DETEKSI KENDARAAN YANG PARKIR SECARA ILEGAL
MENGGUNAKAN METODE DUAL BACKGROUND SUBTRACTION
DAN HISTOGRAM OF ORIENTED GRADIENTS (HOG)
Oleh Nicholai Missa NIM: 612008068
Skripsi
Untuk melengkapi salah satu syarat memperoleh Gelar Sarjana Teknik
Program Studi Teknik Elektro Fakultas Teknik Elektronika dan Komputer
Universitas Kristen Satya Wacana Salatiga
i
INTISARI
Permasalahan transportasi yang sering dijumpai terutama di perkotaan selain kemacetan adalah pengendalian parkir yang tidak teratur. Tingkat penggunaan fasilitas parkir yang tidak terkendali dan keterbatasan penyediaan lokasi parkir mempengaruhi kelancaran transportasi. Banyak pengguna lalu lintas memarkirkan kendaraannya di luar lokasi parkir seperti di badan jalan atau di tempat lain yang seharusnya bukan menjadi lokasi parkir. Cara mengurangi hal tersebut, selain rekayasa sosial, adalah memanfaatkan teknologi pengawasan kamera statis. Prinsip kerjanya ialah mendeteksi kendaraan yang parkir di daerah larangan parkir dan akan memberikan tanda peringatan setelah kendaraan parkir dalam selang waktu tertentu. Metode yang digunakan adalah Dual Background Subtraction. Sistem membedakan antara orang dan kendaraan yang parkir secara ilegal, menggunakan metode Histogram of
Oriented Gradients (HOG). Sistem ini disusun oleh perangkat lunak berupa aplikasi
antarmuka pengguna dan perangkat keras berupa web camera yang dikelilingi oleh High
Power Light-Emitting Diode (HPLED) untuk membantu pencahayaan. Sistem ini juga
dilengkapi dengan pengaturan Region of Interest (ROI) secara manual oleh pengguna. Berdasarkan pengujian menggunakan video dataset dan pengujian secara purna waktu, Sistem ini mampu mendeteksi kendaraan yang parkir secara ilegal dengan akurasi rata-rata hingga mencapai 99,20 % pada kondisi terang, dan akurasi rata-rata hingga mencapai 60,86 % pada kondisi gelap. Nilai threshold dan learning rate yang ditentukan adalah 70, 0,9 (learning rate
short background) dan 0,002 (learning rate long background). Penggunaan ROI mempercepat
proses deteksi dengan hanya memproses blob di dalam area ROI. Sistem juga mampu mendeteksi lebih dari satu kendaraan yang parkir secara ilegal. Sistem menyalakan alarm tanda peringatan kendaraan yang parkir secara ilegal setelah waktu 3 menit.
Kata Kunci: Dual Background Subtraction, Histogram of Oriented Gradients (HOG),
ii
ABSTRACT
One common issues existing in the topic of transportation – besides traffic jam – is bad parking control. Uncontrollable uses of parking facilities and lack of parking provisions affect the fluency of transports. Many traffic users tend to park their vehicles outside parking lot as on sidewalks or any other sites that are not supposed to be parking lot. To minimize that issue, besides using social engineering method, surveillance technology with static camera is being used. In principle, the technology detects illegally parked vehicles outside parking lot and provides an alarm as a sign of warning after several minutes of detection process. The method used in this system is Dual Background Subtraction. The system differentiates between persons and illegally parked vehicles using Histogram of Oriented Gradients (HOG) method. It is arranged by a user interface application as software and a web camera surrounded by
High Power Light-Emitting Diode (HPLED) to help the illumination. The system is also
provided with manual Region of Interest (ROI) settings by the user. Based on the test using video datasets and real-time test, the system is capable of detecting illegally parked vehicles with the average accuracy rate up to 99,20 % in bright conditions, and up to 60,86 % in dark conditions. The threshold and learning rate value are set to be 70, 0,9 (learning rate short background) and 0,002 (learning rate long background), respectively. The use of ROI advances the speed of detection process by only operating the blob inside the area of ROI. System is also capable of detecting many vehicles that parked illegally. It switches the alarm of warning sign on the vehicles that parked illegally after 3 minutes of time.
Keywords: Dual Background Subtraction, Histogram of Oriented Gradients (HOG),
iii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Allah Yang Maha Esa atas segala penyertaan dan anugerahNya sehingga penulis dapat menyelesaikan skripsi ini dalam rangka menyelesaikan studi di Fakultas Teknik Elektronika dan Komputer dan memperoleh gelar Sarjana Teknik.
Skripsi ini dapat berhasil karena dukungan berbagai pihak, baik itu dukungan secara langsung maupun tidak langsung. Oleh sebab itu, penulis ingin mengucapkan terima kasih kepada:
1. Keluargaku tercinta, papa Nelson Kahosadi, mama Sofietje Rondonuwu, kakak Nelfrits Christopher, kakak Angela Merici Chrisan Firmana, adik Chelsie Ireine Finka dan adik Nicki William Abner yang terus mendukung lewat doa, dana, dan motivasi tiada henti kepada penulis. Terima kasih untuk cinta dan kasih sayang kalian semua.
2. Bapak Saptadi Nugroho, S.T., M.Sc. sebagai pembimbing I dan Bapak Andreas A. Febrianto, M.T. sebagai pembimbing II. Terima kasih untuk bimbingan, nasihat, dan pengajarannya kepada penulis yang sangat bermanfaat selama pengerjaan skripsi. Mohon maaf untuk semua kesalahan dan keteledoran yang penulis lakukan selama pengerjaan skripsi.
3. Teman-teman FTEK 2008 yang terkasih. Terima kasih untuk semua bantuan yang penulis terima selama masa perkuliahan. Mohon maaf jika selama ini penulis jarang berkumpul bersama kalian. Semoga kalian sukses di masa depan. 4. Teman-teman Vokal Grup Lentera Kasih UKSW. Terima kasih untuk kebersamaannya selama ini yang telah memberi penulis banyak pengalaman berharga. Sukses dimanapun kalian berada.
5. Teman-teman Lembaga Kemahasiswaan, khususnya SMU UKSW 2010-2011 dan SMF FTEK 2011-2012. Terima kasih telah memberikan kesempatan penulis untuk mendapat pengalaman berharga bersama kalian.
iv
6. Keluarga Kos Eltorro 800. Terima kasih untuk kekeluargaannya. Terima kasih untuk bantuan, semangat, nasihat, dan peristiwa yang penulis alami bersama kalian selama penulis berkuliah. Kalian tidak akan pernah penulis lupakan. 7. Grace Nadia Meiwinona dan keluarga tante Indyah Setyowati. Terima kasih
untuk dukungannya selama penulis berproses menyelesaikan skripsi ini. Mohon maaf untuk kesalahannya. Tuhan selalu menyertai.
8. Priska Lydia Pulungan. Terima kasih untuk dukungannya kepada penulis. Sukses untukmu di masa depan. Tuhan menyertai.
9. Semua pihak yang telah membantu dan telah bersama penulis yang tidak bisa disebutkan satu per satu.
Penulis menyadari bahwa skripsi ini tentunya masih belum sempurna. Penulis mengharapkan kritik dan masukan agar skripsi ini dapat lebih berguna dan dikembangkan dengan teknologi yang lebih baik untuk digunakan di masyarakat.
Semoga skripsi ini dapat bermanfaat dan menjadi sumber inspirasi bagi siapapun yang membacanya. Akhir kata, semoga kita selalu mempergunakan pengetahuan yang kita miliki dengan baik, dengan berprinsip pada sikap Takut akan Tuhan. Tuhan senantiasa memberkati pelayanan dan perjuangan kita.
Salatiga, Januari 2016
v
DAFTAR ISI
INTISARI ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... vii
DAFTAR TABEL ... ix
DAFTAR KODE ... x
DAFTAR SINGKATAN ... xi
DAFTAR LAMBANG ... xii
BAB I PENDAHULUAN ... 1 1.1. Tujuan ... 1 1.2. Latar Belakang ... 1 1.3. Batasan Masalah ... 3 1.4. Spesifikasi Skripsi ... 3 1.5. Sistematika Penulisan ... 3
BAB II DASAR TEORI ... 5
2.1. Pre-Processing ... 5
2.2. Background Modeling ... 5
2.3. Deteksi Objek ... 7
2.4. Validasi Data ... 8
2.5. Histogram of Oriented Gradients (HOG) ... 10
2.5.1. Perhitungan Gradien ... 10
2.5.2. Orientation Binning ... 10
2.5.3. Blok Deskriptor ... 10
2.5.4. Normalisasi Blok... 11
vi
BAB III PERANCANGAN SISTEM ... 13
3.1. Gambaran Sistem ... 13
3.2. Perancangan Aplikasi ... 15
3.2.1. Perancangan Dataset ... 15
3.2.2. Region of Interest (ROI) ... 18
3.2.3. Proses Deteksi ... 20
3.3. Perancangan Perangkat Keras ... 26
3.3.1. Web Camera ... 26
3.3.2. High Power Light-Emitting Diode (LED) ... 26
3.4. Gaftar Alir ... 27
3.5. Pengambilan Frame Video ... 29
BAB IV HASIL PENGUJIAN DAN ANALISISNYA ... 30
4.1. Data Video Untuk Pengujian ... 30
4.1.1. VISOR (Video Surveillance Online Repository) ... 30
4.1.2. Video Menggunakan Web Camera ... 31
4.2. Pengujian Nilai Threshold dan Learning Rate ... 32
4.3. Pengujian Waktu Komputasi ... 39
4.3.1. Region of Interest (ROI) ... 39
4.3.2. Frame Rate ... 40
4.4. Pengujian Sistem Purna Waktu (Real-Time) ... 41
4.4.1. Penentuan Parameter alarmCount ... 41
4.4.2. Pengujian Pengaruh Bayangan (Shadows) ... 42
4.4.3. Pengujian Pengaruh Learning Rate Long Background Terhadap Proses Deteksi ... 42
4.4.4. Pengujian Nilai Threshold ... 44
BAB V KESIMPULAN DAN SARAN ... 46
5.1. Kesimpulan ... 46
5.2. Saran Pengembangan ... 47
vii
DAFTAR GAMBAR
Gambar 1.1. Diagram Kotak Proses Deteksi Parkir Kendaraan di Tempat Ilegal ... 2
Gambar 2.1. (a) Contoh Structuring Element ... 9
Gambar 2.1. (b) Contoh Objek yang Diproses Menggunakan Operasi Dilasi ... 9
Gambar 2.1. (c) Objek Hasil Operasi dengan Structuring Element pada Bagian (a) ... 9
Gambar 2.2. Contoh Citra dengan Ukuran 64 x 128 Piksel yang Dibagi ke dalam Sel yang Berukuran 8 x 8 Piksel. ... 11
Gambar 2.3. Contoh Himpunan Data INRIA Person Dataset dengan Keadaan yang Bervariasi ... 12
Gambar 3.1. Pengaturan Posisi Kamera Menghadap Daerah Larangan Parkir ... 13
Gambar 3.2. Homepage Aplikasi Deteksi Kendaraan yang Parkir Ilegal ... 14
Gambar 3.3. Tampilan pada Command Window Setelah Melakukan Proses Pelatihan dan Pengujian Sampel Dataset ... 18
Gambar 3.4. Frame Pertama dan ROI yang Terbentuk ... 18
Gambar 3.5. High Power LED ... 26
Gambar 3.6. Gaftar Alir Proses Deteksi Kendaraan yang Parkir Secara Ilegal ... 27-28 Gambar 4.1. Contoh Frame yang Diambil dari VISOR Dataset ... 30
Gambar 4.2. Contoh Frame yang Diambil dari Web Camera ... 32
Gambar 4.3. Hasil Deteksi pada Pengujian Sistem ... 36
Gambar 4.4. Beberapa Contoh Kesalahan Deteksi ... 37-38 Gambar 4.5. Hasil Deteksi pada Pengujian Sistem (VISOR Dataset) ... 39
viii
Gambar 4.7. Deteksi Kendaraan dengan Bayangan dan Tanpa Bayangan ... 42 Gambar 4.8. Frame Background Setelah Updating ... 43-44
ix
DAFTAR TABEL
Tabel 2.1. Tabel Perbandingan Long Foreground dan Short Foreground ... 7
Tabel 4.1. Confusion Matrix untuk Klasifikasi Dua Kelas ... 33
Tabel 4.2. Hasil Penghitungan (Video Web Camera) dengan Th = 70, 𝛼l = 0.005, 𝛼s = 0.8 ... 33
Tabel 4.3. Hasil Penghitungan (Video Web Camera) dengan Th = 70, 𝛼l = 0.002, 𝛼s = 0.9 ... 34
Tabel 4.4. Hasil Penghitungan (VISOR Dataset) dengan Th = 70, 𝛼l = 0.002, 𝛼s = 0.9 ... 34
Tabel 4.5. Hasil Penghitungan (VISOR Dataset) dengan Th = 60, 𝛼l = 0.005, 𝛼s = 0.8 ... 34
Tabel 4.6. Hasil Pengujian Waktu Komputasi dengan ROI ... 40
Tabel 4.7. Hasil Pengujian Waktu Komputasi dengan Frame Rate ... 40
Tabel 4.8. Hasil Pengujian Penentuan Parameter alarmCount ... 41
Tabel 4.9. Hasil Pengujian Pengaruh Bayangan (Shadows) Terhadap Akurasi ... 42
Tabel 4.10. Hasil Pengujian Nilai Threshold (𝛼l = 0.002, 𝛼s = 0.9, alarmCount = 100) ... 44
x
DAFTAR KODE
Kode 3.1. Proses Pelatihan dan Pengujian Dataset Menggunakan Histogram of Oriented
Gradients (HOG), Support Vector Machine (SVM) Classifier, dan Cross Validation ... 16-17
Kode 3.2. Proses Pembuatan Region of Interest (ROI) Secara Manual ... 19
Kode 3.3. Inisial Parameter Untuk Deteksi Objek yang Diam ... 21
Kode 3.4. Membuat Blob Analysis Object dan Offset ... 21
Kode 3.5. Menentukan shortROIFrame dan longROIFrame ... 22
Kode 3.6. Menentukan Frame yang Akan Dilakukan Proses Pengurangan Dengan Background ... 22
Kode 3.7. Proses Pengurangan Dengan Short Background dan Long Background, Thresholding, dan Penggabungan Kedua Citra Hasil Pengurangan ... 23
Kode 3.8. Proses Background Update Menggunakan Metode Running Average ... 23
Kode 3.9. Fungsi Morfologi ... 24
Kode 3.10. Proses Blob Analysis dan Tracking Objek Diam ... 24
Kode 3.11. Proses Klasifikasi Objek yang Terdeteksi Diam ... 25
Kode 3.12. Proses Tampilan Hasil Deteksi dan Klasifikasi ... 26
xi
DAFTAR SINGKATAN
HOG Histogram of Oriented Gradients
ROI Region of Interest
GMM Gaussian Mixture Models
BS Background Subtraction
RA Running Average
RGB Red, Green, Blue
YCbCr Brightness, Blue – Brightness, Red – Brightness
SE Structuring Element
MATLAB Matrix Laboratory
USB Universal Serial Bus
LED Light-Emitting Diode
GUI Graphic User Interface
SVM Support Vector Machine
HPLED High Power Light-Emitting Diode
VISOR Video Surveillance Online Repository
TP True Positive
FN False Negative
TP True Negative
xii
DAFTAR LAMBANG
𝐵𝑡(𝑥, 𝑦) Background Model pada koordinat piksel (x,y)
𝐼𝑡(𝑥, 𝑦) Frame ke t pada video stream di koordinat piksel (x,y)
𝛼𝑙 Learning Rate untuk Long Background
αs Learning Rate untuk Short Background
𝑇 Threshold (Nilai Ambang)
𝑀𝑡(𝑥, 𝑦) Citra Baru yang Terbentuk di koordinat piksel (x,y)
𝑅(𝑥, 𝑦) Citra Hasil Perbandingan Long Foreground dan Short Foreground 𝐿𝐹(𝑥, 𝑦) Citra Long Foreground
𝑆𝐹(𝑥, 𝑦) Citra Short Foreground 𝑅(𝑥, 𝑦) Citra Hasil Deteksi Objek
𝑆𝐸 Structuring Element
𝑧 Himpunan Titik-titik (Piksel) 𝐷𝑥 Kernel 1-D Horizontal 𝐷𝑦 Kernel 1-D Vertikal
I Citra yang Diproses pada HOG |𝐺| Magnitudo Gradien
𝜃 Orientasi Gradien
𝑓1 Vektor Histogram Hasil Normalisasi pada Bin Pertama
xiii
|𝑣| Magnitudo Seluruh Vektor Histogram untuk Satu Blok 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 Nilai Akurasi Berdasarkan Tabel Confusion Matrix
f Frame
𝑇𝑃 True Positive
𝑇𝑁 True Negative
𝐹𝑃 False Positive