Perkiraan Bentuk dan Pose Model 3D Manusia

(1)

Perkiraan Bentuk dan Pose Model 3D Manusia

Edi Prayitno

1

, Mochammad Hariadi

2

, Ahmad Zaini

3

Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya

Ringkasan—Di dalam penelitian motion capture (mocap) tanpa penanda (markerless) di bidang studi Teknik Komputer dan Telematika Jurusan Teknik Elektro ITS , terdapat beberapa bagian penelitian, salah satunya adalah perkiraan bentuk dan pose model 3 dimensi (3D) manusia. Selama ini masih belum tentukan metode-metode yang tepat dalam memperkirakan bentuk dan pose model 3D manusia. Sehing-ga perkiraan bentuk dan pose model 3D menusia dijadikan judul pada penelitian ini.

Pada penelitian ini dikenal adanya dua model, yaitu model utama dan model animasi. Model utama adalah model manusia yang di-capturedengan kamera. Sedangkan model animasi adalah model 3D manusia yang dibuat dengan perangkat lunak 3D maker. Hasil yang diharapkan dalam penelitian ini adalah agar bentuk dan pose dari model animasi mampu mengikuti perubahan bentuk dan pose dari model utama. Pada penelitian ini digunakan beberapa metode yaituBackground Subtraction, Scale Invariant Feature Transform (SIFT) danLaplacian. Metode Background Sub-traction digunakan untuk menghilangkan background dari model utama. Metode SIFT digunakan untuk menentukan keypoint dari model utama. Sedangkan metode Laplacian digunakan mendeformasi bentuk dan pose model animasi saat terjadi perubahan bentuk dan pose dari model utama. Dari penelitian ini diketahui bahwa: hasil pencariankeypoint terbaik terdapat pada kamera 1 pada resolusi 480 x 640 dengan rata-rata 723,746 keypoint/frame , hasil matching keypointterbaik terdapat pada kamera 1 pada resolusi 480 x 640 dengan rata-rata 192,729 keypoint/frame, dan metode Background Subtraction, Scale Invariant Feature Transform (SIFT) dan Laplacian dapat digunakan untuk memperki-rakan bentuk dan pose model animasi sesuai dengan pe-rubahan bentuk dan pose model utama.

Kata Kunci—Motion Capture,SIFT, Laplacian, 3D Model

I. PENDAHULUAN

B

IDANG Teknologi animasi 3D saat ini telah berkem-bang dengan pesat. Banyak film-film animasi 3D yang telah dibuat baik oleh perusahaan film dalam negeri maupun perusahaan film luar negeri. Namun kebanyakan gerakan-gerakan dari model animasi pada film animasi 3D masih dibuat secara manual. Hal ini mempunyai beberapa kelemahan diantaranya gerakan model animasi 3D masih terlihat kaku dan membutuhkan waktu yang lama dalam pembuatan animasinya. Untuk mengatasi masalah diatas, teknologi motion capture (mocap)adalah salah satu jalan keluarnya. Namun teknologi motion capture (mocap) di Jurusan Teknik Elektro ITS masih dalam proses peneli-tian. Saat ini Laboratorium motion capturesedang dalam tahap penelitian teknologi motion capturetanpa penenda

1_2206100704, _Jurusan _Teknik _Elektro _ITS _Surabaya

([email protected])

2_{Dosen Pembimbing I, Jurusan Teknik Elektro ITS Surabaya}

([email protected])

3_{Dosen Pembimbing II, Jurusan Teknik Elektro ITS Surabaya}

([email protected])

(markerless) dan salah satu bagian dari penelitiantersebut

adalah perkiraan bentuk dan pose model 3D manusia. Permasalahan yang dihadapi dalam penelitian ini adalah belum diketahui hasil dari penerapan metode-metode

Background Subtraction, Scale Invariant Feature Trans-form (SIFT) danLaplaciandalam memperkirakan bentuk dan pose model 3D manusia. Sehingga dengan adanya penelitian ini dapat deketahui hasil dari penerapan metode-metode Background Subtraction, Scale Invariant Feature Transform dan Laplacian dalam memperkirakan bentuk dan pose model 3D manusia.

Dalam pengerjaan penelitian ini, permasalahan di atas dibatasi dengan asumsi sebagai berikut :

1) Model utama diambil dengan meng-capture perg-erakan manusia dengan menggunakan dua buah kamera yang beda dengan spesifikasi yang tersebut dalam bab 3.

2) Metode-metode yang digunakan dalam penelitian ini terbatas padaBackground Subtraction, Scale Invari-ant Feature TransformdanLaplacian.

3) Untuk penerapan metode Scale Invariant Feature Transformdigunakantoolbox SIFT Demoversi 4 [3] .

4) Untuk penerapan metodeLaplaciandigunakan Gen-eral Purpose toolbox,The Signal Processing toolbox

danThe Graph Processing toolbox [4] .

5) Deformasi model animasi hanya didasarkan pada 3 buahframe model utama dengan pergerakan hanya pada tangan kiri.

II. DASARTEORI

A. Sistem Warna

Di dalam komputer grafis, dikenal tiga sistem warna yang umum digunakan yaitu sistem RGB, YCbCr dan HSV.

1) Sistem warna RGB: Di dalam sistem warna RGB, dikenal tiga komponen warna utama yaitu merah (red), hijau(green), dan biru(blue). Dasar pemilihan tiga warna ini karena ketiga warna terebut adalah warna pokok yang dapat membentuk warna-warna lainnya.

Untuk membentuk suatu warna tertentu, harus diatur intensitasa atau nilai dari ketiga komponen warna merah

(Red), Hijau(Green)dan Biru(Blue). Dengan kata lain, se-buah warna di dalam sistem RGB berarti mengindikasikan berapa banyak warna merah, hijau, dan biru yang ada di dalamnya.

Intensitas atau nilai dari masing-masing komponen mempunyai nilai minimum 0 (hitam) dan nilai maksimum 1 (putih). Untuk menyatakan besarnya nilai atau intensitas

(2)

komponen R, G dan B, dapat dilakukan dengn beberapa cara.

• Dengan menggunakan rentang nilai antara 0 sampai 1

• Dengan menggunakan persentase dari 0% sampai 100 %

• Dengan menggunakan angka dengan rentang nilai dari 0 sampai 255. sehingga nantinya untuk satu komponen warna dinyatakan dalam 8 bit

• Dengan menggunakan kode Hexadesimal sebagai pengganti angka 0-255.

2) Sistem Warna YCbCr: YCbCr adalah salah satu sistem warna yang biasa digunakan dalam kompresi gam-bar. Sistem warna ini terdiri dari dua komponen, yaitu Y sebagai komponen luminance serta Cb dan Cr se-bagai komponen chrominance. Sebenarnya dalam sistem warana YCbCr juga memiki komponen Cg (chhrominance green). Namun sering nilai Cr+Cg+Cb selalu konstan, maka hanyaY, Cb dan Cr yang pakai dalam representasi sebuah warna.

3) Sistem Warna HSV: HSV merupakan singkatan dari

Hue (H), Saturation (S) dan Value (V). Sistem HSV disebut juga dengan HSI. Sistem warna HSI mengkodekan informasi warna dengan cara memisahkan nilai Intensitas (I) yang diperoleh dari besarnya Hue (H) dan Saturasi (S). Pada sistem warna ini dapat dikontrol secara langsung besarnya kecerahan dan hue yang diinginkan. Apabila diaplikasikan dalam algoritma computer vision karena dapat menormalisasikan pencahayaan dan fokus pada dua parameter kromatis yang berhubungan.

B. Background Subtraction

Konsep dari metode background subtraction adalah memisahkan background dari model utama yang kita ambil. Salah satu metode yang paling mudah dalam melakukan beckground subtraction adalah membedakan warna background dengan warna pada obyek utama. Con-tohnya terlihat pada gambar 1.

Gambar 1. Contoh warna background yang digunakan dalam penelitian Pada gambar 1 terlihat bahwa warnabackgroundsangat berbeda dari warna obyek utama. Warna background dip-ilih warna biru, karena tidak ada komponen warna biru pada obyek utama (manusia). Dengan kata lain warna yang dipakai sebagai background harus tidak terdapat pada obyek utama. Karena jika ada warna yang sama antara obyek utama dan background akan terhapus saat proses background dilakukan. Dengan pengkondisian seperti ini, proses background subtraction dapat dilakukan dengan

mudah, yakni hanya dengan menghapus warna yang dip-ilih sebagai background dari obyek utama.

C. Scale Invariant Featrure Transform

Scale Invariant Feature Transformadalah sebuah algo-ritma dalam visi komputer yang digunkan untuk mende-teksi dan mendeskripsikan fitur-fitur lokal di dalam gam-bar. Algoritma ini dipublikasikan olehDavid Lowe pada tahun 1999 dan telah dipatenkan di Amerika Serikat denga pemilikUniversity of British Columbia.

Dalam mendeskripsikan fitur-fitur lokal pada gam-bar dikenal adanya keypoint yang menjadi kunci untuk mendeskripsikan gambar. Proses SIFT dilakukan pada tiap pixel gambar dan memberikan hasil dengan memil-ih beberapa keypoint dari pixel-pixcel gambar terse-but. Keypoint-keypoint ini memiliki beberapa kompo-nen, diantaranya komponen letak keypoint (X,Y), kom-ponen Scale dan komponen orientation. Dengan adanya komponen-komponen tersebut, maka SIFT dapat keypoint-keypoint yang cocok dari dua buah gambar yang berbeda skalanya, ukuran, posisi dan distorsinya. Contoh Penera-panSIFT dapat dilihat pada gambar??.

Gambar 2. Contoh penggunaan SIFT untuk mencocokan keypoint-keypoint dari dua buah gambar [3]

D. Laplacian

Laplacian atau disebut juga operator Laplace meru-pakan diferensial orde dua dalam dimensi-n ruang Eu-clidean, didefinikan sebagai divergen (∇.)dari suatu gra-dien (∇f). sehingga jika f adalah diferensial dua buah fungsi nilai nyata maka Laplacian f didefinisikan sebagai

4f =∇2f =∇.∇f (1) Secara ekuivalen, Laplacianf adalah jumlah dari selu-ruh turunan parsial kedua yang tidak bercmpur pada koordinat Cartesian xi.

4f=Σn_i∂

2_f ∂x2_i

(2) Operator Laplace pada dimensi dua diberikan sebagai berikut : 4f =∂ 2f ∂x2+ ∂2f ∂y2 (3)

Sedangkan pada dimensi 3 diberikan sebagai berikut :

4f =∂ 2f ∂x2+ ∂2f ∂y2+ ∂2f ∂z2 (4)

(3)

III. DESAINSISTEM

A. Gambaran Umum Sistem

Gambar 3 adalah gambar desain sistem yang ingin dicapai dalam penelitian ini.

Gambar 3. Desain sistem yang ingin dicapai

Pada gambar 3 terlihat alur pengerjaan penelitian ini. Dari alur tersebut, dapat dikelompokan menjadi tiga bagian yaitu pembuatan model animasi,capturing model utama, dan perkiraan bentuk dan pose dari model animasi terhadap bentuk dan pose model utama. Model animasi yang dimaksud pada penelitian ini adalah model 3D yang berbentuk manusia. Sedangkan yang dimaksud dengan model utama adalah model manusia yang kemudian

di-capturedengan menggunakan kamera.

Model animasi 3D dibuat dengan menggunakan soft-wareBlender. Model animasi dibuat dengan bentuk seperti manusia laki-laki dewasa. Namun model animasi tersebut sengaja dibuat sederhana, dengan permukaan kulit yang kasar. Tujuanya adalah semakin kasar permukaan kulit dari model animasi, semakin sedikit vertex yang diolah. Dan semakin sedikit vertex yang diolah maka semakin cepat pemrosesan model animasi tersebut.

Pada bagian capturing model utama, dimaksudkan un-tuk mendapatkan frame-frame gambar dari model utama yang menunjukan perubahan bentuk dan pose dari model utama. Dariframe-frametersebut nantinya dicari keypoint-keypoint-nya dengan menggunakan metodeScale Invarian Feature Transform.Keypoint-keypoint ini dijadikan seba-gai penandavirtual (virtual marker) yang menjadi acuan untuk merubah bentuk dan pose model animasi.

Setelah model animasi dibuat dan keypointdari frame-framemodel utama didapatkan, langkah selanjutnya mem-perkirakan bentuk dan pose model animasi terhadap ben-tuk dan pose model utama. Misalnya diambil dua frame

dari model utama yang telah dicarikeypoint-nya.Keypoint

dari frame ke-i dicocokan dengan keypoint pada frame ke-i+1. Dari proses ini akan didapatkan sebuah matrix transformasi. Setelah ituvertex-verexpada model animasi dipetakan dengan keypoint dari frame ke-i. Kemudian model animasi dirubah bentuk dan posenya mengikuti

model utama pada frame ke-i+1 dengan menggunakan matrix transformasi yang didapat pada pross sebelumnya.

IV. IMPLEMENTASI DANPENGUJIANSISTEM

A. Model Animasi

Model animasi yang digunakan dalam penelitian ini dibaut dengan software blender dengan bentuk model seperti laki-laki dewasa. Permukaan model dibuat kasar, sehingga jumlah vertex yang dihasilkan lebih sedikit. Gambar 4adalah gambar model animasi yang digunakan dalam penelitian ini.

Gambar 4. Gambar model animasi 3D manusia

Setelah proses pembuatan model animasi pada Blender selesai, maka langkah selanjutkan adalah mengekspor model animasi menjadi sebuah file yang dapat dibaca oleh matlab. File yang dipilih adalah file *.off. Proses expor dapat dilakukan langsung dengan memilih menu ”export” pada Blender. Dari hasil ekspor file tersebut diketahui bahwa model animasi yang digunakan dalam penelitian ini memiliki 475 vertex dan 935 mesh yang berbentuk triangulasi.

B. Model Utama

1) Capturing model utama : Proses capturing model utama yang dilakukan dalam penelitian ini, dilakukan di dalam Laboratoriun Motion Capture dengan. Proses capturing dilakukan dengan menggunakan dua buah kam-era, dengan spesifikasi yang telah dijelaskan pada bab 3. Background saat capturing model utama, digunakan tirai dari kain dengan warna biru. Hal ini dimaksudkan agar background dapat dipisahkan dari model utama dengan mudah. Sedangkan untuk pencahayaan ruangan dilakukan dengan 4 (empat) buah lampu PHILIPS ESSENTIAL 14 Watt yang dipasang pada bagian atas ruangan.

Untuk meng-capture model utama, dilakukan dengan membuat sebuahscriptprogram di dalam Matlab yang me-manfaatkan fungsi-fungsi dari “Image Acquisition

Tool-box 3.5”.Algoritma 1adalah algoritma dari program yang

digunakan untuk mengcapture model utama.

Proses capturing model utama dilakukan dengan dua jenis resolusi untuk tiap kamera. Resolusi yang pertama berukuran 320 x 240 pixel. Sedangkan resolusi yang kedua berukuran 640 x 480 pixel. Secaradefault “Image Acqui-sition Toolbox” akan mengcapture model utama dengan kecepatan 15frame per second. Pada penelitian ini diambil

(4)

Algoritma 1Algoritma untuk mengcapture model utama pada matlab

1) Menentukan id kamera dan seolusi kamera

2) Menentukan jumlah fram yang akan diambil. Ke-cepatancapturing 15frame/second

3) Memulai capturing.

4) Menyimpan tiap frame gambar dalam file bitmap (*.bmp)

5) Menyimpan semau frame dalam file *.avi 6) Menghentikan capturing.

sampel 75 (tujuh puluh lima)frame yang diambil selama 5 (lima) detik. Hasil dari Capturing disimpan dalam file gambar yang bertipe *.bmp dan file video yang bertipe *.avi tanpa kompresi.

2) Background Subtraction: Backround subtraction di-lakukan untuk memisahkan model utama dengan banck-ground. Seperti yang telah dijelaskan sebelumnya, bahwa saat capturing model utama dilakukan dengan menutup ruangan di sekitar model utama dengan tirai dari kain berwarna biru. Warna biru dipilih sebagibackground den-gan tujuan agar prosessubtractiondapat dilakukan dengan lebih mudah.

Proses pemisahan model utama dengan background dilakukan agar nantinya tidak ada keypoint yang terletak pada background model saat metode SIFT diterapkan. Sehingga hanyakeypoint-keypoint pada model utama saja yang tersisa padaframe-frame model utama.

Proses background subtraction dilakukan dengan me-manfaatkan adanya sistem-sistem warna seperti RGB, YCbCr dab HSV. Pada proses capturing model utama, warna yang didapat adalah warna pada sistem RGB. Sehingga untuk merubah gambar dari sistem warna yang satu ke sistem warna lainnya dapat menggunakan fungsi-fungsi image processingyang ada pada matlab.

Dari hasil penerapan background subtraction dari ketiga sistem warna tersebut, diketahui bahwa proses background subtraction terbaik didapat dari penerapan pada sistem warna YCbCr. KOmponen yang menjadi acuan untuk menghilangkan warna biru adalah komponen Cr (Chromi-nance Blue).

Algoritma2 menjelaskan bagaimana prosesbackground subtractionpada sistem warna YCbCr.

Algoritma 2 Algoritmabackground subtractionpada sis-tem warana YCbCr

1) Menggandakan gambar asli ke dalam sebuah vari-abel temp

2) Merubah sistem warna variabel temp dari sistem warna RGB menjadi sistem warna YCbCr

3) Mengambil nilai komponen Cb dari tiap pixel vari-abel temp.

4) Menghilangkan warna pada gambar asli, dengan letak pixel yang sama dengan letak pixel variabel temp untuk Cb > n.

Gambar 5 menunjukan hasil pengujian algoritma back-ground subtraction pada sistem warna YCbCr dengan

mengambil beberapa nilai n. Dari gambar tersebut dilihat bahwa nilai n yang paling baik untuk diterapkan pada

framemodel utam penelitian ini adalah antara 135 sampai 140.

Gambar 5. Hasil pengujian algoritma background subtractionpada sistem warna YCbCr

3) Pencarian Keypoint: Keypoint didapatkan dengan menerapkan metode Scale Invarian Feature Transform

pada sebuah gambar. Sehingga dalam penelitian ini di-pakailah toolbox SIFT demo versi 4 yang dibuat oleh

David Lowe [3] yang sebelumnya telah dimodifikasi terlebih dahulu penggunaannya untuk disesuaikan dengan kebutuhan dalam penelitian ini.

Fungsi SIFT yang terdapat pada toolbox akan mengem-balikan hasil kedalam tiga variabel, yaitu image, descrip-tor, dan location. Variabel image akan berisi gambar yang telah diolah. Variabel descriptor berisi matrix yang berukuran (jumlah keypoint x 128), tiap baris pada vari-abeldescriptormenyatakan deskriptor pada tiap keypoint. Sedangkan variable location berisi tentang lokasi tiap

keypoint (X,Y, Scale, Orientation).

Karena setiapcapturingdari model utama menghasilkan 75 frame, maka yang akan dicari keypoint-nya, fungsi SIFT yang terdapat pada toolbox, dipakai pada program yang mempunyai algoritma seperti yang terlihat pada algoritma 3

Algoritma 3Algoritma pencarian Keypoint dengan meng-gunakan fungsi SIFT

1) Mencari jumlah keypoint dari tiap frame gambar model utama.

2) Meyimpan jumlahkeypointdari tiapframeke dalam sebuah file *.mat

3) Membuat grafik batang dari file *.mat

Untuk rata-rata keypoint yang didapatkan dari frame-framegambar model utama sebelum dilakukanbacground subtraction dapat dilihat pada tabel I. Dari tabel tersebut dapat diketahui bahwa keypoint terbanyak didapatkan dari kamera 1 dengan resolusi 480 x 680pixel.

Untuk rata-rata keypoint yang didapatkan dari frame-frame gambar model utama setelah dilakukan bacground subtractiondapat dilihat pada tabel II. Dari tabel tersebut dapat diketahui bahwa keypoint terbanyak didapatkan dari kamera 1 dengan resolusi 480 x 680pixel.

(5)

Tabel I

TABEL RATA-RATA KEYPOINT SEBELUM PROSES BACKGROUND SUBTRACTION

Device Kamera 1 Kamera 2 Resolusi 240 x 320 480 x 680 240 x 320 480 x 680 Rata-rata 243,1467 467,467 78,76 40,98

Tabel II

TABEL RATA-RATA KEYPOINT SETELAH PROSES BACKGROUND SUBTRACTION

C. Matching keypoint AntarFrame

Proses matching keypoint adalah sebuah proses untuk membandingkan antara keypoint pada frame ke-i den-gan keypoint pada frame ke-i+1. Dari proses ini akan ditemukan pasangan keypoint antara frame ke-i dengan frame ke-i+1. Dengan ditemukannya pasangan keypoint tersebut maka dapat dicari matrix tranformasi perubahan pose model utama dari frame ke-i menuju frame ke-i+1.

Proses matching ini dilakukan dengan menggunakan salah fungsi yang terdapat pada toolbox SIFT Demo versi 4. Algoritma dari fungsi ini dapat dilihat pada algoritma 4.

Algoritma 4Algoritma matching keypoint 1) Menerapkan proses SIFT padaframeke-i 2) Menerapkan proses SIFT padaframeke-i+1 3) Membandingan deskriptor dari setiapkeypoint frame

ke-i dengan deskriptor dari setiapkeypoint frame ke-i+1

4) Jika deskriptor yang sama, maka pasangankeypoint

tersebut adalah keypointcocok (match).

Dari tiap peng-capturan model utama didapatkan 75

frame. maka prosesmatchingdilakukan sebanyak 74 kali dengan urutan: frame-1 dengan frame-2,frame-2 dengan

frame-3,frame-3dengan frame-4, dst.

Sedangkan hasil matching rata-rata dapat dilihat pada tabel III.

Tabel III

TABEL RATA-RATA MATCHING KEYPOINT SEBELUM PROSES BACKGROUND SUBTRACTION

Sedangkan hasil matching rata-rata dapat dilihat pada tabel IV.

D. Perkiraan Bentuk dan Pose Model Animasi

Pada tahap perkiraan bentuk dan pose model animasi, dilakukan dengan mengambil sampel sebanyak tiga frame gambar model utama. Pilihan kamera dan resolusi dite-tapkan dengan menggunakan Kamera 1 denagn resolusi 480 x 640 pixel. Hal ini didasarkan hasil rata-rata pada

Tabel IV

TABEL RATA-RATA MATCHING KEYPOINT SETELAH PROSES BACKGROUND SUBTRACTION

tabel I, tabel II, tabel III dan tabel IV yang menunjukan bahwa Kamera 1 dengan resolusi 480 x 640pixelmemilki rata-rata nilai yang paling tinggi.

Adapun algortima dari proses perkiraan bentuk dan pose model animasi dapat dilihat pada algoritma 5. Sedangkan Hasil dari proses perkiraan bentuk dan pose dari model animasi dapat dilihat pada gambar 6.

Algoritma 5Algoritma proses perkiraan bentuk dan pose model animasi

1) Membuka frame ke-1 dari gambar model utama. 2) Menghilangkanbackground dari frame ke-1 dengan

menggunakan background subtraction pada sistem warna YCbCr.

3) Mencari keypoint dari dari frame ke-1 yang sudah dihilangkan background-nya.

4) Membuka file *.off dari model animasi.

5) Memilih keypoint-keypoint yang ada pada bagian tubuh model utama dari frame ke-1.

6) Mencari variabel penskala ukuran keypoint model utama dari frame ke-1terhadap ukuran model ani-masi.

7) Mencari variabel penggeser posisi keypoint model utama dari frame ke-1 terhadap posisi model ani-masi.

8) Menskala dan menggeser keypoint model utama dari frame ke-1 terhadap ukuran dan letak model animasi.

9) Membuka frame ke-2 dari gambar model utama. 10) Menghilangkanbackground dari frame ke-1 dengan

menggunakan background subtraction pada sistem warna YCbCr.

11) Mencari keypoint dari dari frame ke-1 yang sudah dihilangkan background-nya.

12) Menskala dan menggeser keypoint model utama dari frame ke-2 terhadap ukuran dan letak model animasi 13) Mencari keypoint yang cocok antara frame ke-1 dan

frame ke-2 dari mode utama.

14) Mencari matrix tranformasi keypoint yang cocok dari frame ke-1 dan frame ke-2.

15) Memetakan antara keypoint frame ke-1 yang telah dicocokkan dengan model animasi.

16) Mendeformasi bentuk dan pose model animasi den-gan menggunakan matrix tranformasi.

(6)

Gambar 6. Hasil deformasi model animasi terhadap frame ke-2 dan ke-3. Perubahan terjadi pada lengan kiri

V. PENUTUP

A. Kesimpulan

Dari hasil perancangan dan pengujian seluruh sistem dalam penelitian ini maka dapat diambil beberapa kesim-pulan :

1) Hasil pencariankeypointterbaik terdapat pada kam-era 1 pada resolusi 480 x 640 dengan rata-rata 723,746keypoint/frame

2) Hasilmatching keypoint terbaik terdapat pada kam-era 1 pada resolusi 480 x 640 dengan rata-rata 192,729keypoint/frame

3) Metode Background Subtraction, Scale Invariant Feature Transform (SIFT) dan Laplacian. dapat digunakan untuk memperkirakan bentuk dan pose model animasi sesuai dengan perubahan bentuk dan pose model utama.

B. Saran

Untuk penelitian motion capture tanpa marker ( mark-erless) selanjutnya sebaiknya hanya menggunakan kamera 1, karena kualitas yang dihasilkan sangat bagus dan cocok untuk penelitian ini. Sedangkan saatcapturingmodel uta-ma, harus benar-benar memperhatikan tingkat dan posisi pencahayaan, warna background dari model utama, serta

metode background subtraction yang digunakan. Karena Hal ini akan sangat mempengaruhi kwalitas gambar yang dihasilkan saatcapturing.

PUSTAKA

[1] E. de Aguiar, C. Stoll, C. Theobalt, N. Ahmed, H.-P. Seidel, S. Thrun, “Performance Capture from Sparse Multi-view Video”, in Proc. of SIGGRAPH 2008, ACM TOG 27(3), 2008. Los Angeles, USA.

[2] Balan, A. O., Sigal, L., Black, M. J., Davis, J. E., Haussecker, H. W,“Detailed human shape and pose from images”, In Proc. CVPR, 2007.

[3] Lowe, D.,http://www.cs.ubc.ca/~lowe/keypoints/, Terakhir diakses tanggal 25 Mei 2010

[4] Peyre, G., http://www.ceremade.dauphine.fr/~peyre/numerical-tour/ tours/mesh_deformation/,Terakhir diakses tanggal 6 Juni 2010 [5] http://en.wikipedia.org/wiki/Dimension, Terakhir diakses tanggal 6

Juni 2010

[6] http://id.wikipedia.org/wiki/3_dimensi,, Terakhir diakses tanggal 6 Juni 2010

Edi Prayitnodilahirkan di Banyuwangi pada tanggal 2 Agustus 1987, merupakan anak kedua dari pasangan Misiyar dan Miswati. Ia men-empuh pendidikan pertama kali di TK Dharma Wanita III Sumbersari, kemudian melanjutkan pendidikan dasar di SDN III Sumbersari, pen-didikan Menengah pertama di SLTP Negeri 2 Srono, dan pendidikan menengah atas di SMK Negeri I Banyuwangi di Jurusan Teknik Informatika. Setelah lulus dari SMK Negeri 1 Banyuwangi, ia memilih untuk melanjutkan pendidikan tingginya di Jurusan Teknik Elektro, Fakultas Teknologi Industri, Intitut Teknologi Sepuluh Nopember Surabaya (ITS). Karena memang dari awal penulis telah tertarik den-gan komputer, maka pada semester 5 (lima) ia memu-tuskan untuk mengambil Bidang Studi Teknik Komputer dan Telematika. Untuk memperdalam keingintahuannya di bidang komputer ia memutuskan untuk menjadi asisten dosen di Laboratorium B201. Setelah selama 3 semester ia mengambil bidang studi Teknik Komputer dan Telematika, ia tertarik dengan salah satu penelitian di bidang studi tersebut untuk dijadikan pokok bahasan dari penelitiannya, yakni penelitian Teknologi Motion Capture (Mocap).