Pengembangan Dsmac Menggunakan Metoda Surf

8/12/2019 Pengembangan Dsmac Menggunakan Metoda Surf

http://slidepdf.com/reader/full/pengembangan-dsmac-menggunakan-metoda-surf 1/8

1

PENGEMBANGAN DSMAC MENGGUNAKAN METODA SURFPADA SISTEM PELURU KENDALI

I Md Sukrawan Dr. Ir. Bambang Riyanto, M.Sc.([email protected] ) ( [email protected] )

Sistem Kendali dan KomputerSekolah Teknik Elektro dan Informatika

Insitut Teknologi Bandung

Abstrak Pada sistem peluru kendali, sistem navigasi yangdigunakan hanya efektif pada masa-masa awal dan

pertengahan perjalanan. Oleh karena itu dirancang suatu sistem yang dinamakan DSMAC (DigitalScene Matching Area Correlator) untukmeningkatkan akurasi pada tahap akhir pendekatan

target. DSMAC yang dirancang terdiri dari satu buahkomputer embedded dan satu buah kamera Giga

Bit Ethernet. Pada komputer embedded,diimplementasikan perangkat lunak yang dibuatdengan bahasa pemrograman C. Perangkat lunakini akan membandingkan fitur dari citra yangdidapat dari kamera dengan fitur citra target yang

sudah tersimpan di dalam memorinya, dankemudian memberikan informasi koordinat targetke sistem navigasi peluru kendali. Perangkat lunakini menggunakan algoritma SURF (Speeded-Up

Robust Features) untuk mengekstrak fitur citra dari

kamera dan memberikan deskripsi vektor. Fitur- fitur yang diperoleh tersebut kemudiandibandingkan dengan algoritma Kd-tree yangdipercepat dengan algoritma Best Bin First.

Koordinat target diasumsikan sebagai koordinat pusat massa antara fitur-fitur yang terdeteksi.Sistem DSMAC ini dapat mendeteksi target dalamberbagai keadaan lingkungan pengambilan citra

pada tahap tertentu, dengan waktu prosestebaiknya sekitar untuk setiap citra.

Dari hasil pengujian dan analisis, dapatdisimpulkan bahwa sistem DSMAC yang dirancangtelah bekerja dengan baik dan siap untuk

diimplementasikan pada sistem yang sebenarnya.

1. PendahuluanDSMAC adalah suatu perangkat keras yang

digunakan untuk membantu meningkatkan presisisistem navigasi peluru kendali. DSMAC diaktifkan

pada saat peluru kendali telah mendekati targetnya.Komponen utama pembentuk DSMAC adalahkomputer embedded dan kamera. Kameradigunakan sebagai alat untuk menangkap citrasedangkan komputer embedded digunakan sebagaialat untuk memproses citra dari kamera. Untukmengetahui lebih jelas mengenai perangkat keras

dari DSMAC, dapat dilihat pada gambar 1 di bawahini.

Gambar 1: Perangkat keras DSMAC[4].

Tujuan utama perangkat lunak ini adalahuntuk pencocokan antara citra target dengan citradari kamera. Atau dengan kata lain mencari targetdalam citra yang diambil dari kamera. Target dapatdicari dengan cara membandingkan fitur-fitur daricitra target dengan fitur-fitur dari citra yangditangkap oleh kamera. Banyak perangkat lunakyang sudah dikembangkan untuk tujuan di atas,akan tetapi dalam aplikasi DSMAC ini diperlukan

perangkat lunak yang memiliki kecepatankomputasi yang tinggi sehingga bisa mengimbangikecepatan terbang dari peluru kendali.

Citra terdiri atas kumpulan pixel sehinggauntuk komputasinya akan dibutuhkan waktu yanglama dan memori yang relatif besar. Oleh karena itudipergunakan perhitungan menggunakan fiturkarena lebih cepat jika dibandingkan dengan

perhitungan menggunakan pixel . Resolusi dasardari aplikasi pendeteksi obyek adalah 30 x 30 pixel .Jumlah fitur yang mungkin dari area seluas inisangat besar (sekitar 642592 fitur, lihat [13] untukdetail perhitungannya).

Sudah banyak deskriptor-deskriptor fitur yangdiajukan akan tetapi deskriptor fitur oleh Lowe[20]telah terbukti lebih baik dari deskriptor-deskriptoryang disebutkan di atas[21]. Hal ini bisa dijelaskandengan fakta bahwa Lowe dengan SIFT-nyamenggunakan sejumlah informasi yang substansialtentang pola-pola intensitas spasial dan juga fiturdari SIFT memiliki ketahanan yang baik terhadapdeformasi yang kecil dan kesalahan lokalisasi. SIFTmenghitung histogram dari gradien yang

berorientasi lokal di sekitar titik fitur danmenyimpannya di dalam sebuah vektor berdimensi128.



2

Akan tetapi meskipun SIFT merupakan salahsatu yang terbaik, SIFT memiliki kelemahan yang

berarti jika perangkat lunak ini dipergunakan untukaplikasi yang lebih mengutamakan waktukomputasi daripada performa pencocokan fituryang tepat dan ketahanannya.

Untuk mengatasi kelemahan dari SIFT dalamaplikasi penunjang DSMAC maka untuk pengembangan perangkat lunak pada tugas akhir inidipergunakan algoritma Speeded-Up Robust

Features (SURF)[8] sebagai algoritma pendeteksian dan pendeskripsian fitur dari citra.Algoritma SURF merupakan pengembangan darialgoritma SIFT dimana SURF memanfaatkankecepatan komputasi tapis kotak denganmenggunakan citra integral. Algoritma ini dipilihkarena beberapa faktor sebagai berikut:1. Dapat mendeteksi fitur-fitur dengan cepat

(diklaim lebih cepat dari SIFT)[9] dengan

respresentasi citra integral ( integral image ).2. Dapat mendeskripsikan fitur-fitur yang

terdeteksi secara unik ( distinctive ).3. Memiliki ketahanan ( Invariant ) terhadap

transformasi citra seperti:rotasi citra( rotation ),

perubahan skala( scaling ), perubahan pencahayaan( illumination ),dan perubahan sudut pandang(viewpoint ) yang relatif kecil.

4. Tahan terhadap gangguan ( noise ) denganintensitas tertentu.

2. Pengambilan Fitur Citra dengan SURF

SURF bekerja berdasarkan tiga tahap utama,yaitu1. Proses awal: merubah format RGB 24-bit

menjadi Grayscale 32-bit dengan menghitungnilai representasi citra integral ( integralimage ). Representasi citra integral bisamengurangi waktu komputasi.

2. Mendeteksi titik-titik fitur: mencari fitur-fiturblob-like pada citra dengan menggunakanmatriks Hessian a. Membentuk piramid citra: melakukan

konvolusi tapis kotak dengan ukuranyang semakin besar dengan citra untukmembentuk piramid citra

b. Mencari ekstrema dari determinanmatriks Hessian : menghitung nilai darideterminan matriks Hessian kemudianmencari nilai ekstremanya (nilaimaksima atau minima dibandingkandengan nilai-nilai tetangganya)

c. Lokalisasi calon fitur: mencari lokasicalon fitur pada setiap ruang skala ( scale

space ) dengan menggunakan metodanon-maximum supression terhadap

eksterma dari determinan matriks Hessian.

3. Pendeskripsian fitur: mendeskripsikan titik-titik fitur menggunakan respon Haar wavelet sebagai unit-unit vektora. Pemberian orientasi: memberikan

orientasi kepada fitur-fitur yang sudahterdeteksi dengan menggunakan respon Haar wavelet .

b. Ekstraksi komponen deskriptor:menghitung deskriptor vektor dari titik-titik fitur yang sudah diberikan orientasi.

2.1 Proses AwalTahap awal dari algoritma SURF ini adalah

mempersiapkan citra masukan. Citra masukanadalah citra dengan format grayscale 32-bit. Padatahap ini, citra masukan baik citra target yangdiberikan oleh pemrogram dan citra yang diperolehdari kamera direpresentasikan menjadi citra integralyang kemudian akan menghasilkan representasicitra dengan format grayscale 32-bit. Setiap fiturakan sangat efektif dihitung dengan menggunakancitra integral yang juga disebut sebagai summedarea tables [12]. Citra integral adalah representasitengah ( intermediate ) untuk citra dan terdiri dari

jumlah nilai keabu-abuan ( grayscale pixel ) daricitra dengan tinggi y dan lebar x. Perumusannyaadalah sebagai berikut:

2.2 Mendeteksi Titik-Titik FiturFitur-fitur Haar-like terdiri dari dua atau tiga

gabungan segiempat panjang ( rectangles ) hitamdan putih seperti pada gambar 2 di bawah ini.

Gambar 2: Fitur-fitur Haar-like

Dari fitur-fitur Haar-like pada gambar 2.6 diatas maka hanya dipilih fitur gelembung ( blob-like

feature ) untuk mendeteksi titik-titik fitur. Adapun pertimbangan pemilihan fitur gelembung adalahuntuk mengurangi jumlah fitur yang terdeteksi danlebih mempercepat waktu komputasi.

Untuk membentuk piramid citra digunakanbox filter sebagai aproksimasi dari turunan parsialkedua dari Gaussian sebagai berikut:



3

Gambar 3: Dari kiri ke kanan: Turunan parsial keduadari Gaussian (discretised dan cropped ) pada arah sumbu-y dansumbu-xy, pendekatan yang digunakan dengan tapis kotak ( box

filter ). Daerah abu-abu sama dengan 0.

Citra dengan skala yang lebih kecil dibentukdari konvolusi citra I dengan up-scalling box filtersebelumnya.

Pada tahap pendeteksian fitur digunakanmatriks Hessian karena memiliki performa yang

baik dalam kecepatan waktu komputasi danakurasi[9]. Matriks Hessian di titik daricitra dengan skala didefinisikan sebagai berikut:

dimana: hasil konvolusi dari turunan parsial

kedua dari Gaussian dengan citra padatitik ,

hasil konvolusi dari turunan parsial

kedua dari Gaussian dengan citra pada

titik dan, hasil konvolusi dari turunan parsial

kedua dari Gaussian dengan citra pada

titik .Agar fitur yang terdeteksi tahan terhadap

penskalaan maka dicari ekstrema dari matriks Hessian dengan perumusan sebagai berikut:

Pembobotan diberikan terhadap rumus di atasuntuk menjaga efesiensi dan mempermudah

perhitungan sesuai dengan aturan matriks.Pembobotan diberikan menurut aturan Frobenius[8]sebagai berikut:

Lokalisasi calon fitur ditentukan denganmetoda metoda non-maximum suppression pada

skala citra tetangganya. Kemudianekstrema dari determinan matriks Hessian diinterpolasikan pada skala ruang dengan metodayang diajukan oleh Brown[10]. Metoda ini akanditerapkan pada setiap calon fitur untuk mencarilokasi extrema setelah diinterpolasi. 3D quadraticmenggunakan ekspansi Taylor terhadap fungsiscale-space, D( x,y, ), yang digeser sedemikian rupasehingga titik originnya digunakan sebagai titik uji :

dimana, D dan turunan-turunannya dihitung pada titik uji dan x = ( x,y, )T adalah simpangan darititik uji. Sedangkan lokasi ekstremum dapat

dihitung sebagai berikut:

Jika nilai simpangan lebih besar dari 0,5dalam dimensi manapun, maka ekstremum terletak

pada titik lain di dekat titik tersebut. Untuk mencarilokasi ekstremum tersebut, maka titik ujidipindahkan ke titik yang memiliki simpanganlebih dari 0,5 tersebut dan dihitung kembalisimpangannya pada titik itu, dan hasilnyadijumlahkan dengan titik uji.

2.3 Pendeskripsian FiturPendeskripsian titik-titik fitur menjadi

deskriptor vektor dilakukan agar titik-titik fiturmemiliki ketahanan terhadap rotasi, kekontrasan,dan perubahan sudut pandang.

Agar tahan terhadap rotasi, maka setiap fituryang terdeteksi akan diberikan orientasi. Pertamaakan dihitung respon Haar-wavelet terhadapsumbu-x dan sumbu-y dengan titik-titik dilingkungan tetangganya pada radius di sekitartitik fitur, dengan adalah skala pada titik fituryang terdeteksi. Dengan langkah sampling tiapskala adalah dari masing-masing skala begitu juga

perhitungan respon wavelet -nya sesuai denganskalanya. Sehingga pada skala yang besar ukurandari wavelet akan besar pula. Untuk itu akandigunakan perhitungan citra integral untuk

pentapisan yang cepat. Dengan demikian hanyadibutuhkan enam operasi untuk menghitung respon

pada sumbu-x dan sumbu-y di setiap skala. lebardari wavelet adalah .

Gambar 4: Pemberian orientasi[8].

Untuk mengekstraksi deskriptor, langkah pertama yang diambil adalah membuat daerah bujursangkar yang berpusat di sekitar titik fitur, danorientasinya mengarah ke orientasi yang sudahditentukan sebelumnya. Ukuran dari jendela bujursangkar tersebut adalah . Contoh gambarnyaadalah seperti gambar 2.14. Daerah tersebut

kemudian dibagi lagi menjadi sub-daerah.Daerah ini tetap berisi informasi ruang sesuai



4

dengan aslinya. Untuk masing-masing sub-daerahini, akan dihitung beberapa fitur sederhana pada

titik sampel ruang. Untuk alasankesederhanaan, respon Haar-wavelet pada arahhorisontal akan disebut dengan dan respon

Haar-wavelet arah vertikal disebut dengan .

Yang dimaksud “vertikal” dan “horisontal” dalamhal ini didefenisikan sesuai dengan orientasi darititik fitur yang bersangkutan. Untuk meningkatkanketahanannya terhadap deformasi geometrik dankesalahan lokalisasi, maka respon dan akandibobot dengan sebuah Gaussian ( ) yang

berpusat pada titik fitur.Setelah citra-citra target pada memori dan

citra dari kamera diambil fitur-fiturnya dandiperoleh deskripsi vektornya, langkah selanjutnyaadalah mencocokkan citra-citra tersebut. Pada

penelitian ini, digunakan metoda kd-Tree denganalgoritma Best Bin First (BBF). Setiap vektor fitur

pada citra kamera dicocokkan dengan vektor-vektorfitur dari citra yang berasal dari memori. Namunsalah satu kendala yang muncul adalah ada

beberapa vektor fitur yang muncul akibat adanyaambigu pada citra, dan mengakibatkan adanyagangguan pada hasil pencocokkan. Untukmengatasi permasalahan ini maka dilakukan

pembatasan nilai jarak nearest neighbors untukmengurangi gangguan yang timbul.

Fitur yang menjadi calon fitur yang palingcocok ditentukan dengan melihat nearest neighbor

pada citra dalam memori. Nearest neighbors didefinisikan sebagai fitur yang memiliki jarak

Euclidean yang paling kecil antara vektordeskriptornya. Fitur-fitur yang dicocokkankebanyakan akan memiliki pasangan yang salahakibat latar belakang citra yang tidak beraturan ataukarena adanya ambigu dengan fitur lain yangmemiliki karakter yang mirip. Oleh karena itu,harus ada cara untuk menghilangkan fitur-fiturtersebut. Hal ini dapat dilakukan dengan mengatur

batasan minimal pada jarak fitur tersebut denganfitur terdekatnya, tapi ternyata hasilnya tidak terlalu

baik, karena kebanyakan deskriptor berbeda cukup jauh dengan titik lainnya. Cara yang lebih baikadalah dengan mengatur batasan pada jaraktetangga terdekat dengan tetangga keduaterdekatnya. Jarak Euclidean yang digunakanadalah Euclidean dimensi satu yaitu dihitungdengan rumus sebagai berikut:

…

3. Perancangan dan ImplementasiPada perancangan awal sistem DSMAC ini

akan dirancang perangkat keras dan perangkatlunak. Hasil perancangan ini akan digabungkanmenjadi sebuah sistem DSMAC yang siap untuk

diaplikasikan.

3.1 Perangkat KerasPerangkat keras dari DSMAC ini mencakup :1. Komputer Embedded dengan Sistem

Operasi Windows 2. Kamera Giga Bit Ethernet GC650C

Prosilica

3. Hardisk4. Catu dayaSistem ini ditunjukkan oleh gambar 5 di bawah

ini.

Gambar 5: Sistem DSMAC yang digunakan pada penelitian.

Adapun spesifikasi komputer embedded yangdigunakan bisa dilihat pada tabel 1 di bawah ini.

Tabel 1: Spesifikasi komputer embedded .Processor Intel Core Duo TM 1,6 GHz

RAM 1 GB Visipro

Sistem Operasi Windows XP Professional SP-3

Hardisk 10 GB Seagate

LAN Card Dual 10/100/1000 Mbps PCI Ethernet

IP address 169.254.1.1

3.2 Perangkat LunakPerangkat lunak yang akan diterapkan pada

penelitian ini dibuat dengan menggunakan bahasa pemrograman C, dibantu dengan library dariOpenCV yang diperoleh secara bebas dari internetdan Software Development Kit (SDK) dari GSLyang diperoleh dari situs resmi Prosilica . Library OpenCV ini adalah library tambahan yangdirancang untuk membantu menangani pengolahancitra dan perhitungan matematis kompleks pada

bahasa pemrograman C.Perangkat lunak yang dirancang dibagi

menjadi dua bagian utama :1. Pengambilan fitur citra dan pendeskripsian

vektor dengan algoritma SURF.2. Pencocokan citra target dengan citra dari

kamera dengan metoda Best Bin First .

3.3 Implementasi Perangkat LunakPerangkat lunak yang diimplementasikan akan

memproses dua jenis citra. Citra yang pertamadiproses adalah citra yang sudah tersimpan dihardisk. Citra ini selanjutnya disebut sebagai citratarget. Citra yang kedua adalah citra yang diperolehdari tangkapan kamera. Citra ini selanjutnya disebutsebagai citra uji.



5

Adapun tahap-tahap proses perangkat lunakadalah sebagai berikut:

1. Pengolahan citra targeta. Persiapan citra target

b. Pengambilan fitur citra targetc. Pembentukan deskriptor vektor

d. Penyimpanan deskriptor vektor2. Pengolahan citra ujia. Akuisisi citra uji

b. Persiapan citra ujic. Pengambilan fitur citra ujid. Pembentukan deskriptor vektore. Penyimpanan deskriptor vektor

3. Pembentukan kd-tree dengan deskriptorvektor citra uji

4. Pencocokan deskriptor vektor citra targetdengan citra uji

5. Penentuan titik tengah target pada citra uji6. Penggambaran citra keluaran

7. Penampilan citra keluaran

4. Pengujian dan Analisis Pengujian hasil implementasi perangkat lunak

ke dalam perangkat keras adalah suatu proses yangharus dilakukan untuk mengetahui apakah sistemDSMAC sudah berjalan dengan baik atau belum.Dengan pengujian ini juga bisa diketahui batasan-

batasan dari sistem yang sudah dirancang.

4.1 Pengujian Perangkat LunakPengujian perangkat lunak dilakukan dengan

dua cara yaitu pengujian secara off-line dan pengujian secara on-line . Pengujian secara off-line dilakukan tanpa menggunakan kamera. Citra yangseharusnya didapat dari kamera dialihkan dandiambil dari hardisk. Cara kedua adalah pengujiansecara on-line dengan menggunakan kamera.

Pengujian perangkat lunak dilakukan untukmengetahui ketahanannya terhadap penskalaan,rotasi, dan perubahan sudut pandang. Pengujian

juga dilakukan terhadap faktor pencahayaan danfakor gangguan.

Pengujian terhadap penskalaan, ketahananalgoritma pencarian target dengan perangkat lunakini memiliki keterbatasan sampai skala citra targettertentu. Keterbatasan ini bergantung pada jumlahfitur yang terdeteksi pada target.

Pengujian terhadap rotasi, perangkat lunakmemiliki ketahanan yang sangat baik terhadaprotasi citra uji.

Pengujian terhadap perubahan sudut pandang, perangkat lunak memiliki ketahanan yang terbatasterhadap sudut pandang tangkapan kamera.

perangkat lunak memiliki ketahanan yang baikterhadap faktor pencahayaan dan noise dengan

batasan tertentu. Mendeteksi target pada saat pencahayaan citra uji berubah terhadap pencahayaan pada saat citra target diambil akanmempengaruhi jumlah fitur yang dideteksi. Untuk

pencahayaan yang lebih besar maupun lebih kecildari pencahayaan pada saat citra target diambilmaka fitur yang terdeteksi akan berkurang.Pencahayaan akan memperbesar jumlah fitur yang

bisa dihasilkan pada saat pendeteksian fitur baik pada citra target dan citra uji. Untuk noise yang

semakin besar maka fitur yang terdeteksi juga akansemakin berkurang.Batasan-batasan tersebut ditentukan oleh

berbagai faktor seperti jarak target(penskalaan), banyakknya t itik fitur yang terdeteksi, dan kualitasdari kamera yang digunakan. Hasil pencocokantitik-titik fitur pada saat pengujian bisa dilihat padagambar 6 di bawah ini.

Gambar 5: Citra hasil pengujian

4.2 Pengujian Waktu ProsesPengujian waktu yang diperlukan oleh

perangkat lunak untuk menyelesaikan satulingkaran pemrosesan citra dilakukan dengan duakomputer yang berbeda. komputer yang pertamadigunakan adalah komputer laptop, sedangkankomputer yang kedua menggunakan komputerembedded (untuk spesifikasi kedua komputer dapatdilihat pada Bab III). Hal ini dilakukan dengantujuan untuk mendapatkan perbandingan kinerja

perangkat lunak pada saat beroperasi pada duaspesifikasi komputer yang berbeda.

Pengujian waktu proses dilakukan terhadapsatu citra target. Adapun waktu yang dihitungdalam pengujian adalah waktu yang dibutuhkanuntuk mengambil citra dari kamera, waktu untuk

mendeteksi fitur, dan waktu untuk mencocokkanfitur yang terdeteksi. Adapun hasil yang diperolehdapat dilihat pada di bawah ini.

Tabel 2: Hasil pengujian waktu proses dengan metoda SURF pada komputer embedded .

Ukurancitra target

Waktuuntukmenga

mbilcitrauji

(ms)

Waktuuntuk

mencari fitur

citra uji(ms)

Waktu untukmencocokkan fitur (ms)

Totalwakt

urata-rata(ms)

213,3 x 160 41,542 106,999 12,023 160,5160 x 120 41,001 88,901 11,426 141,3128 x 96 40,453 68,235 11,324 120,0



6

Dari pengujian ini juga disimpulkan bahwa peningkatan jumlah data citra pada memoriDSMAC akan menambah waktu proses yangdibutuhkan oleh perangkat lunak. Pada

penambahan dua buah data sebesar 213,3 x 160, penambahan waktu proses yang diperlukan adalah

sekitar 20 milidetik.Hasil lain yang diperoleh adalah bahwa besaratau resolusi citra yang diambil oleh kamera jugamempengaruhi waktu proses yang dibutuhkan oleh

perangkat lunak. Secara default , kamera GigE Prosilica akan menangkap citra sebesar 640 x 480untuk setiap frame -nya. Pada pengolahan citrasebesar 213,3 x 160 (satu per tiga besar citradefault ) dan 160 x 120 (satu per empat besar citradefault ) terdapat selisih waktu proses sekitar 20milidetik.

Faktor penskalaan terhadap citra uji darikamera juga sangat mempengaruhi kecepatan

waktu proses komputasi. Semakin besar penskalaanterhadap citra uji semakin cepat waktu komputasiyang diperlukan untuk mendeteksi fitur-fitur citrauji akan tetapi semakin kecil jumlah fitur yang bisadideteksi. Dengan memperbesar penskalaan satutingkat maka waktu komputasi bisa dipercepatsekitar 20 milidetik. Jumlah fitur yang terdeteksi

berkurang sekitar dengan adalah nilai skalacitra.

4.3 Perbandingan Waktu Proses SURF denganSIFT

Pada tabel di bawah ini adalah tabel pengujian

waktu proses yang diperoleh dari simulasi denganmengggunakan metoda perangkat lunak SIFT[21].

Tabel 3: Hasil pengujian waktu proses dengan metoda SIFT pada komputer embedded .

Ukurancitra target

Waktuuntukmengambilcitrauji

(ms)

Waktuuntuk

mencari fitur

citra uji(ms)

Waktuuntuk

mencocokk an fitur

(ms)

Totalwakturata-rata(ms)

213,3 x 160 53,361 581,452 401,731 1036,5160 x 120 52,475 562,621 350,876 965,9128 x 96 52,542 560,440 320,234 932,6

Jika dibandingkan antara total waktu prosesantara Tabel 4.3 dan Tabel 4.4 maka dapat dilihat

bahwa perangkat lunak SURF memiliki waktukomputasi yang lebih cepat dibandingkan denganSIFT. Rata-rata kecepatan komputasi SURFterhadap SIFT adalah sebagai berikut:

Sehingga dari perhitungan di atas bisa dilihat bahwa performa SURF lebih baik 7x daripada performa SIFT. Jumlah fitur yang cocok terdeteksiantara citra target dan citra uji pada SIFT lebih

banyak daripada SURF.

4.4 AnalisisAnalisa dilakukan setelah pengujian terhadap

sistem berhasil dengan baik. Analisa dilakukanmeliputi analisa terhadap fungsionalitas perangkatkeras dan analisa terhadap hasil pengujian

perangkat lunak.Dari pengujian yang sudah dilakukan dapat

diketahui bahwa perangkat lunak dapat bekerjadengan baik pada perangkat keras yang disediakan.Pengujian perangkat lunak memperoleh hasilsebagai berikut :1. Waktu komputasi perangkat lunak dengan

metoda SURF 7x lebih cepat dibandingkandengan menggunakan metoda SIFT.2. Ukuran citra target juga mempengaruhi jumlah

fitur yang terdeteksi dan pencocokan citrasehingga bisa mempengaruhi waktu komputasi.Semakin kecil ukuran citra target makasemakin kecil jumlah fitur yang terdeteksi dansemakin cepat waktu komputasi perangkatlunak.

3. Penskalaan berpengaruh besar terhadap hasil pendeteksian target. Semakin kecil skala citratarget yang terdapat pada citra uji semakinkecil pula fitur yang bisa dideteksi.

4.

Sudut pandang terhadap citra uji berpengaruhterhadap jumlah fitur yang terdeteksi. Semakin besar sudut pandang citra semakin kecil jumlahfitur yang terdeteksi.

5. Faktor pencahayaan terhadap citra target dancitra uji sangat berpengaruh terhadap jumlahfitur yang akan dideteksi dan pencocokan fitur.Semakin besar perbedaan pencahayaan padasaat pengambilan citra target dan citra ujisemakin kecil fitur yang bisa dideteksi.Pencahayaan yang tinggi akan semakinmemperbesar jumlah fitur yang bisa terdeteksisehingga bisa memperbesar waktu komputasi

pendeteksian fitur.6. Rotasi citra uji berpengaruh terhadap jumlahfitur yang terdeteksi. Fitur yang terdeteksi daricitra uji berkurang secara maksimal pada rotasisebesar .

Dalam pengujian dengan kamera, dapat dilihat bahwa baik perangkat keras maupun perangkatlunak dapat bekerja dengan baik. Hasil yangdidapat pun telah sesuai dengan yang diharapkanyakni waktu komputasi yang lebih cepat sebesar 7xdari perangkat lunak SIFT. Waktu terbaik yangdiperlukan perangkat lunak ketika memproses suatu

frame adalah sekitar 100 milidetik. Dengan kata



7

lain, kecepatan terbaik yang dapat dihasilkan perangkat lunak adalah sekitar 10 frame /detik.Dengan kecepatan 10 frame /detik dan kecepatanterbang peluru kendali sekitar 100 km/jam ataukira-kira 30 m/detik maka sistem akan kehilanganinformasi target setiap 3 meter. Kendala yang

muncul adalah apabila kecepatan peluru kendaliyang digunakan mendekati kecepatan pelurukendali Tomahawk yang memiliki kecepatanterbang kira-kira 880 km/jam atau berkisar 245m/detik. Dengan kecepatan komputasi perangkatlunak sebesar 10 frame /detik maka sistem akankehilangan informasi citra target setiap 24,5 meter.Akan tetapi kehilangan informasi pada jarak sejauhini, target masih bisa di- tracking dengan baikmengingat pada rentang jarak 500 meter sampai 4,5km pendeteksian masih bisa dilakukan dengan baik.Apabila diasumsikan sistem DSMAC aktif padasaat peluru kendali berjarak 5 km dari target maka

waktu sebelum peluru kendali menghantam targetadalah detik. Waktu ini adalah waktuyang dimiliki oleh sistem dalam melakukankomputasi untuk men- tracking target. Dengankecepatan komputasi berkisar antara 120 milidetikatau sekitar 8 frame /detik maka sistem dapatmelakukan komputasi terhadap 163 frame yangditangkap oleh kamera. Informasi frame sebanyakini sudah bisa dipergunakan untuk men- trackingtarget dengan baik sehingga peluru kendali bisamenghantam target dengan tepat.

Penambahan spesifikasi perangkat kerassecara logika akan meningkatkan kinerja perangkatlunak yang terintegrasi di dalamnya. Hal ini jugaterjadi pada perangkat lunak DSMAC yangdirancang. Pengujian pada komputer embedded dengan

p ,memori dan pada PC dengan

, memorimemberikan selisih waktu proses

sebesar . Selisih waktu pemrosesanini cukup signifikan jika dilihat dari kemampuan

processor yang semakin besar dengan harga yangtidak begitu jauh berbeda.

Dengan menambahan jumlah data citra target pada memori, akan terjadi penambahan jumlah fituryang akan dicocokan dengan fitur-fitur yangdideteksi pada citra dari kamera, yang akhirnyaakan meningkatkan waktu proses yang diperlukanoleh perangkat lunak. Dengan peningkatan kira-kirasebesar untuk setiap dua buah datacitra target dengan resolusi tentunya

pemilihan data-data yang akan diintergrasikandengan perangkat lunak perlu sangat diperhatikan.Penambahan data citra target pada memorisebaiknya dilakukan hanya untuk menutupikelemahan-kelemahan perangkat lunak, misalnya

pada rotasi tiga dimensi citra target.

Waktu proses yang dibutuhkan oleh perangkatlunak juga bergantung pada resolusi citra yangdiambil oleh kamera. Dari hasil penelitiandisimpulkan bahwa untuk citra kamera denganresolusi dengan setiap

penambahan satu nilai n, maka akan terjadi pengurangan waktu proses sekitar .Pada nilai n sebesar , atau resolusi citra kamerasebesar , proses pencocokan citra sudahtidak lagi akurat, karena fitur yang terdeteksi padacitra target berkurang sangat banyak. Dari hasil

penelitian tugas akhir ini, nilai n maksimum yangdisarankan adalah .

5. Kesimpulan dan Saran

5.1 KesimpulanDari semua proses yang telah dilewati pada

tugas akhir ini, yang meliputi proses perancangan,implementasi, pengujian, dan analisis dapat ditarik beberapa kesimpulan berikut:

Metoda yang digunakan SURF lebih cepatdari metoda yang digunakan SIFT.Metoda SURF dapat diimplementasikan kedalam sistem-sistem yang membutuhkan

pencarian fitur citra dan pendeteksian targetatau obyek tertentu.Algoritma SURF merupakan algoritma

pencarian fitur yang bekerja berdasarkan perbedaan nilai keabu-abuan piksel pada citra(blobs detector ). Hal ini akan membuat proses

pencarian fitur bergantung pada pencahayaanyang diterima oleh benda-benda pada citra.Penambahan data citra target pada memoriakan menambah waktu proses yangdibutuhkan oleh perangkat lunak sekitar

untuk setiap empat buah citradengan resolusi .Untuk citra kamera dengan resolusi

; dengan setiap penambahan satu nilai , maka akan terjadi pengurangan waktu proses sekitar

. Nilai maksimum yangdisarankan adalah .Perangkat keras dan perangkat lunak yangdirancang pada penelitian ini telah terintegrasidan beroperasi dengan baik. Pengujian dengansistem DSMAC sederhana ini membuktikan

bahwa perangkat lunak yang dirancang dapatmencari posisi target pada suatu citra. Hal iniakan sangat membantu sistem peluru kendalidalam menentukan posisi target secara lebihakurat, karena posisi target dapat diketahuimendekati nyata waktu.

Walaupun perangkat lunak secara umum telah bekerja dengan baik, namun terdapat beberapaketerbatasan pada perangkat lunak ini, diantaranya:



8

Pada skala citra target yang kecil (mungkindihasilkan karena citra target diambil dari

jarak jauh) akan terjadi kesulitan dalammengidentifikasikan target. Hal ini disebabkankarena fitur yang dideteksi pada citra targetterlalu sedikit.

Diperlukan lebih dari satu citra target denganskala yang berbeda pada memori sehingga

peluru kendali bisa mendeteksi target dari jarak yang relatif jauh sehingga menambahwaktu komputasi yang diperlukan.Diperlukan pula lebih dari satu target yang

berbeda intensitas pencahayaannya agar target bisa dideteksi pada intensitas pencahayaanyang berbeda-beda sehingga waktu komputasi

juga semakin bertambah besar.

5.2 Saran

Saran yang dapat diajukan berdasarkan proses pengerjaan tugas akhir ini adalah:Agar target dapat men- tracking target dengan

baik dengan baik diperlukan lebih dari satucitra target dalam basis data.Untuk implementasi pada sistem pelurukendali yang sesungguhnya, diperlukan kameradengan shutter speed dan resolusi yang lebihtinggi, karena peluru kendali pada umumnya

bergerak dengan kecepatan yang tinggi.Sistem ini dapat dikembangkan selanjutnyamenjadi pemrosesan dengan menggunakan

beberapa CPU. Hal ini akan memberikanwaktu pemrosesan yang lebih cepat ( parallel

processing ).Waktu komputasi juga bisa dikurangi denganoptimasi pada algoritma SURF yang digunakanyakni dengan melakukan pemrosesan citrasecara paralel pada citra piramid dan oktaf.Untuk mengatasi kendala dalam faktor kondisilingkungan bisa dikembangkan metoda SURFdengan menggunakan kamera infra merahsehingga peluru kendali bisa beroperasi padamalam hari.

DAFTAR PUSTAKA

[1] Siouris, George M. Missile Guidance andControl Systems . Springer. 2004.

[2] Acharya, Tinku and Ray, Ajoy K. Image Processing : Principles and Applications .John Wiley & Sons, Inc. 2005.

[3] KAIST University. MAE800-Lecture 2.1. [4] SLCM Ship Launched Cruise Missile

diambil dari http://www.navysite.de/tomahawk.htm pada tanggal 14 April 2007.

[5] http://www.ais.fraunhofer.de/~surmann/papers/icra2005/node12.html.

[6] P. Viola, M. J. Jones. Robust real-time facedetection . International Journal ofComputer Vision, 57 (2): 137-154, May2004.

[7] Bradley, D. 2007, Adaptive ThresholdingUsing Integral Image , published in theJournal of Graphics Tools. Volume 12, Issue2. pp. 13-21. 2007. NRC 48816.

[8] Bay, H., Tuytelaars,T. & Van Gool, L.(2006) SURF: Speeded Up Robust Features. Proceedings of the ninth EuropeanConference on Computer Vision.

[9] Koenderink, J.: The Structure of Images. Biological Cybernetics 50 (1984) 363-370.

[10] Brown, M., Lowe, D.: Invariant Features from Interest Point Groups . In: BMVC.2002.

[11] http://www.earth.google.com. [12] R. Lienhart and J. Maydt. An Extended Setof Haar-like Features for Rapid Object

Detection . In Proc. of the IEEE Conf. on Image Processing (ICIP '02) , pages 155 -162, New York, USA, 2002.

[13] Florack, L. M. J., HaarRomeny, B. M. t.,Koenderink, J. J., Viergever, M. A.: Generalintensity transformations and differentialinvariants . JMIV 4. 1994.

[14] Mindru, F., Tuytelaars, T., Van Gool, L.,Moons, T.: Moment invariants forrecognition under changing viewpoint and

illumination . CVIU 94. 2004.[15] Baumberg, A.: Reliable feature matching

across widely separated views . In: CVPR.2000.

[16] Schaffalitzky, F., Zisserman, A.: Multi-viewmatching for un ordered image sets, or“How do I organize my holiday snaps?”. In:ECCV. Volume1. 2002.

[17] Freeman, W. T., Adelson, E. H.: The designand use of steerable filters . PAMI 13. 1991.

[18] Carneiro, G., Jepson, A.: Multi-scale phase-based local features . In: CVPR. 2003.

[19] Lowe, David G. Distinctive Image Features

from Scale-Invariant Keypoints . 2004.[20] Mikolajczyk, K., Schmid, C.: A performance

evaluation of local descriptors . In: CVPR.Volume 2. 2003.

[21] David. Pengembangan Digital Scene AutoCorrelator (DSMAC) pada Sistem Peluru

Kendali dengan SIFT . ITB. 2007.[22] http://prosilica.com/products/gc650.html. [23] http://www.advantech.com/products/search.

aspx?keyword=PCM-4390. [24] http://gnuwin32.sourceforge.net/packages/gs

l.htm.

http://www.ais.fraunhofer.de/~surmann/papers/icra2005/node12.html




http://www.earth.google.com/

http://prosilica.com/products/gc650.html

http://www.advantech.com/products/search.aspx?keyword=PCM-4390






http://prosilica.com/products/gc650.html

http://www.earth.google.com/



Pengembangan Dsmac Menggunakan Metoda Surf

Documents

Transcript of Pengembangan Dsmac Menggunakan Metoda Surf