Anda di halaman 1dari 7

Rekonstruksi Obyek 3D Citra Monokular Menggunakan Metode Regresi Linier, Teknik Pelabelan Vertex dan Struktur Aturan Kecerdasan

Carmadi Machbub, Danny S.Pangemanan, Ary Setijadi Prihatmanto Laboratorium Sistem Kendali & Komputer Departemen Teknik Elektro Institut Teknologi Bandung Jalan Ganesa 10 Bandung 40132, Tel./Fax.62-22-2500960 E-mail: carmadi@lskk.ee.itb.ac.id

Abstract

This paper deals with development of object model control points extraction method from a monocular image. These control points are resulted from edge detection of straight line using linear regression method. This method is not influenced by the thickness of line segment, so that an enough accurate result can be achieved. The control points are then extracted to become 3D object model parameter. A knowledge structure for artificial intelligent algorithm is also proposed. The structure is based on connectivity laws among vertices. It is shown from several experiments that the proposed method give a good result in reconstructing the 3D object model consisting of orthogonal straight lines.

Key words: image processing, linear regression, artificial intelligence

1. Pendahuluan Model objek 3D dapat dibentuk dari dua citra yang dihasilkan oleh dua buah kamera (stereo vision/binocular camera) sebagaimana dilakukan di dalam banyak penelitian [2] [3] [10]. Pada penelitian– penelitian yang menggunakan hanya sebuah kamera (monocular camera), pembentukan model objek 3D dilakukan dengan menggunakan urutan citra [6] [7]. Dengan cara demikian dibutuhkan waktu penyelesaian yang relatif lama karena harus memproses beberapa citra masukan. Pada penelitian yang dilakukan, suatu sistem visual yang akan dipasang pada robot mobil otonom dirancang agar dapat melakukan proses rekonstruksi model objek 3D dengan menggunakan sebuah kamera saja agar spesifikasi beban yang dapat dipikul terpenuhi. Lebih lanjut guna mempersingkat waktu komputasi, proses rekonstruksi model 3D tersebut dilakukan dengan hanya menggunakan sebuah citra. Di dalam makalah ini dibahas hasil pengembangan suatu metode ekstraksi titik–titik kontrol yang merepresentasikan titik-titik kontrol model 3D dari suatu objek. Metode ini digunakan sebagai upaya memenuhi spesifikasi rancangan di atas. Dibahas pula pengembangan suatu sistem yang mempunyai kecerdasan tiruan sehingga dapat melakukan fungsinya meskipun hanya memiliki informasi– informasi masukan yang terbatas. Teknik yang diusulkan pada tulisan ini dibatasi pada sistem visual yang berfungsi untuk melakukan proses pembentukan model objek 3D dengan menggunakan sebuah kamera. Sistem visual ini digunakan untuk aplikasi dalam ruangan (indoor).

Model objek 3D yang parameter- parameternya akan diekstraksi dibatasi pada model yang terdiri dari garis–garis lurus yang saling tegak lurus (ortogonal). Dengan kata lain objek–objek yang akan direkonstruksi model 3D-nya adalah objek–objek yang mempunyai bentuk persegi., atau yang di”persegi”kan. Objek-objek tersebut terletak pada suatu bidang tertentu (misalnya lantai). Pembentukan model ke dalam garis-garis lurus dilakukan dengan asumsi bahwa koridor, ruangan, serta objek–objek yang biasanya terdapat dalam ruangan mempunyai bentuk-bentuk sederhana. Masalah utama dalam pembentukan model ini dijumpai di dalam proses pendeteksian garis–garis lurus yang merepresentasikan bentuk objek pada citra yang ditangkap oleh kamera. Garis–garis lurus yang berhasil dideteksi ini kemudian diolah untuk membentuk model 3D objek tersebut. Sistem yang dikembangkan memperoleh masukan berupa citra 2D dan akan menghasilkan model wireframe objek dalam

3D.

2. Pembentukan Model

Seperti

diperlihatkan

dalam

diagram

blok

pada Gambar 1, pembentukan model objek terdiri atas

blok pada Gambar 1, pembentukan model objek terdiri atas Gambar 1. Diagram blok pembentukan model TEKNIK

Gambar 1. Diagram blok pembentukan model

tiga proses utama berikut. ß Pendeteksian Tepi yang berfungsi mendeteksi tepi–tepi objek dan mengelompokkannya berdasarkan arah tepi tersebut. ß Pendeteksian Garis yang berfungsi mengaproksimasi persamaan garis pada segmen– segmen tepi yang telah dikelompokkan menjadi kelompok–kelompok kandidat garis. ß Ekstraksi Model yang berfungsi menyatukan garis–garis yang telah terdeteksi menjadi suatu model objek dengan parameter–parameter dalam 3D. Pada proses ini dilakukan pendeteksian parameter–parameter yang diperoleh dari garis– garis hasil pendeteksian dan proses estimasi parameter–parameter lain yang tidak dapat diperoleh melalui proses pendeteksian garis. Ketiga proses di atas diuraikan berikut ini.

2.1. Pendeteksian Tepi Masukan terhadap proses pendeteksian tepi adalah citra yang berisi objek. Keluaran dari proses ini adalah citra yang berisikan kumpulan tepi objek tersebut. Citra masukan yang digunakan adalah citra berwarna. Dengan demikian proses segmentasi selanjutnya dapat dilakukan berdasarkan warna atau teksturnya.

dapat dilakukan berdasarkan warna atau teksturnya. Gambar 2. Kernel–kernel pendeteksi tepi. Tepi –tepi
dapat dilakukan berdasarkan warna atau teksturnya. Gambar 2. Kernel–kernel pendeteksi tepi. Tepi –tepi

Gambar 2. Kernel–kernel pendeteksi tepi.

Tepi–tepi hasil proses ini selanjutnya akan dikelompokkan menjadi kelompok–kelompok kandidat garis. Metode pendeteksian tepi yang digunakan adalah metode Compass Mask. Metode ini mempunyai kelebihan karena waktu komputasinya relatif cepat dan hasil pendeteksian tepi ini sudah dapat dikelompokkan berdasarkan arah tepi tersebut. Metode Compass Mask dapat menggunakan 4 atau 8 buah kernel. Pada penelitian ini digunakan 4 buah kernel seperti diperlihatkan pada Gambar 2. Hal ini dilakukan dengan asumsi bahwa tepi dengan sudut 0

sama dengan sudut 180 , sudut 90 sama dengan sudut

270

, sudut 45 sama dengan sudut 225 , dan sudut

135

sama dengan sudut 315 .

2.2. Pendeteksian Garis dengan Menggunakan Metode Regresi Linier Suatu kumpulan titik–titik dapat diaproksimasi sebagai garis lurus dengan menggunakan metode regresi linier. Persamaan garis lurus secara umum dapat dituliskan seperti persamaan

(1).

y = ax + b

(1)

Guna menghindari persoalan yang dihadapi bila nilai parameter a Æ •, maka algoritma persamaan garis untuk keadaan ini direpresentasikan oleh persamaan

(2).

x = c

bila

a

Æ

(2)

oleh persamaan (2). x = c bila a Æ • (2) Gambar 3. Aproksimasi garis lurus

Gambar 3. Aproksimasi garis lurus dari kumpulan titik.

Parameter–parameter persamaan (1) dihitung dengan persamaan–persamaan (3).

n

Â

xy

-

Â

x

Â

y

a =

b

=

Â

n

Â

y

-

x

2

a

-

Â

(

Â

x

x

)

2

(3)

n

c

=

Â

x

n

Proses penghitungan parameter–parameter persamaan dilakukan dengan menggunakan semua data titik yang ada. Data titik–titik tersebut diproses oleh pendeteksi garis sehingga dihasilkan garis tepi sebagai hasil regresi linier seperti diperlihatkan pada Gambar 3. Guna menghindari kesalahan penggabungan beberapa kumpulan tepi yang sebenarnya merepresentasikan lebih dari satu garis, proses regresi linier diawali dengan beberapa proses awal berupa pengelompokan tepi–tepi. Urutan proses pendeteksian garis sebagaimana diperlihatkan pada Gambar 4 terdiri dari tiga bagian berikut.

ß Klasifikasi atau segmentasi Citra hasil proses pendeteksian tepi dikelompokkan berdasarkan arah atau orientasinya. Tepi–tepi yang berarah sama dikelompokkan sebagai satu kelompok.

Gambar 4. Proses pendeteksian garis dengan menggunakan regresi linier ß Pelabelan Kelompok–kelompok tepi hasil proses

Gambar 4. Proses pendeteksian garis dengan menggunakan regresi linier

ß Pelabelan Kelompok–kelompok tepi hasil proses segmentasi dikelompokkan kembali ke dalam kelompok– kelompok yang merepresentasikan garis lurus. Tepi–tepi yang mempunyai arah sama dan terletak berdekatan dikelompokkan menjadi sebuah kelompok serta diberi label yang unik.

ß Regresi Linier Berdasarkan data setiap kelompok hasil proses pelabelan, kemudian diaproksimasi suatu garis lurus berdasarkan metode regresi linier. Dengan demikian jumlah garis lurus yang diperoleh sama dengan jumlah kelompok tepi. Gambar 5 menunjukkan dua buah garis lurus sebagai hasil regresi linier dari dua kelompok tepi.

Gambar 5. Regresi linier dua buah kelompok tepi.

tepi. Gambar 5. Regresi linier dua buah kelompok tepi. Proses segmentasi tepi berdasarkan arah tepi dapat

Proses segmentasi tepi berdasarkan arah tepi dapat dilakukan dengan menggunakan pendeteksi tepi Compass Mask sehingga tepi–tepi hasil pendeteksian tepi langsung dikelompokkan berdasarkan arahnya. Setelah itu dilakukan proses segmentasi pada masing – masing kelompok arah. Hal ini dilakukan untuk mengantisipasi adanya beberapa garis yang mempunyai arah atau gradien yang sama. Pengelompokan ini dapat dilakukan dengan cara melihat jarak relatif antar pixel yang berdekatan. Pixel-pixel yang berdekatan dikelompokkan menjadi satu kelompok. Masing–masing kelompok kemudian diberi label yang unik untuk membedakan kelompok yang satu dengan yang lainnya. Setelah itu baru dilakukan proses regresi linier untuk mendapatkan persamaan garis masing–masing kelompok tersebut. Penjelasan lebih rinci tentang proses klasifikasi dan pelabelan diuraikan berikut ini.

2.2.1. Proses Klasifikasi

Proses ini berfungsi untuk mengelompokkan segmen–segmen tepi berdasarkan suatu kriteria klasifikasi tertentu. Salah satu metode klasifikasi adalah memisahkan segmen–segmen garis berdasarkan sudut segmen tepi tersebut. Pada penelitian ini proses pengelompokan segmen tepi berdasarkan sudut segmen telah dilakukan pada proses pendeteksian tepi yang menggunakan metode Compass Mask. Citra tepi hasil pendeteksian ini sebagian besar masih mengandung sejumlah tepi yang berupa derau yang dapat berupa segmen garis yang hanya beranggota sebuah tepi. Tepi–tepi solitaire ini harus dikeluarkan terlebih dahulu. Proses yang akan mengklasifikasikan segmen–segmen kandidat garis

tersebut berdasarkan suatu kriteria tertentu terdiri dari proses–proses sebagai berikut.

ß Thresholding Dalam proses ini dilakukan pembuangan tepi – tepi yang merepresentasikan derau.

ß Edge Linking Dalam proses ini dibentuk konektivitas antar segmen–segmen tepi yang merepresentasikan sebuah garis atau segmen–segmen tepi yang terputus–putus. Hal ini sangat mempengaruhi kinerja proses selanjutnya, yaitu proses pelabelan.

2.2.2. Proses Pelabelan

Proses ini memberikan label yang unik pada setiap segmen tepi yang merepresentasikan sebuah garis. Hal ini perlu dilakukan karena hasil blok klasifikasi masih belum merepresentasikan kelompok– kelompok segmen tepi yang unik. Pada arah tepi tertentu bisa terdapat lebih dari satu kandidat garis lurus. Dengan demikian pada setiap kelompok tepi berdasarkan arah tepi, dilakukan pemecahan kelompok berdasarkan letak segmen tepi tersebut. Segmen–segmen tepi yang berjauhan dapat dianggap sebagai garis yang berbeda. Algoritma pelabelan ini dilakukan berdasarkan parameter konektivitas pixel. Operasi ini akan berjalan dari pixel citra paling atas sampai dengan titik p yang mempunyai V = {1}. Titik p adalah titik yang akan diberi label. V adalah kriteria klasifikasi pixel. Pada aplikasi ini V menunjukkan

arah tepi. Jika suatu pixel memiliki arah tepi yang sama dengan arah segmen tepi yang akan diberi label, maka V = {1} dan jika tidak sama maka V = {0}. Setelah itu dilakukan pemeriksaan pixel-pixel

tetangga pixel p. Berdasarkan informasi konektivitas tetangga maka dilakukan proses pelabelan sebagai berikut :

ß Jika semua tetangga mempunyai V = {0}, diberikan label baru pada p.

ß Jika hanya satu tetangga yang mempunyai V = {1}, titik p diberi label yang sama dengan label tetangga tersebut.

ß Jika terdapat lebih dari satu tetangga yang mempunyai V = {1}, titik p akan diberi label salah satu tetangga tersebut dan nilai–nilai label

tetangga tersebut dimasukkan dalam kelas yang sama. Setelah proses berlangsung untuk semua titik pada citra, label–label yang mempunyai kelas yang sama diganti menjadi satu label baru yang unik. Proses ini akan berlangsung sampai semua arah tepi selesai diproses

2.3. Ekstraksi Model

Bagian ini berfungsi untuk mengekstraksi model objek dalam parameter–parameter model 3D. Masukan proses ini adalah informasi persamaan- persamaan garis hasil pendeteksian garis, serta titik awal dan titik akhir garis tersebut. Informasi ini kemudian digunakan untuk memperoleh koordinat– koordinat vertex dalam 2D. Vertex dinyatakan sebagai perpotongan dua garis atau lebih.

Vertex dinyatakan sebagai perpotongan dua garis atau lebih. Gambar 6. Diagram blok ekstraksi model. Vertex 2D

Gambar 6. Diagram blok ekstraksi model.

Vertex 2D ini kemudian ditransformasikan menjadi vertex 3D dengan menggunakan transformasi balik

Transformasi yang digunakan

adalah transformasi titik pada bidang yang diketahui. Oleh karena objek berada di atas suatu bidang yang diketahui parameternya, maka diketahui bahwa beberapa vertex berada pada bidang tertentu. Data vertex 3D ini beserta data bidang yang telah diketahui dapat digunakan untuk mencari vertex–vertex pada bidang yang lain. Setelah semua vertex 2D ditransformasikan ke vertex 3D, proses selanjutnya adalah melakukan proses estimasi vertex–vertex 3D yang tidak mempunyai vertex 2D. Proses ini dapat dilakukan karena model objek diasumsikan mempunyai bentuk persegi (ortogonal) sehingga antar bidang akan

mempunyai sudut 90 .

proyeksi perspektif

2.4. Struktur Kecerdasan Tiruan

Proses pembentukan model 3D dari sebuah citra 2D memerlukan beberapa informasi tambahan. Salah satu cara untuk menghasilkan informasi tambahan tersebut adalah dengan menggunakan kecerdasan tiruan yang memberikan aturan–aturan dalam pembentukan parameter model 3D tersebut. Penerapan kecerdasan tiruan juga perlu dilakukan untuk mengestimasi vertex–vertex yang berada pada bidang tersembunyi. Pada citra 2D ada beberapa vertex yang tidak tampak, sehingga vertex–vertex tersebut harus diestimasi. Pada penelitian ini digunakan struktur kecerdasan tiruan berupa kumpulan aturan–aturan dalam pelabelan vertex seperti diperlihatkan pada

Gambar 7. Pelabelan ini merupakan pengembangan dari metode pelabelan pada referensi [12].

Gambar 7. Pelabelan vertex. Setiap vertex terhubung dengan tiga buah
Gambar 7. Pelabelan vertex.
Setiap vertex terhubung dengan tiga buah

Gambar 7. Pelabelan vertex

Setiap vertex terhubung dengan tiga buah edge (garis yang menghubungkan antar vertex). Masing–masing edge diberi tanda berdasarkan ketertampakan-nya (visibility). Tanda “ + “ digunakan untuk edge yang tampak pada bidang 2D sedangkan tanda “ – “ digunakan untuk edge yang tidak tampak pada bidang 2D. Pelabelan ini dilakukan pada vertex– vertex dalam bidang 2D. Setiap vertex hasil proses pendeteksian vertex diberi label sesuai dengan pola pelabelan tersebut. Vertex–vertex yang tidak mempunyai label yang sesuai dapat dihilangkan. Setelah itu perlu dilakukan estimasi vertex–vertex tersembunyi berdasarkan aturan konektivitas masing–masing vertex seperti tercantum pada Tabel 1. Pada aturan koneksi antar label tersebut, setiap label vertex akan terkoneksi dengan tiga buah label vertex lainnya. Jika pada citra 2D vertex tersebut telah terkoneksi dengan tiga buah vertex lain dengan label yang sesuai dengan aturan konektivitas antar vertex, maka tidak perlu dilakukan estimasi vertex tersembunyi. Jika vertex tersebut belum terkoneksi dengan tiga buah vertex lainnya, maka perlu dilakukan estimasi vertex tersembunyi dengan menggunakan konektivitas antar vertex seperti pada Tabel 1. Setiap label akan mempunyai satu koneksi vertikal dan dua koneksi horisontal. Label A5 mempunyai visibilitas 1, koneksi vertikal D1, dan koneksi horisontal U6, dan U7. Karena A5 hanya mempunyai satu kemungkinan koneksi vertikal maka A5 pasti akan terkoneksi secara vertikal dengan label D1. Demikian juga dalam arah horisontal. Karena hanya mempunyai dua kemungkinan koneksi horisontal maka label A5 pasti akan terkoneksi secara horisontal dengan U6 dan U7. Sebagai contoh pelabelan pada sebuah kotak. Mula–mula citra mengalami proses pendeteksian garis. Setelah garis–garis terdeteksi kemudian dilakukan proses pendeteksian vertex. Vertex–vertex

tersebut selanjutnya diberi label sesuai dengan bentuk vertex tersebut. Pelabelan awal ini hanya dilakukan untuk label–label yang mempunyai visibilitas lebih dari dua. Hal ini dilakukan karena vertex yang diperoleh merupakan perpotongan antara dua buah garis atau lebih. Vertex–vertex yang tidak mempunyai label yang sesuai dapat dihilangkan terlebih dahulu. Setelah masing–masing vertex diberi label, maka berdasarkan aturan konektivitas antar vertex dapat diprediksi vertex–vertex yang lainnya.

Tabel 1. Daftar konektivitas label

Label

Visibilita

Label

Label Horizontal

s

Vertikal

A1

3

F2

A6, F1, U3, U4

A2

3

F1

F2,

U5,

U6, D1,

D2

A3

2

F4

F3, U1, U2

A4

0

F3

F4, D3, D4

A5

1

D1

U6, U7

 

A6

2

F5, U1

U1, D3

 

A7

2

F6, U2

U2, D4

 

F1

3

A2

A1, U1, U2

F2

3

A1

A2, D3, D4

F3

2

A4

F4, D3, D4

F4

0

A3

A4, D1, D2

F5

2

D1

U5, U8, D1

F6

2

D2

U6, U7, D2

U1

3

D1, A6

A3, A6, F1, F2

U2

3

D2, A7

A3, A7, F1, F2

U3

2

D3

A1, F3

 

U4

2

D4

A1, F3

 

U5

2

A2

A2, A5, U5

U6

2

A2

A2, A5, F6

U7

0

F4

A5, F6

 

U8

0

F4

A5, F5

 

D1

2

U3, F5

A2, F4, D4

D2

2

U4, F6

A2, F4, D3

 

D3

0

U3

A4, F2, D2

D4

0

U4

A4, F2, D1

 

D5

3

F1,U5,U6

F1,F2,A7,U3

D6

3

F1,U6,U5

F1,F2,A6,U4

Aturan-aturan pelabelan vertex dan aturan konektivitas antar vertex yang digunakan pada makalah ini tidak menggambarkan seluruh kemungkinan bentuk vertex dan hubungan antar vertex. Aturan pelabelan dan konektivitas tersebut hanya dibentuk berdasarkan bentuk-bentuk objek yang sering ditemui. Agar sistem dapat mendeteksi berbagai bentuk objek dengan model yang berbeda maka kecerdasan tiruan ini harus mempunyai kemampuan untuk menambah aturan pelabelan maupun konektivitas antar label. Dengan demikian sistem akan dapat terus memperbaharui kemampuannya. Hal ini dapat dilakukan dengan penetapan terlebih dahulu kriteria kapan suatu vertex 3D tidak dapat diekstrak parameternya. Hal tersebut dapat dilakukan misalnya bila keadaan vertex tersebut tidak

memiliki label atau memiliki lebih dari satu label. Jika ditemukan kondisi tersebut, sistem dapat membuat aturan baru dalam aturan pelabelan dan tabel konektivitas label berdasarkan vertex-vertex yang telah memiliki label sebelumnya. Tentu saja pada proses perancangannya harus pula diperhatikan tentang bagaimana pengaruh proses penambahan tadi terhadap proses searching dan pengambilan keputusannya. Hal-hal ini tidak dibahas lebih lanjut di dalam makalah ini. Dalam implementasinya aturan-aturan pelabelan dan konektivitas antar label ini disimpan dalam suatu basis data yang dapat terus diubah maupun ditambah sesuai dengan bentuk–bentuk objek yang telah berhasil dimodelkan. Gambar 8 memperlihatkan contoh pelabelan vertex-vertex dari benda yang dimodelkan dengan bentuk huruf H.

dari benda yang dimodelkan dengan bentuk huruf H. Gambar 8. Contoh pelabelan vertex untuk objek berbentuk

Gambar 8. Contoh pelabelan vertex untuk objek berbentuk huruf H.

3. Hasil Eksperimen Citra objek dibuat dengan menggunakan perangkat lunak 3D, Corel3D, agar diperoleh citra objek yang dapat dikendalikan lingkungannya. Citra objek diambil dengan menggunakan kamera yang terletak pada koordinat (0, 60, 0) dan memiliki fokus 50 mm. Posisi kamera membentuk sudut yaw = 0 , pitch = -20 , dan roll = 0 . Pemrosesan yang dilakukan pada objek diperlihatkan pada Gambar 9. Algoritma yang diuraikan di atas diimplementasikan dengan menggunakan perangkat lunak MATLAB. Basis data pengetahuan yang digunakan sama dengan yang tercantum pada uraian di atas.

digunakan sama dengan yang tercantum pada uraian di atas. Gambar 9. Pendeteksian garis untuk bentuk kotak.

Gambar 9. Pendeteksian garis untuk bentuk kotak.

Objek dengan bentuk seperti pada Gambar 9 akan menghasilkan garis–garis dengan persamaan seperti pada Tabel 2. Setelah persamaan–persamaan garis diperoleh, langkah selanjutnya adalah

menentukan vertex–vertex objek yang hasilnya seperti tercantum dalam Tabel 3. Selanjutnya dilakukan proses pemberian label pada vertex–vertex tersebut sesuai dengan aturan pelabelan seperti diberikan pada Gambar 7.

Tabel 2. Persamaan garis untuk objek kotak.

Garis

 

Persamaan Garis

L1

y

= 0.15x + 60

L2

y

= 0.21x + 41.31

L3

y

= 0.45x + -37.03

L4

y

= -0.16x + 60.2

L5

y

= -0.21x + 41.19

L6

y

= -0.46x + -37.42

L7

y

= -11.01x + -529.67

L8

y

= 10.75x + -517.36

L9

x

= 0

Berdasarkan aturan konektivitas pada Tabel 1, maka dapat dilakukan proses estimasi vertex–vertex tersembunyi. Aturan konektivitas antar vertex juga memberikan informasi dalam proses transformasi balik proyeksi perspektif.

Tabel 3. Koordinat vertex (2D)

Vertex

Koordinat Vertex (2D)

V1

(

-47 , -16 )

V2

(

-53 , 52)

V3

(

0 , -37 )

V4

(

0 , 41 )

V5

(

0 , 60 )

V6

(

53 , 52 )

V7

(

47 , -16 )

Mula–mula vertex yang terletak paling bawah (V3) diproses untuk mendapatkan koordinatnya dalam ruang 3D. Hal ini dapat dilakukan dengan menggunakan transformasi balik proyeksi perspektif titik pada bidang.

Tabel 4. Label vertex dan koordinat vertex (3D).

Vertex

Label Vertex

Koordinat Vertex (3D)

V1

D1

(

-35, 0, 200 )

V2

U1

( -35 , 50, 200)

V3

A2

 

(

0, 0, 165 )

V4

F1

(

0, 50, 165 )

V5

A3

(

0, 50, 235 )

V6

U2

(

35, 50, 200 )

V7

D2

(

35, 0, 200 )

V8

F4

 

(

0, 0, 235 )

Karena objek diasumsikan berbentuk ortogonal maka vertex-vertex yang terhubung secara horisontal akan mempunyai nilai y yang sama. Sedangkan vertex yang terhubung secara vertikal akan

mempunyai nilai x dan z yang sama. Setelah koordinat V3 diketahui, maka diperoleh koordinat vertex–vertex V1, V2, V4, V5, V6, dan V7. Setelah itu dilakukan estimasi vertex–vertex tersembunyi. Berdasarkan aturan konektivitas, maka diketahui adanya sebuah vertex tersembunyi yang terkoneksi secara vertikal dengan V5 dan terkoneksi secara horisontal dengan V1 dan V7.

dengan V5 dan terkoneksi secara horisontal dengan V1 dan V7. Gambar 10. Pelabelan vertex. Karena koordinat

Gambar 10. Pelabelan vertex.

Karena koordinat V5, V1, dan V7 telah diketahui maka koordinat vertex baru (V8) dapat diketahui. Hasil rekonstruksi 3D dari objek diperlihatkan pada Gambar 10.

4. Kesimpulan Pada makalah ini telah ditampilkan teknik rekonstruksi 3D dari objek berdasarkan citra tunggal objek 2D. Teknik ini didasarkan pada ide penggunaan metode regresi linier dalam pendeteksian garis dan proses pelabelan vertex yang didasarkan pada aturan- aturan tertentu. Proses pelabelan yang tidak berdasarkan sifat inherent dari objek, dan hanya berdasarkan suatu basis data aturan-aturan, membuka potensi pengembangan

lebih jauh teknik ini sehingga memungkinkan proses

penambahan aturan-aturan yang dapat dilakukan secara on-line. Pekerjaan lebih lanjut diperlukan guna memvalidasi teknik ini untuk dapat digunakan pada lingkungan yang lebih kompleks, bahkan pada citra objek yang sebenarnya.

Ucapan terima kasih: Isi makalah ini merupakan bagian dari kegiatan para penulis dalam Riset Unggulan Terpadu (RUT) VII yang berjudul

“Navigasi, Penjejakan Trajektori dan Penghindaran Penghalang Robot Mobil dengan Sensor Vision dan

Sensor Ultrasonik”. Ucapan terima kasih

disampaikan kepada Dewan Riset Nasional yang telah

membiayai penelitian ini.

Daftar Pustaka [1] André La Mothe, "Black Art of 3D Game Programming", Waite Group, 1995 [2] Andrea Selinger & Randal C. Nelson, “A Perceptual Grouping Hierarchy for Appearance- Based 3D Object Recognition”, University of Rochester

[3] Andrew Blake & Alan Yuille, “Active Vision”, The MIT Press, 1992 [4] Dieter Koller, "Moving Object Recognition and Classification based on Recursive Shape Parameter Estimation", IAICVNN, 1993 [5] John Vince, "Computer Animation", Addison-

Wesley,1992

[6] Kiriakos N. Kutulakos & Steven M. Seitz, “What Do N Photograps Tell Us About 3D Shape?”, University of Rochester [7] Mark C. Allmen, “Image Sequence Description using Spatiotemporal Flow Curves: Toward Motion-based Recognition”, University of Wisconsin, 1991 [8] Morton Nadler & Eric P. Smith, “Pattern Recognition Engineering”, Addison-Wesley,

1993

[9] Murat Tekalp, "Digital Video Processing", Prentice Hall, 1995

[10] Randal C. Nelson, “3-D Recognition via 2-stage Associative Memory”, University of Rochester,

1995

[11] R. Fisher, S. Perkins, A. Walker & E. Wolfart, “Hypermedia Image Processing Reference”, J. Wiley & Sons, Ltd, 1996 [12] Robert M. Haralick & Linda G. Shapiro, "Computer and Robot Vision Vol. II", Addison- Wesley, 1993 [13] Robert J. Schalkoff, "Digital Image Processing and Computer Vision", 1979

Carmadi Machbub received the Bachelor degree in Electrical Engineering from Institut Teknologi Bandung (ITB) in 1980, the Diplôme d’Etudes Approfondies (DEA) in control systems and industrial informatics from Ecole Nationale Supérieure de Mécanique, France, and the Ph.D degree in engineering sciences from Ecole Centrale de Nantes, France. Since 1980 he is a faculty member of Electrical Engineering Department ITB, where he was the chairman in the period of 1998- 2001. He is researcher in the Control and Computer Systems Laboratory of the department with his fields of interest are in image based control, stochastic control, and distributed parameter systems.

stochastic control, and distributed parameter systems. Ary Setijadi Prihatmanto received the Bachelor degree and

Ary Setijadi Prihatmanto received the Bachelor degree and Master degree in Electrical Engineering from Institut Teknologi Bandung (ITB) in 1995 and 1998, respectively. Since 1997, he is a faculty member of the Computer and Control System Lab., Department of Electrical Engineering ITB. His fields of interrest are broad i.e. nonlinear control theory, digital signal processing on image based control and power quality monitoring, also on internet connectivity and.embedded systems.

Danny A. Pangemanan received the Bachelor degree and Master degree in electrical engineering from Institut Teknologi Bandung (ITB) in 1995 and 1999, respectively.