Deteksi dan Klasifikasi Lampu Lalu Lintas

Deteksi dan Klasifikasi Lampu Lalu Lintas

dengan Memanfaatkan Pengolahan Citra Sederhana

M Rahadian Alamsyah P W 13518011 (Author) Program Studi Teknik Informatika

Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha 10 Bandung

E-mail (gmail): rahadian.apw@gmail.com

Abstract—Teknologi digital saat ini telah berkembang dengan pesat dan telah dimanfaatkan dalam berbagai sektor kehidupan mulai dari kesehatan, pendidikan, bisnis, hingga transportasi.

Kendaraan dengan fitur pengemudi otomatis saat ini sangat gencar dikembangkan. Pengemudi otomatis memanfaatkan berbagai macam sensor termasuk kamera untuk penangkapan citra. Pengolahan citra untuk mendapatkan informasi yang dibutuhkan sebagai faktor dalam pengemudi otomatis sangat penting. Dengan pengolahan data citra bisa digunakan untuk mengetahui warna lampu lalu lintas yang sedang menyala dan kemudian informasi tersebut bisa dimanfaatkan untuk sistem pengemudi otomatis.

Keywords—citra, lampu lalu lintas, deteksi, deteksi tepi, segmentasi objek

I. PENDAHULUAN

Teknologi komputasi digital merupakan teknologi yang sangat digadang-gadang pada saat ini. Berkat adanya teknologi tersebut kehidupan manusia terasa lebih mudah seperti memberikan semua tugas pada komputer dan mereka akan menyelesaikan tugas untukmu. Sistem kemudi otomatis merupakan salah satu produk dari perkembangan teknologi digital. Selain untuk memudahkan dalam berkendara, sistem kemudi otomatis juga dapat membantu kelompok yang tidak mampu berkendara seperti lansia atau orang dengan kebutuhan khusus.

Dalam berlalu lintas banyak peraturan yang telah ditetapkan untuk menjaga ketertiban dan keselamatan pengguna jalan. Peraturan tersebut diimplementasikan dengan memasang rambu-rambu sebagai penanda apa yang harus atau tidak boleh untuk dilakukan oleh pengguna jalan. Salah satu rambu lalu lintas yang sering kita jumpai adalah lampu lalu lintas. Lampu tersebut terdapat pada kondisi saat kendaraan diharuskan berhenti atau berjalan. Lampu lalu lintas biasanya terdapat pada persimpangan jalan. Lampu lalu lintas umumnya memiliki tiga lampu dengan warna merah, kuning, dan hijau.

Setiap warna dari lampu lalu lintas memiliki makna yang ditujukan kepada pengguna jalan. Merah menandakan bahwa pengguna jalan harus berhenti, kuning menandakan pengguna jalan melambatkan kecepatan dan berhati-hati, dan hijau boleh untuk lanjut melaju.

Sistem kemudi otomatis harus dapat memahami rambu lalu lintas yang berlaku sehingga kendaraan yang bergerak dapat mencapai tujuan dengan aman dan selamat. Misalnya pada

lampu lalu lintas, maka sistem kemudi otomatis harus bisa mengetahui lampu berwarna apa yang sedang menyala saat ini.

Untuk mengetahui hal tersebut dapat dimanfaatkan sensor kamera yang mengambil citra depan kendaraan. Dari citra yang diambil kemudian dapat diolah sehingga dapat diketahui lampu lalu lintas yang sedang menyala di depan kendaraan tersebut.

II. LANDASAN TEORI A. Citra

Citra merupakan hasil dari tangkapan kamera dengan melalui lensa yang membelokkan cahaya dan membuat proyeksi dua dimensi benda yang sebenarnya. Pada kamera digital citra ditangkap menggunakan sensor cahaya dan datanya disimpan dengan format tertentu sebagai data digital yang berbentuk matriks. Tiap posisi titik pada citra digital terdapat informasi warna yang biasa disebut sebagai piksel.

Pada ruang warna RGB, setiap piksel citra digital mengandung tiga jenis derajat keabuan yang menunjukkan warna merah, hijau, dan biru.

B. Pengolahan Citra

Kamera terus berkembang dan hal tersebut menyadarkan manusia bahwa data citra merupakan data yang dapat dimanfaatkan untuk membantu kehidupan manusia. Namun pemanfaatan data citra tidak dapat dilakukan secara langsung jika ingin menggunakan pemrosesan komputasi. Data citra perlu dilakukan pengolahan seperti penyesuaian kontras, warna kecerahan, dll. Pengolahan citra merupakan proses untuk merekayasa data citra agar dapat dihasilkan informasi yang lebih bermakna dari citra tersebut.

Gambar 1. Contoh hasil pengolahan citra untuk memperlihatkan wujud lubang hitam.

C. Ruang Warna HSV

Citra berwarna mengandung informasi yang lebih kaya dibandingkan dengan citra abu-abu atau hitam putih. Warna merupakan hasil pantulan dari suatu objek yang dapat memantulkan suatu panjang gelombang tertentu, Warna tampak merupakan rentang dari panjang gelombang yang dapat diterima oleh mata manusia. Untuk menyimpan informasi warna pada citra dilakukan pemodelan warna pada citra yang disebut sebagai ruang warna. Ruang warna yang sering digunakan pada data citra digital adalah RGB yang menyimpan level kekuatan warna pada kanal merah, hijau, dan biru.

Namun manusia tidak lazim untuk mendeskripsikan warna pada ruang warna RGB. Ruang warna yang mudah dipahami oleh manusia adalah HSV dengan atribut hue (H), saturation (S), dan value (V). Hue merupakan atribut yang merepresentasikan warna sebenarnya seperti merah, kuning, ungu, dll. Hue berasosiasi dengan panjang gelombang cahaya tampak yang kemudian di kuantisasi dengan nilai dari 0 hingga 2 dengan 0 menyatakan merah lalu memutar nilai spektrum warna ke merah lagi. Saturation menyatakan tingkat kemurnian warna cahaya yang mengindikasikan seberapa banyak warna putih yang diberikan pada warna. Value menyatakan intensitas cahaya yang diterima oleh mata manusia.

Gambar 2. Ilustrasi dari ruang warna HSV

D. Penapis Gaussian

Penapis Gaussian merupakan penapisan citra menggunakan operasi konvolusi dengan menggunakan filter Gaussian. Nilai dari filter Gaussian memiliki nilai yang terdistribusi dengan fungsi

Gambar 3. Contoh matriks filter Gaussian

Hasil dari penapisan dengan menggunakan filter Gaussian memberikan hasil citra yang lebih buram dibandingkan dengan citra aslinya. Tingkat keburaman yang diberikan dapat disesuaikan dengan memvariasikan ukuran dari filter atau standar deviasi dari fungsi Gaussian yang digunakan.

Penapisan ini biasa digunakan untuk menyamarkan derau atau objek kecil yang tidak diharapkan.

E. Deteksi Tepi

Tepi merupakan pinggiran dari suatu daerah yang membentuk suatu objek. Tepi dapat dideteksi dengan perubahan nilai intensitas derajat keabutan yang signifikan dengan jarak yang dekat. Pendeteksian tepi bertujuan untuk meningkatkan penampakan garis batas atau objek pada citra.

Gambar 4. Deteksi tepi memberikan garis-garis pada citra Pendeteksian tepi biasa digunakan untuk mengenali objek apa yang terdapat pada citra. Hasil dari deteksi tepi digunakan untuk mengidentifikasi ciri fitur yang dimiliki objek pad citra.

F. Segmentasi Objek

Segmentasi pada data citra merupakan proses membagi citra menjadi segmen-segmen yang merepresentasikan suatu objek. Segmentasi citra dapat dilakukan dengan mengisi area yang telah diidentifikasi dari deteksi tepi tapi tidak hanya terbatas pada proses tersebut. Tujuan dari segmentasi adalah mengelompokkan piksel pada suatu kelas tertentu yang menunjukkan instansi, jenis, dan lainnya tergantung dari kebutuhan data citra diproses.

III. IMPLEMENTASI SOLUSI

Secara umum lampu lalu lintas memiliki bentuk lingkaran dan memiliki warna berbeda dengan kotak dari lampu lalu lintas. Solusi yang saya usulkan dengan memanfaatkan deteksi tepi lalu kemudian mencari objek dengan posisi paling atas dengan bentuk lingkaran. Hal tersebut dilakukan untuk membedakan lampu lalu lintas dengan lampu mobil atau objek lingkaran lainnya mengingat posisi lampu lalu lintas terbilang cukup tinggi.

Gambar x. Contoh citra dengan objek lampu lalu lintas

A. Penghapusan Derau

Citra yang ditangkap memiliki peluang besar mengandung derau atau objek-objek kecil yang dapat mengganggu pendeteksian tepi. Citra dilakukan penghapusan derau terlebih dahulu agar objek-objek kecil dan derau yang tidak diharapkan dapat tersingkirkan. Penghapusan derau memanfaatkan penapis Gaussian dengan standar deviasi yang bernilai 1 dan menghasilkan citra sebagai berikut:

Gambar x. Citra hasil penapis Gaussian

B. Pengambangan

Sebagian besar algoritma untuk mendeteksi tepi lebih mudah dan efektif jika dilakukan pada citra abu-abu. Pada citra abu-abu hanya memerlukan pemeriksaan level keabuan tanpa memerhatikan warna yang terkandung pada piksel. Hal ini dapat mempermudah dalam perhitungan gradien untuk menentukan suatu piksel merupakan tepi dari objek atau bukan.

Citra setelah mengalami operasi pengambangan menjadi sebagai berikut:

Gambar x. Citra setelah dilakukan konversi ke citra grayscale

C. Segmentasi

Proses ini bertujuan untuk mendeteksi objek yang diharapkan merupakan lampu lalu lintas. Proses dimulai dengan melakukan deteksi tepi menggunakan pendeteksi tepi canny menghasilkan citra dibawah.

Gambar x. Hasil dari pendeteksi tepi Canny

Lalu kemudian dilakukan seleksi terhadap tepi yang telah ditemukan untuk menghindari objek lain. Seleksi dilakukan dengan membatasi ukuran piksel pada suatu jaringan tepi dengan ukuran tidak terlalu besar dan tidak terlalu kecil.

Gambar x. Citra setelah dilakukan seleksi ukuran tepi

Kemudian dilanjutkan dengan mengisi tepi-tepi yang tertutup sehingga menghasilkan mask untuk menyeleksi piksel pada citra. Mask tersebut dikalikan dengan citra asli sehingga terlihat objek apa saja yang berhasil dideteksi.

Gambar x. Citra setelah proses segmentasi.

D. Seleksi Warna

Setelah citra dilakukan proses segmentasi sederhana seperti yang dijelaskan pada bagian sebelumnya, citra dilakukan seleksi warna untuk menghilangkan objek yang memiliki peluang kecil sebagai lampu lalu lintas. Seleksi dimulai dengan konversi ruang warna dari RGB menjadi HSV. Warna lampu lalu lintas berada pada rentang sudut Hue 0° hingga 150°.

Piksel dengan nilai Hue di luar dari rentang warna tersebut maka akan diberikan nilai Value menjadi 0 yang berarti piksel tersebut menjadi hitam.

Gambar x. Citra setalah dilakukan seleksi warna.

E. Pendeteksi Lingkaran

Setelah semua proses dilakukan, pendeteksi lingkaran dilakukan mengingat sebagian besar lampu lalu lintas berbentuk lingkaran. Objek-objek hasil pemrosesan sebelumnya dicari bentuk yang mirip dengan lingkaran dan menghasilkan deteksi seperti pada gambar x. Objek dengan garis biru yang melingkar merupakan hasil dari deteksi lingkaran.

Gambar x. Hasil dari deteksi lingkaran.

F. Deteksi Warna

Setelah deteksi dilakukan kemudian dapat diidentifikasi warna dari objek yang telah terdeteksi. Pendeteksi warna dilakukan pada ruang warna HSV dengan melihat nilai dari Hue. Klasifikasi dilakukan dengan melihat apakah warna tepi dari lingkaran kurang dari 30° yang menandakan bahwa lampu berwarna merah. Jika nilai Hue lebih dari 90° menandakan lampu yang menyala berwarna hijau, dan sisa dari kondisi tersebut dianggap sebagai kuning.

IV. HASIL

Implementasi dari solusi menghasilkan kode program yang dapat dijalankan pada Matlab r2021b.

im = imread('frame_004857.jpg');

filtered = imgaussfilt3(im,1);

g = rgb2gray(im);

imHSV = rgb2hsv(filtered);

bw = edge(g, "canny", 0.2);

bw = xor(bwareaopen(bw, 20), bwareaopen(bw,50));

imshow(bw)

bw = imfill(bw, 'holes');

bw = bwareaopen(bw, 50);

do = im2double(im);

res = do;

res(:,:,1) = res(:,:,1).*bw;

res(:,:,2) = res(:,:,2).*bw;

res(:,:,3) = res(:,:,3).*bw;

imshow(res)

[X,Y,~] = size(res);

resHSV = rgb2hsv(res);

for x = 1:X

for y = 1:Y

if (not(resHSV(x,y,1) >= 0 &&

resHSV(x,y,1) <= 0.41 && resHSV(x,y,2) >=

0.2))

resHSV(x,y,3) = 0;

resHSV(x,y,2) = 0;

end end

end

res = hsv2rgb(resHSV);

imshow(im);

[centers, radii] = imfindcircles(res,[2

30], 'Sensitivity',0.7);

[~, i] = min(centers(:,2));

c = centers(i,:);

r = radii(i);

viscircles(c, r,'EdgeColor','b');

if(imHSV(floor(c(2) + r),floor(c(1) +

r),1) < .085)

disp('merah')

elseif(imHSV(floor(c(2) + r),floor(c(1) +

r),1) > .25)

disp('hijau')

else

disp('kuning')

end

Dari program tersebut memberikan hasil deteksi sebagai berikut:

Citra Label

Merah

Tidak dapat mendeteksi lampu lalu lintas

Merah

V. KESIMPULAN DAN SARAN

Solusi yang telah diuji tidak dapat memberikan hasil yang baik. Banyak citra uji yang telah diambil dari laman http://www.lara.prd.fr/benchmarks/trafficlightsrecognition tapi tidak dapat dideteksi dengan baik dengan usulan solusi pada makalah ini. Harapan dari makalah ini dapat ditemukan metode untuk mendeteksi dan mengklasifikasi lampu lalu lintas yang lebih baik dengan pemrosesan citra.

ACKNOWLEDGMENT

Pada makalah yang sederhana ini penulis ingin menunjukkan tentang ide yang juga sederhana untuk berkontribusi pada pemrosesan citra khususnya pada lingkup sistem kemudi otomatis. Terima kasih kepada Bapak Rinaldi Munir sebagai dosen pengampu Pengolahan dan Interpretasi Citra Tahun Ajaran 2021-2022 yang telah memberikan ilmu sehingga makalah ini dapat ditulis. Tidak lupa penulis juga mengucapkan kepada teman-teman yang mewarnai mata kuliah ini dan juga pihak lain yang tidak dapat penulis sebutkan.

REFERENSI

[1] Rinaldi Munir, Slide mata kuliah Interpretasi dan Pengolahan Citra 2021-2022

[2] Traffic Lights Recognition (TLR) public benchmarks (http://www.lara.prd.fr/benchmarks/trafficlightsrecognition)

PERNYATAAN

Dengan ini saya menyatakan bahwa makalah yang saya tulis ini adalah tulisan saya sendiri, bukan saduran, atau terjemahan dari makalah orang lain, dan bukan plagiasi.

Bandung, 25 Mei 2022

M Rahadian Alamsyah P W 13518011