1
ANALISA DAN PEMODELAN KERUMUNAN ORANG PADA VIDEO DIGITAL
Nick Darusman(1, Wirawan(2 Jurusan Teknik Elektro FTI - ITS
1) nick.darusman09@mhs.ee.its.ac.id 2) wirawan@ee.its.ac.id Abstrak – Pemanfaatan teknologi
multimedia pada sistem keamanan dengan menganalisa dan memodelkan sebuah video yang berisikan kerumunan. Analisa dan pemodelan suatu kerumunan bertujuan untuk mengawasi suatu kerumunan yang terjadi pada suatu kawasan. Analisa dilakukan dengan mendeteksi gerakan-gerakan yang terjadi dan mengelompokan gerakan-gerakan tersebut, yaitu dengan menganalisa suatu kerumunan pada video digital. Gerakan tersebut diantaranya adalah gerakan dengan gerakan cepat (gerakan yang mencolok), gerakan yang lambat (gerakan yang tidak mencolok), dan tidak terjadi gerakan. Hal tersebut dapat dilakukan dengan mengetahui ciri-ciri kerumunan, kemudian mendeteksi gerakan tersebut dan mengelompokannya berdasarkan kecepatan gerakan yang terjadi pada video. Deteksi dapat dilakukan dengan beberapa tahap, ekstraksi, aktivasi, dan normalisasi.
Kata kunci : gerakan, ekstraksi, aktivasi, normalisasi
I. PENDAHULUAN
erkembangan teknologi multimedia dalam menyajikan informasi berupa gambar, video dan juga suara, berjalan seiring dengan majunya dunia grafika komputer. Pemanfaatan teknologi multimedia ini telah banyak diterapkan pada berbagai bidang, salah satunya adalah pada sistem keamanan. Video Surveillance adalah salah satu aplikasi yang sering dimanfaatkan pada sistem keamanan. Sebuah aplikasi
video surveillance yang baik tidak hanya memiliki kemampuan dalam memantau area (monitoring area) tapi juga mampu mendokumentasikan kejadian-kejadian yang dianggap penting. Video Surveillance
pun harus dilengkapi dengan fasilitas pemantauan jarak jauh. Penerapan teknik deteksi gerak (Motion Detection) pada video surveillance merupakan salah satu metode yang sering digunakan. Namun penggunaan teknik ini hanya sebatas mendeteksi pergerakan yang terjadi pada frame yang berjalan, sehingga tingkat sensivitas dan persentase pergerakan tidak dapat dibedakan. Artinya, kalau terjadi pergerakkan dan penurunan cahaya sekecil apapun, maka kondisi tersebut telah dianggap sebagai pergerakan. Selain itu, deteksi gerak yang diterapkan, harus mampu mendeteksi seluruh lingkup wilayah video maupun area tertentu pada wilayah.
Pada Tugas Akhir ini akan dilakukan penganalisaan dan pemodelan pada video digital, yaitu dengan menganalisa suatu kerumunan pada video digital. Di mana pada kerumunan yang dianalisa
adalah gerakan-gerakan yang terjadi pada kerumunan. Hal tersebut dapat dilakukan dengan mengetahui ciri-ciri kerumunan, kemudian mendeteksi gerakan dan mengelompokkan gerakan tersebut. Gerakan pada kerumunan dapat dideteksi dengan memperkirakan bentuk, tepi-tepi, isyarat, dan penglihatan pada kerumunan tersebut. Adapun tahap selanjutnya adalah dengan membandingkan gerakan-gerakan yang dikhususkan menjadi tumpuan dengan gerakan lain dalam frame yang sama. Gerakan adalah suatu fitur yang paling disorot dalam penganalisaan ini. Selain itu terdapat fitur lain seperti terang dan gelap, kontras atau tidak, merah atau biru dapat juga dianalisa tergantung konteksnya.
Pada penganalisaan video digital ini terdapat beberapa fitur yang mungkin sulit untuk dianalisa. Di antaranya adalah gelap dan terang, dan kontras atau tidaknya suatu video. Selain itu terdapat juga perbedaan kecepatan antara kecepatan gerakan yang satu dengan yang lain yang memungkinkan menggunakan pendekatan yang lain sesuai konteksnya. Terdapat tiga kategori gerakan, yaitu lambat, sedang , dan cepat. Dan pada penganalisaan ini memungkinkan melibatkan objek (benda lain).
II. DASAR TEORI
A. Model Perhatian Visual
Perkembangan dalam pengolahan video semakin berkembang, dan perkembangan tersebut diantaranya adalah dapat mengidentifikasi daerah yang sesuai dengan yang dianalisa dalam video. Deteksi saliency telah banyak digunakan dalam persoalan penglihatan komputer, dan memiliki aplikasi dari beberapa perspektif. Dalam suatu penganalisaan video berbasis seperti pengenalan dan deteksi, identifikasi daerah yang menonjol sering digunakan sebagai langkah preprocessing untuk mempersempit suatu wilayah yang berpotensi menjadi suatu wilayah yang menarik untuk diamati dalam frame video. Hal ini mengurangi beban komputasi dari algoritma, algoritma dilakukan dengan menghilangkan suatu kebutuhan untuk menganalisis daerah yang tidak memiliki relevansi apapun. Hal ini juga meningkatkan keakuratan bila gambar memiliki kekacauan latar belakang yang berlebihan, dengan memastikan bahwa hanya daerah penting saja yang diproses oleh algoritma. Selain itu, deteksi saliency telah digunakan dalam kompresi video dan gambar, di mana bit-rate
yang lebih tinggi digunakan untuk mengkodekan daerah yang menarik, sehingga tidak mengorbankan pada kualitas wilayah yang relevan. Pendekatan yang ada adalah untuk mengidentifikasi daerah yang
2 menonjol dalam gambar dan video dapat dikatakan
sebagai pemodelan perhatian visual.
B. Feature Extraction
Feature Extraction merupakan suatu pengambilan ciri / feature dari suatu bentuk, dalam hal ini adalah gambar karakter, yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya.
Feature Extraction memegang peranan penting dalam pendeteksian gerakan karena sangat menentukan dalam pengambilan sifat – sifat dari suatu gerakan.
Ekstraksi Fitur memainkan peran utama untuk mendeteksi benda bergerak dalam urutan frame. Setiap benda memiliki fitur Spesifik seperti warna atau bentuk. Dalam urutan frame, salah satu fitur yang digunakan untuk mendeteksi benda-benda di frame.
C. Gaussian Kernel
Gaussian kernel adalah kernel yang populer dan tepat apabila digunakan dalam pengenalan pola. Sifat statistik teoritis kernel ini memberikan pendekatan yang berpotensial untuk tuningkernel dan arah ini berpotensial untuk penelitian masa depan. Beberapa heuristik yang telah digunakan dengan
kernel ini akan diperkenalkan dan
dibahas.
D. Gabor Filter
Saat informasi ridge orientasi dan ridge
frekuensi telah ditentukan, parameter-parameter ini digunakan untuk simetrik genap Gabor Filter. Sebuah
Gabor Filter dua dimensi terdiri atas dua gelombang sinusoida dari orientasi dan frekuensi , dimodulasikan oleh sebuah envelope (sampul Gaussian). Gabor Filter bekerja pada frekuensi dan orientasi yang selektif sesuai sifatnya. Sifat-sifat ini membuat di
tuning agar menghasilkan respon maksimal pada ridge
orientasi dan ridge frekuensi dalam pencitraan. Untuk itu, tuning yang sempurna dari gabor filter dapat digunakan secara efektif untuk mempertahankan struktur ridge saat terjadi pengurangan noise.
Gambar 1. Pengolahan gambar dengan Gabor Kernel
E. Self-Information
Dalam teori informasi, self-information
adalah ukuran dari isi informasi yang terkait dengan hasil dari suatu variabel acak. Hal ini dinyatakan dalam satuan informasi, untuk bit misalnya, nat, atau
hartleys, tergantung pada basis logaritma yang digunakan dalam perhitungan. Istilah self-information
juga kadang-kadang digunakan sebagai sinonim dari entropi, yaitu nilai yang diharapkan dari self-information dalam pengertian pertama, karena I(X; X) = H(X), di mana I(X; X) adalah bersama informasi dari X dengan dirinya sendiri[1]. Kedua makna tidak sama, dan pembahasan ini mencakup pengertian pertama saja. Untuk pengertian lain, dapat dilihat pada pembahasan entropi.
Menurut definisi, jumlah self-information
yang terkandung dalam peristiwa probabilistik hanya bergantung pada probabilitas dari peristiwa tersebut: semakin kecil probabilitas, maka semakin besar self-information yang terkait dengan menerima informasi bahwa peristiwa memang terjadi.
Selanjutnya, menurut definisi, ukuran self-information adalah positif dan aditif. Jika sebuah kejadian C adalah persimpangan antara dua kejadian independen A dan B, maka jumlah informasi pada pernyataan bahwa C telah terjadi, sama dengan jumlah dari jumlah informasi pada pernyataan kejadian A dan kejadian B, dimana masing-masing: I(A ∩ B) = I(A) + I(B).
F. Entropy
Dalam teori informasi, entropi adalah ukuran dari ketidakpastian yang berhubungan dengan variabel acak. Dalam konteks ini, istilah biasanya merujuk pada entropi Shannon, yang mengkuantifikasi nilai yang diharapkan dari informasi yang terkandung dalam sebuah pesan, biasanya dalam satuan seperti bit. Dalam konteks ini, sebuah 'pesan' berarti realisasi tertentu dari variabel acak.
Entropi adalah ukuran dari gangguan, atau lebih tepatnya tidak dapat diprediksi. Misalnya, serangkaian pelemparan koin dengan koin memiliki entropi maksimum, karena tidak ada cara untuk memprediksi apa yang akan terjadi nanti. Sebuah rentetan lemparan koin dengan dua kepala dan tidak ada buntut dari koin yang memiliki entropi nol, karena koin selalu akan muncul berkepala. Adalah penting untuk menyadari perbedaan antara entropi dari satu kumpulan hasil yang mungkin, dan entropi dari suatu hasil tertentu. Sebuah satu kali pelemparan sebuah koin memiliki entropi dari satu bit, tapi hasil tertentu (misalnya "kepala") memiliki nol entropi, karena sepenuhnya "diprediksi".
G. Operasi bertetanggaan (Neighbourhood Operation)
Sebuah citra dikatakan baik apabila benar-benar mencerminkan kondisi sesungguhnya dari objek yang dicitrakan. Dengan demikian, citra yang ideal mempunyai hubungan korespondensi satu-satu. Artinya, sebuah titik/pixel pada objek yang dicitrakan dipetakan ke tepat satu titik/pixel pada citra, demikian pula sebaliknya, setiap titik citra mewakili sebuah titik pada objek yang dicitrakan.
3 Gambar 2. Korespondensi satu-satu antara objek dan
citra ideal
Meskipun demikian, pada kenyataannya, hubungan yang ada antara titik dalam objek dengan titik pada citra adalah hubungan satu-ke-banyak dan banyak-ke-satu. Hubungan satu ke banyak menunjukkan bahwa setiap bagian pada objek dapat menjadi sumber bagi banyak titik pada citra. Hal ini sangat lazim terjadi apabila sinyal yang berpindah dari objek pencitraan mengalami penyebaran (divergensi), sehingga ketika sampai di detektor atau sensor, tidak lagi berupa suatu titik namun sudah merupakan luasan. Sebaliknya, dari sudut pandang detektor, sebuah titik pada detektor mungkin menerima sinyal dari banyak bagian pada objek.
Gambar 3. Hubungan antar titik pada objek dan citra yang actual (kanan) Hubungan satu-ke-banyak, (kiri)
Hubungan banyak-ke-satu
III. PERANCANGAN DAN IMPLEMENTASI 1. Langkah-langkah Perancangan
Pada pembahasan ini, dijelaskan tentang langkah – langkah dalam melakukan pendeteksian gerak dan pengelompokannya, mulai dari menghilangkan noise terlebih dahulu sampai dengan pengelompokan gerakan berdasarkan jarak Kullback– Leibler (KL).
Jadi, model saliency visual dapat disusun menjadi tiga tahap:
(s1) ekstraksi: mengekstrak fitur vektor pada lokasi permukaan gambar.
(s2) aktivasi: membentuk sebuah "peta aktivasi" (atau beberapa peta) menggunakan fitur vektor. (s3) normalisasi / kombinasi: menormalkan peta
aktivasi (atau beberapa peta, diikuti oleh kombinasi dari beberapa peta ke peta tunggal).
EKSTRAKSI
AKTIVASI
NORMALISASI/ KOMBINASI
TRACKING
PEMODELAN LINGKUNGAN BACKGROUND
CAMERA
Gambar 4. Blok diagram sistem
2. Pemodelan saliency berdasarkan penglihatan
Gambar 5. Model dari Ekstraksi Fitur Penglihatan
Gambar 6. Piramida Gaussian (piramida mutiresolusi dari fitur peta berdasarkan multilevel)
Dari gambar di atas dapat dijelaskan bahwa terjadi proses konvolusi dengan piramida Gaussian terhadap fitur-fitur dari citra (warna, intensitas, dan orientasi), dimana hasil dari konvolusi tersebut dikombinasikan lagi sehingga menghasilkan gambar
saliency tunggal.
Tujuan dari peta saliency adalah untuk mewakili "saliency" di setiap lokasi di bidang visual
4 dengan kuantitas skalar dan untuk memandu
pemilihan lokasi yang ada, didasarkan pada distribusi spasial saliency. Kombinasi peta menyediakan fitur
bottom-up sebagai masukan ke peta saliency, dan dimodelkan sebagai jaringan saraf dinamis.
Salah satu kesulitan dalam menggabungkan peta fitur yang berbeda adalah bahwa peta-peta tersebut mewakili modalitas peta yang lebih duluyang tidak sebanding, dengan rentang dinamis yang berbeda dan mekanisme ekstraksi. Juga, karena semua 24 peta fitur digabungkan, benda-benda yang menonjol muncul hanya dalam sedikit peta yang mungkin ditutupi oleh noise atau oleh objek yang kurang menonjol yang muncul dalam jumlah yang lebih besar dari peta.
3. Pelacakan Objek Bergerak Menggunakan
Eye Movement
Eye movement dapat dilakukan dengan melakukan pelacakan yang disebut scanpath. Eye movement bekerja seperti sistem penglihatan pada manusia dimana saat penglihatan manusia menatap pada sesuatu hal, maka hal tersebutlah yang ingin diamati.
(a) (b)
Gambar 7. (a) Perbedaan penglihatan dalam satu gambar yang diamati (b) Sistem penglihatan manusia
4. Jarak Kullback–Leibler (KL)
Dimana dilakukan pendeteksian dan pengelompokan gerakan berdasarkan jarak antar node
antar frame, jarak antar node antar frame dapat dirumuskan sebagai . Pendeteksian dilakukan dengan membandingkan antara frame saat ini/prior (frame pertama) dengan frame selanjutnya/posterior (frame ke-2) dan kemudian membandingkan frame ke-2/prior dengan frame selanjutnya/posterior (frame ke-3) dan seterusnya. Apabila terjadi perubahan nilai pencahayaan, warna, dan orientasi pada pixel maka dapat dikatakan terjadi gerakan.
Gambar 8. Pengelompokan gerakan pada peta saliency
5. Menghilangkan Noise dengan Entropy
Gambar 9. Sebuah penggambaran 1D dari arsitektur saraf yang menghitung self-information dari satu kumpulan statistik lokal. Operasi ini sama dengan perkiraan kepadatan Kernel. Koefisien sesuai dengan
subskrip . Lingkaran hitam kecil mengindikasikan hubungan penghambatan dan putih
kecil hubungan rangsang.
Jika dilihat dari keterangan gambar di atas tercantum “self-information”. Dan self-information itu sendiri berkaitan dengan entropy. Perbedaannya hanya sedikit namun penting terhadap dua istilah tersebut. Pertimbangan pertama terletak pada perilaku yang diharapkan dalam paradigma popout (proses bottom-up) dan yang kedua dalam neural circutry (yaitu penjelasan di atas/window Gaussian kernel) yang terlibat.
Gambar 10. Sebuah gambar yang menyoroti perbedaan antara entropi dan self-information. Fiksasi
selalu jatuh pada bagian yang kosong, tempat dari entropi minimum dalam orientasi dan warna, tetapi
maksimum pada self-information ketika konteks sekitarnya dianggap.
Gambar 11. Kiri ke kanan, gambar asli, saliency dari hasil penelitian pada paramida Gaussian, saliency dari
hasil penelitian pada self-information dan entropy
6. Operasi Markovian
Untuk memodelkan setiap gerakan agar dapat diamati dan lebih informatif maka digunakan pendekatan markovian yaitu dengan menggunakan rantai markov yang dikombinasikan dengan entropy. Berikut adalah sistem pemodelannya.
5 = { putih kegelap-gelapan; putih redup; putih; putih terang; dan lain-lain }
M = putih terang; N= putih redup;
= putih; Ñ = putih kegelap-gelapan;
P(M) = P( ) = P(N) = P(Ñ) = ¼
Berikutnya mempertimbangkan empat kemungkinan data pengamatan,
D1= gerakan sangat lambat; D3= gerakan sedang;
D2= gerakan lambat; D4= gerakan cepat;
P(D1) = P(D2) = P(D3) = P(D4) = ¼
Lalu menganggap bahwa gerakan cepat empat kali lebih mungkin dibandingkan dengan gerakan sangat lambat, gerakan sedang tiga kali lebih mungkin dibandingkan dengan gerakan sangat lambat empat, dan gerakan lambat dua kali lebih mungkin dibandingkan dengan gerakan sangat lambat empat. Tabel 1. Anggapan awal
D1 D2 D3 D4
M a = 1/40 e = 2/40 i = 3/40 m = 4/40 b = 2/40 f = 3/40 j = 4/40 n = 1/40
N c = 3/40 g = 4/40 k = 1/40 o = 2/40
Ñ d = 4/40 h = 1/40 l = 2/40 p = 3/40 di mana tabel membuktikan spesifikasi di atas, bahwa
P(D1) = a + b + c + d = ¼; P(D3) = i + j + k + l = ¼;
P(D2) = e + f + g + h = ¼; P(D4)= m + n + o + p = ¼; Berasumsi bahwa yang diamati adalah D1 (gerakan sangat lambat). Karena P(D1) = ¼, maka pengamatan ini membawa 2 P(D1) = 2 bit informasi Shannon (ingat bahwa logaritma harus diambil dalam basis 2 untuk semua aplikasi numerik). Probabilitas posteriorM , , N , dan Ñ adalah
𝑃(𝑀|𝐷1) = 𝑃(𝑀, 𝐷1) 𝑃 𝑀, 𝐷1 + 𝑃 , 𝐷1 + 𝑃 𝑁, 𝐷1 + 𝑃 Ñ, 𝐷1 = 𝑎 𝑎 + 𝑏 + 𝑐 + 𝑑= 1/40 1/4 = 1 10 𝑃( |𝐷1) = 𝑃( , 𝐷1) 𝑃 𝑀, 𝐷1 + 𝑃 , 𝐷1 + 𝑃 𝑁, 𝐷1 + 𝑃 Ñ, 𝐷1 = 𝑏 𝑎 + 𝑏 + 𝑐 + 𝑑= 2/40 1/4 = 1 5 𝑃(N|𝐷1) = 𝑃(Ṁ, 𝐷1) 𝑃 𝑀, 𝐷1 + 𝑃 , 𝐷1 + 𝑃 𝑁, 𝐷1 + 𝑃 Ñ, 𝐷1 = 𝑐 𝑎 + 𝑏 + 𝑐 + 𝑑= 3/40 1/4 = 3 10 𝑃( Ñ|𝐷1) = 𝑃(Ḿ , 𝐷1) 𝑃 𝑀, 𝐷1 + 𝑃 , 𝐷1 + 𝑃 𝑁, 𝐷1 + 𝑃 Ñ, 𝐷1 = 𝑑 𝑎 + 𝑏 + 𝑐 + 𝑑= 4/40 1/4 = 2 5
Pengamatan (gerakan sangat lambat) dipindahkan ke keraguan awal dari pengamatan di antara M, , N, dan Ñ, sekarang memihak pada ,
N, dan Ñ. Pertama hanya mempertimbangkan model
M, yaitu 𝑆 𝐷1, 𝑀 = 𝑙𝑜𝑔2 𝑃 𝑀 𝐷1 𝑃 𝑀 = −1.32 𝑤𝑜𝑤 𝑆 𝐷1, = 𝑙𝑜𝑔2𝑃 𝐷1 𝑃 = −0.32 𝑤𝑜𝑤 𝑆 𝐷1, 𝑁 = 𝑙𝑜𝑔2 𝑃 𝑁 𝐷1 𝑃 𝑁 = 0.26 𝑤𝑜𝑤 𝑆 𝐷1, Ñ = 𝑙𝑜𝑔2𝑃 Ñ 𝐷1 𝑃 Ñ = 0.68 𝑤𝑜𝑤 Setelah merata-ratakan pengelompokkan dari = {M, , N, Ñ }, kejutan total yang diamati oleh pengamat adalah
S(D1, ) = P(M|D1) S(D1,M) + P( |D1) S(D1, ) + P(N|D1) S(D1,N) + P(Ñ |D1) S(D1, Ñ)
= 0.154 wow
Dimana “wow” adalah sebagai satuan kejutan apabila terjadi gerakan. Dan setelah itu dilanjutkan dengan menghitung anggapan-anggapan baru yang akan disangkutpautkan terhadap anggapan pertama/awal.
IV. UJI COBA DAN VALIDASI 1. Ruang Lingkup Uji Coba
Ruang lingkup implementasi program yang dibangun dalam Tugas Akhir ini meliputi perangkat keras dan perangkat lunak yang digunakan.
Tabel 2. Ruang Lingkup Pengujian Program Perangkat
Keras Notebook Asus K42JC Prosesor Intel® Core™ i5 430M/450M/520M/540M
Memori DDR3 1066 MHz SDRAM, 2 x SO-DIMM socket for expansion up to 8 G SDRAM Kamera 5.0 MP AF
Perangkat
Lunak Sistem operasi : Sistem Operasi Genuine Windows® 7 Ultimate Tools pembangun : MATLAB R2010a
Microsoft Visual C++ 2010 Express
Dari ruang lingkup pengujian tersebut, dapat dilihat bahwa uji coba hanya dapat dilakukan pada sistem operasi dimana bahasa pemograman MATLAB R2010a dan Microsoft Visual C++ 2010 Express telah terinstal di dalamnya, karena program yang dihasilkan dalam Tugas Akhir ini tidak di-package (dipaketkan) menjadi sebuah perangkat lunak portable yang dapat di-install di sembarang sistem operasi.
2. Pengujian perubahan nilai pixel
Pengujian perubahan nilai pixel dari perbedaan dua citra gambar yang diamati bertujuan untuk membuktikan bahwa telah terjadi suatu gerakan objek pada suatu video yang direpresentasikan
6 menjadi rentetan frame-frame. Data yang dipakai pada
uji coba ini adalah gambar RGB dengan ukuran 1024x768.
Gambar 12. Pengujian perubahan nilai pixel
Gambar di atas memperlihatkan perubahan nilai dari pixel dengan posisi pixel yang sama antara kedua gambar (56, 72). Perubahan pixel tersebut mengindikasikan terjadinya gerakan.
3. Pengujian pengelompokan gerakan
Uji coba pengelompokan gerakan ini bertujuan untuk mengetahui apakah gerakan dapat dibedakan (gerakan cepat dan gerakan lambat). Pengelompokan ini berdasarkan jarak Kullback-Leibler (KL) terhadap perubahan nilai pencahayaan, warna, dan orientasi pada pixel diantara perbedaan dua gambar yang direpresentasikan dalam bentuk gumpalan saliency terkosentrasi. Data yang dipakai pada uji coba ini adalah gambar RGB dengan ukuran 1024x768. Terdapat 4 (empat) citra yang diuji dimana dengan membandingkan antara citra pertama dan citra kedua, lalu citra kedua dan ketiga, dan seterusnya secara berkesinambungan.
frame1 frame2 frame3 frame4
Gambar 13. Uji coba pengelompokan gerakan 1) Perbedaan frame 1 dan frame 2
Objek1 = |M(i, j) – M(p, q)| = |49 – 89| + |67 – 64| = 43 pixel
Objek 2 = |46 – 53| + |234 – 234| = 7 pixel
Objek 3= |47 – 47| + |427 – 427| = 0 pixel
Objek 4 = |85 – 91| + |634 – 636| = 8 pixel
2) Perbedaan frame 2 dan frame 3
Objek 1 = |89 – 104| + |64 – 64| = 15 pixel
Objek 2 = |53 – 112| + |234 – 238| = 63 pixel
Objek 3 = |47 – 55| + |427 – 427| = 8 pixel
Objek 4 = |90 – 104| + |636 -636| = 12 pixel
3) Perbedaan frame 3 dan frame 4
Objek 1 = |104 – 105| + |64 – 55| = 10 pixel
Objek 2 = |112 – 130| + |238 – 237| = 19 pixel
Objek 3 = |55 – 64| + |427 – 427| = 9 pixel
Objek 4 = |104 – 143| + |636 – 604| = 71 pixel
4. Hasil Kalibrasi
Proses kalibrasi menggunakan lintasan yang akan digunakan sebagai lingkungan berlatar belakang statis. Pengambilan gambar dilakukan pada area lintasan yang telah ditandai sebelumnya. Kalibrasi dilakukan dengan mengambil gambar dengan jarak objek terhadap kamera (x) 7.3 meter dan jarak pada citra (y) 6 cm, jarak pada citra 0.08 cm, jadi 730 x 0.08 = 58.4 cm, jarak antara pixel dan nyata adalah Z = 1
𝑥/𝑦 = 1
58.4/6 = 0.103, sehingga 1 pixel =
0.103 cm, maka jarak sebenarnya 6 x 0.103 = 0.62 cm. 5. Pengujian terhadap kecepatan objek
Gambar 14. Objek-objek yang diteliti pada video Tabel 3. Total kecepatan dari masing-masing objek pada perbandingan frame 1 sampai dengan frame 5
Gambar 15. Grafik kecepatan total dari masing-masing objek pada perbandingan frame 1 sampai
7 Berdasarkan di atas maka dihasilkan sebuah
peta saliency dimana gerakan yang paling cepat direpresentasikan sebagai gumpalan terkonsentrasi paling tinggi (putih cerah). Berikut adalah hasil dari peta saliency.
frame1 frame2 frame3 frame4
frame5 frame6 frame7 frame8
Gambar 16. Pengelompokan gerakan saliency
berdasarkan probabilitas 6. Simulasi kerumunan
Simulasi ini bertujuan untuk menentukan suatu gerakan yang mencolok/tidak biasa di dalam suatu kerumunan agar dapat berfungsi sebagai sistem
surveillance yang informatif. Data yang dipakai pada uji coba ini adalah 10 (sepuluh) gambar RGB dengan ukuran 500x429 yang diurutkan sehingga berfungsi sebagai frame-frame pada video.
Gambar 17. Simulasi kerumunan
Gambar di atas memperlihatkan beberapa bola-bola marble dimana terdapat satu bola marble
yang memiliki gumpalan berkonsentrasi paling tinggi. Gumpalan berkosentrasi tersebut timbul karena penerapan dari sistem probabilitas berdasarkan jarak
Kullback-Leibler (KL). Bola marble yang memiliki gumpalan berkosentrasi paling tinggi tersebut dikarenakan gerakannya yang lebih cepat dibandingkan gerakan bola marble yang lain, dan hal tersebut dapat dikatakan sebagai suatu adegan yang mencolok/tidak biasa dimana adegan tersebutlah yang akan dijadikan penganalisaan utama dalam sistem video surveillance. Berikut adalah contoh dari video nyata dari kerumunan.
Gambar 18. Kerumunan V. PENUTUP 1. Kesimpulan
Dari hasil simulasi dan analisa dapat disimpulkan bahwa :
1) Untuk menganalisa gerakan yang terjadi pada suatu video terdiri dari tiga tahap yaitu ekstraksi, aktivasi, dan normalisai.
2) Gerakan dapat dideteksi dengan adanya perubahan dari nilai pixel dan menentukan jarak berdasarkan jarak Kullback-Liebler (KL).
3) Pengelompokan gerakan dapat dilakukan dengan menerapkan sistem probabilitas terhadap jarak
Kullback-Liebler (KL) yang diprediksi melalui
scanpath eye movement dimana terdiri dari gumpalan-gumpalan berkosentrasi yang dihasilkan dari perbedaan Gaussian.
4) Kejadian yang aneh/tidak biasa dapat diartikan sebagai suatu gerakan cepat yang terjadi di dalam kerumunan dimana gerakan-gerakan yang lain nilainya dibawah dari gerakan cepat tersebut. 2. Saran
Dengan diselesaikannya Tugas Akhir ini diharapkan dapat digunakan guna mengembangkan sistem pendeteksian gerakan secara real time yaitu pendeteksian secara langsung secara live dari video. Dari pengembangan tersebut, nantinya dapat digunakan dalam beberapa aplikasi pendeteksian gerakan, seperti dalam pengawasan dengan menggunakan CCTV, digunakan untuk entertainment, digunakan untuk pembuatan robot yang dapat mendeteksi gerakan, menganalisa gerakan, dan sebagainya .
DAFTAR PUSTAKA
1. Bruce Schneier, ”Applied Cryptography, Second edition”, John Wiley & Sons, Inc., California, Ch. 23, 1996.
2. Marina Meila, “Comparing Clusterings – an information based distance”, Department of Statistics, University of Washington, Seattle WA, April, 2006.
3. Thomas D. Schneider, “Information Theory Primer”, Proc. National Institutes of Health, Colorado, January, 2010.
4. Laurent Itti dan Pierre Baldi, “Bayesian surprise attracts human attention”, Elsevier Vision Research, vol. 49, pp. 1295–1306, September, 2008.
5. Neil D.B. Bruce dan John K. Tsotsos, “Saliency Based on Information Maximation”, Department of
8 Computer Science and Centre for Vision Research,
York University, May, 2008.
6. C. E. Shannon, “Prediction and Entropy of Printed English”, Proc. "A Mathematical Theory of Communication", Bell System Technical Journal,
vol. 27, pp. 379-423, 623-656, September, 1950.
7. Giuseppe Boccignone dan Mario Ferraro,
“Modelling gaze shift as aconstrained random
walk”, Elsevier Physica A, vol. 331, pp. 207-218,
July, 2003.
8. Wolfgang Einhauser, Wolfgang Kruse, Klaus-Peter Hoffmann, dan Peter Konig, “Differences of monkey and human overt attention under natural conditions”, Elsevier Vision Research, February, 2005.
BIODATA PENULIS
Nick Darusman, dilahirkan di Banda Aceh 09 Januari 1989. Memulai pendidikan Sekolah Dasar di SDN 24 Banda Aceh, kemudian meneruskan pendidikan di SLTPN 6 Banda Aceh dan SMAN 4 Banda Aceh. Kemudian meneruskan pendidikan D3 Teknik Telekomunikasi Politeknik Caltex Riau dan melanjutkan ke jenjang S1 di Teknik Elektro bidang studi Telekomunikasi Multimedia ITS. Sekarang sedang mengerjakan tugas akhir di Bidang Studi Telekomunikasi Multimedia, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Surabaya.
