PENDETEKSIAN RAMBU LALU LINTAS DENGAN ALGORITMA
SPEEDED UP ROBUST FEATURES (SURF)
Alexander A S Gunawan, Pascal Gerardus A, Wikaria Gazali
Mathematics & Statistics Department, School of Computer Science, Binus UniversityJl. K. H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 aagung@binus.edu; wikaria@binus.edu
ABSTRACT
Feature detection is a method for taking abstract information called features in an image and confirming whether there are the features on other images or not. One application of feature detection is object detection. This study aims to describe how to detect visual object at high speed, which is applied to the problem of traffic signs detection. In this study, the application was developed for the detection of traffic signs, which can be used on a moving vehicle, using the speeded up robust features (SURF) algorithm.
Keywords: feature detection, traffic signs, SURF
ABSTRAK
Deteksi fitur adalah metode untuk mengambil informasi abstrak yang disebut fitur pada sebuah citra dan membandingkan apakah fitur tersebut ada pada citra yang lain atau tidak. Salah satu aplikasi dari deteksi fitur adalah pendeteksian objek. Penelitian ini bertujuan untuk mendeskripsikan cara mendeteksi objek visual dengan kecepatan tinggi, yang diterapkan pada masalah deteksi rambu lalu lintas. Dalam penelitian ini, dikembangkan aplikasi untuk mendeteksi rambu lalu lintas, yang dapat digunakan pada kendaraan yang bergerak, dengan menggunakan algoritma speeded up robust features (SURF).
PENDAHULUAN
Dalam bidang transportasi, telah banyak dikembangkan ide-ide untuk meningkatkan keselamatan dalam perjalanan. Sistem untuk mendukung hal ini disebut advanced driver assistance
system (ADAS) (Yannis, G, 2000), yang memiliki tujuan dasar untuk membantu dan mengarahkan
pengendara pada saat mengendarai sehingga dapat meningkatkan keselamatan lalu lintas, efisiensi lalu lintas dan perbaikan kondisi lingkungan. Sistem ini dapat diklasifikasikan menjadi dua macam, yaitu sistem yang hanya menginformasikan kepada pengemudi dan sistem yang sekaligus memberikan tindakan yang mempengaruhi kendaraan itu sendiri. Oleh karena itu, ADAS dapat diklasifikasikan sebagai "sistem operasional" dan "sistem taktis".
Rambu lalu lintas (Gambar 1) adalah tanda yang didirikan di samping atau di atas jalan untuk memberikan informasi kepada pengguna jalan. Dengan volume lalu lintas meningkat sejak tahun 1930-an, banyak negara mengadopsi tanda-tanda bergambar atau tulisan yang disederhanakan. Selain itu dibuat standar rambu lalu lintas internasional untuk memfasilitasi perjalanan internasional di mana perbedaan bahasa menciptakan hambatan, dan secara umum untuk membantu meningkatkan keselamatan lalu lintas. Tanda-tanda bergambar tersebut menggunakan simbol (sering siluet) alih-alih menggunakan kata-kata dan biasanya didasarkan pada protokol internasional. Tanda-tanda seperti ini pertama kali dikembangkan di Eropa, dan telah diadopsi oleh sebagian besar negara di dunia.
Gambar 1 Rambu lalu lintas.
Sistem pengenalan rambu lalu lintas merupakan salah satu bagian penting dari ADAS dari “sistem operasional”. Sistem ini dapat mengenal rambu lalu lintas di jalan dan kemudian memberitahu pengemudi mengenai arti dari rambu-rambu tersebut seperti untuk mengendalikan batas kecepatan, adanya tikungan, dan lain lain. Adapun kendala utama dalam pendeteksian rambu lalu lintas adalah sistem ini harus dapat mengenali dalam kondisi kendaraan melaju cepat.
Dalam proyek ADVISORS (Wiethoff, M, 2002) telah dikembangkan kerangka kerja yang komprehensif untuk menganalisis, menilai dan memprediksi implikasi dari berbagai Advanced Driver
Assistance System (ADAS), serta untuk mengembangkan implementasi strategi untuk ADAS yang
diharapkan memiliki dampak positif. Inti dari pendekatan ADVISORS adalah pendekatan dalam mendefinisikan pertimbangan untuk pengambilan keputusan mengenai prosedur memilih ADAS, mendefinisikan indikator dan kriteria untuk penilaian dampak yang relevan serta mendefinisikan strategi implementasi.
METODE
Algoritma SURF (Speeded-Up Robust Features)
Algoritma SURF (Bay H et al, 2006) bertujuan untuk mendeteksi fitur lokal suatu citra dengan handal dan cepat. Algoritma ini sebagian terinspirasi oleh algoritma SIFT (Scale-invariant feature
transform), terutama pada tahap scale space representation (Lowe DG, 1999). Algoritma SURF
menggunakan penggabungan algoritma citra integral (integral image) dan blob detection berdasarkan determinan dari matriks Hessian. Dalam implementasinya, algoritma SURF dibagi menjadi beberapa tahapan sebagai berikut:
Interest Point Detection
Deteksi titik perhatian (interest point) digunakan untuk memilih titik yang mengandung banyak informasi dan sekaligus stabil terhadap gangguan lokal atau global dalam citra digital. Dalam algoritma SURF, dipilih detektor titik perhatian yang mempunyai sifat invarian terhadap skala, yaitu
blob detection. Blob merupakan area pada citra digital yang memiliki sifat yang konstan atau
bervariasi dalam kisaran tertentu. Untuk melakukan komputasi blob detection ini, digunakan determinan dari matriks Hessian (DoH) dari citra. Jika diberikan titik x=(x,y) pada citra I, matrik Hessian H(x,σ) pada x dengan skala σ didefinisikan sebagai:
⎥ ⎦ ⎤ ⎢ ⎣ ⎡ = ) , ( ) , ( ) , ( ) , ( ) , (
σ
σ
σ
σ
σ
x L x L x L x L x H yy xy xy xxdi mana
L
xx(
x
,
σ
)
adalah konvolusi dari turunan kedua fungsi Gaussian 2(
)
2
σ
g
x
∂
∂
dengan citra I pada titik x. Definisi ini berlaku juga untukL
xy(
x
,
σ
)
danL
yy(
x
,
σ
)
. Fungsi Gaussian didefinisikan sebagai: 2 2 2 2 1 ) ( σσ
π
σ
x e g = −Dalam algoritma SURF, determinan matriks Hessian dihitung dari wavelet Haar dengan menggunakan integral image nya secara optimal (Crow, 1984). Determinan dari matriks Hessian digunakan sebagai dasar algoritma SURF karena sifat invarian terhadap skala, kestabilan dan berulang dengan mudah.
Scale Space Representation
Dengan ukuran citra yang berbeda-beda, akan sangat sulit bagi kita untuk membandingkan fitur-fitur yang terdapat pada citra tersebut. Maka dari itu, diperlukan suatu proses yang menangani perbedaan ukuran dengan menggunakan metode perbandingan skala. Dalam metode ini, kita menggunakan scale space (Gambar 2) di mana citra diimplementasikan dalam bentuk sebuah image
pyramid (Lowe DG, 2004). Citra secara berulang akan diperhalus (smoothing) dengan fungsi Gaussian
dan secara beruntun dengan cara sub-sampling untuk mencapai tingkat tertinggi pada piramida. Dengan menggunakan integral image, perhitungan ini tidak perlu dilakukan secara iteratif dengan menggunakan filter yang sama, tetapi dapat filter dengan ukuran sembarang ke dalam beberapa skala citra yang berbeda.
Gambar 2 Scale space representation
Feature Description
Fitur didefinisikan sebagai bagian yang mengandung banyak informasi suatu citra, dan fitur ini digunakan sebagai titik awal untuk algoritma deteksi objek. Tujuan dari proses deteksi fitur ini adalah untuk mendapatkan deskripsi dari fitur-fitur dalam citra yang diamati. Langkah pertama (Bay H et al, 2008) adalah melihat orientasi yang dominan pada titik perhatian yang terdapat dalam citra, kemudian membangun suatu area yang akan diambil nilainya dan mencari fitur korespondensi pada citra pembanding. Dalam penentuan orientasi suatu citra kita menggunakan filter wavelet Haar, disini dapat ditentukan tingkat kemiringan suatu fitur yang diamati. Selanjutnya untuk deskripsi fitur dalam algoritma SURF, digunakan hanya perhitungan gradient histogram dalam empat kelompok (bins) saja untuk mempercepat perhitungan, yaitu
v
=
(
∑
d
x,
∑
d
y,
∑
d
x,
∑
d
y)
(Gambar 3) dengan dx adalah respon wavelet Haar pada arah horisontal dan dy dalam arah vertikal.Gambar 3 Feature description.
Feature Matching and Recognition
Dalam tahap ini, kita membandingkan fitur hasil perhitungan proses sebelumnya (Gambar 4) tetapi hanya bila terdapat perbedaan kontras, yang dideteksi melalui tanda dari trace matriks Hessian. Dengan cara ini, biaya komputasi dari algoritma SURF bisa dikatakan sangat minim.
Gambar 4 Feature matching.
HASIL PENELITIAN
Program aplikasi pengenalan rambu lalu lintas dibuat dengan menggunakan perangkat lunak Microsoft Visual Studio 2008 dengan bahasa pemrograman C# dan pustaka EmguCV. Mekanisme kerja program aplikasi ini dimulai ketika user melakukan input dengan mengklik tombol load image. Selanjutnya input citra tersebut akan dikonversi menjadi citra grayscale. Hal ini dilakukan untuk mengurangi adanya gangguan (noise) pada citra input yang mengakibatkan kesulitan dalam pembacaan fitur rambu lalu lintas. Setelah citra tersebut dianggap bersih dari gangguan, dimulai proses komputasi menggunakan algoritma integral image. Setelah perhitungan selesai maka dilakukan blob
detection. Langkah selanjutnya adalah program aplikasi melakukan feature matching dengan hasil
citra model yang sebelumnya telah disimpan dalam program aplikasi. Jika terjadi kecocokan (match), program akan mengeluarkan hasil pengenalan dari citra tersebut. Gambar 5 berikut ini merupakan
screen shoot dari program aplikasi yang dikembangkan.
Gambar 5 Screen shot program aplikasi.
yang berbeda-beda. Berdasarkan hasil pengujian terhadap 60 citra tersebut, dapat dikenali oleh aplikasi ini sebanyak 55 citra, dan dapat dihitung hasil tingkat akurasi program dengan cara:
%
92
60
55 =
=
=
ada
yang
rambu
total
jumlah
terdeteksi
rambu
jumlah
sukses
persentase
Sedangkan rata-rata waktu yang dibutuhkan untuk deteksi citra rambu lalu lintas dalam pengujian ini adalah 101,2 milidetik.
SIMPULAN
Program aplikasi yang dibangun berdasarkan algoritma SURF miliki kehandalan dalam waktu pendeteksian rambu lalu lintas yang dapat dikenali dengan cukup cepat dengan waktu rata-rata pengenalan sebesar 101,2 milidetik. Selain itu algoritma ini dapat mendeteksi dalam berbagai ukuran dan sudut yang ditolerir, dan bahkan memiliki kemampuan diskriminasi yang baik jikalau terdapat benda-benda tambahan disamping rambu lalu lintas tersebut. Adapun kegagalan deteksi rambu lalu lintas disebabkan oleh citra digital kurang jelas dan citra rambu lalu lintas terlalu kecil atau terlalu mengalami deformasi perspektif sehingga tidak dapat dideteksi komponen-komponen penyusunnya.
DAFTAR PUSTAKA
Bay, H, Ess A, Tuytelaars, T, Van Gool, L (2006). SURF: speeded up robust features. Proceedings of
the 9th European Conference on Computer Vision, 3951 (1), 404 – 417. Springer LNCS.
Bay, H, Ess A, Tuytelaars, T, Van Gool, L (2008). Speeded-Up robust features (SURF). Computer
Vision and Image Understanding (CVIU), 110 (3), 346 – 359.
Crow, Franklin (1984). Summed-area tables for texture mapping. SIGGRAPH '84: Proceedings of the
11th Annual Conference on Computer Graphics and Interactive Techniques, 207 – 212.
Lowe, D. G. (1999). Object recognition from local scale-invariant features. Proceeding of the
International Conference on Computer Vision, Corfu Sept. 1999.
Lowe, D.G. (2004). Distinctive image features from scale-invariant keypoints. International Journal
of Computer Vision, 2004.
Wiethoff, M, (2003). Action for advanced Driver assistance and Vehicle control systems
Implementation, Standardization, Optimum use of the Road network and Safety. Final
Publishable Report. SWOV Institute for Road Safety Research.
Yannis, G. and Antoniou, C. (2000). State-of-the-art on advanced driver assistance systems. Workshop
on “The role of Advanced Driver Assistance Systems on traffic safety and efficiency”, 4 – 18,
