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.