Aplikasi Untuk Menggerakan Cursor Dengan Deteksi Kepala
Secara Real-Time Menggunakan Metode Optical Flow Dan
Sift
I Komang Setia Buana STMIK STIKOM Bali
Jl. Raya Puputan No. 86 Renon, Denpasar Bali, (0361) 244445 e-mail: buana@stikom-bali.ac.id
Abstrak
Seiring meningkatnya kemajuan teknologi komputer, peranan teknologi komputer juga semakin meningkat yang digunakan untuk kepentingan manusia. salah satunya adalah bidang interaksi manusia dan komputer (IMK), atau sering disebut Human Computer Interaction (HCI). Keyboard, mouse, dan joystick merupakan salah satu perangkat keras yang sering digunakan untuk interaksi antara manusia dan komputer yang bersifat mekanis. Meskipun peralatan-peralatan tersebut akurat dan handal (reliable), tetapi model interaksi yang dilakukan tidak bersifat alami sebagaimana manusia berinteraksi dengan sesamanya, penggunaan peralatan-peralatan tersebut untuk mengoperasikannya membutuhkan adanya kontak langsung antara user dengan komputer. Teknik interaksi berbasis visi komputer menjadi kandidat teknik interaksi yang bersifat alami. Teknik ini tidak membutuhkan kontak langsung pengguna dengan peralatan input, melainkan komputer menangkap gerakan pengguna melalui kamera video dan menginterpretasikannya. Pendeteksian menggunakan gerakan kepala telah diaplikasikan secara luas diantaranya pada bidang hiburan, pendidikan serta keamanan. Kamera (webcam) merupakan alat yang digunakan untuk melakukan pengenalan kepala. Kamera ini digunakan sebagai sensor untuk mendeteksi pergerakan kepala. Pendeteksian gerakan kepala diimplementasikan dengan menggunakan library emguCV, metode optical flow dan metode SIFT digunakan untuk melakukan deteksi kedipan mata untuk event click mouse. Dari hasil penelitian ini didapat bahwa dengan menggunakan dua webcame yang berbeda yaitu resolusi 3 megapixels dan 1 megapixels dan juga pencahayaan yang berbeda didapat bahwa resolusi yang lebih kecil dengan pencahayaan redup pendeteksian kepala kurang sempurna dan gerakan cursor tidak sempurna, tetapi dengan pencahayaan terang kedua webcame menghasilkan keakuratan yang sama.
Kata kunci: Gerakan kepala, emguCV, optical flow
Abstract
With the increasing advances in computer technology, the role of computer technology is also increasingly used for the benefit of man. one of which is the field of human computer interaction (IMK), often called the Human Computer Interaction (HCI). Keyboard, mouse, and joystick hardware is one that is often used for the interaction between humans and computers being mechanical. Although such equipment is accurate and reliable (reliable), but the model of interactions are not naturally as humans interact with each other, the use of such equipment to operate it requires direct contact between user and computer. Computer vision-based interaction techniques become candidate interaction techniques that are natural. This technique does not require direct contact with the user input device, but a motion capture computer users via a video camera and interpreting them. Detection using head movement has been widely applied among others in the fields of entertainment, education and security. The camera (webcam) is a tool used to perform the introduction of the head. This camera is used as a sensor to detect the movement of the head. Head movement detection is implemented using emguCV libraries, methods of optical flow and SIFT method used to detect the blink of an eye for the event click mouse. From the results of this study found that by using two webcame different, namely the resolution of 3 megapixels and 1 megapixels and also the different lighting found that a smaller resolution with dim lighting detection of the head is less than perfect and the movement of the cursor is not perfect, but with bright lighting both webcame produce the accuracy of the same.
1. Pendahuluan
Seiring meningkatnya kemajuan teknologi komputer, peranan teknologi komputer juga semakin meningkat yang digunakan untuk kepentingan manusia. salah satunya adalah bidang interaksi manusia dan komputer (IMK), atau sering disebut Human Computer Interaction (HCI). Keyboard, mouse, dan joystick merupakan salah satu perangkat keras yang sering digunakan untuk interaksi antara manusia dan komputer yang bersifat mekanis. Meskipun peralatan-peralatan tersebut akurat dan handal (reliable), tetapi model interaksi yang dilakukan tidak bersifat alami sebagaimana manusia berinteraksi dengan sesamanya, penggunaan peralatan-peralatan tersebut untuk mengoperasikannya membutuhkan adanya kontak langsung antara user dengan komputer. Kebutuhan akan komunikasi yang lebih alami antara user dan komputer adalah tuntutan dari perkembangan teknologi komputer itu sendiri. Ketika user berinteraksi dengan komputer tidak hanya di depan meja, melainkan dalam lingkungan virtual (Virtual Reality), menggunakan komputer yang terpasang di badan (Wearable Computer), ataupun dengan perangkat Augmented Reality, maka perangkat-perangkat interaksi tradisional tidak lagi handal untuk digunakan.
Teknik interaksi berbasis visi komputer menjadi kandidat teknik interaksi yang bersifat alami. Teknik ini tidak membutuhkan kontak langsung pengguna dengan peralatan input, melainkan komputer menangkap gerakan pengguna melalui kamera video dan menginterpretasikannya. Input secara visual dapat memberikan kemampuan penginderaan pada komputer sebagaimana manusia melakukan penginderaan menggunakan mata. Interaksi antar manusia secara alami tidak membutuhkan mouse atau keyboard, melainkan diantaranya menggunakan tangan, mata, kepala dan telinga untuk mendapatkan informasi dari lingkungan. Salah satu alternatif anggota badan manusia yang dapat dapat digerakan untuk menghasilkan beragam pose adalah tangan dan kepala. Pendetrksian menggunakan tangan sudah banyak di teliti sebelumnya salah satunya dilakukan oleh Umar, Ubaidillah dkk, dengan melakukan tracking arah gerak telunjuk jari menggunakan metode optical flow[1]. Kelemahan pendeteksian menggunakan tangan pada saat user memiliki cacat fisik di bagian tangan sehingga diperlukan bagian lain untuk menggerakan cursor. Manusia terkadang secara alami terbiasa menggunakan kepala untuk melakukan komunikasi baik itu menggangguk maupun menggelengkan kepala. Kerakan kepala manusia bisa juga digunakan untuk menggantikan fungsi mouse yang bisa digunakan untuk menggerakan cursor keatas kebawah kekiri maupun kekanan dan untuk melakukan klik pada mouse menggunakan kedipan mata.
Pendeteksian menggunakan gerakan kepala telah diaplikasikan secara luas diantaranya pada bidang hiburan, pendidikan serta keamanan. Kamera (webcam) merupakan alat yang digunakan untuk melakukan pengenalan kepala. Kamera ini digunakan sebagai sensor untuk mendeteksi pergerakan kepala. Pendeteksian gerakan kepala diimplementasikan dengan menggunakan library emguCV, metode optical flow dan metode SIFT digunakan untuk melakukan deteksi kedipan mata untuk event click mouse.
2. Tinjauan Pustaka Ekstraksi Fitur
Metode untuk perpindahan gambar yang paling mudah untuk dipahami adalah pendekatan berbasis fitur. Metode ini menemukan fitur (misalnya, tepi citra, sudut, dan struktur lainnya) dan penelusuran ini dilakukan ketika gambar bergerak dari frame ke frame. Tindakan ekstraksi fitur, jika dilakukan dengan baik, akan mengurangi jumlah informasi untuk diproses (dan mengurangi beban kerja) [2].
Untuk mengenali atau mengklasifikasikan obyek dalam gambar, seseorang harus terlebih dahulu ekstrak beberapa fitur keluar gambar, dan kemudian menggunakan fitur ini di dalam pola untuk memperoleh classifier final kelas. Fitur ekstraksi (atau deteksi) bertujuan untuk mencari daerah fitur yang signifikan pada gambar tergantung pada karakteristik intrinsik mereka dan aplikasi. Wilayah tersebut dapat didefinisikan dalam lingkungan global atau lokal dan dibedakan oleh bentuk, tekstur, ukuran, intensitas, sifat statistik, dan sebagainya. Metode ekstraksi fitur Lokal dibagi menjadi intensitas sesuai dan struktur berbasis. Intensitas metode berbasis analisis pola intensitas lokal untuk menemukan daerah yang memenuhi keunikan yang diinginkan atau stabilitas kriteria. Struktur berbasis metodemendeteksi struktur gambar seperti tepi, garis, sudut, lingkaran, elips, dan sebagainya. Fitur ekstraksi cenderung untuk mengidentifikasi ciri-ciri yang dapat membentuk representasi yang baik dari objek, sehingga dapat membedakan dikategori objek dengan variasi toleransi.
Segmentasi
Segmentasi adalah proses membagi citra digital menjadi beberapa daerah. Segmentasi menunjukkan objek dan batas-batas dalam gambar. Setiap piksel di wilayah ini memiliki beberapa
karakteristik yang sama seperti warna, intensitas, dll. Beberapa metode untuk segmentasi gambar yang dijelaskan di bawah ini [3]
a. Segmentasi Berbasis Histogram
Salah satu cara sederhana untuk melakukan segmentasi yaitu menggunakan histogram. Histogram dihitung untuk semua piksel gambar. Puncak di histogram dibuat oleh nilai intensitas yang dibuat setelah menerapkan ambang batas dan clustering. Nilai piksel digunakan untuk menemukan daerah dalam gambar. Berdasarkan nilai-nilai histogram dan ambang, kita dapat mengklasifikasikan nilai intensitas rendah sebagai objek dan nilai-nilai tinggi gambar sebagai latar belakang.
b. Perbedaan Frame
Perbedaan frame digunakan untuk menghitung antara 2 frame di setiap piksel posisi dan menyimpan nilai perbedaan tersebut. Hal ini digunakan untuk memvisualisasikan benda bergerak di urutan frame.
c. Metode Single Gaussian Background
Metode ini digunakan untuk melakukan pemisahkan latar belakang dan objek di latar depan. Itu merupakan metode pemisahan statis. Dalam ini serangkaian bingkai (frame sebelumnya) yang diambil dan perhitungan dilakukan untuk pemisahan. Pemisahan dilakukan dengan menghitung rata-rata σ dan varians µ di setiap posisi piksel [4].
Java
Java adalah bahasa pemrograman yang disusun oleh James Gosling yang dibatu oleh rekan-rekannya seperti Patrick Naugton, Chris Warth, Ed Frank, dan Mike Sharidan di suatu perusahaan perangkat lunak yang bernama Sun Microsystems, pada tahun 1991. Bahasa pemrograman ini mula-mula diinisialisasi dengan nama ”Oak”, namun pada tahun 1995 diganti namanya menjadi java.
Alasan utama pembentukan bahasa java adalah untuk membuat aplikasi-aplikasi yang dapat diletakan di berbagai macam alat elektronik, seperti microwave oven dan remote control, sehingga java harus bersifat portable atau yang sering disebut dengan platform-independent (tidak terantung kepada platform), itulah yan menyebabkan dalam dunia pemrograman java, dikenal adanya istilah ’write once, run everywhere’, yang berarti kode pemrograman hanya ditulis sekali, namun dapat dijalankan dibawah platform manapun, tanpa harus melakukan perubahan kode program.
Secara arsitektur, java tidak berubah sedikit pun sejak asal mula bahasa tersebut dirilis. Kompiler java (yang disebut dengan javac atau Java Compiler) akan mentranformasikan kode-kode dalam bahasa java ke dalam suatu bytecode. Bytecode adalah sekumpulan printah hasil kompilasi yang kemudian dapat dieksekusi melalui sebuah mesin komputer abstak, yang disebut dengan JVM (Java Virtual Machine). JVM juga sering disebut dengan interpreter, karena sifatnya yang selalu menerjemahkan kode-kode yang tersimpan dalam bytecode dengan cara baris demi baris.
Pada awal perilisnya, versi java masih disebut dengan JDK (java Development Kit). Dalam JDK, semua kebutuhan untuk pengembangan program dan eksekusi program masih tergabung jadi satu. Penamaan ini masuh berlaku sampai java 1.1. Namun sekarang, setelah java 1.2, Sun Mycrosystems menamainnya dengan JSDK, (Java Software Development Kit) dalam hal ini kebutuhan untuk pengembangan program dipisahkan dengan kebutuhan eksekusi. Bagian software yang digunakan untuk kebutuhan eksekusi program disebut dengan JRE (Java-Runtime Environment). Selanjutnya, java 1.2 disederhanakan namanya menjadi ”java 2”.
Sun Microsystem telah mendefinisikan 3 buah edisi dari java 2, yaitu sebagai berikut
a) Java 2 Standard Edition (J2SE), yang digunakan untuk mengembangkan aplikasi-aplikasi desktop dan applet (aplikasi java yang dapat dijalankan didalam browser web).
b) Java 2 Enterprise Edition (J2SE), merupakan superset J2SE yang memperbolehkan kita untuk mengembangkan aplikasi-aplikasi berskala besar (enterprise), yaitu dengan melakukan pembuatan aplikasi-aplikasi disisi server dengan menggunakan EJBs (Enterprise javaBeans), aplikasi web dengan menggunakan servlet dan JSP (javaServer Pages) dan teknologi lainnya seperti CORBA (Common Object Request Broker Architecture) dan XML (Extensible Markup Language).
c) Java 2 Micro Edition (J2ME), merupakan subset dari J2SE yang digunakan untuk menangani pemrograman didalam perangkat-perangkat kecil, yang tidak memungkinkan untuk mendukung implementasi J2SE secara penuh [5].
Optical Flow
Optical flow adalah pola dari pergerakan objek, permukaan, dan sisi pinggir atau ujung yang terlihat dalam sebuah pemandangan visual, yang terjadi karena pergeseran relatif antara pengamat (kamera atau mata) dengan pemandangan yang dilihat. Optical flow ini akan mengingat sebuah gambar
pixel diframe pertama, kemudian di frame kedua mencari pixel terdekat dengan kecerahan yang sama. Teknik – teknik optical flow seperti motion detection, object segmentation, time-to-collision and focus of expansion calculations, motion compensated encoding, dan setereo desparity measurement menggunakan pergerakan/pergeseran tersebut. Dalam augmented reality, optical flow ini berperan penting untuk mendefinisikan dan tracking terhadap object yang digunakan sebagai point of interest [6].
Sederet gambar terurut memperbolehkan kita untuk mengestimasi / memprediksikan pergerakan sebagai kecepatan sesaat gambar, atau disposisi gambar diskrit. Metode optical flow berusaha mengkalkulasikan pergerakan antara dua frame gambar antara t dan t pada setiap posisi voxel (elemen volumetris). Metode-metode ini disebut diferensial karena berdasarkan deret taylor yang memprediksikan signal gambar, dan turunan parsial terhadap koordinat temporal dan spasial.
Untuk gambar berdimensi 2D+t(3D, n-D, karena serupa), sebuah voxel pada posisi (x,y, t) dengan intensitas I(x,y,t) akan telah bergerak sejauh x, y, t antara dua frame gambar. Dan persamaan konstrain gambar akan menjadi :
I(x, y, t) = I(x + x, y + y,t + t)
Dengan asumsi pergerakan adalah sangat kecil maka rumus diatas I(x, y, t) dapat dikembangkan menjadi :
I(x+ x,y+ y,t+ t) = I(x,y,t) + x+ y + t + H.O.T Dimana H.O.T. = Heigher Order Terms / solusi pendekatan. Dari persamaan-persamaan tersebut maka diperoleh bahwa :
x+ y + t = 0
Karena diddefensial terhadap t maka akan menjadi :
+ + = 0
Yang akan menghasilkan : x+ y + = 0
Karena turunan fungsi posisi terhadap waktu adalah kecepatan, dimana Vx, Vy adalah komponen x dan y dari kecepatan Optical Flow I(x, y, t) serta , , dan adalah derivatif gambar dari pada (x, y, t) dengan arah masing-masing Ix, Iy, It dapat dituliskan bentuk derivatif sebagai berikut :
Ix.Vx + Iy. Vy = -It Atau
. = -It
UML (UnifiedModelingLanguage)
Unified Modelling Language merupakan alat perancangan sistem yang berorientasi pada objek. Secara filosofi kemunculan UML diilhami oleh konsep yang telah ada yaitu konsep permodelan Object Oriented (OO), karena konsep ini menganalogikan sistem seperti kehidupan nyata yang didominasi oleh obyek dan digambarkan atau dinotasikan dalam simbol-simbol yang cukup spesifik maka OO memiliki proses standard dan bersifat independen.
UML diagram memiliki tujuan utama untuk membantu tim pengembangan proyek berkomunikasi, mengeksplorasi potensi desain, dan memvalidasi desain arsitektur perangkat lunak atau pembuat program. Komponen atau notasi UML diturunkan dari 3 (tiga) notasi yang telah ada sebelumnya yaitu Grady Booch, OOD (Object-Oriented Design), Jim Rumbaugh, OMT (Object Modelling Technique), dan Ivar Jacobson OOSE (Object-Oriented Software Engineering). UML mempunyai tiga kategori utama yaitu struktur diagram, behaviour diagram dan interaction diagram. Dimana masing-masing kategori tersebut memiliki diagram yang menjelaskan arsitektur sistem dan saling terintegrasi [7]. Komponen-komponen UML Sejauh ini para pakar merasa lebih mudah dalam menganalisa dan mendesain atau memodelkan suatu sistem karena UML memiliki seperangkat aturan dan notasi dalam bentuk grafis yang cukup spesifik [7].
Komponen atau notasi UML diturunkan dari 3 (tiga) notasi yang telah ada sebelumnya yaitu Grady Booch, OOD (Object-Oriented Design), Jim Rumbaugh, OMT (Object Modelling Technique), dan Ivar Jacobson OOSE (Object-Oriented Software Engineering).
3. Metode Penelitian
3.1. Tempat dan Waktu Penelitian
Penelitian dilakukan selama 5 bulan di STMIK-STIKOM Bali Jalan Raya Puputan No 86 Renon Denpasar Bali.
3.2. Alur Analisis
Perancangan sistem dalam penelitian ini dibagi menjadi dua kegiatan yaitu pengambilan data dan pengolahan data. Pengambilan data adalah hal yang dilakukan pertama kali, setelah itu data yang sudah diambil diolah menggunakan aplikasi. Alur kerja sistem ini seperti terlihat dibawah:
Gambar 1 Alur Kerja Sistem Pengambilan data
Data gerakan kepala didapat dari webcame. Data tersebut akan diolah untuk proses berikutnya Pengolahan data
Dalam melakukan pengolahan data dalam penelitian ini menggunakan teknik dasar pengolahan citra meode optical flow dan metode sift. Teknik pengolahan citra terdiri dari segmentasi, ektraksi fitur, dan proses morfologi pada citra. Setelah proses tersebut dilakukan, metode optical flow akan mendeteksi gerakan kepala dan sift akan mendeteksi kedipan mata. Deteksi kedip dengan SIFT pada dasarnya adalah mencari interest point antara mata terbuka dan mata tertutup pada beberapa lokasi dan orientasi photomectric wajah yang terdeteksi.
Tahap pengolahan data untuk bisa mendeteksi gerakan kepala :
Gambar 2 Pengolahan data deteksi gerakan tangan
webcame
Ektraksi fitur proses morfologi
Metode Optical Flow dan Sift
Deteksi area Hasil Segmentasi Pengambil an data Pengolaha n data Webc am Teknik dasar Pengolahan Metode Optical Flow Metode Sift Mendeteksi gerakan kepala dan kedipan
Tahap pengolahan merupakan tahap inti dari sistem yang akan dirancang. Tahap pengolahan dibagi menjadi beberapa proses
1. Tahap deteksi area
Pada tahap ini, webcame akan mendeteksi area dari tangan yang akan dipakai sebagai bahan penelitian.
2. Tahap segmentasi
Tahap ini yaitu melakukan pemisahkan objek dengan latar belakang(background). Proses pada tahap segmentasi adalah membaca frame pertama dan menganggap sebagai background frame, konversi background frame ke grayscale dan set nilai dari threshold. Proses tersebut dilakukan untuk frame pertama, dan untuk frame berikutnya yaitu frame ke dua dan seterusnya sampai frame terakhir yaitu pada tahap segmentasi, video yang sudah di konversi ke gambar (berupa frame), dibaca oleh sistem, kemudian konversi frame tersebut ke grayscale, setelah dikonversi, temukan perbedaan frame yang dibaca dengan frame sebelumnya. Setelah itu klasifikasi piksel apakah itu objek atau background, jika nilai objek lebih besar dari threshold maka piksel tersebut adalah objek dan simpan didalam objek vektor array baru, jika lebih kecil atau sama dengan nilai threshold maka nilai vector array adalah nol. Proses tersebut terus dilakukan sampai frame terakhir.
3. Tahap ekstraksi fitur
Tahap ini dilakukan untuk mendapatkan tepi dan sudut dari object di setiap frame. Tahap ektraksi fitur ini dengan membaca frame gambar, kemudian gambar tersebut harus sudah dirubah ke grayscale, jika. Setelah tahap ekstraksi fitur selesai, lakukan proses morpologi, yaitu dilasi dan erosi, fungsi dari proses morfologi ini supaya memudahkan dalam melakukan placakan objek, setelah proses morfologi selesai, dilakukan proses cropping lokasi objek bisa dilakukan.
4. Tahap deteksi objek
Deteksi objek dilakukan dengan mengektraksi fitur setiap objek. Berdasarkan dimensi dari setiap objek ini memiliki fitur khusus. metode diterapkan dalam penelitian ini adalah optical flow, yang digunakan untuk mendeteksi dan menunjukkan objek di setiap frame. Dalam metode ini, piksel dihitung berdasarkan pada posisi vektor dan itu dibandingkan dalam frame berikutnya untuk posisi piksel tersebut. Secara umum gerakan adalah sesuai dengan vektor posisi piksel.
Perhitungan dengan optical flow didasarkan pada dua asumsi :
Kecerahan dari setiap titik objek konstan setiap waktu. Gerakan gambar di setiap frame berubah secara bertahap dari waktu ke waktu. Misalkan kita memiliki sebuah gambar yang bergerak secara real time, f (x, y, t) merujuk kepada tingkat keabu-abuan(x, y) di waktu t.
1. Asumsi masing-masing piksel bergerak tetapi tidak merubah intensitas 2. Piksel di lokasi (x, y) di frame1 adalah piksel pada (x + ∆x, y + ∆y) di frame2. 3. Optical flow mengaitkan perpindahan vektor dengan setiap piksel.
Pelacakan objek mengacu pada proses menelusuri objek bergerak dalam setiap frame. Tugas pelacakan dilakukan oleh ekstraksi fitur objek dalam frame dan menemukan objek dalam urutan frame. Dengan menggunakan nilai-nilai lokasi objek di setiap frame dengan menggunakan metode optical flow, kita dapat menentukan posisi dari objek tersebut [8].
4. Hasil dan Pembahasan
Hasil dari Perkembangan penelitian ini adalah aplikasi yang dapat mendeteksi kepala.
Pada gambar 3. merupakan hasil dari ujicoba menggunakan webcame dengan resolusi 3 MP dengan pencahayaan terang. Ketika kepala terdeteksi maka cursor akan bergerak mengikuti gerakan kepala dan apabila tidak terdeteksi maka cursor akan diam.
Gambar 4. Deteksi kepala dengan webcame resolusi 1 MP dan pencahayaan terang
Pada gambar 4. merupakan hasil dari ujicoba menggunakan webcame dengan resolusi 1 MP dengan pencahayaan terang. Ketika kepala terdeteksi maka cursor akan bergerak mengikuti gerakan kepala dan apabila tidak terdeteksi maka cursor akan diam. Hasil yang didapat hampir sama dengan webcame resolusi 3 MP.
Gambar 5. Deteksi kepala dengan webcame resolusi 3 MP dan pencahayaan redup
Pada gambar 5. merupakan hasil dari ujicoba menggunakan webcame dengan resolusi 3 MP dengan pencahayaan redup. Ketika kepala terdeteksi maka cursor akan bergerak mengikuti gerakan kepala dan apabila tidak terdeteksi maka cursor akan diam.
Gambar 6. Deteksi kepala dengan webcame resolusi 1 MP dan pencahayaan redup
Pada gambar 6. merupakan hasil dari ujicoba menggunakan webcame dengan resolusi 1 MP dengan pencahayaan redup. Pendeteksian tangan kurang sempurna namun dapat menggerakan cursor karena kepala masih terdeteksi. Namun gerakan cursor sedikit lebih lambat.
Gambar 7. uji coba click mouse dengan menggunakan aplikasi paint
Gambar 7. merupakan ujicoba untuk click mouse dan bisa berjalan lancar dengan menerapkan metode sift, namun sedikit lambat ketika menggunakan resolusi 1 MP dan pencahayaan redup.
5. Simpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah :
a) Aplikasi Untuk Menggerakan Cursor Dengan Deteksi Kepala Secara Real-Time Menggunakan Metode Optical Flow Dan Sift berjalan lancar ketika pencahayaan terang dimana resolusi webcame yang diuji coba 3 MP dan 1 MP
b) Jarak antara kepala dan webcame sangat berpengaruh untuk aplikasi ini, dimana jika kepala terlalu dekat dengan webcame maka pendeteksian tidak akan berhasil bahkan membuat program jadi error. Daftar Pustaka
[1] Umar, Ubaidillah; Soelistijorini, Reni; Darwito,Haryadi Amran. (2011). Tracking Arah Gerakan Telunjuk Jari Berbasis Webcam Menggunakan Metode Optical Flow. The 13th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS). Indonesia.
[2] Revathi, R; Hemalatha, M. (2012). Certain Approach of Object Tracking using Optical Flow Techniques. International Journal of Computer Applications (0975 – 8887) Volume 53– No.8. September 2012.
[3] Chen, Zhiwen; Cao, Jianzhong; Tang, Yao; Tang, Linao. (2011). Tracking of Moving Object Based on Optical Flow Detection. International Conference on Computer Science and Network Technology.
[4] Kumar Y, Senthil. (2009). Canny Edge Detection Implementation on TMS320C64x/64x+ Using VLIB, Texas Instruments Incorporated, November 2009
[5] Kadir, Abdul. (2008). Dasar Pemrograman Java 2. Andi, Yogyakarta.
[6] Rasakatla, Sriranjan., Indurkhya, Bipin., Optical flow based head tracking for camera mouse, immersive 3D and gaming, 2010, SIGGRAPH ASIA
[7] Sugrue J.(2009). Getting Started with UML. http://www.dzone.com/links/index.html diakses pada tanggal 5 November 2016.
[8] Kwong, Karric; Kavaler, Robert; Rajagopal, Ram; Varaiya, Pravin. (2010). Real-Time Measurement of Link Vehicle Count and Travel Time in a Road Network. IEEE Transactions on Intelligent Transportation System, VOL. 11, NO. 4, December 2010.
[9] Huang; Chung-Hsien. (2011). Video-based Traffic Analysis System Using a Hierarchical Feature Point Grouping Approach, First International Conference on Robot, Vision and Signal Processing. [10] Gerstmayr, Lorenz. (2008). An Improvement of the Lucas-Kanade Optical-Flow Algorithm for every
Circumstance. Computer Engineering Group Faculty of Technology University of Bielefeld. 5 august 2008
[11] Winarno, Edy. (2011). Aplikasi Deteksi Tepi pada Realtime Video menggunakan Algoritma Canny Detection. Jurnal Teknologi Informasi DINAMIK Volume 16, No.1. Januari 2011
[12] JunFang,Song; Aning,Bai; Ru Xue. (2011). A Reliable Counting Vehicles Method In Traffic Flow Monitoring. International Congress on Image and Signal Processing.
[13] Park, Sohee: Yoo, Jang-Hee (2013) Real-time Face Recognition with SIFT-based Local Feature Points for Mobile Devices, International Conference on Artificial Intelligence, Modelling & Simulation
