PERANCANGAN DAN PROTOTYPING SISTEM PEMANTAU LALU
LINTAS BERBASIS VIDEO PROCESSING DALAM MENDUKUNG
INTELLIGENT TRANSPORTATION SYSTEM
Jangkung Raharjo∗, Eko Susatio, dan Iwan Iwut Tritoasmoro Bandung Techno Park, Kawasan Pendidikan Telkom,
Dayeuh Kolot, Bandung, Tlp (022) 88884198 ∗
e-Mail: jkr [email protected] Disajikan 29-30 Nop 2012
ABSTRAK
Peningkatan jumlah kendaraan yang tidak diimbangi dengan peningkatan luas jalan seringkali mengakibatkan kemacetan lalu lintas. Upaya untuk mengantisipasi terjadinya kemacetan salah satunya dilakukan dengan memantau kondisi jalan raya se-hingga langkah pengaturan lalulintas dapat dilakukan secara optimal. Petugas pengawas di Traffic Management Center (TMC) biasanya hanya melihat kondisi lalulintas melalui layar monitor tanpa mengambil data kuantitatif tentang besaran trafik seperti kepadatan lalulintas dan kecepatan rata-rata kendaraan. Penelitian ini berusaha membuat sistem pemantau kondisi lalu lintas untuk membantu petugas yang berwenang mengatur lalu lintas jalan raya. Sistem pemantau menyediakan data kuantitatif berupa kepadatan lalulintas jalan raya dan kecepatan kendaraan rata-rata. Data tersebut disajikan secara realtime. Penge-tahuan di bidang pengolahan citra digital digunakan untuk merealisasikan sistem pemantau ini. Untuk mengetahui kepadatan lalulintas sistem menganalisa citra yang diambil oleh kamera dari lingkungan jalan. Dari citra tersebut dihitung banyaknya kendaraan, diestimasi berapa kecepatannya dan ditampilkan dalam suatu Graphical User Interface sehingga pengguna dapat melihat kondisi terkini. Sistem monitoring ini merupakan salah satu riset di bidang computer vision yang diimplementasikan dengan menggabungkan subsistem Image Acquisition, metode optical flow dan analisis morphologi citra digital. Implemen-tasi yang telah dilakukan menunjukkan sistem dapat bekerja secara real time dengan kecepatan proses 29 frame per detik pada ukuran frame 160x120 pixel dan ketepatan perhitungan lebih baik dari 90%.
Kata Kunci: Traffic Management Center, optical flow, analisis morphologi, citra digital
I.
PENDAHULUAN
Adalah kenyataan bahwa peningkatan jumlah kendaraan tidak selalu diimbangi dengan peningkatan infrastruktur ja-lan. Oleh karena itu sering terjadi kemacetan di mana-mana. Di kota besar saat ini, dengan berkembangnya teknologi, lalu lintas jalan raya dapat dipantau secara terpusat mengguna-kan kamera-kamera yang terpasang di tempat-tempat strate-gis sekitar jalan. Sistem monitoring ini sangat penting untuk mengetahui kondisi lalu lintas, lebih jauh lagi memastikan ke-lancaran arus lalu lintas, mengantisipasi kemacetan dan bila diperlukan mengatasi atau mencairkan kemacetan.
Dalam mencapai tujuan tersebut suatu sistem monitoring memerlukan sejumlah data masukan. Data tersebut misalnya berupa kepadatan lalu lintas jalan, peta jalan dan ketersediaan petugas di lapangan. Dengan data tersebut sistem monitoring akan dapat mengambil keputusan untuk menjaga agar lalu lintas tetap lancar. Keputusan-keputusan tersebut misalnya terkait pengaturan lampu lalu lintas, rute lalu lintas, penem-patan petugas pengatur lalu lintas, dan mungkin penggunaan metode tertentu untuk mencairkan kemacetan jika terlanjur terjadi.
Sejauh ini IP Camera sebatas menampilkan gambar
kon-disi lalu lintas. Petugas mengawasi, menganalisa dan jika diperlukan mengambil keputusan untuk menjaga kelancaran lalu lintas. Dengan banyaknya gambar yang harus di-awasi, biasanya petugas pengawas hanya akan fokus ter-hadap kondisi-kondisi menonjol pada gambar yang dikirim kamera, misalnya kondisi sangat macet dan sangat lengang. Informasi ini masih kualitatif sehingga tidak banyak mem-bantu analisa dan perencanaan di masa mendatang.
Kebutuhan akan tersedianya data kuantitatif berupa angka kepadatan lalu lintas dan tingkat kelancaran jalan yang di-tunjukan dengan angka laju kendaraan inilah yang mendasari penulis untuk melakukan penelitian ini. Penulis telah mem-buat suatu prototype sistem monitoring kepadatan lalu lintas jalan raya dengan menggunakan perangkat webcam Logitech Pro9000 sebagai pengganti IP Camera dan personal computer sebagai pusat pengolahan data. Karena penelitian ini sebatas membangun prototype sistem, maka kamera yang akan di-gunakan cukup satu saja. Pengembangan selanjutnya dapat diarahkan pada penanganan banyak IP Camera dengan pe-ngolahan data oleh komputer server yang berkapasitas lebih besar.
GAMBAR1: Citra berurutan dari suatu objek bergerak
harus mampu melakukan deteksi dan tracking terhadap kendaraan yang terekam kamera. Masalah deteksi dan track-ing ini akan di atasi dengan penggunaan metode optical flow yang secara singkat dapat dikatakan sebagai metode un-tuk mendeteksi dan mengikuti pergerakan objek pada frame-frame yang datang berurutan.
Selanjutnya, untuk menciptakan sistem yang bekerja se-cara real time, maka proses tracking harus dapat dilaku-kan secara cepat. Masalah ini, salah satunya di atasi de-ngan menggunakan citra berukuran cukup kecil sehingga konsumsi waktu pemrosesannya lebih sedikit namun tetap menjaga akurasi pada tingkat yang memadai.
II.
METODOLOGI
Metode Optical Flow
Optical Flow didefinisikan sebagai suatu gerakan yang tampak karena adanya perpindahan pola brightness pada dua buah bidang citra dengan mengasumsikan bahwa brightness tiap elemen citra yang lain konstan dari waktu ke waktu. Op-tical flow field (medan opOp-tical flow) merupakan medan vek-tor kecepatan sesaat dari pixel-pixel yang berpindah antara satu citra dan citra lain berikutnya. Masalah dalam optical flow adalah bagaimana mengestimasi kecepatan perpindahan pixel pada dua buah citra berurutan.
Perhitungan Optical Flow didasarkan pada 2 asumsi: 1. Brightness dari setiap titik tidak berubah terhadap
waktu.
2. Titik-titik yang berdekatan pada bidang citra bergerak atau berpindah ke arah yang sama dan perpindahannya tidak terlalu jauh.
Diberikan dua buah citra berurutan dari suatu video, op-tical flow diharapkan dapat menentukan kecepatan (magni-tude dan arah) setiap pixel pada citra sekarang relatif ter-hadap citra sebelumnya.
Misalkan brightness pada titik (x, y) pada bidang citra pada waktu t dinotasikan sebagai E(x, y, t). Ketika pixel bergerak dan diasumsikan bahwa tingkat brightness konstan
maka dE
dt = 0 (1)
Menggunakan aturan rantai untuk differensiasi diperoleh δE δx dx dt + δE δy dy dt + δE δt = 0 (2) Misalkanu=dx dt danv= dy
dt makaPERS. (2)dapat ditulis ulang sebagai
Exu+Eyv+Et= 0 (3)
Dalam hal iniEx, Ey danEt masing-masing adalah
tu-runan parsial dari tingkat brightness terhadap x, y, dant. Objektif di sini adalah menentukanudanvyang tidak lain adalah kecepatan pergeseran pixel pada arahxdany. Na-mun nilai-nilaiEx,EydanEt juga perlu diestimasi.
Horn-Schunck[2]mengusulkan formula berikut untuk mengestimasi Ex,EydanEt,udanvsehinggaPERS. (3)dipenuhi.
Ex ≈ 1 4{Ei,j+1,k−Ei,j,k+Ei+1,j+1,k −Ei+1,j,k+Ei,j+1,k+1−Ei,j,k+1 +Ei+1,j+1,k+1−Ei+1,j,k+1} Ey ≈ 1 4{Ei+1,j,k−Ei,j,k+Ei+1,j+1,k −Ei,j+1,k+Ei+1,j,k+1−Ei,j,k+1 +Ei+1,j+1,k+1−Ei,j+1,k+1} Et ≈ 1 4{Ei+1,j,k−Ei,j,k+Ei+1,j+1,k −Ei+1,j,k+Ei,j+1,k+1−Ei,j+1,k +Ei+1,j+1,k+1−Ei+1,j+1,k} (4)
GAMBAR2 mengilustrasikan estimasi 3 turunan parsial pada pusat kubus.
GAMBAR2:Tiga turunan parsial dari brightness citra pada pusat kubus
Dalam hal ini indeksjmenyatakan arahx(kolom), indeks imenyatakan arahy (baris) sedangkank menyatakan arah waktu. Pada kenyataannyakmenunjukkan sekuens dari citra
di mana indeksk+ 1menyatakan citra saat ini, dan indeksk menyatakan citra sebelumnya.
Estimasi u dan v diberikan oleh persamaan berikut ini. Pada PERS. (5), u danv menyatakan kecepatan (besar dan arah) pergerakan pixel-pixel dalam citra.
¯ ui,j,k = 1 6{ui−1,j,k+ui,j,k+ui+1,j,k+ui,j−1,k} + 1 12{ui−1,j−1,k+ui−1,j+1,k +ui+1,j+1,k+ui+1,j−1,k} ¯ vi,j,k = 1 6{vi−1,j,k+vi,j,k+vi+1,j,k+vi,j−1,k} + 1 12{vi−1,j−1,k+vi−1,j+1,k +vi+1,j+1,k+vi+1,j−1,k} (5)
Dari estimasi ini terjadi error sehingga PERS. (3) tidak sepenuhnya dipenuhiExu+Eyv+Et6= 0. Error itu sendiri
dihasilkan dari nilaiEx,Ey,Et,udanvhasil estimasi yang
disubstitusikan kePERS. (3)
b=Exu+Eyv+Et (6)
Pada PERS. (6), b menyatakan kesalahan dari hasil
esti-masi nilaiEx,Ey,Et,udanv. Untuk meminimasibestimasi
ini dapat dilakukan secara iterative terhadapudanv. un+1=un−
Ex(Exun+Eyvn+Et)
α2+E2 x+Ey2
(7) Dalam PERS. (7), α merupakan faktor bobot. Horn-Schunck[2]menyatakanαakan berpengaruh signifikan hanya pada area dimana gradien brightness relatif kecil.
Metode optical flow Horn-Schunck digunakan pada penelitian ini untuk mengestimasi pergerakan objek dalam citra terakuisi. Masukan untuk metode ini adalah dua buah frame berurutan, keluarannya akan berupa suatu matriks kompleks dimana bagian real-nya menyatakanudan bagian imaginernya menyatakan v. Magnitud dan arah dari ke-cepatan suatu pixel merupakan magnitude dan phasa setiap elemen kompleks pada lokasi yang sama dengan pixel terse-but. Pada akhirnya penulis tidak terlalu concern kepada arah pergerakan pixel karena yang menjadi interest adalah re-gion dalam citra, bukan pixel-pixel dalam konteks terpisah. Penelitian ini lebih menitikberatkan pada besaran magnitude dari kecepatan pixel karena besaran ini menyatakan ada atau tidaknya pergerakan. Di sisi lain objek yang dideteksi bukan-lah pixel per pixel tetapi suatu region yang merepresentasikan objek kendaraan.
Desain Sistem
Secara garis besar, sistem monitoring kepadatan lalu lintas yang dibuat dalam penelitian ini dapat digambarkan dengan blok diagram padaGAMBAR3.
Citra input diperoleh dari frame terakuisisi mengguna-kan webcam. Setiap frame yang ada terlebih dahulu dikon-versi ke citra grayscale oleh blok RGB to Intensity. Dua buah citra grayscale dari dua frame yang berurutan diproses bersamaan untuk mendapatkan estimasi flow oleh blok opti-cal flow. Flow ini akan merupakan matriks kompleks yang
GAMBAR3: Blok diagram sistem
memiliki komponen real dan imaginer untuk mendeskrip-sikan kecepatan suatu pixel.
Blok Thresholding and Region Filtering akan melakukan pemilihan elemen flow dengan magnitude kuadrat yang lebih dari suatu threshold. Jika vektor flow dinyatakan sebagaiof, dan magnitude kuadrat dinyatakan sebagai
y=of∗conj(of) (8)
maka threshold untuk elemen yang dipilih diberikan oleh
th= 0.5∗mean(mean(y)) (9)
Dengan nilaithini maka flow dengan magnitude kuadrat yang lebih darithakan diganti menjadi 1 dan sisanya diganti menjadi 0. Dari proses ini dihasilkan citra biner dengan nilai 1 pada pixel-pixel yang magnitude kuadrat dari flow-nya lebih dari threshold. Citra biner ini kemudian disebutthImage dan sudah memberikan gambaran ada atau tidaknya objek berg-erak.
Citra biner ini kemudian dikenai analisis bolb (binary large object) untuk mengetahui beberapa property morphologi se-hingga mempermudah proses estimasi region-region mana saja yang merupakan objek kendaraan.
Pada blok yang sama, terhadap objek kendaraan yang ter-deteksi pada frame-frame yang berurutan, kemudian dilaku-kan penghitungan banyaknya kendaraan. Karena kendaraan yang sama mungkin akan muncul di sejumlah urutan frame maka suatu algoritma tertentu akan diterapkan untuk menge-tahui bahwa kendaraan yang terdeteksi adalah kendaraan yang baru atau kendaraan lama yang muncul pada frame se-belumnya. Hanya jika ditemukan kendaraan baru, counter akan bertambah.
III.
HASIL DAN PEMBAHASAN
Sistem monitoring kepadatan lalu lintas ini diuji dengan dua kondisi jalan raya. Pertama jalan raya perkotaan untuk
TABEL 1: Hasil pengujian monitoring trafik lalu lintas kota (160×120pix) No Jumlah Terhi-tung Jumlah Sebenar-nya Akurasi (%) Kec. Rerata km/jam Kec. Proses (fps) 1 59 36 36,1 42,4 29,701 2 55 42 69,0 61,6 29,181 3 39 39 100 47,3 29,146 4 55 34 38,2 48,8 28,615
Rataan akurasi 60,825 Rataan 29,16
TABEL2: Hasil pengujian monitoring trafik lalu lintas jalan tol (160×120pix) No Jumlah Terhi-tung Jumlah Sebenar-nya Akurasi (%) Kec. Rerata km/jam Kec. Proses (fps) 1 87 93 93,1 59,8 29,880 2 91 94 96,7 61,9 29,910 3 81 87 92,6 62,6 29,935 4 120 122 98,3 65,1 29,939
Rataan akurasi 95,18 Rataan 29,916
merepresentasikan kondisi lalu lintas yang relative padat dan kedua jalan tol untuk merepresentasikan kondisi lalu lintas yang relative lancar.
A. Pengujian di Jalan Raya Perkotaan
Pada bagian ini system diuji dengan melakukan monito-ring dan memberikan data kepadatan serta kecepatan rata-rata kendaraan pada kondisi lalu lintas perkotaan. Pengujian ini mengambil tempat di depan Bandung Indah Plaza (BIP). Sistem mengambil gambar dari atas jembatan penyebrangan di depan BIP. Berikut ini diberikan tabel ringkasan hasil pe-ngujian untuk kondisi traffic perkotaan.
Dari hasil di atas tampak bahwa system mampu bekerja secara real time dengan kecepatan 29 frame per detik. Na-mun untuk akurasi perhitungan kendaraan masih cukup ren-dah yaitu sekitar 60%. Hal ini terjadi karena kompleksitas lingkungan video dimana sistem mengambil data. Pada jalan perkotaan secara umum, khususnya di depan BIP lalu lintas jalan tidak hanya dipenuhi oleh kendaraan sejenis mobil seba-gaimana sistem ini didesain. Di sana banyak juga orang yang lalu lalang, juga banyak kendaraan roda dua yang lewat.
Kondisi ini juga dipersulit dengan pergerakan kendaraan yang tidak konsisten karena terkadang kendaraan terhenti karena macet. Ketika kendaran berhenti karena macet, maka tidak akan terdeteksi adanya gerakan sehingga hitungan berhenti. Namun ketika kendaraan yang berhenti tersebut mulai berjalan lagi, hitungan baru akan dimulai padahal kendaraan-kendaraan tersebut telah dihitung sebelumnya
B. Pengujian di Jalan Tol
Pada bagian ini sistem diuji dengan melakukan monito-ring dan memberikan data kepadatan serta kecepatan rata-rata kendaraan pada kondisi lalu lintas jalan tol. Pengujian ini mengambil tempat di jembatan tol Mengger, Dayeuh Kolot.
Berikut ini diberikan tabel ringkasan hasil pengujian untuk kondisi traffic jalan tol.
Dari hasil di atas tampak bahwa system mampu bekerja secara real time dengan kecepatan 29,9 frame per detik dan akurasi perhitungan yang baik dengan angka 95%. Hal ini dapat dijelaskan karena pada kondisi traffic jalan tol, situasi lingkungan pada citra relative stabil dan laju kendaraan kon-sisten. Keadaan ini memudahkan estimasi optical flow yang pada akhirnya mempermudah proses deteksi kendaraan serta perhitungannya. Pada keadaan ini sistem bekerja sesuai hara-pan awal yaitu real time dengan akurasi lebih dari 90%.
IV.
KESIMPULAN
Beberapa kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut.
1. Sistem monitoring dapat bekerja secara realtime dengan kecepatan proses 29 frame per detik pada resolusi frame 160×120 pixel.
2. Akurasi ketepatan hitung kepadatan lalu lintas system masih perlu ditingkatkan jika system akan diaplikasikan di jalan-jalan kota yang ramai. Pada pengujian ini akurasi system hanya mencapai 60%
3. Akurasi hitung system mencapai 95% ketika diuji untuk memonitor jalan tol.
4. Sistem monitoring ini dapat diterapkan untuk memon-itor kepadatan lalu lintas jalan tol namun masih perlu perbaikan jika akan diterapkan pada lalu lintas jalan raya perkotaan
SARAN
1. Perlu pengembangan metode yang lebih handal dalam menangani citra jalan raya yang kompleks agar system tetap mampu mendeteksi kendaraan dengan benar. 2. Perlu pengembangan lebih lanjut dalam hal akuisisi citra
sehingga system dapat mengambil data citra dengan menggunakan IP camera agar dapat diimplementasikan pada kondisi sebenarnya di lapangan.
3. Perlu penelitian lebih lanjut terkait implementasi sys-tem sebagai perangkat lunak sehingga memungkinkan diterapkannya system dengan tools pemrograman yang mungkin lebih cepat lagi dari MATLAB
DAFTAR PUSTAKA
[1] Gonzales, Rafael C dan Woods, Richard E, Digital Im-age Processing second edition, Prentice Hall, New Jersey, 2001.
[2] Horn, Berhold K.P. dan Schunck, Brian G, Determin-ing Optical Flow, Massachussetts Institute of Technology, Cambridge. 1981
[3] Image Processing Toolbox Users Guide, The Mathworks, Inc. 2011
[4] Image Acquisition Toolbox Users Guide, The Math-works, Inc. 2011
[5] Kanade, Takeo dan Lucas, Bruce D, An Iterative Image Registration Technique with an Application to Stereo Vi-sion, Computer Science Department, Carnegie-Mellon University, Pittsburgh, Pennsylvania 1981
[6] Munir, Rinaldi. Pengolahan Citra Digital dengan Pen-dekatan Algoritmik, Penerbit INFORMATIKA, Ban-dung, 2004.
[7] D.J. Dailey and L. Li. Video Image Processing to Create a Speed Sensor. University of Washington. Washington, 1999