Image processing sejak dulu berkaitan

dengan operasi
pre-processing seperti
filter
Fourier,
edge
detection
dan
morphological operations. visi komputer
secara luas merupakan pengolahan isi
citra, pelacakan dan klasifikasi objek .
Contoh aplikasi visi komputer diantaranya
Automatic
Number
Plat
Recognition
(ANPR), pelacakan orang atau kendaraan,
dan analisis pada kerumunan.

PENGANTAR
pengolahan citra pertama kali diterapkan pada teknologi keamanan
diawal tahun 1980 dengan metode Video Motion Detection (VMD) sistem
yang diklaim sebagai perkembangan dari Perimeter Intruder Detection
Systems (PID).
Namun masih terdapat error ( false alarm yang tinggi) dari instalasi LED,
untuk itu penelitian kedepannya dapat menghadirkan solusi yang lebih
baik. Konsep dari kecerdasan buatan, seperti jaringan saraf tiruan dan
sistem pakar, telah dimasukkan ke dalam sistem orientasi visi komputer.

Penelitian ini mempertimbangkan perkembangan baru dalam 3 bidang:

o pencitraan penyusup/objek;
o Verifikasi alarm otomatis melalui video, dan
o Otomasi penilaian ancaman secara real time.

LATAR BELAKANG SEJARAH

Awal pendeteksi penyusup/objek pada pengolahan citra menggunakan algoritma
Frame differencing, teknik yang masih menjadi landasan dari sistem yang lebih
kompleks. Idenya adalah untuk memilih semua adegan tersebut daerah yang
berbeda dari satu frame ke video berikutnya, teknik yang sederhana. Terlihat
diskriminasi yang kecil antara gerakan penyusup dan guncangan kamera, hujan
dan perubahan struktural konten adegan dibawa sinar matahari dan efek
bayangan.
Gambar 2: Intruder mendekati pagar

namun ada masalah untuk pendekatan sederhana ini yaitu :

o tidak memberikan pemahaman konsep gambar
o tidak ada eksploitasi pada domain yang diketahui
o Tidak ada konsep tentang target dan bagaimana target bergerak
o rentan terhadap gerakan kamera dan efek cuaca

Hal ini masih belum COMPUTER VISION

Gambar 3: Perbedaan Gambar antara figure 2

SISTEM PAKAR: PARADIGMA ATURAN

BERBASIS
Beberapa kelompok peneliti berpaling ke sistem pakar untuk
Pendekatan generasi berikutnya untuk video berbasis PID. PSDB
Proyek Fabius menggunakan pendekatan berbasis sistem pakar dan
memisahkan visi komputer menjadi 3 aspek :
1. deteksi object (pengolahan citra);
2. pengenalan target obyek
3. pelacakan Objek target

Sebuah sistem pakar berbasis frame yang ditulis dalam PROLOG

adalah kemudian digunakan untuk mengklasifikasikan objek target
dan perilaku mereka ke dalam class secara keseluruhan, tergantung
pada fitur vektor mereka dan bagaimana mereka mengubah melalui
urutan frame. Pendekatan ini memungkinkan domain pengetahuan
untuk digabunggkan , misalnya :
IF rabbit_object AND moves_at rabbit_speed THEN classify RABBIT

 Meskipun pendekatan ini menghasilkan

performa yang lebih baik, memiliki kelemahan
yang memerlukan jumlah luas eksplisit domain
pengetahuan. Misalnya, informasi diperlukan
pada apa jenis satwa liar dapat hadirdalam
adegan untuk setiap aplikasi. Ini jumlah
informasi menjadi sangat besar terutama jika
probabilistikmodel (misalnya efek cuaca) yang
dimasukkan ke dalam kerangka.
Gambar 4: Analisis 2 lagu kelinci

 PENGGUNAAN JARINGAN SYARAF TIRUAN

Salah satu pendekatan untuk masalah klasifikasi mana hubungan input / output yang
sangat non-linear, hanya tidak diketahui, atau di mana pengetahuan eksplisit
mengusung terlalu berat overhead untuk menggunakan classifier jaringan saraf. Ada
2 cara di mana pengklasifikasi saraf dapat dimasukkan ke dalam PID berbasis video:

* Untuk melakukan pengolahan tingkat rendah nilai pixel secara langsung; dan
* Untuk melakukan klasifikasi pada output gambar operator pengolahan yang
mengolah data pixel mentah pertama.
Kedua "klasik" pendekatan memiliki keuntungan prediksi yang lebih besar dan
transparansi operasi dan akses untuk sementara primitif adegan representasi. Lebih
mudah untuk membangun model prediksi perilaku sistem dan Kinerja [3].
Pendekatan jaringan saraf secara keseluruhan memiliki keuntungan bahwa:
* Dapat sangat diri mengorganisir serta digunakan dalam
* Itu sangat adaptif, yang membuatnya lebih cocok untuk mode pelatihan yang
diawasi; dan citra pengolahan berasal dari adegan di luar.

 PENDEKATAN SISTEM
Pendekatan alternatif untuk meningkatkan PID berbasis video kinerja keseluruhan adalah untuk mengevaluasi berbagai sumber
kurang informasi yang dapat dipercaya bersama-sama untuk menghasilkan hasil dengan keyakinan yang lebih besar daripada
bagian-bagiannya dalam isolasi (yang konsep fusion data). PSDB saat ini tengah melakukan program kerja di tepat ini sehingga
dapat memberikan video yang kuat berdasarkan penilaian ancaman otomatis. Contoh ancaman generik yang mungkin dianalisis
meliputi:
Kegiatan .suspicious orang di taman mobil (gerakan antara kendaraan dapat menunjukkan adanya pencuri);
* Aktivitas yang mencurigakan kendaraan di dekat dengan bank (Mungkin indikasi dari sebuah perampokan bersenjata yang
akan datang); dan pola -suspicious pergerakan orang di dekat keselamatan peralatan penting (mungkin indikasi dari yang akan
datang tindakan vandalisme). Sebuah sistem penilaian ancaman efektif mungkin menggabungkan:
.Automatic Nomor Plat Recognition (ANPR); athe kemampuan untuk mendeteksi jenis tertentu kendaraan (mis adalah bahwa
* Analisis kepadatan kerumunan (berdasarkan jenis optik normal jenis pengiriman uang dari kendaraan); dan analisis mengalir).

Tulisan ini tidak bisa melakukan keadilan untuk semua teknologi ini. Menjanjikan pekerjaan patut dicatat termasuk yang dari
Hogg et a1 [12]. Karya ini menunjukkan cara bagaimana terpadu Sistem mungkin bekerja. Ini menggabungkan dua model yang
didasarkan pendekatan:
merenung model bentuk aktif untuk melacak orang sebagai non-kaku
* Menggunakan model 3D geometri untuk mobil trek kaku
benda; dan benda.

Sistem ini telah terintegrasi untuk memberikan kuat paradigma berbasis model untuk memahami gambar sangat relevan dengan
aplikasi keamanan yang tinggi. Aplikasi menyelidiki sejauh meliputi pola mengukur dari pejalan kaki Gerakan yang tidak biasa
dan memproduksi alami deskripsi bahasa adegan interaksi. Bukan itu sulit untuk membayangkan permohonan keamanan yang
bisa menguntungkan dari pendekatan sistem terpadu seperti ini.

Gambar 9: sistem surveilans berbasis Model '