menjadi sistem warna YCbCr 3) Mengambil nilai komponen Cb dari tiap pixel variabel temp. 4) Menghilangkan warna pada gambar asli, dengan letak pixel yang sama dengan letak pixel variabel temp untuk Cb > n. Gambar 5 menunjukan hasil pengujian algoritma background subtraction pada sistem warna YCbCr dengan Gambar 5. Hasil pengujian algoritma background subtraction pada sistem warna YCbCr 3) Pencarian Keypoint: Keypoint didapatkan dengan menerapkan metode Scale Invarian Feature Transform pada sebuah gambar. Sehingga dalam penelitian ini dipakailah toolbox SIFT demo versi 4 yang dibuat oleh David Lowe [3] yang sebelumnya telah dimodifikasi terlebih dahulu penggunaannya untuk disesuaikan dengan kebutuhan dalam penelitian ini. Fungsi SIFT yang terdapat pada toolbox akan mengembalikan hasil kedalam tiga variabel, yaitu image, descriptor, dan location. Variabel image akan berisi gambar yang telah diolah. Variabel descriptor berisi matrix yang berukuran (jumlah keypoint x 128), tiap baris pada variabel descriptor menyatakan deskriptor pada tiap keypoint. Sedangkan variable location berisi tentang lokasi tiap keypoint (X,Y, Scale, Orientation). Karena setiap capturing dari model utama menghasilkan 75 frame, maka yang akan dicari keypoint-nya, fungsi SIFT yang terdapat pada toolbox, dipakai pada program yang mempunyai algoritma seperti yang terlihat pada algoritma 3 Algoritma 3 Algoritma pencarian Keypoint dengan menggunakan fungsi SIFT 1) Mencari jumlah keypoint dari tiap frame gambar model utama. 2) Meyimpan jumlah keypoint dari tiap frame ke dalam sebuah file *.mat 3) Membuat grafik batang dari file *.mat Untuk rata-rata keypoint yang didapatkan dari frameframe gambar model utama sebelum dilakukan bacground subtraction dapat dilihat pada tabel I. Dari tabel tersebut dapat diketahui bahwa keypoint terbanyak didapatkan dari kamera 1 dengan resolusi 480 x 680 pixel. Untuk rata-rata keypoint yang didapatkan dari frameframe gambar model utama setelah dilakukan bacground subtraction dapat dilihat pada tabel II. Dari tabel tersebut dapat diketahui bahwa keypoint terbanyak didapatkan dari kamera 1 dengan resolusi 480 x 680 pixel.

5 PROSIDING PENELITIAN BIDANG STUDI TKT SEMT. GENAP Tabel I TABEL RATA-RATA KEYPOINT SEBELUM PROSES BACKGROUND SUBTRACTION Rata-rata 243, ,467 78,76 40,98 Tabel IV TABEL RATA-RATA MATCHING KEYPOINT SETELAH PROSES BACKGROUND SUBTRACTION Rata-rata 117, , , ,5945 Tabel II TABEL RATA-RATA KEYPOINT SETELAH PROSES BACKGROUND SUBTRACTION Rata-rata 258, , ,64 533,28 C. Matching keypoint Antar Frame Proses matching keypoint adalah sebuah proses untuk membandingkan antara keypoint pada frame ke-i dengan keypoint pada frame ke-i+1. Dari proses ini akan ditemukan pasangan keypoint antara frame ke-i dengan frame ke-i+1. Dengan ditemukannya pasangan keypoint tersebut maka dapat dicari matrix tranformasi perubahan pose model utama dari frame ke-i menuju frame ke-i+1. Proses matching ini dilakukan dengan menggunakan salah fungsi yang terdapat pada toolbox SIFT Demo versi 4. Algoritma dari fungsi ini dapat dilihat pada algoritma 4. Algoritma 4 Algoritma matching keypoint 1) Menerapkan proses SIFT pada frame ke-i 2) Menerapkan proses SIFT pada frame ke-i+1 3) Membandingan deskriptor dari setiap keypoint frame ke-i dengan deskriptor dari setiap keypoint frame kei+1 4) Jika deskriptor yang sama, maka pasangan keypoint tersebut adalah keypoint cocok (match). Dari tiap peng-capturan model utama didapatkan 75 frame. maka proses matching dilakukan sebanyak 74 kali dengan urutan: frame-1 dengan frame-2, frame-2 dengan frame-3, frame-3 dengan frame-4, dst. Sedangkan hasil matching rata-rata dapat dilihat pada tabel III. Tabel III TABEL RATA-RATA MATCHING KEYPOINT SEBELUM PROSES BACKGROUND SUBTRACTION Rata-rata 146, , , ,3108 Sedangkan hasil matching rata-rata dapat dilihat pada tabel IV. D. Perkiraan Bentuk dan Pose Model Animasi Pada tahap perkiraan bentuk dan pose model animasi, dilakukan dengan mengambil sampel sebanyak tiga frame gambar model utama. Pilihan kamera dan resolusi ditetapkan dengan menggunakan Kamera 1 denagn resolusi 480 x 640 pixel. Hal ini didasarkan hasil rata-rata pada tabel I, tabel II, tabel III dan tabel IV yang menunjukan bahwa Kamera 1 dengan resolusi 480 x 640 pixel memilki rata-rata nilai yang paling tinggi. Adapun algortima dari proses perkiraan bentuk dan pose model animasi dapat dilihat pada algoritma 5. Sedangkan Hasil dari proses perkiraan bentuk dan pose dari model animasi dapat dilihat pada gambar 6. Algoritma 5 Algoritma proses perkiraan bentuk dan pose model animasi 1) Membuka frame ke-1 dari gambar model utama. 2) Menghilangkan background dari frame ke-1 dengan menggunakan background subtraction pada sistem warna YCbCr. 3) Mencari keypoint dari dari frame ke-1 yang sudah dihilangkan background-nya. 4) Membuka file *.off dari model animasi. 5) Memilih keypoint-keypoint yang ada pada bagian tubuh model utama dari frame ke-1. 6) Mencari variabel penskala ukuran keypoint model utama dari frame ke-1terhadap ukuran model animasi. 7) Mencari variabel penggeser posisi keypoint model utama dari frame ke-1 terhadap posisi model animasi. 8) Menskala dan menggeser keypoint model utama dari frame ke-1 terhadap ukuran dan letak model animasi. 9) Membuka frame ke-2 dari gambar model utama. 10) Menghilangkan background dari frame ke-1 dengan menggunakan background subtraction pada sistem warna YCbCr. 11) Mencari keypoint dari dari frame ke-1 yang sudah dihilangkan background-nya. 12) Menskala dan menggeser keypoint model utama dari frame ke-2 terhadap ukuran dan letak model animasi 13) Mencari keypoint yang cocok antara frame ke-1 dan frame ke-2 dari mode utama. 14) Mencari matrix tranformasi keypoint yang cocok dari frame ke-1 dan frame ke-2. 15) Memetakan antara keypoint frame ke-1 yang telah dicocokkan dengan model animasi. 16) Mendeformasi bentuk dan pose model animasi dengan menggunakan matrix tranformasi.

6 PROSIDING PENELITIAN BIDANG STUDI TKT SEMT. GENAP Gambar 6. Hasil deformasi model animasi terhadap frame ke-2 dan ke-3. Perubahan terjadi pada lengan kiri A. Kesimpulan V. PENUTUP Dari hasil perancangan dan pengujian seluruh sistem dalam penelitian ini maka dapat diambil beberapa kesimpulan : 1) Hasil pencarian keypoint terbaik terdapat pada kamera 1 pada resolusi 480 x 640 dengan rata-rata 723,746 keypoint/frame 2) Hasil matching keypoint terbaik terdapat pada kamera 1 pada resolusi 480 x 640 dengan rata-rata 192,729 keypoint/frame 3) Metode Background Subtraction, Scale Invariant Feature Transform (SIFT) dan Laplacian. dapat digunakan untuk memperkirakan bentuk dan pose model animasi sesuai dengan perubahan bentuk dan pose model utama. Edi Prayitno dilahirkan di Banyuwangi pada tanggal 2 Agustus 1987, merupakan anak kedua dari pasangan Misiyar dan Miswati. Ia menempuh pendidikan pertama kali di TK Dharma Wanita III Sumbersari, kemudian melanjutkan pendidikan dasar di SDN III Sumbersari, pendidikan Menengah pertama di SLTP Negeri 2 Srono, dan pendidikan menengah atas di SMK Negeri I Banyuwangi di Jurusan Teknik Informatika. Setelah lulus dari SMK Negeri 1 Banyuwangi, ia memilih untuk melanjutkan pendidikan tingginya di Jurusan Teknik Elektro, Fakultas Teknologi Industri, Intitut Teknologi Sepuluh Nopember Surabaya (ITS). Karena memang dari awal penulis telah tertarik dengan komputer, maka pada semester 5 (lima) ia memutuskan untuk mengambil Bidang Studi Teknik Komputer dan Telematika. Untuk memperdalam keingintahuannya di bidang komputer ia memutuskan untuk menjadi asisten dosen di Laboratorium B201. Setelah selama 3 semester ia mengambil bidang studi Teknik Komputer dan Telematika, ia tertarik dengan salah satu penelitian di bidang studi tersebut untuk dijadikan pokok bahasan dari penelitiannya, yakni penelitian Teknologi Motion Capture (Mocap). B. Saran Untuk penelitian motion capture tanpa marker (markerless) selanjutnya sebaiknya hanya menggunakan kamera 1, karena kualitas yang dihasilkan sangat bagus dan cocok untuk penelitian ini. Sedangkan saat capturing model utama, harus benar-benar memperhatikan tingkat dan posisi pencahayaan, warna background dari model utama, serta metode background subtraction yang digunakan. Karena Hal ini akan sangat mempengaruhi kwalitas gambar yang dihasilkan saat capturing. PUSTAKA [1] E. de Aguiar, C. Stoll, C. Theobalt, N. Ahmed, H.-P. Seidel, S. Thrun, Performance Capture from Sparse Multi-view Video, in Proc. of SIGGRAPH 2008, ACM TOG 27(3), Los Angeles, USA. [2] Balan, A. O., Sigal, L., Black, M. J., Davis, J. E., Haussecker, H. W, Detailed human shape and pose from images, In Proc. CVPR, [3] Lowe, D., Terakhir diakses tanggal 25 Mei 2010 [4] Peyre, G., tours/mesh_deformation/,terakhir diakses tanggal 6 Juni 2010 [5] Terakhir diakses tanggal 6 Juni 2010 [6] Terakhir diakses tanggal 6 Juni 2010