project - template matching untuk deteksi obyek citra dengan menggunakan algoritma korelasi
Post on 28-Jul-2015
1.316 Views
Preview:
DESCRIPTION
TRANSCRIPT
Template Matching Untuk Deteksi Obyek Citra
Dengan Menggunakan Algoritma Korelasi Jans Hendry
1, Risanuri Hidayat
2
1,2
Jurusan Teknik Elektro FT UGM
Jln. Grafika 2 Yogyakarta 55281 INDONESIA
Intisari— Kemampuan sebuah mesin dalam melihat seperti
halnya manusia disebut dengan computer vision. Masalah klasik
dalam bidang ini adalah pengolahan citra, dan kemampuan
mesin melihat dalam hal ini adalah menentukan keberadaan
obyek tertentu dalam sebuah citra, termasuk didalamnya adalah
menentukan ciri atau aktifitas lainnya. Metode yang ada hanya
dapat digunakan untuk obyek-obyek tertentu, seperti obyek
dengan geometrik sederhana, wajah manusia, karakter tulisan
tangan atau hasil scan (OCR), dan lain-lain. Dengan
menggunakan koefisien korelasi, telah dibuktikan bahwa
template matching bisa digunakan untuk mendeteksi obyek
tertentu pada sebuah citra sesuai dengan template yang telah
ada. Penelitian ini membuktikan bahwa template matching tahan
terhadap derau dan pengaruh cahaya atau warna pada citra.
Keywords— Template Matching, Korelasi, Deteksi Obyek, Korelasi
Silang, Deteksi Strawberi.
I. PENDAHULUAN
Kemampuan sebuah mesin dalam melihat seperti halnya
manusia disebut dengan computer vision. Masalah klasik
dalam bidang ini adalah pengolahan citra, dan kemampuan
mesin melihat dalam hal ini adalah menentukan keberadaan
obyek tertentu dalam sebuah citra, termasuk didalamnya
adalah menentukan ciri atau aktifitas lainnya. Metode yang
ada hanya dapat digunakan untuk obyek-obyek tertentu,
seperti obyek dengan geometrik sederhana, wajah manusia,
karakter tulisan tangan atau hasil scan (OCR), dan lain-lain.
Namun dengan situasi tertentu, biasanya dengan cahaya yang
cukup, latar belakang dan posisi obyek terhadap kamera.
Dalam pendekatan template matching, terlebih dahulu
ditentukan ciri-ciri tertentu dari obyek yang ingin dideteksi.
Ciri-ciri atau pola-pola tertentu tersebut disebut dengan
template. Pendekatan ini sangat sederhana, namun
membutuhkan template library yang sangat besar.
Template matching merupakan salah satu cara untuk
melakukan: pengenalan obyek, identifikasi, dan deteksi. Salah
satu metode template matching yang sering digunakan adalah
korelasi, dengan memanfaatkan posisi dari nilai korelasi
silang tertinggi citra template dan citra frame yang berisi
obyek yang ingin dideteksi. Teknik ini sebenarnya tahan
terhadap derau dan pengaruh cahaya pada citra, tapi
mengandung jumlah komputasi yang sangat besar. Point
correlation dapat digunakan untuk mengurangi komputasi
menjadi sekumpulan titik-titik dalam jumlah yang kecil
(Krattenthaler, 1994).
Metode korelasi template berdasarkan ciri telah digunakan
untuk mengenali obyek dari citra remote sensing (Cucchiara et
al., 2000; Zhang dan Zhou, 2004). Korelasi silang digunakan
untuk mendeteksi pasangan lampu utama kendaraan
(Cucchiara et al., 2000). Sebuah sistem untuk mendeteksi dan
mengenali plat kendaraan secara otomatis menggunakan
template matching, algoritma genetis dan jaringan neural telah
dilakukan (Karungaru et al., 2009). Dalam pengenalan
karakter, digunakan dua metode. Metode pertama, melatih
jaringan neural untuk mengenali karakter dan metode kedua,
menggunakan template matching.
II. DATASET DAN METODOLOGI PENELITIAN
A. Dataset
Data yang digunakan terdiri atas citra frame dan citra
template. Citra template merupakan citra tunggal yang berisi
satu buah strawberi sebagai obyek yang akan dikenali. Citra
frame merupakan citra yang berisi beberapa jenis buah-
buahan yang didalam nya terdapat buah strawberi. Lalu, akan
dideteksi letak dari buah strawberi pada citra frame
berdasarkan citra template. Citra template dan frame
merupakan citra yang di dapat dari internet. Citra template
merupakan citra RGB 275 x 195 pixel. Tiap piksel diwakili
dengan 8 bit data dan terdiri dari 3 warna, sehingga bit depth
citra template adalah 24 bit. Dengan kombinasi tersebut, tiap
warna akan memiliki 83 kombinasi yakni 256 kombinasi
warna, sehingga kombinasi dari ketiga warna menjadi 2563
atau sekitar 16,7 juta kombinasi warna. Citra strawberi
sebagai citra template ditunjukkan oleh Gambar 1.
Gambar 1: Citra template yang terdiri dari satu buah strawberi
Citra frame merupakan citra RGB 697 x 545 piksel. Citra
ini juga mengandung kombinasi warna sekitar 16,7 juta. Di
dalam citra terdapat lima buah obyek buah-buahan dengan
jenis, ukuran, dan warna yang berbeda. Dihadirkan juga citra
frame yang berisi citra saling terhimpit, baik dengan citra
strawberi sebagai target deteksi maupun dengan komponen
penyusun citra yang lain. Salah satu contoh citra frame
ditunjukkan oleh Gambar 2.
Gambar 2: Citra frame_1.jpg yang terdiri dari lima jenis buah-buahan
Dalam percobaan ada ketentuan penamaan untuk file-file
dari citra frame.
- frame_1.jpg = target berada di tengah-tengah
- frame_2.jpg = target berada di kiri atas
- frame_3.jpg = target berada di kanan atas
- frame_4.jpg = target berada di kiri bawah
- frame_5.jpg = target berada di kanan bawah
sementara untuk citra template diberi nama template.jpg.
Dalam hal ini citra template tidak berubah. Hanya citra frame
saja yang mengalami perlakuan atau modifikasi.
B. Metodologi
Template Matching secara ekstensif digunakan untuk
melokalisir dan mengidentifikasi pola-pola dalam citra yang
memiliki kerumitan rendah. Dua metode yang umum
digunakan antara lain:
1. Substraksi citra: citra-citra dianggap sebagai vektor, dan
norm dari perbedaan mereka dianggap sebagai ukuran dari
ketidaksamaannya.
2. Korelasi: dot product dari dua citra dianggap sebagai
pengukuran dari kesamaan mereka (karena mewakili sudut
antara citra-citra ketika mereka ternormalisasi, dan
dianggap sebagai vektor)
Korelasi memberikan keputusan tentang kemiripan obyek
berdasarkan kesamaan bentuk, skala dan arah. Sehingga
warna target walaupun berbeda dengan template, akan tetap
terdeteksi sebagai obyek yang sama. Langkah-langkah dalam
mendeteksi target yang telah dilakukan adalah:
1. Membaca citra frame dan citra template
2. Menjadikan citra frame dan citra template menjadi gray
(citra yang kombinasi warna 0 – 1), sehingga warna yang
berbeda tidak akan mempengaruhi klasifikasi.
3. Mengaplikasikan template matching dengan algoritma
korelasi
4. Memilih koefisien korelasi tertinggi sebagai pemenang
5. Menandai pemenang dengan memberikan kotak berwarna
biru.
Algoritma korelasi memiliki persamaan umum
���, �� = � � |��, �� − ��� − �, � − ��|������
���
�����
���
(1)
Template matching dihitung dengan mencari lokasi ��, ��
untuk ���, �� minimum.
Persamaan 1 dapat dibentuk kembali menjadi
���, �� = � �|��, ��|���
+ � �|���, ��|���
−2 � � ��, ����� − �, � − ����
(2)
nilai minimum ���, �� didapat ketika
���, �� = � � ��, ����� − �, � − ����
maksimum untuk semua lokasi ��, ��.
Bila diasumsikan variasi level gray tidak valid, pengukuran
ini sangat sensitif terhadap variasi level gray di dalam ��, ��,
digunakan koefisien korelasi silang
�� = ���, ���∑ ∑ |��, ��|� ∑ ∑ |���, ��|�����
(3)
Target dianggap terdeteksi bila memenuhi
��, �� = !��� − �, � − ��, � = �, … , � + # − 1
dan
� = �, … , � + % − 1
dengan ! adalah konstanta.
III. HASIL
Pengujian dilakukan terhadap beberapa kombinasi citra
frame yang mungkin. Kombinasi berupa letak target di dalam
citra frame dan adanya derau pada citra frame.
Nilai ambang diberikan untuk program sebagai threshold
bahwa pemenang adalah obyek yang memiliki nilai koefisien
korelasi maksimal > nilai ambang. Pada penelitian ini juga
ditunjukkan pentingnya pemilihan nilai ambang yang tepat.
Nilai default nya adalah 0.75.
Citra hasil deteksi yang ditunjukkan hanya satu citra
frame_1.jpg saja sebagai perwakilan dari citra hasil deteksi
yang lain.
A. Citra frame tanpa derau
Hasil deteksi target pada citra frame tanpa derau
ditunjukkan oleh Tabel I.
TABEL I
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME TAK
BERDERAU
Jenis citra
frame
Koef.
Korelasi
Minimal
Koef.
Korelasi
Maksimal
Nilai
ambang
% Keberhasilan
Deteksi
frame_1.jpg -0.5636 0.9772 0.75 100
frame_2.jpg -0.5362 0.9559 0.75 100
frame_3.jpg -0.6045 0.9997 0.75 100
frame_4.jpg -0.5879 0.9428 0.75 100
frame_5.jpg -0.6267 0.9574 0.75 100
Hasil deteksi untuk frame_1.jpg adalah
B. Citra frame dengan derau Uniform
Hasil deteksi target pada citra frame terkontaminasi derau
Uniform 50% dengan menggunakan program editor citra
Photoshop ditunjukkan oleh Tabel II.
TABEL II
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DERAU GAUSSIAN
Jenis citra
frame
Koef.
Korelasi
Minimal
Koef.
Korelasi
Maksimal
Nilai
ambang
%
Keberhasilan
Deteksi
frame_1.jpg -0.5334 0.8287 0.75 100
frame_2.jpg -0.4646 0.8121 0.75 100
frame_3.jpg -0.5689 0.8520 0.75 100
frame_4.jpg -0.5658 0.7898 0.75 100
frame_5.jpg -0.5820 0.8063 0.75 100
Hasil deteksi untuk frame_1.jpg adalah
C. Citra frame dengan derau Gaussian
Hasil deteksi target pada citra frame terkontaminasi derau
Gaussian 50% dengan menggunakan program editor citra
Photoshop ditunjukkan oleh Tabel III.
TABEL III
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DERAU UNIFORM
Jenis citra
frame
Koef.
Korelasi
Minimal
Koef.
Korelasi
Maksimal
Nilai
ambang
%
Keberhasilan
Deteksi
frame_1.jpg -0.4905 0.6374 0.50 100
frame_2.jpg -0.4543 0.6258 0.50 100
frame_3.jpg -0.5211 0.6633 0.50 100
frame_4.jpg -0.5357 0.6078 0.50 100
frame_5.jpg -0.5497 0.6258 0.50 100
Hasil deteksi untuk frame_1.jpg adalah
D. Citra frame dengan derau Uniform Monochrome
Hasil deteksi target pada citra frame terkontaminasi derau
Uniform Monochrome 50% dengan menggunakan program
editor citra Photoshop ditunjukkan oleh Tabel IV.
TABEL IV
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DENGAN DERAU UNIFORM MONOCHROME
Jenis citra
frame
Koef.
Korelasi
Minimal
Koef.
Korelasi
Maksimal
Nilai
ambang
%
Keberhasilan
Deteksi
frame_1.jpg -0.5106 0.7214 0.50 100
frame_2.jpg -0.4428 0.7067 0.50 100
frame_3.jpg -0.5447 0.7442 0.50 100
frame_4.jpg -0.5510 0.6857 0.50 100
frame_5.jpg -0.5565 0.6991 0.50 100
Hasil deteksi untuk frame_1.jpg adalah
E. Citra frame dengan derau Gaussian Monochrome
Hasil deteksi target pada citra frame terkontaminasi derau
Gaussian Monochrome 50% dengan menggunakan program
editor citra Photoshop ditunjukkan oleh Tabel V.
TABEL V
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DENGAN DERAU GAUSSIAN MONOCHROME
Jenis citra
frame
Koef.
Korelasi Minimal
Koef.
Korelasi Maksimal
Nilai
ambang
%
Keberhasilan Deteksi
frame_1.jpg -0.4367 0.4985 0.40 100
frame_2.jpg -0.4146 0.4942 0.40 100
frame_3.jpg -0.4626 0.5239 0.40 100
frame_4.jpg -0.4997 0.4748 0.40 100
frame_5.jpg -0.5081 0.4925 0.40 100
Hasil deteksi untuk frame_1.jpg adalah
Dari hasil tersebut dapat dilihat bahwa dengan citra frame
yang sama, semakin banyak deraunya maka semakin kecil
nilai koefisien korelasi antara citra template dengan target
pada citra frame. Ini tentu saja benar karena derau
menyamarkan bentuk asli dari citra target. Namun, dengan
mengubah-ubah nilai ambang (nilai batas koefisien korelasi
tertinggi/pemenang) maka target masih bisa dideteksi. Hal ini
akan menyulitkan dalam deteksi target bila terdapat beberapa
obyek dengan bentuk hampir sama tapi jenisnya berbeda.
Sejauh ini citra template ataupun target dalam citra frame
tidak mengalami rotasi atau penskalaan. Dalam aplikasi
pengkodean video, hal tersebut masih berlaku dan dapat
digunakan dengan tepat (Bellman, 1995). Namun, ada
beberapa aplikasi yang tidak bisa diperlakukan demikian
sehingga teknik nya harus diubah. Salah satunya dengan
menggambarkan citra template dan citra target dalam momen
invarian dan mengukur kesamaan menggunakan korelasi yang
melibatkan momen tersebut (Hall, 1979). Teknik lainnya
adalah dengan rotasi dan penskalaan yang menggunakan
kombinasi dari transformasi Fourier dan Mellin (Scha, 1989).
IV. KESIMPULAN
Deteksi target pada citra frame menggunakan template
matching telah dilakukan. Walaupun penelitian ini berhasil
membuktikan bahwa Template Matching dengan
menggunakan koefisien korelasi obyek dapat digunakan untuk
mendeteksi obyek dalam sebuah citra, namun masih terdapat
kekurangan karena kesederhanaan algoritma itu sendiri. Masih
dibutuhkan pengembangan lebih lanjut bila ingin melakukan
deteksi obyek dengan kondisi yang sangat berbeda, misalnya
bila citra template berbeda dalam hal rotasi dengan obyek
target pada citra frame. Tentu dibutuhkan algoritma yang bisa
membantu untuk menentukan ciri tertentu bila kondisi
demikian ditemukan dengan konskuensi komputasi tidak
bertambah banyak, bila itu terjadi maka algoritma akan
memberatkan kerja sistem komputasi. Demikian pula untuk
level kesulitan deteksi lainnya.
UCAPAN TERIMA KASIH
Terima kasih disampaikan kepada Risanuri Hidayat yang
telah meluangkan waktu untuk membimbing dan membuat
template ini.
REFERENSI
Bellman R.E. Dynamic Programming, Princeton University Press, 1957.
Cucchiara, R., M. Piccardi, et al. (2000). "Image analysis and rule-
based reasoning for a traffic monitoring system." Intelligent
Transportation Systems, IEEE Transactions on 1(2): 119-130
Hall E. Computer Image Processing and Recognition,Academic Press, 1979.
Rajiv Kumar Nath et. al. ON ROAD VEHICLE/OBJECT DETECTION
AND TRACKING USING TEMPLATE. Indian Journal of Computer Science
and Engineering Vol 1 No 2, 98-107.
Schalkoff R. Digital Image Processing and ComputerVision, JohnWiley &
Sons, 1989.
Stephen Karungaru, Minoru Fukumi, et al. (2009). "DETECTION AND RECOGNITION OF VEHICLE LICENSE PLATES USING TEMPLATE
MATCHING, GENETIC ALGORITHMS AND NEURAL NETWORKS."
International Journal of Innovative Computing, Information and Control 5(7): 1975-1985.
Theodoridis, S., Koutroumbas, K. Pattern Recognition 4th ed. Elsevier Inc. 2009.
Zhang, J. and X. Zhou (2004). Object recognition based on template
correlation in remote sensing image. Geo-Imagery Bridging Continents, XXth
ISPRS Congress, Commission 3, Istanbul, Turkey, ISPRS.
top related