ABSTRAK
Laporan penelitian ini berisi mengenai pengembangan sebuah perangkat keamanan mobil yang berfungsi mencegah akses orang yang tidak berwenang dalam menghidupkan mesin mobil. Perangkat ini merupakan sebuah embedded
system yang menggunakan algoritma pengenalan wajah untuk otentikasi
pengemudi. Dengan menggunakan kombinasi dua buah algoritma pengenalan wajah (Fisherface dan local binary pattern histogram) dengan sistem voting, akurasi yang didapat adalah 90% ± 13%, dengan false acceptance rate sebesar 5% dan false recognition rate sebesar 7%.
Dalam penelitian ini, implementasi algoritma Fisherface dan local binary pattern
histogram menggunakan library OpenCV yang ditanamkan dalam perangkat
Raspberry Pi®.
ABSTRACT
This project report is about a development of car security system device to prevents
unauthorized access to ignite the car’s engine. The device is an embedded system which uses face recognition algorithm for access authorization. By adopting a voting scheme of a combination of two well-known face recognition algorithms, namely Fisherface and local binary pattern histogram, the accuracy is significantly improved, which is 90% ± 13%, with 5% false acceptance rate and 7% false recognition rate.
In this project, implementation of the algorithms employs OpenCV library, which is embedded in a Raspberry Pi® device.
DAFTAR ISI
LEMBAR PENGESAHAN ... i
PERNYATAAN ORISINALISTAS LAPORAN PENELITIAN ... ii
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iii
PRAKATA ... iv
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xiii
DAFTAR NOTASI/ LAMBANG ... xiv
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Tujuan Pembahasan ... 3
1.4 Ruang Lingkup ... 3
1.5 Sumber Data ... 4
1.6 Sistematika Penyajian ... 4
BAB 2 KAJIAN TEORI ... 6
2.1 Landasan Teori ... 6
2.1.1 Sistem Pengenalan Wajah ... 6
2.1.2 Face Detection Menggunakan Haar Cascade ... 6
2.1.3 Local Binary Patterns Histogram ... 8
2.1.4 Eigenfaces dan Fisherfaces ... 11
2.1.6 OpenCV ... 14
2.2 Keaslian Penelitian ... 14
BAB 3 ANALISIS DAN RANCANGAN SISTEM ... 15
3.1 Analisis Sistem ... 15
3.2 Desain Sistem ... 16
3.2.1 Data Flow Diagram (DFD) ... 16
3.2.1.1 Data Flow Diagram Level 0 ... 16
3.2.1.2 Data Flow Diagram Level 1 ... 17
3.2.1.3 Data Flow Diagram Level 2 ... 18
3.2.1.4 Data Flow Diagram Level 3 ... 20
3.2.2 Circuit Diagram ... 24
3.3 Contoh Kasus Pemanfaatan Voting dalam Memutuskan Hasil Pengenalan Wajah ... 25
BAB 4 IMPLEMENTASI ... 29
4.1 Implementasi Metode ... 29
4.1.1 Inisialisasi dan Deklarasi Fungsi ... 29
4.1.2 Pengenalan Wajah ... 33
4.1.2.1 Array untuk Menampung Hasil Voting... 34
4.1.2.2 Kamera Mendeteksi Wajah Secara Berulang ... 34
4.1.3 Menambah Pengemudi Baru ... 38
4.2 Implementasi Antar Muka... 43
4.2.1 Tampilan Menu Awal ... 43
4.2.2 Menjalankan Sistem Pengenalan Wajah Pengemudi ... 43
4.2.3 Menambahkan Pengemudi Baru ... 44
4.2.4 Melihat Daftar Pengemudi ... 46
4.3 Implementasi Rangkaian dan Perangkat Keras ... 47
BAB 5 PENGUJIAN ... 49
5.1 Black-Box Testing ... 49
5.2 False Acceptance Rate dan False Recognition Rate Testing ... 55
5.2.1 False Acceptance Rate (FAR) ... 59
5.2.2 False Recognition Rate (FRR) ... 64
BAB 6 SIMPULAN DAN SARAN ... 69
6.1 Simpulan ... 69
6.2 Saran ... 70
DAFTAR GAMBAR
Gambar 2.1 Contoh fitur untuk deteksi wajah ... 7
Gambar 3.1 Data Flow Diagram Level 0 ... 17
Gambar 3.2 Data Flow Diagram Level 1 ... 18
Gambar 3.3 Data Flow Diagram Level 2 untuk proses “1. Run Recognizer” ... 19
Gambar 3.4 Data Flow Diagram Level 2 untuk proses “2. Add New Driver” ... 20
Gambar 3.5 Data Flow Diagram Level 3 untuk proses “1.1 Preprocessing Images” ... 21
Gambar 3.6 Data Flow Diagram Level 3 untuk proses “1.5. Result Judgement”. 21 Gambar 3.7 Data Flow Diagram Level 3 untuk proses “2.2 Add 6 Driver Frontal Faces” ... 22
Gambar 3.8 Data Flow Diagram Level 3 untuk proses “2.3 Add 2 Driver Left Faces” ... 23
Gambar 3.9 Data Flow Diagram Level 3 untuk proses “2.4 Add 2 Driver Right Faces” ... 24
Gambar 3.10 Circuit diagram sistem ... 25
Gambar 4.1 Kode program untuk inisialisasi awal parameter ... 30
Gambar 4.2 Kode program untuk membuat CascadeClassifier menggunakan OpenCV ... 30
Gambar 4.3 Kode program untuk membuat OpenCV Recognizer ... 30
Gambar 4.4 Kode program untuk mengambil dan preprocessing face database .. 31
Gambar 4.5 Database wajah ... 31
Gambar 4.6 Kode program untuk training LBPH Recognizer ... 32
Gambar 4.7 Kode program untuk training Fisherface Recognizer ... 32
Gambar 4.8 Kode program untuk face detection ... 32
Gambar 4.9 Kode program inisialisasi kamera ... 33
Gambar 4.10 Kode program pemanggilan fungsi training recognizer ... 33
Gambar 4.11 Kode program untuk inisialisasi awal ... 34
Gambar 4.12 Kode program array hasil voting ... 34
Gambar 4.14 Kode progam recognizer melakukan voting terhadap gambar wajah
... 35
Gambar 4.15 Kode program perhitungan hasil voting ... 36
Gambar 4.16 Kode program untuk menghasilkan keputusan terhadap suatu pengemudi ... 36
Gambar 4.17 Kode program untuk mencari data pengemudi dari hasil voting .... 37
Gambar 4.18 Kode program untuk memberikan sinyal listrik ke rangkaian perangkat keras... 37
Gambar 4.19 Kode program untuk menangani ketika tidak ada wajah terdeteksi 38 Gambar 4.20 Kode program untuk memasukkan nama driver baru ... 38
Gambar 4.21 Kode program untuk menyimpan data pengemudi baru ... 39
Gambar 4.22 Kode program untuk pengambilan 6 gambar secara frontal ... 40
Gambar 4.23 Kode program untuk pengambilan 2 gambar wajah menghadap kiri ... 41
Gambar 4.24 Kode program untuk pengambilan 2 gambar wajah menghadap kanan ... 42
Gambar 4.25 Tampilan menu awal ... 43
Gambar 4.26 Pilihan algoritma untuk pencarian wajah paling mirip ... 44
Gambar 4.27 Driver yang telah terdaftar kedalam sistem ... 44
Gambar 4.28 Menambahkan pengemudi dengan menghadap kamera... 45
Gambar 4.29 Menambahkan pengemudi dengan wajah miring kiri terhadap kamera ... 45
Gambar 4.30 Menambahkan pengemudi dengan wajah miring kanan terhadap kamera ... 46
Gambar 4.31 Tampilan daftar pengemudi ... 46
Gambar 4.32 Tampilan saat menghapus pengemudi dari daftar ... 47
Gambar 4.33 Rangkaian perangkat keras... 48
Gambar 5.1 Foto Malvin Mahesa sebagai pemilik ... 49
Gambar 5.2 Foto Michael Mahendra sebagai Mr. X ... 50
Gambar 5.3 Hasil pengujian Black Box ... 55
Gambar 5.4 Grafik hasil pengujian sesuai harapan untuk FAR ... 63
DAFTAR TABEL
Tabel 3.1 Contoh Kasus Voting Menghasilkan “Unknown” ... 27
Tabel 3.2 Contoh Kasus Voting Menghasilkan Nama ... 28
Tabel 5.1 Tabel pengujian secara umum... 50
Tabel 5.2 Daftar Wajah Penguji ... 57
Tabel 5.3 Tabel pengujian untuk mencari false acceptance rate ... 60
Tabel 5.4 Tabel hasil pengujian sesuai harapan untuk FAR ... 62
Tabel 5.5 Tabel pengujian false recognition rate ... 64
aktivitas dalam sistem.
Control Flow
Disimbolkan
menggunakan bentuk tanda panah kanan, sebagai alur
aktivitas.
Final Node
Disimbolkan
menggunakan bentuk bulat penuh dilapisi bulat kosong, sebagai penanda akhir sistem.
Referensi:
Notasi/ Lambang Flowchart dari Visual Paradigm.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Keamanan pada sistem merupakan sebuah hal mendasar untuk kontrol akses dan mencegah akses oleh orang yang tidak memiliki wewenang untuk menggunakan sistem. Keamanan dan kontrol akses diperlukan secara ketat untuk mencegah terjadinya hal yang merugikan. Metode pengamanan sebuah sistem dimulai dengan metode yang konvensional, yaitu dengan menggunakan kunci dan menggembok sistem, serta memberikan sebuah kata kunci yang harus dimasukkan terlebih dahulu untuk mendapatkan akses terhadap sistem. Selain itu, terdapat metode pengamanan dengan menggunakan kartu elektronik yang didalamnya terdapat kode khusus. Namun pengamanan dengan cara seperti ini kurang maksimal. Seseorang yang tidak memiliki kewenangan dapat melakukan akses terhadap sistem jika memiliki kunci maupun duplikat dari kunci tersebut.
Biometrics merupakan sebuah cabang teknologi yang bertujuan untuk identifikasi seseorang menggunakan ciri-ciri yang khas dari tubuh seperti wajah, suara, sidik jari, dan retina. Wajah merupakan salah satu ciri khas tubuh yang sering digunakan dalam biometrics user authentication [1]. Wajah manusia menyimpan suatu identitas dan kondisi emosional yang unik bagi setiap manusia. Pengamanan dengan menggunakan biometik tubuh meningkatkan keamanan suatu sistem. Kontrol akses menggunakan ciri-ciri yang unik dari tubuh yang digunakan untuk memastikan bahwa hak akses hanya bisa didapat oleh masing-masing orang yang terdaftar. Biometic user authentication telah menjadi salah satu solusi dalam permasalahan kontrol akses dalam U.S. Army dan telah digunakan hingga pada keamanan di sistem militer maupun pemerintahan [2].
Pada akhir Desember 2015, INTERPOL (International Criminal Police
Organization) merilis Stolen Motor Vehicle (SMV) database. SMV database berisi
2
Pada penelitian ini, direncanakan untuk membuat sebuah perangkat keamanan mobil dengan memanfaatkan otentikasi biometrik pengguna. Penelitan dilakukan untuk merancang dan membuat sebuah perangkat kontrol akses pada mobil dengan menggunakan salah satu cara otentikasi biometrik pengguna yaitu dengan melakukan pengenalan wajah pengemudi. Pengenalan wajah menjadi bahan penelitian dalam beberapa tahun terakhir ini. Beragam metode dicoba untuk menyelesaikan persoalan identifikasi wajah dan verifikasi wajah. Identifikasi wajah mencoba untuk mengidentifikasi identitas dari suatu pengguna tertentu, sedangkan verifikasi wajah bertujuan untuk memastikan wajah seseorang terdaftar dan dikenali dengan benar [4]. Pencahayaan dan ekspresi yang beragam antara gambar wajah dalam face database dan gambar wajah masukkan menjadi permasalahaan dan tantangan dalam melakukan pengenalan wajah [5].
Sistem pengenalan wajah pada umumnya dengan mengambil satu buah gambar dari kamera untuk dikenali memiliki potensi kesalahan antara lain ketika gambar wajah yang ditangkap memiliki ekspresi yang berbeda dengan yang terdaftar pada face database, ketika gambar yang tertangkap sedang bergerak dan
blur, ataupun ketika gambar wajah yang tertangkap memiliki perbedaan sudut
maupun pencahayaan dengan gambar yang terdaftar pada face database. Disamping itu, Python OpenCV face recognizer tidak dapat mengidentifikasi suatu wajah baru. Python OpenCV face recognizer tidak dapat mengeluarkan hasil
confidence level dari hasil pengenalan dan hanya mengeluarkan indeks wajah yang
paling mirip menurut masing-masing algoritma pengenalan wajah.
Pemanfaatan voting dengan kombinasi algoritma fisherface dan local
binary pattern histogram dalam sistem pengenalan wajah bertujuan untuk
3
1.2Rumusan Masalah
Berdasarkan latar belakang masalah diatas, maka rumusan masalah pada penelitian ini adalah sebagai berikut :
1. Bagaimana membuat sebuah perangkat yang dapat disatukan dengan mobil dan dapat melakukan kontrol akses terhadap pengemudi mobil dengan menggunakan pengenalan wajah?
2. Bagaimana membuat sebuah teknik pengenalan wajah baru dengan memanfaatkan kombinasi algoritma Fisherface dan Local Binary Pattern
Histogram dengan sistem voting untuk mengidentifikasi wajah pengemudi
secara real-time dalam perangkat Raspberry Pi?
1.3Tujuan Pembahasan
Bedasarkan rumusan masalah diatas, tujuan dari penelitian ini adalah sebagai berikut:
1. Membuat sebuah perangkat yang dapat melakukan kontrol akses terhadap pengemudi mobil dengan menggunakan pengenalan wajah.
2. Membuat sebuah teknik pengenalan wajah baru dengan memanfaatkan kombinasi algoritma Fisherface dan Local Binary Pattern Histogram dengan sistem voting untuk mengidentifikasi wajah pengemudi secara
real-time dalam perangkat Raspberry Pi.
1.4Ruang Lingkup
Agar penelitian ini lebih terfokus, maka perlu adanya pembatasan ruang lingkup masalah. Mengingat keterbatasan waktu dan tenaga, maka batasan–batasan dalam penelitian ini adalah:
1. Penelitian ini difokuskan terhadap pembuatan perangkat dan pembuatan teknik pengenalan wajah baru dengan memanfaatkan kombinasi algoritma
Fisherface dan Local Binary Pattern Histogram dengan sistem voting
untuk mengidentifikasi wajah pengemudi secara real-time dalam perangkat Raspberry Pi.
4
3. Penelitian ini tidak mencakup pembuatan aplikasi smartphone maupun web untuk melakukan pengaturan terhadap perangkat.
4. Penelitian ini tidak mencakup pengenalan wajah untuk mengenali wajah dengan posisi menunduk dan menengadah terhadap kamera, serta tidak menangani kasus pengenalan wajah menggunakan foto.
5. Python OpenCV Face Recognizer tidak dapat mengenali suatu wajah baru dan tidak dapat mengeluarkan nilai confidence level pada saat melakukan pengenalan wajah.
1.5Sumber Data
Sumber data sekunder digunakan sebagai sumber data dari penelitian ini. Sumber data sekunder berupa buku referensi dan jurnal hasil penelitian lain.
1.6Sistematika Penyajian
Sistematika penyajian merupakan urutan penyajian mengenai hasil penelitian yang dilakukan. Sistematika penyajian dalam laporan penelitian ini adalah sebagai berikut :
Bab 1 Pendahuluan
Bab 1 berisi latar belakang yang menjadi dasar dilakukannya penelitian, rumusan masalah, tujuan pembahasan, ruang lingkup, sumber data, dan sistematika penyajian.
Bab 2 Kajian Teori
Bab 2 berisi mengenai kajian teori yang mendukung penelitian. Kajian teori membahas tinjauan pustaka, kajian teori, dan keaslian penelitian ini. Tinjauan pustaka akan membahas mengenai jurnal-jurnal yang digunakan dalam penelitian ini. Kajian teori akan menjelaskan mengenai teori yang digunakan. Dan keaslian penelitian akan membahas ciri khas yang membedakan penelitian ini dengan penelitian-penelitian lainnya.
5
Bab 3 ini berisi analisis dan desain perangkat lunak. Analisis sistem merupakan penjelasan mengenai tahapan-tahapan yang dilakukan dalam penelitian. Dan desain perangkat lunak akan menjelaskan mengenai model-model diagram yang telah dibuat seperti flowchart diagram, data flow diagram, activity diagram dan circuit
diagram.
Bab 4 Implementasi
Bab 4 berisi implementasi penelitian. Dalam bab 4 ini akan dibagi ke dalam beberapa sub bab yang menjelaskan mengenai fitur-fitur yang ada pada sistem serta hasil implementasi.
Bab 5 Pengujian
Bab 5 berisi pembahasan dan uji coba hasil penelitian. Dalam bab 5 ini akan dilakukan pengujian.
Bab 6 Simpulan dan Saran
BAB 6
SIMPULAN DAN SARAN
6.1Simpulan
Penelitian dengan judul “Embedded System pada Mobil untuk Otentikasi
Pengemudi Menggunakan Pengenalan Wajah dengan Kombinasi Algoritma
Fisherface dan Local Binary Pattern Histogram” telah berhasil dilakukan.
Bedasarkan penelitian yang telah dilakukan, maka dapat disimpulkan bahwa, 1. Telah berhasil melakukan kontrol akses terhadap pengemudi mobil
dengan membuat sebuah sistem yang terhubung ke mobil dan dapat melakukan pengenalan wajah.
2. Telah berhasil dibuat dan diuji sebuah teknik pengenalan wajah dengan memanfaatkan kombinasi algoritma fisherface dan local binary pattern
histogram dengan sistem voting untuk mengidentifikasi wajah
pengemudi secara real-time dalam perangkat Raspberry Pi®.
3. Rata-rata hasil black-box testing dengan 18 skenario pengujian yang masing-masingnya dilakukan 10 kali percobaan, didapatkan hasil sesuai harapan sebesar 90 persen dengan simpangan baku (standard deviation) sebesar 12,82 persen.
4. Pengujian false acceptance rate dan false recognition rate dengan masing-masing 10 skenario pengujian yang dilakukan sebanyak 10 kali percobaan terhadap :
a. Algoritma OpenCV fisherface dan local binary pattern
histogram dengan preprocessing dan sistem voting,
menghasilkan nilai false acceptance rate sebesar 5 persen dan
false recognition rate sebesar 7 persen.
b. Algoritma OpenCV fisherface recognizer, menghasilkan nilai
false acceptance rate sebesar 100 persen dan false recognition
rate sebesar 28 persen.
c. Algoritma OpenCV local binary pattern histogram recognizer, menghasilkan nilai false acceptance rate sebesar 100 persen dan
70
6.2Saran
Untuk perkembangan penelitian selanjutnya, metode pengenalan wajah dapat dilakukan dengan metode lain yang lebih baik untuk memperkecil tingkat kesalahan sistem dalam menerima orang yang seharusnya tidak terdaftar (false
acceptance rate) dan proses pengaturan terhadap sistem sebaiknya dapat
EMBEDDED SYSTEM
PADA MOBIL UNTUK
OTENTIKASI PENGEMUDI MENGGUNAKAN
PENGENALAN WAJAH DENGAN KOMBINASI
ALGORITMA
FISHERFACE
DAN
LOCAL BINARY
PATTERN HISTOGRAM
TUGAS AKHIR
Diajukan untuk Memenuhi Persyaratan Akademik dalam
Menyelesaikan Pendidikan pada Program Studi
S1 Teknik Informatika Universitas Kristen Maranatha
Oleh
Malvin Mahesa Wiputra
1372051
PROGRAM STUDI S1 TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS KRISTEN MARANATHA
BANDUNG
PRAKATA
Puji syukur kepada Tuhan Yang Maha Esa atas segala berkat, karunia, dan kesabaran yang telah diberikan sehingga tugas akhir yang berjudul “Embedded System Pada Mobil Untuk Otentikasi Pengemudi Menggunakan Pengenalan Wajah
dengan Kombinasi Algoritma Fisherface dan Local Binary Pattern Histogram“ ini dapat terselesaikan. Penulis sadar laporan ini masih jauh dari kesempurnaan, kekurangan, kesalahan maupun ketidaklayakan yang terdapat di dalam laporan ini, kiranya terjadi karena kelemahan, keterbatasan ilmu pengetahuan dan pengalaman. Dengan demikian, kebijaksanaan dan pengertian dari para pembaca diharapkan untuk memakluminya. Terima kasih kepada pihak-pihak yang telah membantu dalam mengerjakan tugas akhir ini.
1. Kepada Bapak Dr. Hapnes Toba, M.Sc. selaku Dekan Fakultas Teknologi Informasi Universitas Kristen Marantha Bandung.
2. Kepada Bapak Robby Tan, S.T., M.Kom. selaku Ketua Program Studi S1 Teknik Informatika Universitas Kristen Maranatha Bandung.
3. Kepada Ibu Meliana Christianti J., S.Kom., M.T. selaku Koordinator Tugas Akhir S1 Teknik Informatika Universitas Kristen Maranatha Bandung. 4. Kepada Andreas Widjaja, S.Si., M.Sc., Ph.D. selaku dosen pembimbing
yang telah banyak membantu dan memberikan saran dalam menyelesaikan tugas akhir ini.
5. Kepada dosen-dosen di Fakultas Teknologi Informasi yang telah memberikan masukkan dan memberikan pedoman dalam menyelesaikan tugas akhir ini.
6. Kepada keluarga penulis yang telah banyak membantu dan memberikan dukungan dalam doa dan lainnya selama menyelesaikan tugas akhir ini. 7. Kepada teman-teman penulis dan Silviana Nathania Saputri yang telah
banyak memberikan dukungan dan motivasi sehingga tugas akhir ini dapat diselesaikan dengan sebaik-baiknya.
Akhir kata, penulis berharap semoga hasil tugas akhir ini, dapat memberikan sesuatu yang dapat berarti bagi semua pihak. Oleh karena itu, penulis akan menerima setiap kritik dan saran yang dapat membangun agar dapat bekerja lebih baik lagi.
Bandung, 15 Oktober 2016
71
DAFTAR PUSTAKA
[1] M. Turk dan A. Pentland, “Eigenfaces for Recognition,” Journal of Cognitive Neuroscience, vol. 3, no. 1.
[2] N. K. Ratha, J. H. Connel dan R. M. Bolle, “Enhancing Security and Privacy in Biometrics-Based Authentication Systems,” IBM System Journal, vol. 40,
2001.
[3] “Database Statistic Vehicle Crime,” 2016. [Online]. Available: http://www.interpol.int/Crime-areas/Vehicle-crime/Database-statistics. [4] Y. S. Liu, W. S. Ng dan C. W. Liu, “A Comparison of Different Face
Recognition Algorithm,” National Taiwan University.
[5] Y. Moses, Y. Adini dan S. Ullman, “Face Recognition: The Problem of
Compensating for Changes in Illumination Direction,” European Conf. Computer Vision, pp. 286-296, 1994.
[6] S. Jaiswal, D. S. S. Bhadauria dan D. R. S. Jadon, “Comparison Between Face Recognition Algorithm-Eigenfaces, Fisherfaces, and Elastic Bunch Graph
Mathcing,” Journal of Global Research in Computer Science, vol. 2, pp. 187
- 193, 2011.
[7] P. Viola dan M. Jones, “Rapid Object Detection using a Boosted Cascade of
Simple Features,” Accepted Conference On Computer Vision And Pattern Recognition, 2001.
[8] T. Ahonen, A. Handid dan M. Pietik, “Face Recognition with Local Binary
Patterns,” 2004, pp. 469-481.
[9] M. Pietikainen, “Computer Vision Using Local Binary Patterns,” dalam
Computational Imaging and Vision, Springer-Verlag London Limited, 2011.
[10] M. Turk dan A. Pentland, “Face Recognition Using Eigen-Faces,” 1991, pp. 586-591.
[11] P. N. Belhumeur, J. P. Hespanha dan D. J. Kriegman, “Eigenfaces vs.
72
[12] S. G. S, V. S, V. P dan M. S, “Raspberry Pi Based Interactive Home
Automation System through Internet of Things,” International Journal for Research in Applied Science & Engineering Technology, vol. 3, no. III, pp.
809 - 814, 2015.
[13] “OpenCV ( Open Source Computer Vision Library ),” [Online]. Available: http://opencv.org/.
