29
ESTIMASI GERAKAN PADA VIDEO ANIMASI 2D
MENGGUNAKAN ALGORITMA PENCOCOKAN BLOK
(BLOCK MATCHING ALGORITHM)
Mursyidah1, Muhammad Nasir2
1
Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, ACEH, 24312
2
Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, ACEH, 24312
1
[email protected], [email protected]
Abstrak
Estimasi gerakan merupakan proses untuk menentukan pergerakan obyek pada video sekuensial. Pergerakan obyek dikenal dengan istilah motion vector. Sebuah motion vector menunjukkan pergeseran sebuah titik diantara frame sekarang dengan frame referensi. Dari motion vector yang didapat, akan terlihat pergerakan titik-titik yang terjadi antara frame yang diamati. Dalam penelitian ini menggunakan algoritma blok maching SAD (Sum of Absolut Different), yang proses pencarian dilakukan per pixel. Untuk menentukan kualitas gerakan objek pada setiap frame interpolasi yang didapat dengan menghitung nilai PSNR. Nilai PSNR untuk setiap teknik interpolasi yang digunakan pada frame video yang sama berkisar 33 sampai 35. Dari penelitian yang dilakukan dengan menggunakan 24 frame interpolasi didapatkan nilai PSNR semakin menurun sebesar ±1% untuk setiap frame.
Kata kunci: estimasi gerakan, animasi 2D
1. Pendahuluan
Animasi atau sering disebut dengan film animasi merupakan hasil pegolahan gambar tangan sehingga menjadi gambar yang bergerak. Pada awal penemuannya, film animasi di buat dari berlembar-lembar kertas gambar yang kemudian di rekam dan diputar sehingga muncul efek gambar bergerak. Dengan bantuan komputer dan grafik komputer, pembuatan film animasi menjadi sangat mudah dan cepat. Seorang animator tidak perlu menggambar gerakan demi gerakan secara manual. Animator hanya perlu menggambarkan dua buah pose, dimana pose adalah gerakan paling ekstrim (keyframe) dari tiap gerakan yang ada. Gambar (frame-frame) baru di dapatkan dengan menggunakan teknik interpolasi. Interpolasi bisa dilakukan apabila arah pergerakan antara dua keyframe sudah diketahui. Dengan demikian perlu dilakukan estimasi gerakan dari kedua pose atau gerakan kuncinya.
Estimasi gerakan dari video animasi merupakan proses utama dalam video restoration dan video compressing. Gerakan pada video animasi digambarkan dengan menggunakan istilah motion vector atau pergerakan vektor (x,y), yaitu suatu identifikasi perubahan posisi sebuah piksel atau blok piksel dari lokasi awal pada
frame referensi terhadap frame target karena
sebuah pergerakan obyek dalam frame.
Teknik estimasi gerakan sudah dilakukan oleh peneliti seperti teknik pixel-based motion
estimation dan block matching algorithm Zhang,
et al ( 2002). Dari teknik-teknik estimasi yang ada algoritma Block matching merupakan teknik yang paling banyak digunakan, Schilling, et al (1987), Nandhakumar, et al (1988), Moscheni, et al (1995), Ming,et al ( 1997).
2. Metode
2.1 Estimasi Gerakan
Estimasi gerakan mempunyai peranan yang sangat penting pada pengolahan video. Banyak sekali aplikasi di pengolahan video yang memerlukan estimasi gerakan, misalkan video
coding, super resolusi, restorasi video dan lain-
lain. Sehingga sampai saat ini estimasi gerakan masih merupakan topik yang menarik untuk diteliti.
Estimasi gerakan merupakan proses untuk menentukan pergerakan obyek-obyek pada video sekuensial. Pergerakan obyek tersebut dikenal dengan istilah motion vector. Sebuah motion
vector menunjukkan perpindahan sebuah titik
diantara frame sekarang dengan frame referensi. Dari motion vector yang didapat, akan terlihat pergerakan titik-titik yang terjadi antar frame yang diamati. Dari situlah akan terlihat korelasi elemen temporal yang terjadi, apakah itu berupa pergerakan obyek ataukah perubahan sudut pandang atau pergerakan kamera. Contoh hasil estimasi motion vector tampak pada Gambar 2.1.
Gambar 2.1 16x16 Motion vector dari dua frame (Sumber : Richardson 2003)
Pada umumnya metoda estimasi gerakan dapat diklasifikasikan menjadi 3 kategori: metoda berbasis feature, metoda berbasis gradient dan metoda berbasis area. Diantara ketiga metoda tersebut yang sangat populer dan banyak digunakan adalah pendekatan berbasis area yang dikenal dengan block matching. Algoritma block
matching terkenal akan kesederhanaannya dan
kemudahan dalam implementasinya.
2.2 Algoritma Pencocokan Blok (Block
Matching Algorthm)
Algoritma block matching adalah sebuah cara untuk mencocokkan blok pada frame dari video digital, yang bertujuan untuk mendapatkan
motion vector. Pada algoritma block matching,
sebuah blok image B berpusat pada sebuah search
point ‘p’ pada search frame I (n1,n2) dibandingkan dengan kandidat blok pada target
frame J (n1,n2) berdasarkan kriteria matching untuk mendapatkan block matching terbaik didalam suatu pre-defined search area. Motion
vector ‘vp’ dari search point ’ p’ diberikan dari
pergerakan blok dalam mencari block matching terbaik. Ditunjukkan pada gambar 2.2.
Gambar 2.2 Prosedur Pencarian Pada Algoritma
Block matching
(Sumber : Zhang et al, 2002)
Salah satu teknik block matching yang umum digunakan pada pengolahan video adalah Sum of Absolute Differences (SAD). Error
matching antara blok pada posisi (n1,n2) pada
frame sekarang I1 , dan kandidat blok pada posisi
((n1+d1,n2+d2)) pada frame referensi J2 , dapat didefinisikan oleh Sum of Absolute Differences (SAD) sebagai:
∑
∈ + + − = B n n d n d n J n n I d d SAD ) 2 , 1 ( 2 2 1 1 2 1 2 1, ) | ( , ) ( , )| (dengan B adalah ukuran blok. Estimasi terbaik untuk blok motion vector (v1,v2), berada pada blok yang memiliki error matching terkecil dengan posisi (n1+d1,n2+d2). Vektor (v1,v2) dapat dicari dengan menggunakan algoritma Full
Search (FS) untuk menghitung dan membandingkan error mathcing untuk setiap posisi yang dicari pada frame referensi.
Pada saat ini metoda full search cukup
optimal dalam menentukan pencocokan blok terbaik, kompleksitas perhitungan sering menjadi penghalang. Untuk mengatasi masalah ini, banyak alternatif strategi pencarian yang cepat seperti tree-step seach, logarithmic search,
cross-search dan hierarchical cross-search. 3. Data dan Metodologi
Dalam penelitian ini, data yang digunakan adalah video animasi 2 Dimensi gambaran tangan yang di ekstrak menggunakan tools perangkat lunak lain yang sudah tersedia menjadi gambar-gambar atau frame. dalam file exstensi *jpg seperti ditunjukkan pada gambar 3.1.
Gambar 3.1 Rangkaian frame video animasi 2D Metodologi yang digunakan pada penelitian estimasi gerakan video animasi 2D secara umum ditunjukkan pada gambar 3.2.
31
Gambar 3.2 Blok Diagram Proses PenelitianPada tahap pertama untuk membuat sebuah gerakan dari karakter video animasi adalah dengan menentukan dua buah gambar pose gerakan, yaitu pose gerakan awal dan pose gerakan akhir yang disebut dengan keyframe. Gambar 3.3 menunjukkan dua buah frame yang di ambil dari serangkain frame dari video animasi 2D yaitu Popeye The Sailor - Blow Me Down Tahun 1933.
(a) (b) Gambar 3.3 Gambar (a)gambar Keyframe-1 dan
(b) gambar Keyframe-2 Estimasi gerakan merupakan proses untuk menentukan pergerakan obyek pada video sekuensial. Pergerakan obyek dikenal dengan istilah motion vector. Sebuah motion vector menunjukkan pergeseran sebuah titik diantara
frame sekarang dengan frame referensi. Dari motion vector yang didapat, akan terlihat
pergerakan titik-titik yang terjadi antar frame yang diamati. Gambar 3.4 (frame-1 sebagai frame referensi, sedangkan frame-2 sebagai frame yang dianalisa dan diestimasi gerakannya.
Gambar 3.4 Proses Maching Algoritma SAD.
4. Hasil
Hasil dari motion estimation di gambarkan dalam bentuk arah vektor. Gambar 4.1. menunjukkan gambar hasil visualisasi dari
motion vector.
(a)
(b)
Gambar 4.1(a), (b) Visualisasi Motion
vector menggunakan Algoritma SAD
dengan frame yang berbeda Dari hasil estimasi gerakan menggunakan algoritma SAD dilakukan pengujian kualitas gerakan setiap frame dengan perhitungan nilai PSNR. Nilai PSNR untuk setiap frame interpolasi seperti ditunjukkai pada Tabel 1.
NILAI PSNR FRAME 1652‐1653 MENGGUNAKAN ESTIMASI SAD FRAME LINIER INTERPOLASI KUADRAT INTERPOLASI CUBIC INTERPOLASI Frame‐1 35.96190528 35.84233278 35.58354314 Frame‐2 35.71466442 35.33607005 35.24266888 Frame‐3 35.70622513 35.16975879 35.12709658 Frame‐4 35.68854046 35.07633541 34.83611062 Frame‐5 35.45834056 34.76554876 34.73063111 Frame‐6 35.42082361 34.59831262 34.67945656 Frame‐7 35.23862462 34.51686455 34.62834783 Frame‐8 35.16805856 34.39269381 34.65863204 Frame‐9 35.10295062 34.29979218 34.65192502 Frame‐10 35.06029048 34.19666494 34.70779277 Frame‐11 34.99850468 34.14673435 34.77671655 Frame‐12 34.97346565 34.12375118 34.83750204 Frame‐13 34.78250043 34.03856326 34.90499215 Frame‐14 34.77349336 34.03664993 34.89081993 Frame‐15 34.73524461 33.991803 34.86846228 Frame‐16 34.68694825 33.97003323 34.8802897 Frame‐17 34.66791242 33.98238037 34.79243849 Frame‐18 34.62783875 33.95377272 34.70958264 Frame‐19 34.52474047 34.00533194 34.68935932 Frame‐20 34.51494576 34.03989538 34.66859863 Frame‐21 34.46122729 34.03393599 34.60506032 Frame‐22 34.43333254 34.04086845 34.56939013 Frame‐23 34.41542316 34.17570517 34.52557043 Frame‐24 34.35974828 34.27917861 34.43603588
Gambar 4.2 Grafik Perbandingan Nilai PSNR
Dari gambar 4.2 merupakan grafik perbandingan hasil nilai PSNR menggunakan interpolasi linier, kuadrat dan cubic. Nilai PSNR untuk teknik interpolasi linier terus menurun mengikuti pendekatan garis lurus. Dimana nilai PSNR
frame ke_1 = 35,96 ,frame ke_2 = 35,71, frame
ke_3 = 35,70 sampai dengan frame ke_24 = 34,35. Dengan menggunakan teknik interpolasi kuadrat, grafik PSNR yang didapatkan dengan jumlah frame interpolasi sebanyak 24 frame. Bentuk grafik mengikuti persamaan bentuk parabola. Pada frame interpolasi ke-1 PSNR sebesar 35.84, frame interpolasi ke-2 = 35.33 dan
frame interpolasi k-24= 34.27. Dengan menggunakan teknik interpolasi cubic, grafik PSNR yang didapatkan dengan jumlah frame interpolasi sebanyak 24 frame . Pada frame interpolasi ke-1 nilai PSNR sebesar 35.58, pada
frame ke-2 = 35.24 dan pada frame ke-24 =
34.43.
Estimasi gerakan dari video animasi 2D menggunakan algoritma Block Maching SAD dengan tiga teknik interpolasi yang dilakukan didapatkan hasil kualitas setiap frame sangat jelek. Semakin banyak frame interpolasi dibangkitkan nilai kualitas frame semakin menurun (jelek).
5. Kesimpulan
Dari hasil penelitian kualitas estimasi gerakan untuk setiap frame semakin menurun (jelek) rata-rata sebesar 1% perframe interpolasi. Metode Sum of Absolute Differences (SAD) tidak mampu melakukan estimasi gerakan apabila posisi gerakan yang di cari dari objek terlalau besar perbedaannya
Daftar Pustaka
Aggarwal, J.K dan Nandhakumar, N, (1988), “On The Computation Of Motion From Sequences Of Images: A Review”, Proc. IEEE, DOI: 10.1109/5.5965, pp: 76: 917-935.
Bing, Z.; Rexiang, L; Ming, L.L, (1997), Optimization of fast block motion
estimation algorithms. IEEE Trans.
Circuits Syst. Video Technol., DOI: 10.1109/76.644063, pp: 7: 833-844. Dufaux F; Moscheni, F, (1995), “Motion
Estimation Techniques For Digital TV: A Review And A New Contribution”, Proc. IEEE, DOI: 0018-9219/95, pp: 83: 858-876.
Puri, A; Hang, H.M; Schilling, D, (1987), “An Efficient Block-Matching Algorithm For Motion Compensated Coding. Proc. International Conference On Acoustic, Speech And Signal Processing”, Texas, USA, April, pp: 1063-1066.
33
Richardson, IEG, (2003), “H.264 AndMPEG-4Video Compression”, John Wiley & Sons Ltd, England.
Wang, Y; Ostermann J; Zhang YQ, (2002), “Video Processing and
