FILTER, STUDI KASUS: MULTITOUCH
Rizky Ario Nugroho¹, Tjokorda Agung Budi Wirayuda², Retno Novi Dayawati³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Multi-blob tracking merupakan bentuk penelusuran yang dapat menelusuri banyak blob sekaligus tanpa saling interupsi. Permasalahan ini dapat diselesaikan menggunakan Algoritma Kalman Filter. Kalman Filter merupakan sebuah estimator rekursif, yang membutuhkan state sebelumnya dan pengukuran sekarang untuk mengestimasi state sekarang. Kalman Filter mampu mendeteksi pergerakan banyak objek serta mengikuti arah lintasan yang terbentuk dengan akurat. Selain itu, keunggulan dari metode ini adalah penggunaan daya komputasi yang hemat, karena Kalman Filter hanya menggunakan status sekarang dan status sebelumnya untuk memprediksi status selanjutnya, tanpa melakukan observasi history.
Pada tugas akhir dikembangkan suatu aplikasi yang menerapkan Kalman Filter untuk menelusur multi-blob dari bayangan tangan yang ditangkap webcam. Kemudian menerjemahkannya menjadi event-event multitouch seperti, finger down, finger moved, dan finger released, yang kemudian diterjemahkan menjadi suatu perintah, sebagai bentuk Aplikasi Multitouch.
Dengan settingan yang sesuai, Kalman Filter dapat melakukan penelusuran multi-blob tanpa saling menginterupsi, bahkan pada saat kegagalan deteksi pada kasus tabrakan blob.
Kata Kunci : Kalman Filter, Multi-Blob Tracking, Multitouch, estimator, state.
Abstract
Multi-blob tracking is kind of tracking that can trace a lot of each blob at once without interruption. This problem can be solved using the Kalman Filter algorithm. Kalman filter is a recursive estimator, which requires the previous state and current measurements to estimate the state now. Kalman filter can detect the movement of many objects and follow the direction of the path that is formed with accuracy. In addition, the advantages of this method is the efficiecy in computation, since Kalman filter using only current status and previous status to predict the next state, without making any observation on history.
This final project, developed an application that uses Kalman Filter to track multi-blob of a captured image from a webcam. Then translate into multitouch events such as, finger down, finger moved, and finger released, which then translates into a command, as a form of Multitouch Applications.
With the appropriate setting, Kalman Filter can do multi-blob tracking without interrupting each other, even when failure detection occures in the case of blobcollision.
Keywords : Kalman Filter, Multi-Blob Tracking, Multitouch, estimator, state.
Powered by TCPDF (www.tcpdf.org)
1
1.
Pendahuluan
1.1
Latar Belakang
Pendeteksian dan penelusuran objek (selanjutnya disebut tracking) merupakan bidang kajian yang populer dalam bidang computer vision. Salah satu bentuk tracking adalah multi-blob tracking, diharapkan komputer dapat mengenali banyak blob sekaligus sebagai wujud dari computer vision. Blob merupakan daerah gabungan dari pixel pixel satu warna yang saling terhubung. Lebih jauh lagi, komputer juga harus dapat melakukan tracking terhadap seluruh blob melalui video secara real-time dengan memanfaatkan sumber daya komputasi secara efisien. Masalah tersebut harus dapat diselesaikan dengan algoritma tracking yang tepat.
Permasalahan di atas dapat diselesaikan dengan menggunakan Algoritma Kalman Filter. Kalman Filter merupakan Algoritma probabilitas prediksi yang mampu menganalisa trajektori dari blob yang bergerak secara acak. Pengamatan terhadap orientasi dari suatu blob dan posisi awal target, dibutuhkan untuk pengumpulan data dalam menganalisis suatu sistem dinamik linear. Diharapkan penggunaan Algoritma Kalman Filter mampu mendeteksi pergerakan banyak objek serta mengikuti arah lintasan yang terbentuk dengan akurat. Selain itu, keunggulan dari metode ini adalah penggunaan daya komputasi yang hemat, karena Kalman Filter hanya menggunakan status sekarang dan status sebelumnya untuk memprediksi status selanjutnya, tanpa melakukan observasi history.
Seiring dengan meluasnya penggunaan komputer dalam berbagai aspek kehidupan, maka interaksi manusia dengan komputer dituntut lebih intuitif dan natural. Salah satu metode interaksi manusia dengan komputer yang sedang menjadi kajian utama saat ini adalah Multitouch. Multitouch adalah metode interaksi dengan komputer yang memungkinkan user untuk berinteraksi dengan menggunakaan dua jari atau lebih, langsung pada permukaan layar. Dengan multitouch, interaksi manusia komputer dapat menjadi lebih intuitif dan natural, bila dibandingkan dengan metode konvensional seperti mouse atau trackball. Selain itu multitouch memungkinkan beberapa user berkolaborasi menggunakan suatu aplikasi pada satu komputer.
Penelitian Tugas Akhir yang dilakukan adalah membangun aplikasi yang menerapkan Kalman Filter untuk menelusur multi-blob dari bayangan tangan yang ditangkap webcam. Kemudian menerjemahkannya menjadi event-event multitouch seperti, finger down, finger moved, dan finger released, yang kemudian diterjemahkan menjadi suatu perintah, sebagai bentuk Aplikasi Multitouch.
1.2
Perumusan Masalah
Dapat dirumuskan beberapa masalah yang dapat diangkat melalui penelitian Tugas Akhir ini, yaitu :
1. Bagaimana Algoritma Kalman Filter dapat melakukan penelusuran pada lebih dari satu objek sekaligus?
2. Bagaimana pengaruh State Model, dan Process Noise Covariance Matrix terhadap performansi Kalman Filter dalam melakukan penelusuran?
2
1.3
Tujuan
Tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut:
1. Menerapkan Algoritma Kalman Filter dalam membangun input device Multitouch, serta menganalisis performansi Algoritma tersebut dalam melakukan penelusuran Multi-Blob.
2. Analisis State Model, dan Process Noise Covariance Matrix pada Kalman Filter.
1.4
Batasan Masalah
Batasan masalah dari penelitian Tugas Akhir ini yaitu:
1. Video masukan pada program demo adalah video hitam putih yang merupakan bayangan tangan yang ditangkap webcam secara real-time.
2. Input Device yang digunakan adalah Multitouch Pad sederhana yang dibuat sendiri
3. Parameter performansi dari sistem ini adalah rata rata error yang dinyatakan dalam selisih antara hasil prediksi Kalman Filter dangan posisi aktual blob.
1.5
Metode Penyelesaian Masalah
Adapun metodologi penelitian yang dilakukan adalah sebagai berikut: 1. Tahap Pengumpulan Data dan Studi Literatur
Pada tahap ini dilakukan pendalaman materi terhadap konsep dan teori Kalman Filter, pergerakan objek dalam citra video, dan image processing, melalui konsultasi kepada para pakarnya, maupun studi literatur-literatur terkait dan pustaka online.
2. Tahap Perancangan Sistem
Pada tahap ini, dilakukan perancangan sistem secara umum, kemudian menjabarkannya secara lebih rinci. Penentuan kasus uji yang digunakan untuk menguji program juga dirancang pada tahap ini.
3. Tahap Implementasi
Pada tahap ini, dilakukan implementasi dari rancangan sistem yang telah dibuat sebelumnya menjadi program uji.
4. Tahap Pengujian Sistem
Pada tahap ini, dilakukan testing program yang sudah diimplementasikan menggunakan Visual Studio. Testing dilakukan dengan menggunakan kasus uji berupa image sequence/video sesuai pada batasan masalah sehingga diketahui tingkat akurasinya.
5. Tahap Analisis Hasil Pengujian
Berdasarkan tahap pengujian sistem yang dilakukan sebelumnya, dilakukan analisis terhadap output yang dihasilkan dengan target yang telah ditentukan, dikaitkan dengan state model dan parameter-parameter terkait yang mempengaruhi. Berdasarkan analisis tersebut, diambil kesimpulan cara kerja dan parameter terkait yang mempengaruhi akurasi dari Kalman Filter.
6. Tahap Pembuatan Laporan
Pada tahap ini, dilakukan penyusunan laporan akhir dan pengumpulan dokumentasi dengan mengikuti kaidah penulisan yang benar dan sesuai dengan ketentuan-ketentuan atau sistematika yang telah ditetapkan oleh institusi.
3
1.6
Sistematika Penulisan
Tugas akhir ini disusun dengan sistematika penulisan sebagai berikut:
BAB 1 Pendahuluan
Bab ini menguraikan tugas akhir ini secara umum, meliputi latar belakang masalah, perumusan masalah, tujuan, batasan masalah, dan metode yang digunakan.
BAB 2 Landasan Teori
Bab ini membahas mengenai uraian teori yang berhubungan dengan tugas akhir ini.
BAB 3 Analisis Perancangan dan Implementasi
Bab ini berisi analisis kebutuhan dari sistem dan masalah-masalah yang ada di dalamnya. Hasil analisis ini dituangkan ke dalam suatu sistem pemodelan secara terstruktur. Berdasarkan tahap analisis kemudian dilanjutkan ke tahap perancangan dan implementasi.
BAB 4 Pengujian dan Analisis Hasil Percobaan
Bab ini membahas mengenai pengujian hasil implementasi yang telah dilakukan pada bab sebelumnya. Pengujian dilakukan dengan membandingkan hasil implementasi dengan data aslinya. Tahap Pengujian dilanjutkan dengan tahap analisis hasil pengujian.
BAB 5 Kesimpulan dan Saran
Berisi kesimpulan dari penulisan Tugas Akhir ini dan saran-saran yang diperlukan untuk pengembangan lebih lanjut.
Powered by TCPDF (www.tcpdf.org)
47
5.
Kesimpulan dan Saran
5.1
Kesimpulan
Kesimpulan yang dapat diambil pada tugas akhir ini antara lain:
1. Dengan settingan parameter yang sesuai, Kalman Filter sukses melakukan penelusuran multi-blob tanpa saling menginterupsi, bahkan pada saat kegagalan deteksi pada kasus tabrakan seperti yang terlihat pada Pengujian untuk menentukan Parameter Aplikasi Demo.
2. Settingan parameter Kalman Filter yang tidak sesuai dapat mengakibatkan kegagalan penelusuran, seperti yang terlihat pada observasi Matrik Kovariansi Noise Proses. Kalman Filter gagal melakukan tracking pada kasus yang memiliki noise, ketika nilai Matrik Kovariansi Noise Proses adalah Matrik Nol.
3. Bentuk State Model mempengaruhi performansi Kalman Filter dalam melakukan penelusuran. State Model yang lebih detail mendefinisikan gerakan memiliki performansi yang lebih baik, seperti yang terlihat pada observasi state model.
4. Mengetahui karakteristik noise proses dapat membantu penentuan Nilai Matrik Kovariansi Noise Proses yang dapat meningkatkan performansi Kalman Filter.
5. Inisialisasi Nilai Matrik Kovariansi Keadaan dapat meningkatkan adaptasi Kalman Filter untuk orientasi pergerakan blob. Semakin cepat Kalman Filter beradaptasi semakin baik performansinya.
5.2
Saran
Saran-saran untuk pengembangan tahap selanjutnya antara lain:
1. Untuk dapat mengetahui karakteristik citra dari video dengan tepat, bangun aplikasi yang dapat mengontrol proses Akuisisi citra dengan akurat.
2. Sebaiknya dilakukan analisis terhadap jeda akusisi image yang optimal, untuk mengetahui kehandalan Kalman Filter dalam melakukan penelusuran.
Powered by TCPDF (www.tcpdf.org)
48
Daftar Pustaka
[1] Ristic, Branko (2004). Beyond the Kalman Filter: Particle Filters for Tracking. Portland: Book News, Inc.
[2] Mandel Jan (2006). Efficient Implementation of the Ensemble Kalman Filter, Denver: University of Colorado.
[3] Manfredi, Victoria, Mahadevan Sridhar, & Kurose Jim. Switching Kalman Filters for Prediction and Tracking in an Adaptive Meteorological Sensing Network, Massachusetts: University of Massachusetts.
[4] NUI Group Authors (2009). Multi-Touch Technologies. NUI Group.
[5] Funk, Nathan (2003). A Study of the Kalman Filter applied to Visual Tracking, Kanada: University of Alberta.
[6] Kelvin C.P. Wang, Zhiqiong Hou, & Weiguo Gong (2005), Automated Detection, Tracking, and Recognition of Roadway Signs, Kanada: University of Waterloo.
[7] LaViola, Joseph (2009), Double Exponential Smoothing: An Alternative to Kalman Filter-Based Predictive Tracking. Providence: Brown University Technology Center.
[8] Welch, Greg, Bishop, Gary (2006). An Introduction to the Kalman Filter. Chapel Hill: University of North Carolina.
[9] Wikipedia. Multi-touch. Available at : http://en.wikipedia.org/wiki/Multi-touch. Diakses tanggal 25 November 2009.
[10] Wikipedia. Kalman Filter. Available at : http://en.wikipedia.org/wiki/Kalman_filter. Diakses tanggal 25 November 2009.
[11] Wikipedia. Blob Detection. Available at : http://en.wikipedia.org/wiki/Blob_detection . Diakses tanggal 25 November 2009.
Powered by TCPDF (www.tcpdf.org)
