TUGAS AKHIR Implementasi Block Matching Algorithm (BMA) Pada Ekstraksi Objek Bergerak

(1)

TUGAS AKHIR

Implementasi Block Matching Algorithm (BMA) Pada Ekstraksi

Objek Bergerak

Block Matching Algorithm (BMA) Implementation of Motion Object Extraction

Oleh :

Amalia Sulfa Hashlinda NRP. 1208100046

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER

(2)

I. PENDAHULUAN 1.1 Latar Belakang

Ektraksi pada video

adalah pengambilan

objek yang bergerak.

Objek bergerak yang

digunakan untuk analisis

lebih lanjut.

Dibutuhkan dalam beberapa aplikasi

vision-based seperti kamera

pengintai (video survaillence),

penginderaan jarak jauh (remote

sensing), diagnosis dan pengobatan

medis.

Segmentasi Gerakan (Motion

Segmentation) adalah

pengelompokan piksel

berdasarkan kecepatan dan

arah perpindahannya

Motion Vector adalah besar

dan arah pergerakan suatu

piksel dari satu frame ke

frame berikutnya

Motion Vector dihasilkan

oleh Estimasi Gerakan

(Motion Estimation)

I. PENDAHULUAN 1.1 Latar Belakang

Ektraksi pada video

adalah pengambilan

objek yang bergerak.

Objek bergerak yang

digunakan untuk analisis

lebih lanjut.

Dibutuhkan dalam beberapa aplikasi

vision-based seperti kamera

pengintai (video survaillence),

penginderaan jarak jauh (remote

sensing), diagnosis dan pengobatan

medis.

Segmentasi Gerakan (Motion

Segmentation)

Motion Vector

Estimasi Gerakan

(3)

LANJUTAN...

Segmentasi Gerakan (Motion Segmentation) berbasis

Block Matching Algorithm (BMA) untuk mengekstraksi

(4)

I. PENDAHULUAN

1.2 Rumusan Masalah

Permasalahan yang akan dibahas pada Tugas Akhir ini adalah:

1. Bagaimana mengimplementasikan Estimasi

Gerakan (Motion Estimation) untuk menghasilkan

Motion Vector dengan metode BMA pada sebuah

video?

2. Bagaimana melakukan Segmentasi Gerakan (Motion

Segmentation) berbasis BMA pada sebuah video

dengan tujuan mengekstraksi objek bergerak yang ada dalam adegan?

(5)

I. PENDAHULUAN

1.3 Batasan Masalah

Batasan Masalah dalam Tugas Akhir ini adalah:

1. Video yang akan diteliti adalah video dijital dengan satu objek bergerak

2. Background pada video diasumsikan diam.

3. Metode segmentasi gerakan yang digunakan adalah

K-Means Clustering .

4. Metode BMA yang digunakan adalah algoritma EBMA untuk estimasi gerakannya.

(6)

I. PENDAHULUAN 1.4 Tujuan

Tujuan dari Tugas Akhir ini adalah membangun sistem untuk mengekstraksi objek bergerak pada sebuah video dengan metode segmentasi gerakan berbasis Block Matching Algorithm (BMA) .

1.5 Manfaat

Manfaat yang dapat diambil dari Tugas Akhir ini adalah mendapatkan objek bergerak dalam sebuah adegan video. Hasil dari proses ini dapat dimanfaatkan untuk menganalisis lebih lanjut suatu objek bergerak pada sebuah video. Sebagai contoh, pelacakan dan deteksi objek bergerak pada sistem Video Survaillence.

(7)

II. TINJAUAN PUSTAKA 2.1 Citra Digital

Citra digital adalah citra yang nilainya di-digitalisasi-kan (dibuat diskrit) baik dalam koordinat

spasialnya maupun dalam

intensitasnya. Citra digital dapat digambarkan dalam suatu matriks dengan baris dan kolom yang merepresentasikan suatu titik pada citra, dan nilai dari elemen matriks tersebut menunjukkan intensitas di titik tersebut. Setiap citra digital memiliki beberapa karakteristik, antara lain ukuran citra,resolusi, koordinat, noise dan kedalaman bit.

(8)

II. TINJAUAN PUSTAKA 2.2 Video

Video digital tersusun atas serangkaian frame yang ditampilkan pada layar dengan kecepatan tertentu. Masing-masing frame merupakan citra digital yang direpresentasikan dengan sebuah matriks yang masing-masing elemennya merepresentasikan nilai intensitas. Karakteristik suatu video digital ditentukan oleh resolusi, kedalaman bit, dan frame

(9)

II. TINJAUAN PUSTAKA

2.3 Ekstraksi Objek Bergerak

Ekstraksi objek bergerak pada video Segmentasi Gerakan (Motion Segmentation) adalah pengelompokan piksel berdasarkan kecepatan dan arah

perpindahannya

Motion Vector adalah besar dan arah pergerakan piksel

dari satu frame ke frame berikutnya

Estimasi Gerakan (Motion Estimation) adalah suatu

proses memperkirakan perubahan gerak piksel antara

dua frame yang berurutan

Metode Estimasi Gerakan: 1. Optical Flow

2. General Methodologies 3. Pixel-Based Motion

Estimation

4. Block Matching Algorithm (BMA)

Metode Segmentasi Gerakan: 1. Segmentation Using Two Frame 2. Temporal Integration

3. Clustering in the Motion Parameter Space 4. Maximum Likelihood Segmentation

5. Maximum A Posteriori Probability Segmentation

6. Region- Based ML Segmentation: Fusion of Color and Motion

(10)

II. TINJAUAN PUSTAKA 2.4 Estimasi Gerakan

Suatu proses memperkirakan perpindahan piksel dari frame ke (t-1) ke frame ke-t. Perpindahan tersebut

direpresentasikan dengan motion vector.

2.5 Estimasi Gerakan dengan Block Matching Algorithm (BMA)

Sumber: Video Processing and Communication Hal 164 [6]

Fungsi Pencocokan:

Mean Absolute Difference (MAD) =

(11)

2.6 Exchautive Search BMA (EBMA)

EBMA disebut juga algoritma pencarian penuh. Algoritma ini membutuhkan perhitungan yang sangat tinggi. Namun, memperoleh posisi blok yang optimal pada search region. Berikut skema pada EBMA

Error / Absolute Difference=

Sumber: Implementation Of A Java Applet For Demonstration Of Block-Matching Motion Estimation Algorithms Hal 7

(12)

II. TINJAUAN PUSTAKA 2.7 Segmentasi Gerakan

Mengelompokkan piksel-piksel berdasarkan

intensitas yang sama dan informasi gerakannya yang sesuai dengan objek tunggal.

2.8 Segmentasi Gerakan dengan Kmeans Clustering

Mengelompokkan piksel-piksel berdasarkan jarak terdekat atau ketetanggaannya.

 _Motion _vector yang dihasilkan EBMA

dikelompokkan menjadi beberapa cluster.

 Merepresentasikan piksel-piksel yang mirip dan merupakan kesatuan gerakan yang sama.

(13)

2.8 Segmentasi Gerakan dengan Kmeans Clustering (Lanjutan…)

 Langkah-langkah Kmeans clustering pada motion vector field:

1. Tentukan K cluster

2. Tentukan pusat-pusat cluster secara acak.

3. Masukkan tiap motion vector ke dalam cluster yang jarak pusatnya paling dekat.

4. Ubah nilai pusat cluster sebagai rata-rata (mean) dari seluruh motion vector dalam cluster.

5.Ulangi langkah 2,3,4 hingga memperoleh hasil yang konvergen.

(14)

2.9 Pelabelan dengan Minimisasi Energi Oleh Graph cut.

Memperoleh pelabelan dengan memetakan setiap piksel x hasil estimasi gerakan dengan label gerakan

𝑚

𝑥

∈ 1, … 𝑀 .



Fungsi pelabelan:

⋀ 𝑡 ≔ 𝑥; 𝑚

_𝑥

𝑡

_𝑥∈𝑋

.

Akan dicari nilai

⋀

yang meminimalkan fungsi objektif berikut

_{𝐽 ∧ = 𝐽}_𝑚𝑚𝑚 _{∧ + 𝐶}₂_𝐽_{𝑠𝑠𝑠𝑚} _∧

• 𝐶₂ adalah bobot konstan

• 𝐽_𝑚𝑚𝑚 ∧ = ∑ 𝑉_𝑥 _𝑚𝑚𝑚 𝑥; 𝑚_𝑥 , 𝑑𝑑𝑑𝑑𝑑𝑑 𝑉_𝑚𝑚𝑚 𝑥; 𝑚_𝑥 = 𝑓 𝑥; 𝑡 − 𝑓(𝑥 + 𝑢�_𝑚_𝑥 𝑡 ; 𝑡 − 1) 2 • 𝐽_{𝑠𝑠𝑠𝑚} ∧ = ∑ ∑_𝑥 𝑉_𝑠 𝑥, 𝑥_𝑛; 𝑚_𝑥, 𝑚_𝑥_𝑛 𝑛∈𝑁 𝑥 , 𝑥 Dengan 𝑉_𝑠(𝑥, 𝑥_𝑛; 𝑚_𝑥, 𝑚_𝑥_𝑛) = �4 − 𝐶𝐶 𝑓 𝑥 , 𝑚𝑥 ≠ 𝑚𝑥𝑛 0, 𝑙𝑑𝑙𝑑𝑑𝑙𝑑 _{𝐶𝐶 𝑓 𝑥 = CA r x + CA g x + CA b x} deteksi tepi Canny

(15)

2.9 Pelabelan dengan Minimisasi Energi Oleh Graph cut. (Lanjutan…)

 Minimisasi Energi oleh Graph cut (algoritma

𝜶 −

𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆

/perluasan _𝛼)

1. Inisialisasi: mulai dengan pelabelan awal secara acak (clustering).

2. Cycle: untuk setiap label

𝛼 ∈ {1, … . . , 𝑀}

:

Iterasi: Dapatkan

∧

_𝑛𝑛𝑛 dalam sebuah pergerakan perluasan

𝛼.

3. Jika J

∧

_𝑛𝑛𝑛

<∧

_{𝑠𝑝𝑛𝑝} , tetapkan _∧_{𝑠𝑝𝑛𝑝} sama dengan

∧

𝑛𝑛𝑛 dan mulai dengan cycle baru. Sedangkan proses berhenti untuk hasil yang lainnya.

(16)

2.9 Pelabelan dengan Minimisasi Energi Oleh Graph cut. (Lanjutan…)

 algoritma

𝜶 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆

/

perluasan

𝛼

(17)

III. Perancangan dan Implementasi Simulasi 3.1 Diagram Alur Sistem

(18)

III. Perancangan dan Implementasi Simulasi 3.2 Perancangan Program

Dalam membangun simulasi untuk mengekstraksi

objek bergerak, program ini terdiri dari 5 program, yaitu

1. Program Pilih Video

 Berfungsi menginputkan dan memutar video yang akan diekstrak si objek bergeraknya.

2. Program Segmentasi Gerakan

 Program ini disajikan dalam dua sistem yang berbeda yaitu segmentasi gerakan yang dilakukan per frame dan segmentasi gerakan seluruh frame. Dalam program ini, sistem menjalankan tiga algoritma yaitu Estimasi gerakan dengan BMA, segmentasi gerakan dengan Kmeans Clustering, dan Pelabelan dengan Minimisasi Energi Graph cut.

(19)

2. Program Segmentasi Gerakan (Lanjutan…)

Flowchart Estimasi Gerakan BMA

Flowchart Segmentasi Gerakan

(20)

3. Program Hasil Segmentasi Per Frame

 Berfungsi menampilkan hasil ekstraksi objek bergerak per pasangan frame berurutan.

 _{Citra objek dan citra background terpisah}

4. Program Hasil Segmentasi Semua Frame

(Objek/Foreground)

 Berfungsi menampilkan hasil ekstraksi objek bergerak seluruh frame dari video yang diinputkan.

 Video objek bergerak

5. Program Hasil Segmentasi Semua Frame (Background)

 Berfungsi menampilkan hasil ekstraksi objek bergerak seluruh frame dari video yang diinputkan.

(21)

Program Hasil Segmentasi (Lanjutan…)

Flowchart Hasil Ekstraksi Objek Bergerak Per Frame

(22)

IV. Uji Coba Simulasi

 Uji Coba dilakukan terhadap setiap pasangan frame berurutan.

(23)

4.2 Pengujian Estimasi Gerakan , Segmentasi Gerakan, dan Pelabelan

(24)

4.2 Pengujian Estimasi Gerakan , Segmentasi Gerakan, dan Pelabelan (Lanjutan…)

(25)

4.3 Hasil Ekstraksi Objek Bergerak

4.4 Evaluasi

 Pada percobaan di atas secara kasat mata citra hasil

ekstraksi objek bergerak pada pasangan frame yang sama dapat berbeda-beda. Ini berhubungan dengan estimasi gerakan menggunakan BMA yaitu pada salah satu

variabelnya, ukuran blok. Semakin kecil ukuran blok pada estimasi gerakan BMA, maka hasil ekstraksi objeknya

semakin baik.

(26)

V. Penutup

5.1 Kesimpulan

Dari Uji Coba Simulasi dipeoleh kesimpulan sebagai berikut 1. Algoritma Block Matching Algorithm untuk estimasi gerakan dapat

diterapkan dengan ukuran blok yang berbeda. Hasil yang diperoleh pun berbeda-beda. Dari pengujian yang dilakukan dapat ditarik

kesimpulan bahwa semakin kecil ukuran blok yang digunakan (4 x 4) akan semakin akurat hasil estimasi gerakan yang diperoleh.

2. Dapat ditarik kesimpulan juga bahwa keakuratan hasil estimasi gerakan akan berpengaruh terhadap hasil pelabelan dengan Graph cut.

Semakin kecil ukuran blok yang digunakan pada BMA untuk estimasi gerakan, maka hasil estimasi gerakan semakin akurat, dan pada

segmentasi gerakannya akan menghasilkan pelabelan yang lebih baik. 3. Pelabelan dengan Graph cut yang baik, akan diperoleh hasil ekstraksi

yang baik pula. Jadi, hasil estimasi gerakan berpengaruh terhadap tingkat keberhasilan pada ekstraksi objek bergerak.

(27)

V. Penutup

5.2 Saran

Saran yang dapat diberikan dalam pengembangan penelitian ini antara lain adalah:

1. Estimasi gerakan adalah algoritma untuk menghitung perpindahan piksel antara pasangan frame berurutan. Untuk penelitian selanjutnya, penulis menyarankan penggunaan metode estimasi gerakan yang lebih baik yaitu estimasi gerakan yang dilakukan pada setiap piksel frame. Sebagai contoh, algoritma optical flow. Diharapkan dengan algoritma ini akan dihasilkan estimasi gerakan yang jauh lebih akurat dan tentu saja akan menghasilkan ekstraksi objek yang lebih optimal.

2. Untuk menghasilkan esktraksi objek yang lebih optimal juga hendaknya dilakukan segmentasi yang lain selain segmentasi gerakan. Misalnya, segmentasi warna. Dengan demikian, noise dan kehilangan strukstur objek (hasil ekstraksi pada subbab Uji Coba) dapat diminimalkan.

(28)

IV. DAFTAR PUSTAKA

[1] Barjatya, Aroh.2004.“Block Matching Algorithms For Motion Estimation”.DIP 6620

Spring 2004 Final Project Paper.

[2] Bhusan, K. Sasi, Vineela, T., Reddy, N. Venkateswara, Krishna, K.Vamsi, dan Rao, Joseph Abilash. May 2009. “Motion Based Foreground Segmentation using Block Matching Algorithm (BMA)”.International Journal Of Recent Trends in

Engineering. Vol. 1, No. 2.

[3] Bovik, Al. 2009. The Essential Guide to Video Processing. India : diacriTech [4] Boykov, Yuri, Veksler, Olga, Zabih, Ramin. November 2011. “Fast Approximate

Energy Minimization via Graph Cuts”. IEEE TRANSACTIONS ON PATTERN

ANALYSIS AND MACHINE INTELLIGENCE, Vol. 23, No. 11.

[5] Chung, Ronald H.Y., Chin, Francis Y.L., Wong, Kwan-Yee K., Chow, K.P., Luo, T., dan Fung, Henry, S.K. Apr 2005. “Efficient Block-based Motion Segmentation Method using Motion Vector Consistency”. Conference on Machine Vision Application. [6] Han, Bing, Robert,William, Wu, Dapeng, dan Li, Jian.2007.

“Motion-Segmentation-Based Change Detection”. Algorithms for Synthetic Aperture Radar Imagery XIV. [7] S. Alexiadis, Dimitrios, D. Sergiadis, George. 2008. “Motion estimation, segmentation

and separation, using hypercomplex phase correlation, clustering techniques and graph-based optimization”. Computer Vision and Image Understanding 113 (2009)

212-234.

[8] Wang, Yao, Ostermann, Jorn, Zhang, Ya-Qin, Ostermann, Joern, dan Zhang Ya-quin. 2001. Video Processing and Communication. Prentice Hall.

(29)