Human Detection Menggunakan Metode Histogram Of Oriented Gradients

639

HUMAN DETECTION MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENTS(HOG) BERBASIS OPEN_CV

Kusno Suryadi, Supriyanto Sikumbang

Teknik Elektro, Universitas Gajayana Malange_mail : cegukks@yahoo.com

AbstrakPengolahan citra untuk mendeteksi tubuh manusia menggunakan metode HOG berbasis Opencv. mampu

membedakan objek manusia dan bukan manusia. Sistem ini juga akan melakukan proses record data berupa jumlahmanusia yang terdeteksi dalam bentuk data dan video. Cara kerja dari aplikasi human detection menggunakan metodeHOG berbasis OpenCV ini adalah, Input berupa video yang ditangkap oleh webcam dengan format file .AVI akandicacah mejadi frame-frame gambar yang kemudian diproses oleh HOG detection sehingga diputuskan hasilpendeteksian apakah manusia atau bukan manusia. Hasil keputusan dari HOG detection akan ditandai dengan boundingbox berbentuk persegi (rectangle). Video yang tersusun dari frame-frame yang terdeteksi adanya kehadiran manusiatersebut lalu disimpan dalam format file .AVI. Setelah itu hasil pendeteksian adanya kehadiran manusia tersebutdisimpan pada sebuah tabel dalam format file microsoft excel.Kata kunci: image processing, human detection, HOG detection

PENDAHULUANProses deteksi pada pengolahan citra merupakan

kajian yang menarik dan banyak dikembangkan oleh parapeneliti, baik yang diaplikasikan pada system robotika,maupun pada bidang keamanan. Pada bidang keamananpenggunaan kamera direalisasikan sebagai sensor visualguna mengindentifikasi adanya kejahatan. Pada saat inikamera yang banyak digunakan adalah jenis CCTV.Hampir disetiap sudut mulai dari fasilitas publik, pusatperbelanjaan, bank, perpustakaan, jalan raya sampairumah pribadi dilengkapi dengan kamera pengaman.Kamera CCTV ini mampu mengidentifikasi seluruhobyek yang tertangkap oleh kamera ini, dan padaumumnya record data menggunakan CCTV dilakukansecara kontiyu berdasarkan waktu record. Pada sistem iniakan dibahas aplikasi kamera digital pada proseshumandetection menggunakan metode Histogram ofOriented Gradients (HOG). Proses human detectionmenggunakan metode HOG bertujuan untuk mendeteksikehadiran manusia didalam suatu area pantauan kamera.Sedangkan proses record data akan dilakukan secaraotomatis, yaitu pada saat terdeteksi obyek (manusia) danproses record data akan berhenti pada saat obyek sudahtidak terdeteksi oleh camera. Proses record data padaaplikasi ini selain dalam bentuk video juga akan merecordjumlah manusia yang terdeteksi oleh kamera tersebut.Aplikasi human detection menggunakan metode HOGbertujuan untuk mengoptimalkan kerja kamera padaproses deteksi tubuh manusia.

METODESistem deteksi manusia merupakan proses deteksi

adanya kehadiran manusia dalam sebuah video yangditangkap oleh kamera. Referensi posisi manusia yang

akan dideteksi berdiri tegak lurus dengan kond am.Pada sistem ini kecepatan proses deteksdipengaruhi oleh ketepatan pendeteksian. GaMenunjukkan sistem kerja deteksi manusia mengmetode HOG berbasis OpenCv.

Gambar 1. Proses deteksi kehadiran manuGambar 1. menunjukkan alur sistem pen

kehadiran manusia dalam sebuah video

Selesai

HOG detection padasetiap framegambar

Penyimpanan file video

Penulisan data pengambilan video yangterdeteksiadanyamanusiakedalam format excel

bounding box

Mulai

Penangkapan gambar olehwebcam

Pencacahan video menjadi framegambar

Ya

Apakah terdeteksi adanyamanusia ?isi di

i dapatmbar 1.gunakan

siadeteksian

dengan

Tidak

Jurnal PendidikanTeknik Elektro, Volume 4 Nomor 2 tahun 2015, 639 645

640

menggunakan metode HOG detection berbasis OpenCV.Input berupa video yang ditangkap oleh webcam denganformat file AVI akan dicacah mejadi frame-frame gambaryang kemudian diproses oleh HOG detection sehinggadiputuskan hasil pendeteksian apakah manusia atau bukanmanusia. Hasil keputusan dari HOG detection jikamanusia maka akan ditandai dengan bounding boxberbentuk persegi (rectangle). Video yang tersusun dariframe-frame yang terdeteksi adanya kehadiran manusiatersebut lalu disimpan dalam format file AVI. Setelah ituhasil pendeteksian adanya kehadiran manusia tersebutdisimpan dalam bentuk tabel dalam format file microsoftexcel.

1. OpenCvOpenCV merupakan open source library untuk

computer vision. Library ini ditulis dalam bahasa C danC++ dan dapat dijalankan dengan berbagai operatingsystem yaitu Linux, Windows, dan mac OS X. OpenCVdidesain untuk efektivitas dalam computer vision dandengan focus aplikasi realtime yang kuat.Salah satutujuan dari OpenCV adalah untuk menyediakaninfrastruktur computer vision yang mudahpenggunaannya sehingga dapat digunakan dengan cepatmembangun aplikasi vision yang berharga. Library dariOpenCV mengandung sekitar 500 lebih fungsi yangterdapat pada berbagai area, termasuk factory productinspection, medical imaging, security, user interface,camera calibration, stereo vision, dan robotics. OpenCVjuga mengandung Machine Learning Library (MLL) yanglengkap. Sublibrary ini difokuskan pada pengenalan polasecara statistik dan clustering. MLL sangat berguna untukpekerjaan vision yang merupakan inti dari misi OpenCVdan secara umum, MLL cukup berguna untuk berbagaimasalah machine learning.

2. Proses Pencacahan Sinyal VideoProses pencacahan video dilakukan dengan cara

mencacah sinyal video menjadi frame-frame gambar,pada sistem ini pengambilan gambar video oleh webcammenggunakan instruksi frame = cvQueryFrame(capture).Instruksi OpenCV ini akan mencacah video yang sudahditangkap oleh webcam menjadi beberapa frame yangsesuai dengan kapasitas kecepatan penangkapan gambaryang dimiliki oleh webcam. Proses pencacahan videomenjadi frame gambar adalah,capture = cvCaptureFromCAM(0);

if(capture == 0){cout>i;return -1;

}cout

Jurnal PendidikanTeknik Elektro, Volume 4 Nomor 2 tahun 2015, 639 645

641

Gambar 2. Rantai pendeteksian objek menggunakanmetode HOG (Dalal, 2005:3)

Normalize gamma and colorProses Normalize gamma and color atau

normalisasi gamma dan warna pada frame gambar darivideo terjadi dalam framework HOG pada OpenCV.Normalisasi gamma dan warna pada frame gambar padasistem ini menggunakan instruksi : void normalize_hists.Proses normalisasi gamma dan warna dari frame gambarpada framework HOG dalam library OpenCV dilakukanpada frame-frame gambar dari video yang ditangkap olehwebcam. Instruksi OpenCV ini akan menormalisasikangamma dan warna pada frame-frame gambar tersebut.

Compute GradientsProses computer gradients atau perhitungan

gradien pada frame gambar dari video yang ditangkapoleh webcam terjadi dalam framework HOG padaOpenCV seperti yang terlihat pada rantai pendeteksianHOG detection. Komputasi gradien pada frame gambarmenggunakan instruksi : voidcv::gpu::HOGDescriptor::computeGradient. Proseskomputasi gradien gambar pada framework HOG dalamlibrary OpenCV dilakukan pada frame-frame gambar darivideo yang ditangkap oleh webcam. Instruksi OpenCV iniakan mengkomputasikan gradien pada gambar-gambartersebut.

Weighted vote into spatial and orientation cellsPada rantai HOG detection terdapat proses

weighted vote into spatial and orientation cells ataupemilihan bobot kedalam sel berorientasi dan spasial padaframe gambar dari video yang ditangkap oleh webcamyang terjadi dalam framework HOG pada OpenCV.Pemilihan bobot kedalam sel berorientasi dan spasial padaframe gambar dari video yang ditangkap oleh webcammenggunakan instruksi OpenCV : cv::gpu::HOGDescriptor::HOGDescriptor. Proses pemilihanbobot kedalam sel berorientasi dan spasial padaframework HOG dalam library OpenCV dilakukan padaframe-frame gambar dari video yang ditangkap olehwebcam. Instruksi OpenCV ini akan melakukanpemilihan bobot kedalam sel berorientasi dan spasial padaframe-frame gambar tersebut.

Contrast normalized over overlapping spatial blocks

Proses contrast normalized over overlappingspatial blocks atau normalisasi kontrasterhadap blokspasial yang bertumpukan pada frame gambar dari videoyang ditangkap oleh webcam terjadi dalam frameworkHOG pada OpenCV seperti yang terlihat pada rantaipendeteksian HOG detection. Normalisasikontrasterhadap blok spasial yang bertumpukan padaopenCV menggunakan instruksi: voidcv::gpu::HOGDescriptor::computeBlockHistograms.Proses normalisasi kontras terhadap blok spasial yangbertumpukan pada framework HOG dilakukan padaframe-frame gambar dari video yang ditangkap olehwebcam.

Collect HOGs over detection windowsPada rantai HOG detection terdapat proses

Collect HOGs over detection windows ataupenghimpunan HOG terhadap jendela deteksi pada framegambar dari video yang ditangkap oleh webcam yangterjadi dalam framework HOG pada OpenCV.Penghimpunan HOG terhadap jendela deteksi pada framegambar dari video yang ditangkap oleh webcammenggunakan instruksi OpenCV : voidcv::gpu::HOGDescriptor::detectMultiScale. Prosespenghimpunan HOG terhadap jendela deteksi gambarpada framework HOG dalam library OpenCV dilakukanpada keseluruhan frame gambar dari video yangditangkap oleh webcam. Instruksi OpenCV ini akanmelakukan penghimpunan HOG terhadap jendela deteksipada gambar-gambar tersebut.

Linear SVMDalam penelitian ini proses Linear SVM atau

SVM linear pada gambar dari video yang ditangkap olehwebcam terjadi dalam framework HOG pada OpenCVseperti yang terlihat pada rantai HOG detection. SVMlinear pada gambar menggunakan instruksi : voidcv::gpu::HOGDescriptor::setSVMDetector. Proses SVMlinear dari gambar pada framework HOG dalam libraryOpenCV dilakukan pada frame-frame gambar dari videoyang ditangkap oleh webcam. Instruksi OpenCV ini akanmelinier SVM-kan gambar-gambar tersebut. Kemampuanmelinier SVM-kan HOG detection diperoleh melaluitraining yang disimpan dalam database OpenCV. Padaproses ini tidak perlu melakukan training lagi karenasistem dapat menggunakan database training padaOpenCV.

4. Bounding BoxProses bounding box digunakan untuk penandaan

kehadiran adanya manusia. Pada OpenCV bounding boxdibuat dengan menggunakan instruksi Rect r danrectangle. Dimensi dari bounding boxdibuat denganmenggunakaan instruksicvRound(r.width*0.1). Berikut iniadalah bentuk dari suatu bounding box.

Nomalisasigammadancolour

ComputerGradients

Wight voteinto spatial& orientationcell

Contrasnormalizedoverlappingspatial blokc

CollectHOGs overdetectionwindows

LinierSVM

Inputimage

Person/non-personclassification

x2

y1

x1

y2