KARYA ILMIAH

Perbandingan Metode Histogram of Oriented Gradients

dengan Partial Least Squares pada Aplikasi Human Detector






















Nama : Daniel Paulus Sihombing
Nomor Mahasiswa : 11/319296/TK/38426
Mata Kuliah : Pengolahan Statistis Isyarat




TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO DAN TEKNOLOGI INFORMASI FT.UGM
YOGYAKARTA
2012


I. PENDAHULUAN
A. Latar Belakang
Human detection adalah sebuah sistem yang digunakan program untuk mendeteksi
adanya manusia atau tidak di hadapan suatu mesin. Beberapa metode yang digunakan saat ini
untuk membuat sistem human detection ini adalah Histogram of Oriented Gradients (HOG),
Partial Least Squares Analysis (PLS), Global template, dan lain-lain.
Pendeteksi manusia atau Human detection ini memiliki banyak fungsi dilihat dari
berbagai aspek kehidupan kita, mulai dari teknologi seperti smart phone, kamera dan
keamanan. Human detection bisa pula digunakan untuk kegiatan medis bahkan sampai
hiburan atau entertainment. Oleh karena itu perlu adanya perkembangan riset mengenai
human detection.
Dalam teknologi human detection, metode yang paling banyak dikenal adalah metode
Histogram of Oriented Gradients (HOG). Metode ini menggunakan teknik menghitung nilai
gradien dari setiap piksel gambar. Selanjutnya menentukan jumlah bin orientasi yang akan
digunakan dalam pembuatan histogram. Lalu dilakukan perhitungan geometri R-HOG.
Metode lain yang dapat digunakan untuk melakukan human detection adalah Partial Least
Squares Analysis. Metode ini tidak terlalu berbeda dengan HOG. Hanya saja pada metode ini
ia menambahkan pengumpulan data mengenai warna pada gambar yang disebut color
frequency dan tekstur yang dikomputasi dari co-occurrence matrices.
Human detection harus memiliki tingkat efisiensi yang tinggi, terlebih untuk
kepentingan kemananan (security) dan medis. Oleh karena itu perlu dilakukan penelitian
untuk melihat perbedaan antara metode satu dengan metode yang lainnya. Pada Karya ilmiah
ini, akan dibahas mengenai perbandingan antara metode metode yang biasa digunakan
untuk human detection. Perbandingan yang akan dibahas pun dari segi efisiensi dan
keberhasilan dalam melakukan human detection-nya.

B. Rumusan Masalah
1. Bagaimana tingkat efisiensi dari metode-metode human detection yang ada?
2. Apakah ada perbedaan fungsi atau kondisi antar metode agar satu metode lebih efektif
digunakan?

C. Tujuan
Adapun tujuan dari karya ilmiah ini adalah sebagai berikut:
1. Meneliti lebih lanjut mengenai metode-metode yang digunakan untuk human
detection seperti Histogram of Oriented Gradients (HOG) dan Partial Least Square
(PLS) Analysis.
2. Membandingkan efisiensi antara kedua metode tersebut dan perbedaan kondisi untuk
memilih metode apa yang lebih efektif.

D. Manfaat
Adapun manfaat dari karya ilmiah ini adalah:
1. Merupakan penelitian untuk mengetahui tingkat efisiensi dari masing-masing metode
serta perbedaan karakteristiknya.
2. Menjadi sumber untuk penelitian lebih lanjut mengenai human detection.























II. TINJAUAN PUSTAKA
A. Landasan Teori
Histogram of Oriented Gradients
Metode Histogram of Oriented Gradients adalah salah satu metode dalam melakukan
human detection. Metode ini digunakan untuk mengekstraksi fitur pada obyek gambar
dengan menggunakan obyek manusia. Berdasarkan langkahnya, proses awal pada metode
HOG adalah dengan mengkonversi citra berwarna RGB (Red, Green, Blue) menjadi
grayscale, yang kemudian dilanjutkan dengan menghitung nilai gradien setiap piksel. Setelah
mendapatkan nilai gradien, maka proses selanjutnya yaitu menentukan jumlah bin orientasi
yang akan digunakan dalam pembuatan histogram. Proses ini disebutspatial orientation
binning. Namun sebelumnya pada proses gradient computegambar pelatihan dibagi menjadi
beberapa cell dan dikelompokkan menjadi ukuran lebih besar yang dinamakan block.
Sedangkan pada proses normalisasi blockdigunakan perhitungan geometri R-HOG. Proses ini
dilakukan karena terdapat blockyang saling tumpang tindih. Berbeda dengan proses
pembuatan histogram citra yang menggunakan nilai nilai intensitas piksel dari suatu citra
atau bagian tertentu dari citra untuk pembuatan histogramnya. Berikut merupakan langkah
umum untuk melakukan pendeteksian dengan metode HOG

Gamma & Colour Normalization
Pada langkah ini, gambar yang didapat masi berwarna dalam bentuk RGB. Gambar
dapat diubah menjadi grayscale untuk mempermudah komputasi namun dalam percobaannya,
mengubah gambar ke versi grayscale dapat mengurangi performa dari pendeteksian sampai
1,5% pada 10
-4
FPPW (False Positive per Window).
Gradient Computation
Pada langkah ini, dilakukan perhitungan dengan gradien-gradien yang didapat.
Performa sebuah detektor sangat sensitif dengan hal ini. Perhitungan gradien dapat dilakukan
dengan gaussian smoothing (gaussian blur) diikuti dengan beberapa derivative mask diskret.
Dari beberapa percobaan yang dilakukan dengan berbagai jenis skala penghalusan
(smoothing scale ) dan mask diskretnya ditemukan yang terbaik adalah = 0 dengan 1-D [-
1,0,1]. Untuk gambar berwarna, diukur masing-masing gradien untuk setiap kanal warna.
Spatial / Orientation Binning
Pada langkah ini, setiap piksel dihitung nilai bobotnya dan diakumulasikan menjadi
bin orientasi atas daerah lokal spasial yang disebut sel. Nilai bobot didapat dari fungsi dari
magnitude gradien pada piksel. Nilainya bisa berupa nilai magnitude itu sendiri atau
kuadratnya atau akar kuadratnya. Namun pada prakteknya, hasil terbaik didapat dari nilai
magnitudenya saja tanpa dikuadratkan atau diakarkan.
Normalization and Descriptor Blocks
Nilai gradien berubah menurut perbedaan penerangan dan kekontrasan antara
foreground-background. Jadi normalisasi kekontrasan merupakan langkah yang baik untuk
menaikkan performa deteksi. Pada langkah ini, dibuat sebuah blok geometris yang digunakan
untuk mendeteksi objek pada suatu gambar. Pada umumnya ada dua blok geometris, yaitu
blok persegi yang dipartisi dengan sel spasial yang berbentuk persegi. Lalu ada blok
lingkaran yang dipartisi dalam sel berbentuk log-polar.
Detector Window and Context
Detection window adalah daerah yang dideteksi Pada suatu gambar dengan suatu
ukuran pixel. Dengan beberapa percobaan ditemukan yang detection window yang baik
adalah window dengan ukuran pixel 64x128. Pengurangan ukuran window akan mengurangi
performa dan efisiensi keberhasilan dalam pendeteksian.

Partial Least Squares Analysis
Metode ini digunakan untuk pemodelan hubungan antara variabel yang terukur
dengan variabel tersembunyi dengan bantuan HOG. Intinya PLS adalah untuk membuat
variabel peramal, variabel tersembunyi baru.
Adanya persamaan X = T P
T
+ E dan y = U q
T
+ f, dimana T dan U adalah matriks n x p yang
berisi vektor tersembunyi. (m x p) matriks P dan (1 x p) vektor q melambangkan beban dan
(n x m) matriks E dan (n x 1) vektor f adalah residunya. Metode PLS menggunakan algoritma
nonlinear iterative partial least squares (NIPALS) yang menghasilkan vektor beban W = {w
1
,
w
2
, . . . w
p
} dengan persamaaan

Dimana t
i
adalah kolom ke-i pada matriks T, u
i
adalah kolom ke i pada matriks U dan
cov(t
i
,u
i
) adalah sample covariance antara vektor tersembunyi t
i
dan u
i
.


B. Hipotesis
Dari pembandingan yang akan dilakukan dapat ditemukan kelebihan dan kekurangan
dari metode HOG dan PLS. Dari landasan teori yang ada, dimungkinkan teori PLS
akan memiliki kemampuan dan performa yang lebih dibandingkan HOG karena PLS
merupakan perkembangan lebih lanjut dari HOG.
Dapat diketahui dalam kondisi kondisi seperti apa suatu metode sangat efektif
digunakan.


























III. METODOLOGI
A. Metode Penelitian
Adapun metode penelitian dari karya ilmiah ini adalah dapat dilihat dengan diagram blok
berikut:


B. Variabel Penelitian
Pada karya ilmiah variabel yang diteliti pada metode metode yang digunakan adalah
dilihat dari segi miss rate (tingkat kesalahan dalam pendeteksian), FPPW (False Positive per
Window). Dari variabel-variabel tersebut nantinya akan didapat metode mana yang lebih
efisien untuk dilakukan.

C. Rencana Analisis
Analisis yang dilakukan adalah dengan melihat hasil penelitian milik orang lain dengan
metode yang berbeda, yaitu HOG dan PLS. Setelah itu dilakukan pembandingan antara kedua
hasil penelitian dan ditentukan metode apa yang lebih baik untuk melakukan human detection.















IV. HASIL DAN ANALISIS
Metode Histogram of Oriented Gradients
Pada percobaan yang telah dibuat oleh peneliti, dataset yang digunakan untuk
mencoba metode HOG adalah INRIA dataset. INRIA dataset memiliki dua format, yaitu
gambar-gambar original yang sesuai dengan keterangannya dan gambar-gambar positif (ada
manusia) dalam format pixel 64x128 dicampur dengan gambar negatif (bukan manusia).
Dengan dataset INRIA tersebut, metode HOG dilakukan dengan variabel yang berbeda-beda
seperti pada blok geometris berupa persegi atau lingkaran (rectangular / circulation) dan cara
pengklasifikasiannya menggunakan linear atau kernel.
Ditemukan hasil percobaan adalah sebagai berikut:

Dari gambar diatas ditemukan bahwa metode HOG memiliki miss rate antara 30-50% pada
10
-6
FPPW dan memiliki miss rate antara 10-40% pada 10
-4
FPPW.
Metode lain yang digunakan adalah metode Partial Least Squares (PLS)
Metode Partial Least Squares
Pada metode ini dilakukan pula percobaan kepada INRIA dataset. Dilakukan pula
dengan beberapa variabel yang berbeda seperti menggunakan beberapa metode
pengklasifikasian dengan PLD dimensi rendah.
Ditemukan hasil percobaan adalah sebagai berikut:

Dari Gambar diatas dapat dilihat bahwa dengan metode Partial Least Squares (PLS)
memiliki miss rate antara 1-8% pada 10
-4
FPPW.
Ada pula pembandingan Detection Error Tradeoff (DET) untuk metode menggunakan HOG
dengan ditambahkan dengan frekuensi warna dan co-occurence. Hasil penelitian adalah
sebagai berikut:

Dari gambar tersebut terlihat bahwa adanya peningkatan performa dan meningkatkan tingkat
efisiensi pada pendeteksian saat metode HOG ditambah dengan frekuensi warna terlebih lagi
jika ditambah dengan co-occurence. Semua metode digabung dapat menurunkan tingkat
kegagalan sampai 20% pada 10
-6
FPPW.


V. KESIMPULAN DAN SARAN
A. Kesimpulan
Adapun kesimpulan yang dapat diambil dari hasil pembandingan kedua metode
(Histogram of Oriented Gradients dan Partial Least Squares) adalah sebagai berikut:
Metode Partial Least Squares memiliki tingkat efisiensi yang lebih tinggi dibanding
dengan metode Histogram of Oriented Gradients yang dapat terlihat pada grafik
bahwa pada 10
-4
FPPW, metode PLS dapat mendeteksi dengan miss rate sekitar 1-8%,
sedangkan pada metode HOG masih memiliki miss rate sekitar 10-40%.
Metode Partial Least Squares dapat dibilang merupakan perkembangan dari metode
Histogram of Oriented Gradients karena dalam metode tersebut masih menggunakan
HOG namun ada tambahan yang dilakukan untuk meningkatkan performa
pendeteksiannya.
Metode PLS memiliki langkah yang lebih banyak dan lebih kompleks namun
memiliki performa dalam melakukan pendeteksian yang lebih baik dibanding dengan
HOG.

B. Saran
Beberapa saran yang dapat diberikan adalah sebagai berikut:
Metode PLS sudah memiliki performa yang cukup baik dalam proses human
detection namun perlu diadakan penelitian lebih lanjut untuk menemukan metode
yang lebih efektif dan efisien untuk melakukan pendeteksian manusia.












VI. REFERENSI
1. N. Dalal, B. Triggs. Histograms of Oriented Gradients for Human Detection.
Coference on Computer Vision and Pattern Recognition (CVPR). 2005.
2. L. Davis, D. Harwood, A. Kembhavi, W. Schwartz. Human Detection Using Partial
Least Squares Analysis. Univeristy of Maryland, A.V. Williams Building. 2010.
3. Q. Zhu, M-C Yeh, K-T Cheng, S. Avidan. Fast Human Detection Using a Cascade of
Histogram of Oriented Gradients. Coference on Computer Vision and Pattern
Recognition (CVPR). 2006.
4. http://en.wikipedia.org/wiki/Histogram_of_oriented_gradients
5. http://pascal.inrialpes.fr/data/human/
6. http://rauluwiyahnuroktavianis.blogspot.com/2013/03/histogram-of-oriented-
gradients.html