BAB 2
LANDASAN TEORI
Bab kedua dari penelitian ini akan membahas tentang teori-teori pendukung dan penelitian sebelumnya yang berhubungan dengan OpenCVdan penerapannya.
2.1 Computer Vision
Computer Vision adalah ilmu dan teknologi mesin yang melihat, dimana “lihat” dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu disiplin ilmu, visi komputer berkaitan dengan teori di balik sistem buatan yangmengekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis.
Menurut Sockman dan Saphiro (2000) ,Computer Vision adalah “To make useful decisions about real physical objects and scenes based on sensed images”. sedangkan menurut Forsyth and Ponce: “Extracting descriptions of the world from pictures or sequences of pictures”.
Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola. Pengolahan Citra (Image Processing) merupan bidang yang berhubungan dengan proses transformasi citra/gambar (image). Proses ini bertujuan untuk mendapatkan kualitas citra yang lebih baik. Sedangkan Pengenalan Pola (Pattern Recognition), bidang ini berhungan dengan proses indenfikasi obyek pada citra atau interpretasi citra. Proses ini bertujuan untuk mengekstrak informasi/pesan yang disampain oleh gambar citra.
Fungsi / Proses pada Computer Vision :Untuk menunjang tugas Computer Vison, terdapat beberapa fungsi pendukung ke dalam sistem ini, yaitu :
2.1.1 Proses penangkapan citra (Image Acquisition)
Image Acqusition pada manusia dimulai pada mata, kemudian informasi visual diterjemahkan de dalam suatu format yang kemudian dapat dimanipulasi oleh otak.Senada dengan proses diatas, computer vision membutuhkan sebuah mata untuk menangkap sebuah sinyal visual.Umumnya mata pada computer vision adalah sebuah kamera video.Kamera menerjemahkan sebuah scane atau image.Keluaran dari kamera ini adalah berupa sinyal analog, dimana frekuensi dan amplitudonya (frekuensi berhubungan dengan jumlah sinyal dalam satu detik, sedangkan amplitudo berkaitan dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman (brightness) pada scene.
Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu, memindainya dan membaginya menjadi ratusan garis horizontal yang sama.Tiap-tiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut.
Kemudian sinyal listrik ini diubah menjadi bilangan biner yang akan digunakan oleh komputer untuk pemprosesan.Karena komputer tidak bekerja dengan sinyal analog, maka sebuah analog-to-digital converter (ADC), dibutuhkan untuk memproses semua sinyal tersebut oleh komputer.ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal tunggal kedalam sebuah aliran (stream) sejumlah bilang biner.Bilangan biner ini kemuudian disimpan didalam memori dan akan menjadi data raw yang akan diproses.
2.1.2 Proses pengolahan citra (Image Processing)
Tahapan berikutnya computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data binary tersebut,Image processing membatu peningkatan dan perbaikan kualitas image, sehingga dapat dianalisa dan di olah lebih jauh secara lebih efisien.Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal-to-noise ratio = s/n).Sinyal-sinyal tersebut adalah informasi yang akan merepresentasikan objek yang ada dalam image.Sedangkan noise adalah segala bentuk interferensi, kekurangan pengamburan, yang terjadi pada suatu objek.
2.1.3 Analisa data citra (Image Analysis)
Image analysisakan mengeksplorasi scane ke dalam bentuk karateristik utama dari objek melalui suatu proses intvestigasi.Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fitur-fitur spesifikasi dan karekteristiknya.Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan batas-batasan objek dalam image.Sebuah tepian (edge) berbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik.Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya.
2.1.4 Proses pemahaman data citra (Image Recoginition)
Ini adalah langkah terakhir dalam proses computer vision, yang mana spesifik objek dan hubungannya diidentifikasi.Pada bagian ini akan melibatkan kajian tentang teknik-teknik artificial interlligent.Recognition berkaitan dengan tamplate matching yang ada dalam sebuah tulisan scene.Metode ini menggunakan program pencarian (search program) dan teknik penyesuaian pola (pattern matching techniques).
2.2 Augmented Reality
Menurut Azuma (1997) Augmented Reality (AR) adalah variasi dari Virtual Environment (VE), atauVirtual Reality lebih sering disebut.Teknologi VE benar-benar memasukkan atau mengenggelamkan pengguna sepenuhnya kedalam lingkungan sintetis atau buatan. Sementara pengguna berada didalam lingkungan virutal , pengguna tidak dapat melihat nyatadunia di sekelilingnya. Sebaliknya, AR memungkinkan pengguna untuk melihat dunia nyata, dengan objek virtual yang telah disisipkan atau ditambahkan dengan dunia nyata.Menurut penjelasan (Hallerdan Thomas, 2007), riset Augmented Reality bertujuan untuk mengembangkan teknologi yang memperbolehkan penggabungan secara real-time terhadap digital content yang dibuat oleh komputer dengan dunia nyata. Augmented Reality memperbolehkan pengguna melihat objek maya dua dimensi atau tiga dimensi yang diproyeksikan terhadap dunia nyata. (Emerging Technologies of Augmented Reality: Interfaces and Design).
Teknologi AR ini dapat menyisipkan suatu informasi tertentu ke dalam dunia maya dan menampilkannya di dunia nyata dengan bantuan perlengkapan seperti webcam, komputer, HP Android, maupun kacamata khusus.User ataupun pengguna didalam dunia nyata tidak dapat melihat objek maya dengan mata telanjang, untuk mengidentifikasi objek dibutuhkanperantara berupa komputer dan kamera yang nantinya akan menyisipkan objek maya ke dalam dunia nyata.Ada terdapat 2 metode yang dikembangkan pada Augmented Reality saat ini yaitu ,Marker Based Tracking dan Markless Augmented Reality.:
• Marker Augmented Reality (Marker Based Tracking)
Marker biasanya merupakan ilustrasi hitam dan putih persegi dengan batas hitam tebal dan latar belakang putih. Komputer akan mengenali posisi dan orientasi marker dan menciptakan dunia virtual 3D yaitu titik (0,0,0) dan tiga sumbu yaitu X, Y, dan Z. Marker Based Tracking ini sudah lama dikembangkan sejak 1980-an dan pada awal 1990-an mulai dikembangkan untuk penggunaan Augmented Reality.
• Markerless Augmented Reality
Salah satu metode Augmented Reality yang saat ini sedang berkembang adalah metode Markerless Augmented Reality, dengan metode ini pengguna tidak perlu lagi menggunakan sebuah marker untuk menampilkan elemen-elemen digital, dengan tool yang disediakan Qualcomm untuk pengembangan Augmented Reality berbasis mobile device, mempermudah pengembang untuk membuat aplikasi yang markerless (Qualcomm, 2012).
Seperti yang saat ini dikembangkan oleh perusahaan Augmented Reality terbesar di dunia Total Immersion dan Qualcomm, mereka telah membuat berbagai macam teknik Markerless Tracking sebagai teknologi andalan mereka, seperti Face Tracking, 3D Object Tracking, dan Motion Tracking.
2.3 Citra Digital
Citra digital adalah citra dua dimensi yang dapat ditampilkan pada layar monitor komputer sebagai himpunan berhingga (diskrit) nilai digital yang disebut pixel (picture elements). Pixel adalah elemen citra yang memiliki nilai yang menunjukkan intensitas warna. Berdasarkan cara penyimpanan atau pembentukannya, citra digital dapatdibagi menjadi dua jenis. Jenis pertama adalah citra digital yang dibentuk olehkumpulan pixel
dalam array dua dimensi.Citra jenis ini disebut citra bitmap atau citra raster.Jenis citra yang kedua adalah citrayang dibentuk oleh fungsi-fungsi geometri dan matematika.Jenis citra ini disebutgrafik vektor.Citra digital (diskrit) dihasilkan dari citra analog (kontinu) melalui digitalisasi.Digitalisasi citra analog terdiri sampling danquantitazion.Sampling adalah pembagian citra ke dalam elemen-elemen diskrit (pixel), sedangkan quantitazion adalah pemberian nilai intensitaswarna pada setiap pixel dengan nilai yang berupa bilangan bulat (Awcock,1996).
2.4 Pengolahan Citra Digital
Pengolahan citra merupakan teknik manipulasi citra secara digital yang khususnya menggunakan komputer, menjadi citra lain yang sesuai untuk digunakan dalam aplikasi tertentu. Agar mudah diinterpretasi oleh manusia atau komputer, pengolahan citra harus dilakukan dengan berbagai macam metode untuk mencapai citra sesuai yang diinginkan.Operasi pengolahan citra digital umumnya dilakukan dengan tujuan memperbaiki kualitas suatu gambar sehingga dapat dengan mudah diinterpretasikan oleh mata manusia dan untuk mengolah informasi yang ada pada suatu gambar untuk kebutuhan identifikasi objek secara otomatis.
2.4.1 Gray-Scaling
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra gray-scale, hal ini digunakan untukmenyederhanakan model citra. Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu R- layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik gray-scale dan hasilnya adalah citra gray-scale.Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi citra gray-scale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:
Keterangan:
I (x,y) = nilai intensitas citra grayscale
R (x,y) = nilai intensitas warna merah dari citra asal G (x,y) = nilai intensitas warna hijau dari citra asal B (x,y) = nilai intensitas warna biru dari citra asal Atau dapat menggunakan persamaan:
I = ( 0,299 x R(x,y)) + ( 0,587 x G(x,y)) + (0,144 x B(x,y)) ……… (2.2) (Taylor dan Francis Group, 2007)
2.4.2 Thresholding
Thresholding merupakan konversi citra berwarna ke citra biner yang dilakukan dengan cara mengelompokkan nilai derajat keabuan setiap pixel kedalam 2 kelas, hitam dan putih. Pada citra hitam putih terdapat 256 level, artinya mempunyai skala “0” sampai “255” atau [0,255], dalam hal ini nilai intensitas 0 menyatakan hitam, dan nilai intensitas 255 menyatakan putih, dan nilai antara 0 sampai 255 menyatakan warna keabuan yang terletak antara hitam dan putih (Munir, 2004).
Pada operasi pengambangan, nilai intensitas pixel dipetakan ke salah satu dari dua nilai, α₁ atau α₂, berdasarkan nilai ambang (threshold) T dapat ditunjukkan seperti pada persamaan 2.3
𝑓𝑓𝑥𝑥, ′= α₁,f x,y <𝑇𝑇α₂,f x,y ≥T ……….………....(2.3) Jika α₁ = 0 dan α₂ = 1, maka operasi pengambangan mentransformasikan citra hitam-putih ke citra biner. Dengan kata lain, nilai intensitas pixel semula dipetakan ke dua nilai saja: hitam dan putih. Nilai ambang yang dipakai dapat berlaku untuk keseluruhan pixel atau untuk wilayah tertentu saja (berdasarkan penyebaran nilai intensitas pada wilayah tersebut) (Munir, 2004).Thresholding merupakan salah satu teknik segmentasi yang baik digunakan untuk citra dengan perbedaan nilai intensitas yang signifikan antara latar belakang dan objek utama.Dalam pelaksanaannya thresholding membutuhkan suatu nilai yang digunakan sebagai nilai pembatas antara objek utama dengan latar belakang, dan nilai tersebut dinamakan dengan threshold.Sementara pada kasus segmentasi objek yang membutuh dua nilai T atau lebih, maka disebut dengan Multiple Threshold (Gonzales dan Woods, 2002).
Gambar 2.1. Citra hasil segementasi (Rahman ,S U et al.2014)
2.4.3 Erosion
Operasi erosi adalah operasi morfologi untuk mengurangi area foreground.Efek dari operasi ini adalah menyusutkan foreground.Foreground berkurang dari tepi luar ke dalam wilayahnya. Jika ada lubang di dalam area foreground, maka lubang akan membesar. Proses ini menggunakan penataan elemen (structuring element) dan hal itu dilakukan dengan operasi konvolusi antara gambar dan structuring element. Operasi ini adalah untuk gambar biner. Proses erosi akan mengatur pixelforeground menjadi background jika ada bagian dari structuring element yang mencapai latar belakang saat tengah structuring element mencapai tepi foreground. Gambar 2.2 memberikan ilustrasi dari proses erosi dengan contoh structuring element 3 x 3.
Gambar 2.2 (a) penataan element dan gambar sebelum operasi; (b) hasiloperasi erosi (Naser dan Nanik, 2013)
2.4.4 Dilation
operasi dilasi adalah operasi kebalikan dari erosi. erosi adalah untuk mengurangi latar depan, sedangkan dilasi untuk memperbesarnya. latar depan membentang dari batas
luarnya. Jika ada lubang di dalam foreground, maka lubang menyusut. Sama seperti erosi, operasi dilasi menggunakan elemen struktural.Elemen struktural digunakan dalam konvolusi dengan gambar.Proses dilasi akan mengatur pixel background untuk menjadi latar depan jika ada bagian dari elemen penataan yang mencapai foreground ketika pusat dari elemen penataan masih di daerah background. Gambar 2.3 memberikan gambaran tentang proses dilasi dengan contoh elemen 3 x 3 penataan.
Gambar 2.3 (a) penataan element dan gambar sebelum operasi; (b) hasil operasi dilasi (Naser dan Nanik , 2013)
2.4.5 Contour
Sebuah kontur adalah kurva untuk fungsi dua variabel bersama yang fungsinya memiliki nilai konstan. Sebuah kontur menggabungkan poin-poin di atas tingkat tertentu dan ketinggian yang sama. Sebuah peta kontur menggambarkan kontur menggunakan garis kontur, yang menunjukkan kecuraman lereng dan lembah dan bukit-bukit.gradien fungsi ini selalu tegak lurus dengan garis kontur. Ketika garis yang berdekatan, besarnya gradien biasanya sangat besar. Kontur –kontur adalah berupa garis lurus atau kurva yang menggambarkan persimpangan satu atau lebih bidang horisontal dengan permukaan nyata atau hipotetis. (Implementation of Hand Detection based Techniques for Human Computer Interaction ,Amiraj Dhawan, Vipul Honrao). Gambar 2.4
Gambar 2.4 Contour(Amiraj dan Vipul, 2013)
2.4.6 Convex-hull
Convex hull digambarkan secara sederhana dalam sebuah bidang sebagai pencarian subset dari himpunan titik pada bidang tersebut, sehingga jika titik-titik tersebut dijadikan poligon maka akan membentuk poligon yang konveks. Suatu poligon dikatakan konveks jika garis yang menghubungkan antar kedua titik dalam poligon tersebut tidak memotong garis batas dari poligon.Convex hull suatu obyek P didefinisikan sebagai area poligon convex terkecil yang melingkupi P. Oleh karena itu, untuk suatu himpunan titik N {p0, p1, p2, . . . , pN}ϵ P, maka dapat dinyatakan bahwa hull H dapat disusun dengan M titik dari himpunan N untuk membuat suatu area konveks poligon minimum.Dari Gambar.2.3 dapat dinyatakan bahwa Convex hull dibuat dengan mengambil sudut interior θ, dari tiga titik yang bersebelahan {p1, p0, p9}. Jika θ > π maka p0 dianggap sebagai titik refleks dan p0 bukan anggota M. Himpunan akhir H adalah {p1, p9, p7, p5, p3}.(Alif Muqtadiret al, 2013).
2.4.7 Convexity Defects
Convex hull dari kontur lengan bawah dihitung untuk mendapatkan convexity defects dari kontur. Convexity defects menyediakan informasi yang sangat berguna untuk memahami bentuk kontur. Banyak karakteristik dari kontur yang rumit dapat digambarkan dengan convexity defects.Pada pembahasan sebelumnya, dijelaskan bahwa titik-titik yang membentuk convex hull harus merupakan bagian dari kontur. Langkah pertama dalam mencari convexity defects adalah menemukan titik awal (starting point) dari convexity defects pada kontur. Titik awal convexity defects adalah sebuah titik pada kontur yang juga termasuk dalam titik-titik convex hull, tapi titik selanjutnya pada kontur tidak termasuk dalam titik-titik convex hull. Gambar 2.6 menjelaskan titik awal dari convexity defects.Kontur dicari dengan jalur searah jarum jam.Titik merah adalah titik pertama yang termasuk dalam convex hull, tapi titik selanjutnya tidak termasuk dalam convex hull.Setelah definisi titik awal diketahui, titik akhir pun juga demikian.Titik akhir didefinisikan sebagai titik dari kontur yang termasuk dalam titik-titik convex hull, tapi titik sebelumnya tidak termasuk dalam titik-titik convex hull.Sebagaimana yang ditunjukkan oleh Gambar 2.6, titik ungu adalah titik akhir dari convexity defects. Dengan menghubungkan titik awal, titik akhir, dan titik di antara keduanya, area dari convexity defects dapat diketahui sebagaimana ditunjukkan oleh sebagaimana ditunjukkan oleh Gambar 2.7.(Rudy dan Marcus, 2012).
Gambar 2.6 Titik awal (starting point) dan titik akhir (ending point) convexity defect (Aliq dan bambang, 2016).
Gambar 2.7 Area convexity defects(Aliq dan bambang, 2016)
2.5 OpenCV
OpenCV (Open Source Computer Vision) adalah open source library yang berisi lebih dari 500 algoritma teroptimasi untuk analisa citra atau video.Sejak diperkenalkan pada tahun 1999, OpenCV sebagian besar telah diadopsi sebagai alat pengembangan utama oleh komunitas peneliti dan pengembang dalam bidang komputer visi.OpenCV pada awalnya dikembangkan di Intel oleh tim yang dipimpin oleh Gary Bradski sebagai inisiatif untuk memajukan penelitian dalam visi dan mempromosikan pengembangan aplikasi yang kaya dan berbasis visi-CPU-intensif. Setelah OpenCV versi Beta diluncurkan, versi 1.0 diluncurkan pada tahun 2006.Rilis besar kedua terjadi pada tahun 2009 dengan diluncurkannya OpenCV 2 yang menawarkan banyak perubahan penting.OpenCV didesain untuk digunakan bersama dengan Intel Image Processing Library (IPL) dan memperluas fungsionalitas terhadap citra dan pola analisis. Oleh karena itu, OpenCV berbagi format (iplImage) citra yang sama dengan IPL.
Pengaplikasian OpenCVdapat digunakan untuk interaksi antara manusia dan computer, misalnya wajah dari manusiadideteksi oleh camera/webcam, lalu di proses oleh computer, untuk melakukan aksitertentu seperti mengikuti/mengenal wajah orang tersebut.Kesemuanya itumembutuhkan OpenCV sebagai program utama antara webcam dan perangkatnya yaitucomputer maupun smartphone. Library ini terdiri dari fungsi-fungsi computer vision danAPI (Aplication Programming Interface) untuk image processing high level maupun lowlevel dan sebagai optimisasi aplikasi realtime. OpenCV sangat disarankan untukprogrammer yang akan berkutat pada bidang computer vision, karena library ini mampumenciptakan aplikasi yang handal, kuat dibidang digital vision, dan mempunyaikemampuan yang mirip dengan cara pengolahan pada manusia.
2.6 Unity 3D
Unity3D merupakan sebuah tools yang terintegrasi untuk membuat bentuk obyek 3 dimensi pada video games atau untuk konteks interaktif lain seperti visualisasi arsitektur atau animasi 3D real-time. Lingkungan dari pengembangan unity3D berjalan pada Microsoft Windows dan Mac Os X. Serta aplikasi yang dibuat oleh unity3D dapat berjalan pada Windows, Mac, Xbox 360, Playstation 3, Wii, Ipad, Iphone dan tidak ketinggalan pada platform Android. Unity juga dapat membuat game berbasis browser yang menggunakan Unityweb player plugin, yang dapat bekerja pada Mac dan Windows, tapi tidak pada Linux.
Adapan fitur–fitur yang dimiliki Unity 3D (Rizki et al. 2012) antara lain sebagai berikut :
1. Integrated Development Environment (IDE) atau lingkungan pengembangan terpadu.
2. Penyebaran hasil aplikasi pada banyak platform. Seperti Android, Flash, iOS, Blackberry, Wii, Xbox dan lain – lain.
3. Engine Grafis menggunakan Direct3D (Windows), OpenGL (Mac, Windows), OpenGL ES (iOS) dan proprietary (Wii).
4. Game Scripting melalui Mono, Scripting yang dibangun pada Mono, implementasi Open Source dari NET Framework. Selain itu pemrograman dapat menggunakan Unity Script (Bahasa Kustom dengan sintaks Java Script-Inspired, bahasa C# atau Boo (yang memiliki sintaks-Python-inspired).
2.7 C#
C# (dibaca C-Sharp) adalah bahasa pemrograman untuk .NetEnvironment.C# adalah bahasa baru yang miskin kompatibilitas tapi memiliki banyak fitur yang menarik dan menjanjikan. C# adalah bahasa pemrograman berbasis obyek yang memiliki inti, banyak kemiripannya dengan Java, C++, dan VB. Kenyataannya, C# menggabungkan efisiensi dari C++, desain berbasis objek yang sederhana dan bersih dari Java dan penyederhanaan bahasa dari Visual Basic. Seperti Java, C# juga tidak membolehkan multipleinhetitance atau penggunaan pointer (pada safe/managed code), tapi menyediakan garbage memory collection pada runtime, tipe dan pengecekan akses
memori.Akan tetapi, berlawanan dengan Java, C# mempertahankan operasi berguna yang unik pada C++ seperti operator overloading, enumeration, pre-processor directive, pointer (pada unmanaged/unsafe code), danfunction pointer (pada pengutusan form).
2.8 Penelitian Terdahulu
Penelitian yang dilakukan Nayana P B dan Sanjev Kubakaddi mengimplementasikan teknik pengenalan gestur tangan untuk Human Computer Interaction (HCI) menggunakan OpenCV. Pada penelitian ini, gambar gerakan tangan yang diambil oleh kamera dijadikan sebagai input untuk algoritma. Algoritma yang digunakan mampu mengenali jumlah jari yang hadir dalam gerakan tangan
Pada tahun 2015,penelitian yang dilakukan oleh Hu Peng yang berjudul Application Research on Face Detection Technology based on OpenCV in Mobile Augmented Reality membahastentang pengembangan dan tipe teknologi dari teknologi deteksi wajah dan augmented realitymobile. Perangkat lunak yaang mendukung penelitian ini antara lain yaitu,Unity3D,3Ds Max dan lainnya. Hasil dari penelitian ini yaitu ketika kamera mendeteksi wajah,maka akan muncul wajah 3D pada posisi yang sesuai dan dapat bergerak mengikuti wajah yang dideteksi .pengguna dapat berinteraksi dengan wajah 3D dengan menekan layar.
Pada tahun tahun 2014 ,Sajjad Ur Rahman, Zeenat Afroze dan Mohammed Tareq, Melakukan penelitian yang meneliti teknik untuk interaksi manusia-mesin berdasarkan pengenalan gestur menggunakan teknologi OpenCV yang mana menyediakan struktur data untuk image processing denganefisiensi terbaik. Pada penelitian ini, seluruh gambar gestur tangan ditangkap oleh web camera. Algoritma yang digunakan yaitu convexity defects membantu untuk menentukan lokasi telapak tangan dan ujung jari.
Pada tahun 2012, Rudy Hartanto dan Marcus Nurtiantono Aji membuat sebuah Perancangan Awal Antarmuka Gestur Tangan Berbasis Visual. Pada penelitian ini para penelitidalam mendeteksi awal citra menggunakan algoritma segmentasi dengan deteksi warna kulit menggunakan ruang warna YCrCb.masih dengan menggunakan metode convexity defects untuk mendeteksi jumlah jari tangan. Jumlah jari yang
didapat akan digunakan sebagai instruksi perintah mouse seperti move, klik kiri, klik kanan, klik ganda , dan drag.
Pada tahun 2013, Amiraj Dhawan dan Vipul Honrao, melakukan penelitian yaitu Implementation of Hand Detection based Techniques for Human Computer Interaction. Pada penelitian ini didapat berbagai teknik untuk interaksi manusia-komputer secara efisien. Adapun teknik segmentasi yang digunakan pada penelitian ini yaitu, Thresholding menggunakan metode Otsu, Incremental Thresholding Value, dan Color based Thresholding. Untuk ekstraksi fitur ,penelitian ini menggunakan contour, convex-hull dan convexity defects.
Pada tahun 2012, penelitian yang dilakukan oleh Hasup lee et al yaitu Hand Gesture Recognition using Blob Detection for Immersive Projection Display System.Pada penelitian ini pendeteksian warna kulit berdasarkan warna menggunakan ruang warna HSV.Untuk pengolahan morfologi citra menggunakan metode dilasi dan erosi.Disini peneliti menggunakan dua tangan dimana masing-masing gestur tangan memiliki instruksi yang berbeda.Untuk pengenalan gestur, penelitian ini menggunakan blob detection.
Perbedaan penelitian ini dari penelitian sebelumnya adalah dimana pada penelitian sebelumnya para peneliti hanya sekedar melakukan pelacakan untuk mendapatkan lokasi tangan,mengenali pola dan menghitung jumlah jari saja. namun penelitian yang akan dibuat bersamaan dengan teknologi Augmented Reality dimana gestur yang akan dikenali sistem akan menjadi sebuah perintah pada aplikasi Augmented Reality yang dibangun seperti pemilihan sceneobjek Warisan budayaKota Medan pada aplikasi.
Tabel 2.1. Penelitian Terdahulu
NO. Peneliti Judul Tahun
1. Nayana P B dan SanjevKubakaddi
Implementation of Hand Gesture Recognition Technique for HCI using OpenCV
2014
2. Hu Peng Application research on face detection technology based on OpenCV in mobile augmented reality
3. Rudy Hartanto dan Marcus Nurtiantono Aji
Perancangan Awal Antarmuka Gesture Tangan Berbasis Visual 2012 4. Sajjad Ur Rahman, dan Zeenat Afroze, dan Mohammed Tareq
Hand Gesture Recognition Techniques For Human Computer Interaction Using OpenCV
2014
5. Amiraj Dhawan
dan Vipul Honrao
Implementation of Hand Detection based Techniques for Human Computer Interaction
2013
6. Hasup Lee, Yoshisuke Tateyama, dan Tetsuro Ogi
Hand Gesture Recognition using Blob Detection for Immersive Projection Display System
