Deteksi Mobil Menggunakan Histogram of Oriented

Gradient Cahyo Permata 2207100167

Dosen Pembimbing : DR. I Ketut Eddy Purnama, ST.,MT. Muhtadin, ST.,MT.,Msc.

Latar Belakang

• Pemanfaatan teknologi deteksi mobil • Tempat Parkir

sistem parkir dengan sensor tempat parkir terbuka ??? ultrasonik

Latar Belakang

• Teknologi Lalulintas • Cars counting

Tujuan

Menerapkan metode HOG untuk deteksi mobil

Visualisasi fitur HOG Tingkat akurasi dan analisa error

Metodelogi

1 • Gambar

2 • Ekstrasi Fitur HOG

3 •Visualisasi

4 • Training Data

5 • Tes mobil

6 • Deteksi Mobil

• D I P E R K E N A L K A N O L E H N A V N E E T D A L A L D A N B I L L T R I G G S P A D A J U N I 2 0 0 5

• P E N E L I T I A N A W A K D I F O K U S K A N P A D A O B Y E K P E J A L A N K A K I

• P A D A P E N G E M B A N G A N N Y A , O B J E K Y A N G D I T E L I T I B E R A G A M

Ekstrasi Fitur HOG

Ekstrasi Fitur HOG

• Cell size: 4x4 pixels

• Block size: 2x2 cells (8x8 pixels)

• Jumlah Bins : 9

• Angel : 180

• Image size: 128x64 pixels (16x8 blocks)

• Feature vector size: 2x2x9x8x16=4608

Ekstrasi Fitur HOG

HOG histogram tiap cell sebuah block

Cell C0 C1

C2 C3

Cell 0 C1

C2 C3

Cell 0 C1

C2 C3

Ekstrasi Feature HOG

20 derajat

Visualisasi Gambar asli hasil grayscale

Fitur HOG

Learning SVM

Linear SVM • SVMlight learning ( training data ) classify ( testing image )

Learning SVM Fitur HOG

Training SVM

SVM model Tes Model

Deteksi Mobil

Training Data Chenghak dataset (http://iris.usc.edu/people/chenghak/index.html )

• 196 Testing image • 196 annotations files untuk testing image • 2462 training car samples ( positive image) • 1028 testing car samples (positive image ) • 4627 training image negative • 1978 testing image negatif

IMAGE POSITIF UNTUK TRAINING DATA

• Image berupa obyek mobil

• Berukuran 128 x 64 piksel

IMAGE NEGATIF UNTUK TRAINING DATA

• Image berupa obyek bukan mobil

• Berukuran 128 x 64 piksel

IMAGE POSITIF UNTUK TES MODEL

• Image berupa obyek mobil

• Berukuran 128 x 64 piksel

IMAGE NEGATIF UNTUK TES MODEL

• Image berupa obyek bukan mobil

• Berukuran 128 x 64 piksel

TES MODEL

• model hasil training dites dengan image tes

• Hasil menunjukkan prosentase keberhasilan model dalam mendeteksi image positif

• 3 tes :

• Tes image positif

• Tes image negatif

• Tes gabungan image positif dan image negatif

DETEKSI MOBIL

PENGUJIAN DENGAN DATA TRAINING YANG BERBEDA

Pengujian ke-1 Data image training : Image positif 200 image Image negatif 400 image Hasil Tes : Tes image positif : 965 correct, 63 incorrect, 1028 total Tes Image negatif : 1970 correct, 8 incorrect, 1978 total Tes Image positif dan negatif : 2965 correct, 41 incorrect,3006 total

PENGUJIAN DENGAN DATA TRAINING YANG BERBEDA

Pengujian ke-2 Data image training : Image positif 400 image Image negatif 800 image Hasil Tes : Tes image positif : 981 correct, 47 incorrect, 1028 total Tes Image negatif : 1970 correct, 8 incorrect, 1978 total Tes Image positif dan negatif : 2955 correct, 51 incorrect,3006 total

TABEL HASIL TES

Training positif

Training negatif

Hasil Tes positif

Hasil Tes negatif

Hasil Tes positif & negatif

200 400 95.39% 99.60% 98.23%

400 800 95.43% 99.80% 98.30%

600 1200 95.91% 99.90% 98.54%

800 1600 96.69% 99.90% 98.80%

1000 2000 96.89% 99.90% 98.87%

1200 2400 97.47% 99.90% 98.87%

1400 2800 97.08% 99.90% 98.94%

1600 3200 97.18% 99.90% 98.97%

1800 3600 97.08% 99.90% 98.98%

2000 4000 97.47% 99.90% 99.07%

2462 4680 97.57% 99.90% 99.10%

GRAFIK HASIL TES

95.00%

95.50%

96.00%

96.50%

97.00%

97.50%

98.00%

98.50%

99.00%

99.50%

100.00%

100.50%

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

Hasil Tes positif Hasil Tes negatif Hasil Tes positif & negatif

PENGUJIAN DENGAN NILAI THRESHOLD YANG BERBEDA • Pengujian deteksi mobil dengan threshold = 3

PENGUJIAN DENGAN NILAI THRESHOLD YANG BERBEDA • Pengujian deteksi mobil dengan threshold = 5

Threshold = 4 Threshold = 3

Threshold = 6 Threshold = 3

KESIMPULAN

• Deteksi Mobil menggunakan HOG dan SVM sebagai classifiernya tingkat keberhasilannya mencapai 99,10% saat tes dengan classify SVM dan mencapai 76,17% menggunakan detector dengan berbagai jenis image

• Saat data training ditambah, tingkat keberhasilannya meningkat.

• Nilai threshold pada deteksi mobil tergantung kondisi image yang dideteksi.

• Obyek mobil pada image yang berukuran melebihi dari ukuran image training tidak terdeteksi dengan baik.

• Image dengan posisi miring tidak dapat terdeteksi.

SARAN

• Berfariasinya image yang ditraining dapat meningkatkan keberhasilan saat deteksi mobil karena model yang dibentuk dari hasil learning SVM semakin bagus.

• Obyek mobil pada image training diusahakan yang memiliki kontras warna yang tinggi dengan backgroundnya.

DAFTAR PUSTAKA • Navneet Dalal and Bill Triggs, Histograms of Oriented Gradients for

Human Detection, INRIA Rhˆ one-Alps, 655 avenue de l'Europe, Montbonnot 38334, France.

• Steve R. Gunn, 10 May 1998, Support Vector Machines for Classification and Regression, , Faculty of Engineering, Science and Mathematics School of Electronics and Computer Science, Univerity of Southampton.

• Anto Satriyo Nugroho, Arief Budi Witarto, Dwi Handoko “Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika” Ilmukomputer.com, 2009

• Bagus Navyan Putra “Sistem Penghitung Kepadatan Lalu Lintas Secara Realtime” Institut Teknologi Sepuluh Nopember Surabaya, 2009

• Susanti Wijaya Kusuma “penerapan teknik SVM (Support Vector Machine) untuk Pendeteksian pengaruh kestabilan enzim termutasi”, Universitas Indonesia, Depok Januari 2009

DAFTAR PUSTAKA

• http://iris.usc.edu/people/chenghak/index.html, juni 2012

• http://opencv.willowgarage.com/wiki/InstallGuide, oktober 2011

• http://docs.enlightenment.org/api/imlib2/html/, april 2012

• http://www.boost.org/doc/libs/1_49_0/more/getting_started/unix-variants.html, april 2012

• http://pascal.inrialpes.fr/soft/olt/, oktober 2011

• http://scikit-learn.org/stable/, april 2012

TERIMA KASIH