BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision merupakan ilmu yang mempelajari bagaimana komputer dapat mengenali obyek yang diamati (Fairhurst, 1988, p. 5). Computer vision adalah ilmu yang bertujuan untuk mendiskripsikan dunia dalam bentuk satu atau lebih citra dan melakukan rekonstruksi properti-properti yang ada seperti bentuk, iluminasi, dan distribusi warna (Szeliski, 2011, p. 3). Computer vision merupakan Ilmu pengetahuan yang mempelajari bagaimana komputer dapat mengenali obyek yang diamati/ diobservasi. Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola. Bersama Intelijensia Semu (Artificial Intelligence) akan mampu menghasilkan sistem intelijen visual (Visual Intelligence System). Gambar 2. 1 Computer Vision

9 2.2 Citra Digital Istilah Citra dalam pengolahan citra dapat diartikan sebagai suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi menggunakan komputer. Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real maupun komplek yang dipresentasikan dengan deretan bit tertentu. Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila x,y, dan nilai amplitude f secara keseluruhan berhingga (finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital. Dengan kata lain, citra digital merupakan citra yang disimpan dalam format digital (dalam bentuk file). Citra digital dapat diolah menggunakan komputer sedangkan Jenis citra lain jika akan diolah dengan komputer harus diubah dulu menjadi citra digital. 2.3 Pengolahan Citra Pengolahan citra (image processing) merupakan bidang yang berhubungan dengan proses transformasi citra yang bertujuan untuk mendapatkan kualitas citra yang lebih baik (Fairhurst, 1988, p. 5). Pengolahan Citra merupakan kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia / mesin(komputer). Input adalah citra dan Output adalah citra tapi dengan kualitas lebih baik daripada citra masukan, contoh : citra warnanya kurang tajam, kabur (blurring), mengandung noise (misal bintik- bintik putih) sehingga perlu

10 ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang. Pengolahan citra dapat dibagi ke dalam tiga kategori, yaitu : 1. Kategori rendah Melibatkan operasi-operasi sederhana seperti prapengolahan citra untuk megurangi derau, pengaturan kontras, dan pengaturan ketajaman citra. 2. Kategori menengah Melibatkan operasi-operasi seperti segmentasi dan klasifikasi citra. 3. Kategori tinggi Melibatkan proses pengenalan dan deskripsi citra. 2.4 Pengenalan Pola Pengenalan pola merupakan salah satu komponen penting dari mesin atau sistem cerdas tersebut yang digunakan baik untuk mengolah data maupun dalam pengambilan keputusan. Secara umum pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu obyek. Pola adalah suatu entitas yang terdefinisi dan dapat diidentifikasikan serta diberi nama. Pola bisa merupakan kumpulan hasil pengukuran atau pemantauan dan bisa dinyatakan dalam notasi vector atau matriks. Gambar dibawah ini menunjukkan contoh hasil pengukuran pola bentuk gelombang dan citra.

11 Gambar 2. 2 Pengukuran pola (a) bentuk gelombang (b) Citra karakter (Fokunaga, 1990). 2.5 Identifikasi Telinga Menurut Kamus Besar Bahasa Indonesia, identifikasi adalah penentu atau penetapan identitas seseorang, benda, dsb. Mengidentifikasi yaitu menentukan atau menetapkan identitas (orang, benda, dsb).

12 Menggunakan biometrik fisiologis dalam identifikasi orang dan otentikasi telah menarik perhatian untuk penelitian dalam jangka waktu yang lama. Telinga telah diusulkan sebagai biometrik untuk mengidentifikasi dan mengotentikasi seseorang. Karena variabilitas kurang dengan ekspresi dan orientasi dan distribusi yang lebih seragam warna, telinga dianggap sebagai lebih dapat diandalkan daripada fitur wajah untuk identifikasi orang dan verifikasi. Namun, masih tidak meyakinkan jika telinga semua orang adalah unik. Namun, pekerjaan yang paling terkenal di antara identifikasi telinga dibuat oleh Alfred Iannarelli pada 1989, ketika ia mengumpulkan lebih dari 10.000 telinga dan menemukan bahwa mereka semua berbeda. Sejak tahun 1906 Imhofer menemukan bahwa di set dari 500 telinga hanya 4 karakteristik yang diperlukan untuk menyatakan telinga yang unik. Oleh karena itu, telinga dianggap unik untuk masing-masing teknik individu dan karenanya teknik berbasis telinga dapat dilihat sebagai alternatif yang layak dibandingkan dari orang lain. Selain itu, hal ini sebanding dari waktu ke waktu. Selanjutnya, pertumbuhan telinga sangat linear yaitu proporsional setelah bulan keempat pertama kelahiran. Meskipun pertumbuhan telinga proporsional, ternyata karena gravitasi dapat menyebabkan telinga untuk menjalani peregangan dalam arah vertikal. Sistem pengenalan citra telinga umumnya mencakup modul utama sebagai berikut yaitu Deteksi, Pre-processing, Ekstraksi fitur dan terakhir Ear matching. Deteksi telinga merupakan langkah awal untuk melakukan identifikasi telinga (ear recognition). Dengan mendeteksi telinga akan didapatkan gambar bentuk telinga yang sesuai untuk di identifikasi.

13 Pre-processing merupakan tahapan tahapan awal untuk proses pengolahan gambar telinga. Setelah sebuah telinga dinormalisasi, ekstraksi fitur akan dilakukan untuk mengambil data yang efektif berguna untuk memisahkan antara citra-citra telinga dan orang-orang yang berbeda. Pencocokan telinga dilakukan dengan cara melakukan pencocokan fitur yang telah diekstraksi dari citra telinga. Gambar 2. 3 Proses pengenalan telinga 2.6 Pre-processing Pra-pengolahan adalah transformasi input data mentah untuk membantu komputasional dan pencari ciri serta untuk mengurangi derau. Pada pra-pengolahan, citra (sinyal) yang ditangkap oleh sensor akan dinormalisasikan agar citra menjadi lebih siap untuk diolah pada tahap pemisahan ciri. Kualitas ciri yang dihasilkan pada proses pemisahan ciri sangat bergantung pada hasil pra-pengolahan. Terdapat berbagai teknik pre-processing, diantaranya sebagai berikut ;

14 2.6.1 Grayscale Untuk mendapatkan citra grayscale (keabuan) menggunakan rumus :.. (1) Dengan merupakan level keabuan pada suatu koordinat yang diperoleh dengan mengatur komposisi warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter dan (darma putra, 2009, p. 109). 2.6.2 Thresholding Thresholding adalah pendekatan yang relatif sederhana untuk segmentasi gambar ke wilayah kemiripan. Prinsip dasarnya adalah untuk mengelompokan pixel yang sama jangkauannya dengan tingkat keabuan (Grayscale) ke dalam satu set yang telah ditentukan. Proses Thresholding (pengambangan) akan menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan, yaitu hitam dan putih. Proses pengambangan citra grayscale untuk menghasilkan citra biner adalah sebagai berikut... (2) Dengan adalah citra biner dari citra grayscale, dan menyatakan nilai ambang. Nilai thresholding (pengambangan). Nilai sangat berperan penting dalam proses mempengaruhi kualitas hasil citra biner.

15 2.6.3 Normalisasi Intensitas Pengaturan kontras dan intensitas cahaya atau normalisasi dilakukan dengan mengurangi perbedaan kekuatan penerangan dan dampak dari derau (noise) pada sensor. Untuk mengatasi hal seperti itu dapat menggunakan Metode operasi pixel. 2.6.4 Ekualisasi Histogram (Histogram Equalization) Ekualisasi histogram merupakan salah satu bagian penting dari beberapa aplikasi pengolahan citra. Tujuan dari Ekualisasi histogram adalah untuk menghasilkan histogram citra yang seragam. Teknik ini dapat dilakukan pada keseluruhan citra atau pada beberapa bagian citra saja. Histogram hasil proses ekualisasi tidak akan seragam atau sama untuk seluruh intensitas. Teknik ini hanya melakukan distribusi ulang terhadap distribusi intensitas dari histogram awal. Distribusi ulang terhadap histogram awal dilakukan dengan memetakan setiap nilai pixel pada histogram awal menjadi nilai pixel baru dengan ketentuan sebagai berikut : adalah nilai pixel baru, menyatakan banyaknya pixel pada citra ( bila citra berukuran 8 x 8 maka adalah 64), menyatakan nilai gray level awal yang nilainya dari ( menyatakan nilai gray level maksimum). Sedangkan menyatakan banyaknya pixel yang memiliki nilai sama dengan g atau kurang.

16 ( a ) ( b ) ( c ) ( d ) Gambar 2. 4 (a) Citra asli (b) Histogram citra asli (c) Citra telah mengalami ekualisasi histogram (d) Histogram hasil ekualisasi histogram 2.6.5 Peregangan Kontras Kontras suatu citra adalah distribusi pixel terang dan gelap. Citra keabuan (grayscale) dengan kontras rendah akan telihat terlalu gelap, terlalu terang, atau terlalu abu-abu.

17 Peregangan kontras (contrast streching) merupakan teknik yang bermanfaat untuk memperbaiki kontras citra terutama citra yang memiliki kontras rendah. Pada peregangan kontras, setiap pixel pada citra ditransformasikan dengan menggunakan fungsi berikut:.. (3) dan dan berturut-turut pixel sesudah dan sebelum ditransformasi pada koordinat berturut-turutmenyatakan nilai maksimum dan minimum dari pixel pada citra masukan, dan menyatakan nilai grayscale maksimum. Bila nilai pixel lebih kecil dari 0 maka akan dijadikan 0, dan bila lebih besar dari maka akan dijadikan. 2.7 Viola Jones Saat ini telah banyak berkembang aplikasi-aplikasi yang menggunakan fitur deteksi objek. Deteksi objek dapat dilakukan dengan berbagai cara, salah satunya menggunakan metode viola-jones. Metode viola-jones merupakan algoritma pendeteksi objek yang terdapat dalam EmguCV, metode ini merupakan metode yang paling banyak digunakan untuk mendeteksi objek hal ini dikarenakan metode viola-jones memiliki algoritma yang efisien, sehingga tidak memerlukan waktu lama dalam melakukan proses pendeteksian objek. Proses pendeteksian objek dilakukan dengan mengklasifikasikan sebuah image setelah sebelumnya sebuah pengklasifikasi dibentuk dari data training. Terdapat empat kontribusi utama dalam teori viola-jones, diantaranya yaitu:

18 Fitur Integral image Adaptive Boosting atau AdaBoost Kombinasi Classifier of Cascade 2.7.1 Fitur Penggunaan fitur dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan pemrosesan image per pixel. Wavelat Haar merupakan gelombang tunggal bujur sangkar yang mempunyai satu interval tinggi dan satu interval rendah. Yang kemudian di kembangkan untuk pendeteksian objek visual yang lebih yang dikenal dengan nama fitur Haar, atau fitur Haarlike. 2.7.2 Integral Image Integral Image adalah sebuah image yang nilai tiap pixel-nya merupakan akumulasi dari nilai pixel atas dan kirinya. 2.7.3 Adaptive Boosting atau AdaBoost Algoritma AdaBoost berfungsi untuk melakukan pemilihan fitur-fitur dalam jumlah banyak, dengan hanya memilih fitur-fitur tertentu. Boosting merupakan metaalgoritma dalam machine learning untuk melakukan supervised learning. Kebanyakan algoritma boosting mengikuti sebuah rancangan. AdaBoost, singkatan dari Adaptive Boosing, diformulasikan oleh Yoav Freund dan Robert Schapire pada tahun 1995, terbukti mampu menyelesaikan banyak permasalahan sulit yang dihadapi oleh algoritma boosting sebelumnya. AdaBoost berfungsi untuk mencari fitur-fitur yang memiliki tingkat pembeda yang tinggi. Hal ini

19 dilakukan dengan mengevaluasi setiap fitur terhadap data latih dengan menggunakan nilai dari fitur tersebut. Fitur yang memiliki batas terbesar antara objek dan non-objek dianggap sebagai fitur terbaik. 2.7.4 Kombinasi Cascade of Classifier Dengan mengkombinasikan pengklasifikasian dalam sebuah struktur cascade atau Cascade of Classifier, kecepatan dari proses pendeteksian dapat meningkat, yaitu dengan cara memusatkan perhatian pada daerah-daerah dalam image yang berpeluang saja. Hal ini dilakukan untuk menentukan di mana letak objek yang dicari pada suatu image. Karakteristik dari algoritma Viola-jones adalah adanya klasifikasi bertingkat. Klasifikasi pada algoritmna ini terdiri dari tiga tingkatan di mana tiap tingkatan mengeluarkan subimage yang diyakini bukan objek. Hal ini dilakukan karena lebih mudah untuk menilai subimage tersebut bukan objek yang ingin dideteksi ketimbang menilai apakah subimage tersebut merupakan objek yang ingin dideteksi (Dzulkamain, et al. 2011). 2.8 Gabor Filter Gabor filter adalah kesesuaian biologis yang mana bidang mudah menerima dari neuron menjadi korteks visual primer. Berorientasi dan memiliki Frekuensi spasial yang khas. Dengan kata lain fungsi Gabor filter yaitu : - Sebagai model yang menerima bidang sel sederhana - Penyaring frekuensi spasial

20 Gabor filter merupakan produk dari Gaussian Kernel * Sinusoid Kompleks. Parameter yang digunakan untuk membuat Filter Gabor yaitu : Angle, parameter ini bertipe data real dan digunakan sebagai arah orientasi yang digunakan (dalam satuan besaran sudut radian terhadap sumbu-x positif) Frek, parameter ini bertipe data real dan digunakan sebagai besarnya frekuensi yang digunakan. Pada program, frekuensi yang digunakan adalah 1/10. Kx, parameter ini bertipe data real dan digunakan sebagai konstanta standar deviasi terhadap sumbu-x. Ky, parameter ini bertipe data real dan digunakan sebagai konstanta standar deviasi terhadap sumbu-y. Filter Gabor awalnya diperkenalkan oleh Dennis Gabor (Gabor, 1946). Satu dimensi Gabor filter didefinisikan sebagai perkalian gelombang kosinus / sinus (bahkan / ganjil) dengan jendela Gaussian.

21 Gambar 2. 5 Gabor filter 1-D.. (4).. (5) Dimana merupakan pusat frekuensi ( yaitu, frekuensi dimana hasil respon terbesar dalam filter ) dan merupakan penyebaran jendela Gaussian. Spektrum listrik dari Gabor filter diberikan oleh jumlah dari dua Gaussians berpusat di : Dapat dijelaskan sebagai berikut :.. (6) Kekuatan spektrum gelombang sinus adalah dua impuls yang terletak di dan kekuatan spektrum Gaussian adalah (non-normalisasi) Gaussian. Perkalian dalam domain (spasial) temporal adalah setara dengan konvolusi dalam frekuensi domain (Oppenheim, Willsky & SH, 1997). Prinsip ketidakpastian

22 menyatakan bahwa produk penyebaran (yaitu, ketidakpastian) dari sinyal dalam domain waktu dan frekuensi harus melebihi atau sama dengan sebuah konstanta tetap,.. (7) Dimana adalah konstan, dan mewakili ukuran penyebaran sinyal dalam waktu dan frekuensi domain. Lihat pada gambar 2.6, Gambar 2. 6 lokalisasi sinyal dalam waktu dan frekuensi domain Implikasi dari prinsip ini adalah bahwa akurasi dengan yang satu dapat mengukur sinyal dalam satu batas keakuratan domain yang dicapai dari pengukuran dalam domain lainnya. Gabor (Gabor,1946) menunjukkan bahwa Complex Gabor Filters yang diberikan oleh,

23.. (8) Perhatikan bahwa fungsi Gaussian adalah turunan dari Gabor menyaring dengan frekuensi pusat. Perhatikan fungsi dasar nilai riil konstituen Gabor (yaitu, bagian genap dan ganjil yang diambil secara terpisah) tidak secara luas diyakini meminimalkan ketidakpastian gabungan (Stork & Wilson, 1990). Selain itu, pemilihan ukuran lokalisasi yang berbeda dapat mengakibatkan kelas yang berbeda dari "optimal" berfungsi sama sekali (Lerner, 1961; Stork & Wilson, 1990), keraguan mengenai keutamaan fungsi Gabor sering dikutip dalam literatur. Heeger (Heeger, 1987) menunjukkan bahwa tiga dimensi (sama untuk duadimensi kasus) Gabor filter dapat dibangun dari satu dimensi komponen yang dipisahkan. Mengingat dua dimensi Gabor filter, biarkan menjadi ukuran dua dimensi konvolusi kernel dan menjadi ukuran gambar (dalam piksel). Kompleksitas dari konvolusi non-dipisahkan dari filter Gabor berkurang dari ke. Sebuah aplikasi Gabor filter dalam waktu setempat analisis frekuensi sinyal, khususnya, sebuah jendela tertentu Fourier transform, disebut sebagai transformasi Gabor. kesulitan dengan menggunakan transformasi Gabor adalah bahwa hal itu independen secara linear tetapi sangat non-orthogonal dan dengan demikian tidak dapat dengan mudah terbalik. Sebagai hasil dari non-ortogonality, fungsi, yang digunakan untuk,erekonstruksi sinyal diskrit,, sangat digunakan untuk mengembalikan koefisien dari representasi (yaitu, langkah analisis), dimana koefisien menunjukkan berapa banyak yang sesuai rekontruksi filter,, akan ditambahkan secara formal,

24 Tahap rekonstruksi.. (9) Tahap analisis.. (10) Jika transformasi Gabor memang ortogonal (seperti transformasi Fourier),.. (11) 2.9 PCA ( Principal Component Analysis ) PCA ( Principal Component Analysis ) adalah suatu metode yang melibatkan prosedur matematika yang mengubah dan mentransformasikan sejumlah besar variable yang berkorelasi menjadi sejumlah kecil variable yang tidak berkorelasi, tanpa menghilangkan informasi penting di dalamnya. Sejumlah citra dua dimensi dari setiap objek tiga dimensi yang akan dikenali, dikumpulkan untuk mewakili objek tersebut sebagai citra acuan. Dari sekumpulan citra acuan tersebut, kemudian akan dilakukan ekstraksi ciri untuk memperoleh informasi karakteristik (ciri) dari objek tersebut. Hasil ekstraksi ciri digunakan untuk proses pengenalan objek multiorientasi. Penggunaan PCA sangat mengurangi kalkulasi yang perlu dilakukan, dari sejumlah pixel di dalam citra ( ) menjadi sejumlah citra di dalam training set ( ). Dalam prakteknya, jumlah citra wajah di dalam training set biasanya lebih kecil dibandingkan dengan jumlah pixel di dalam citra.

25 2.10 System Development Life Cycle (SDLC) System development life cycle atau SDLC merupakan siklus pengembangan sistem. SDLC berfungsi untuk menggambarkan tahapan utama dan langkah dalam pengembangan sistem. Secara garis besar tahapan dibagi menjadi empat kegiatan utama, yaitu analisis, desain, impelemtasi, dan perawatan. Software yang dikembangkan berdasarkan SDLC akan menghasilkan sistem dengan kualitas yang tinggi, memenuhi harapan penggunanya, tepat dalam waktu dan biaya, bekerja dengan efektif dan efisien dalam infrastruktur teknologi informasi yang ada atau yang direncanakan, serta murah dalam perawatan dan pengembangan lebih lanjut. SDLC memiliki banyak bentuk model, salah satu yang terkenal dan sering dipakai adalah model waterfall. Sesuai dengan namanya waterfall (air terjun), bentuk diagram prosesnya mirip dengan air terjun yang bertingkat. Alur waterfall model dapat dilihat pada gambar 2.7. Gambar 2. 7 Alur waterfall model

26 Penjelasan tahapan-tahapan model waterfall adalah sebagai berikut : 1. Perancangan Sistem (System Engineering) Perancangan sistem sangat diperlukan, karena piranti lunak biasanya merupakan bagian dari suatu sistem yang lebih besar. Pembuatan sebuah piranti lunak dapat dimulai dengan melihat dan mencari apa yang dibutuhkan oleh sistem. Dari kebutuhan sistem tersebut akan diterapkan kedalam piranti lunak yang dibuat. 2. Analisa Kebutuhan Piranti Lunak (Software Requirement Analysis) Merupakan proses pengumpulan kebutuhan piranti lunak. Untuk memahami dasar dari program yang akan dibuat, seorang analisis harus mengetahui ruang lingkup informasi, fungsi-fungsi yang dibutuhkan, kemampuan kinerja yang ingin dihasilkan dan perancangan antarmuka pemakai piranti lunak tersebut. 3. Perancangan (Design) Perancangan piranti lunak merupakan proses bertahap yang memfokuskan pada empat bagian penting, yaitu: Struktur data, arsitektur piranti lunak, detil prosedur, dan karakteristik antar muka pemakai. 4. Pengkodean (Coding) Pengkodean piranti lunak merupakan proses penulisan bahasa program agar piranti lunak tersebut dapat dijalankan oleh mesin. 5. Pengujian (Testing) Proses ini akan menguji kode program yang telah dibuat dengan memfokuskan pada bagian dalam piranti lunak. Tujuannya untuk memastikan

27 bahwa semua pernyataan telah diuji dan memastikan juga bahwa input yang digunakan akan menghasilkan output yang sesuai. Pada tahap ini pengujian ini dibagi menjadi dua bagian, pengujian internal dan pengujian eksternal. Pengujian internal bertujuan menggambarkan bahwa semua statement sudah dilakukan pengujian, sedangkan pengujian eksternal bertujuan untuk menemukan kesalahan serta memastikan output yang dihasilkan sesuai dengan yang diharapkan. 6. Pemeliharaan (Maintenance) Proses ini dilakukan setelah piranti lunak telah digunakan oleh pemakai atau konsumen. Perubahan akan dilakukan jika terdapat kesalahan, oleh karena itu piranti lunak harus disesuaikan lagi untuk menampung perubahan kebutuhan yang diinginkan konsumen. 2.11 Visual Studio C# 2010 C# ( C sharp ) adalah sebuah bahasa pemrograman berbasis objek yang didukung oleh Microsoft.NET Framework. Microsoft.NET Framework adalah perantara agar aplikasi dengan bahasa pemrograman yang didukung dapat berkomunikasi dengansistem operasi yang digunakan oleh komputer. Selain itu,.net Framework memungkinkan C# untuk berkomunikasi dengan bahasa pemrograman lainnya seperti VB.NET, F#, atau C++.

28 Aplikasi C# dapat digunakan dalam berbagai macam system operasi seperti Windows(dengan menggunakan.net Framework), Mac OS, Linux, serta system operasi berbasis UNIX lainnya. Tampilan C# dapat dikostumisasi agar dapat sesuai dengan keinginan user. Lingkungan kerja yang nyaman menjadikan user dapat bekerja dengan nyaman, efisien, dan tentunya lebih efektif. 2.12 Emgu CV OpenCV (Open Source Comput er Vision) adalah sebuah library fungsi pemrograman real time untuk computer vision. Emgu CV adalah wrapper.net untuk OpenCV. Dengan EmguCV, fungsi-fungsi dalam OpenCV bisa dipanggil melalui bahasa pemrograman yang compatible dengan.net seperti C#, VB, dan VC++. Selain itu, Emgu CV juga cross platform sehingga dapat di-compile lewat Mono dan dijalankan di atas sistem operasi Linux atau Mac OS. Dari pengertian di atas telah diberikan deskripsi dari kedua open source tersebut. OpenCV merupakan library yang cukup terkenal di dunia Computer Vision. Computer Vision adalah salah satu bidang di teknologi informasi yang fokus pada pemrosesan images atau gambar yang diperoleh darivdunia nyata untuk diekstrak dan diinterpretasikan informasinya. Untuk mempermudah developer dalam mengembangkan aplikasi yang menggunakan teknologi computer vision, digunakanlah library seperti VXL, Camellia, OpenCV, dan lainnya.

29 Maka dari itu EmguCV berperan untuk menjembatani C# dan OpenCV. EmguCV adalah wrapper.net untuk OpenCV. Keuntungan menggunakan EmguCV yang paling utama adalah library ini sepenuhnya ditulis dengan bahasa pemrograman C# yang mana lebih aman karena pembuatan object atau pun reference di-manage oleh garbage collector. Ada dua konsep penting yang perlu diketahui terlebih dahulu sebelum menggunakan EmguCV. Pertama mengenai layer pada EmguCV. EmguCV terdiri dari 2 layer, yaitu basic layer dan second layer. Basic layer mengandung fungsi, struktur, dan enumerasi yang secara langsung merefleksikan apa yang ada di OpenCV. Dengan adanya layer inilah kita bisa memanggil fungsi-fungsi pada OpenCV dengan bahasa pemrograman C#. Sedangkan second layer mengandung kelas-kelas yang memanfaatkan keunggulan teknologi.net.