Recommended
More Related Content
Viewers also liked
Viewers also liked (6)
Similar to DETEKSI KENDARAAN
Similar to DETEKSI KENDARAAN (12)
Recently uploaded
Recently uploaded (10)
DETEKSI KENDARAAN
- 1. 2014 TESIS PERHITUNGAN JUMLAH DAN JENIS KENDARAAN MENGGUNAKAN ALGORITMA SUM OF ABSOLUTE DIFFERENCE (SAD) DAN FILTER GAUSSIAN MIXTURE MODEL (GMM) 24 NOV amfitroh@gmail.com+62 8573 6000 985 Fitroh amaluddin - 126060300111018
- 2. Latar Belakang Stauffer, 1999 GMM merupakan salah satu model yang sangat populer dan sering digunakan pada kasus Background Substraction dan cocok digunakan pada area Outdoor. SAD Gerakan kecil dari obyek akan tetap dideteksi, seperti pergerakan korden, pantulan sinar, dan bayangan noise yang terus bergerak. Berdasarkan hasil perancangan dan penelitiannya di simpulkan bahwa ada keterbatasan dalam menghitung objek jika posisi obyek yang bergerak berada di tengah garis marka jalan. Widyardini 2010 Dimas 2013
- 3. INPUT Konsep Penelitian SAD I • Deteksi Gerak • Threshold • Video Record GMM II FCM III • Deteksi Foreground • Binerisasi • Segmentasi Blob • Filter Morfologi • Data Cluster • Proses Kluster • Klasifikasi OUTPUT • Video (*.avi) • Jumlah dan jenis kendaraan
- 4. Mencari perbedaan nilai antar frame pada waktu t dan t-1 SAD I “ ” 10 75 8 30 .....nFrame > T 𝑆𝐴𝐷 = 𝑖 𝑛 |𝐼 𝑡𝑖 − 𝐼 𝑡𝑖−1 | Frame 1 Frame 2 Diff Sum
- 5. NOISE OBYEK PENGUJIAN > 150 < 150 Menentukan Threshold
- 6. Frame ke-i Frame 𝑰 𝒕𝒊 − 𝑰(𝒕𝒊−𝟏) Nilai SAD |𝑰 𝒕𝒊 − 𝑰 𝒕𝒊−𝟏 | 1 1 – 0 0 2 2 – 1 37,3398 3 3 – 2 10,4661 4 4 – 3 13,8958 5 5 – 4 5,5313 6 6 – 5 2,3424 7 7 – 6 8,0781 8 8 – 7 25,1419 9 9 – 8 6,8333 10 10 – 9 10,8594 11 11 – 10 18,6289 12 12 – 11 6,4479 𝑆𝐴𝐷 = 𝑖 𝑛 |𝐼 𝑡𝑖 − 𝐼 𝑡𝑖−1 | 145,5649 Perhitungan SAD Bentuk Grafik 40 35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 Frame ke-i Nilai SAD
- 7. GMM II “prinsip dasar model dari warna RGB adalah berdasarkan sistem koordinat kartesian.” Rahmadwati, 2012 ” “setiap pixel akan mengalami perubahan intensitas selama waktu t.” Stauffer, 1999 Xt 𝜇 𝑘 − 2.5 ∗ 𝜎𝑘 < 𝑋𝑡 < 𝜇 𝑘 + 2.5 ∗ 𝜎𝑘 Pencocokkan nilai 𝑋𝑡 selama mixture ke-K pada waktu t Pencocokkan Nilai R,G,B • Distribusi cocok • Distribusi tidak cocok 𝑎 < 𝑋𝑡 < 𝑏 Mixture k=1 a < R/G/B < b “Jika nilai RGB lebih besar dari a dan lebih kecil dari b” Mixture k=1 a < R/G/B < b “Jika nilai RGB tidak memenuhi kondisi seperti kondisi disamping. Distribusi yang tidak cocok disebut juga dengan distribusi “Foreground” ”
- 8. Pemilihan Distribusi Background “Bobot terkecil dari sebuah distribusi akan digunakan sebagai model background” Contoh: Bobot = 0,4/0,5/0,6/0,7 • 0,4 > T = √ • 0,5 > T = √ • 0,6 > T = √ • 0,7 > T = X Input diambil dari file video (*.avi) Mengambil sampel warna dari tiap piksel untuk membuat model GMM dari piksel tersebut Ada model yang cocok? Mencocokkan tiap piksel dengan tiap model GMM dari piksel tersebut Normalisasi Bobot (Weight ≥ 1) Update parameter Membuat model baru dengan menggantikan model yang mencerminkan background Mengurutkan model berdasarkan bobot (Weight) Memilih distribusi terkecil sebagai background
- 9. 1 2 3 4 Distribusi Background Distribusi Foreground MODEL DISTRIBUSI Foreground Masking Filtered Foreground FILTER MORFOLOGI 3 Tahap Proses Segmentasi 1 2
- 10. SEGMENTASI BLOB 3 Foreground Segmented ObjectMasking 1 2 3 𝐵𝐿𝑂𝐵 = 𝑚𝑖𝑛 𝑎𝑟𝑒𝑎 ≤ 𝑇 ≥ 𝑚𝑎𝑥 𝑎𝑟𝑒𝑎
- 11. FCM III Cara kerja FCM yaitu membentuk fungsi keanggotaan yang digunakan sebagai dasar klasifikasi berdasarkan atribut. “ ” • Panjang kendaraan • Lebar kendaraan Atribut yang dipakai ATRIBUT
- 12. Data ke-i Atribut (j) Jumlah Kluster (k) 𝐣 𝟏 𝐣 𝟐 𝐊 𝟏 𝐊 𝟐 1 233 172 0,011437494 0,988562506 2 220 171 0,002620099 0,997379901 3 220 162 0,000364635 0,999635365 4 209 154 0,01859325 0,98140675 5 132 87 0,995446785 0,004553215 6 123 84 0,99878996 0,00121004 7 123 80 0,999166344 0,000833656 8 128 79 0,99951025 0,00048975 9 133 76 0,997662337 0,002337663 10 122 87 0,994508041 0,005491959 11 122 75 0,996605125 0,003394875 Data Kluster Hasil Perhitungan FCM
- 13. HASIL & PEMBAHASAN 01. Perbandingan Input Membandingakan data input dengan data hasil proses SAD. 02. Perhitungan Jumlah Menghitung jumlah kendaraan berdasarkan hasil proses menggunakan filter GMM, filter Morfologi, dan segementasi Blob. 03. Klasifikasi Kendaraan Mengelompokkan jenis kendaraan berdasarkan data hasil ekstraksi ciri.
- 14. Kondisi Nama Data Input Data SAD Frame (30fps) Durasi (s) Ukuran (Kb) Frame (12fps) Durasi (s) Ukuran (Kb) Pagi 552 22 865 145 12 314 2 480 16 869 153 12 393 Siang 1 620 20 841 169 14 354 2 334 11 572 108 9 301 3 578 19 648 108 9 287 4 433 18 708 129 10 238 Sore 1 668 22 1437 317 26 1012 2 448 14 957 183 15 493 Malam 1 432 14 984 203 17 529 2 224 7 491 107 8 199 3 494 16 1133 241 20 227 4 392 13 884 194 16 382 1 01. Perbandingan Input Membandingakan data input dengan data hasil proses SAD. “Durasi waktu hasil proses SAD lebih cepat karena di dalam file video tidak terdapat suatu informasi penting”
- 15. Kondisi Jumlah Kendaraan % Manual Aplikasi Error Pagi 10 10 0 88,00% 15 12 3 Siang 11 11 0 94,12% 8 9 1 6 6 0 9 8 1 Sore 29 33 4 90,48% 13 13 0 Malam 10 14 6 76,47% 6 6 0 4 4 0 14 11 2 “Tingkat keakuratan perhitungan jumlah kendaraan pada malam hari hanya mencapai 76,47%, karena hasil segmentasi obyek pada malam hari kurang sempurna” 02. Perhitungan Jumlah Menghitung jumlah kendaraan berdasarkan hasil proses menggunakan filter GMM, filter Morfologi, dan segementasi Blob. 3 2 4 8 PAGI 81,82% SIANG 88,24% SORE 91,3% MALAM 76,47% ErrorAplikasi 22 34 37 46 Data hasil segmentasi menggunakan aplikasi
- 16. Kondisi Manual/Aplikasi % Spd.Motor Mobil Bus/Truk PAGI 22 19 3 4 0 0 81,82% SIANG 21 22 12 10 1 2 88,24% SORE 33 36 9 10 0 0 91,30% MALAM 18 22 14 14 2 1 86,49% PAGI 81,82% SIANG 88,24% SORE 91,3% MALAM 86,49% Tingkat keakuratan hasil klasifikasi menggunakan aplikasi. Data hasil klasifikasi menggunakan aplikasi ErrorAplikasi “Tingkat keakuratan klasifikasi jenis kendaraan pada sore hari dapat mencapai 91,3%, dikarenakan hasil segmentasi pada sore hari cukup bagus” 03. Klasifikasi Kendaraan Mengelompokkan jenis kendaraan berdasarkan data hasil ekstraksi ciri. 4 4 4 4 22 34 46 37
- 17. 𝟐 𝒙 Belum dapat mengukur kecepatan kendaraan yang terdeteksi oleh deteksi gerak SAD maupun Filter GMM. Deteksi gerak SAD dapat beradaptasi dengan baik pada iterasi ke-3. Sedangkan pengujian deteksi foreground menggunakan filter GMM dapat beradaptasi dengan baik pada iterasi ke-30. Pencahayaan sinar matahari dapat mempengaruhi dimensi kendaraan baik panjang maupun lebar kendaraan. Dikarenakan bayangan kendaraan berubah bentuk dan bergerak secara terus menerus sehingga bayangan tersebut mengganggu foreground yang dihasilkan Hanya kendaraan yang berwarna cerah yang dapat terdeteksi dengan baik. Sedangkan kendaraan dengan warna gelap tidak dapat terdeteksi dengan sempurna. Hal ini disebabkan karena pada saat proses filter dengan GMM warna foreground yang dihasilkan mirip dengan warna background. Tingkat kecerahan sorot lampu mobil pada malam hari, menentukan jumlah dan dimensi dari foreground yang dihasilkan, dikarenakan cahaya tersebut berada pada satu cluster dengan obyek. Tingkat kerapatan jumlah kendaraan yang bergerak, dapat mempengaruhi proses segmentasi dan dimensi kendaraan sehingga akan berpengaruh pula pada proses klasifikasi, dikarenakan bayangan obyek yang saling berdekatan akan membentuk satu cluster Algoritma ini belum dapat mengenali jenis kendaraan secara sepesifik berdasarkan merek. Hal ini disebabkan karena ada beberapa jenis mobil memiliki variabel sama. KESIMPULAN 12 3 4 56 8Algoritma ini belum dapat mensegmentasi obyek pada area tertentu. Sehingga seluruh obyek yang bergerak pada area tangkapan kamera akan tersegmentasi. 7
- 18. FITROH AMALUDDIN 126060300111018 MAGISTER TEKNIK ELEKTRO SISTEM KOMUNIKASI DAN INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA OUR TEAM TERIMA KASIH MUHAMMAD AZIZ MUSLIM 19741203 200012 1 001 DOSEN PEMBIMBING I AGUS NABA 197208061995121001 DOSEN PEMBIMBING II I II
- 19. SHORTCUT LATAR BELAKANG amfitroh@gmail.com KONSEP PENELITIAN SAD FCM GMM PERBANDINGAN PEMBAHASAN +62 8573 6000 985 KESIMPULAN SEGMENTASI
- 21. 1 2 3 4 5 6
- 22. Dimas, 2013 Fitroh, 2014 1 2 1
Editor's Notes
- Latar Belakang
- Konsep Penelitian
- SAD
- GMM
- FCM
- Hasil