115060800111076
115060800111065
satrialoka@gmail.com
lastace22@gmail.com
Abstrak
Dalam proses pendeteksian objek bergerak terdapat berbagai macam metode yang
digunakan. Beberapa diantaranya yang sering digunakan adalah background substraction dan
Kalman filter. Kedua metode ini memiliki fungsi yang berbeda terhadap pengolahan citra.
Penelitian ini berusaha untuk memadukan kedua metode ini untuk membantu dalam object
tracking pada video. Hasil yang didiperoleh adalah dengan metode subtraction objek berhasi
ditracking, dan dengan penambahan metode Kalman filter, estimasi pergerakan objek dapat
dilakukan.
Kata kunci: object tracking, Kalman filter, Substraction background.
I.
Pendahuluan
Matematika komputasi
Pengembangan algoritma
Akuisisi data
Pemodelan, simulasi, dan prototype
Grafik saintifik, dan enginering
Perluasan pemakaian seperti GUI
Method
Motion
(1)
(2)
( )
( ) ( )( )
( ) ( )
( )
(3)
dan
(4)
(5)
(6)
untuk
B(x,y)=(A(x,y,1)+A(x,y,2)+A(x,y,3))/3;
dimana
xwidth = bb(3);
ywidth = bb(4);
cc = markimg(1).Centroid;
centroidx(i)= cc(1);
centroidy(i)= cc(2);
bb disini adalah bounding box ,
xcorner dan ycorner adalah titik x
dimana sudut bounding box dibuat,
sedangkan xwidth dan ywidth
merupakan lebar dan tinggi bounding box.
Ukuran dari bounding box akan terus
berubah-ubah menyesuaikan dari ukuran
objek yang ditrak. Bounding box ini akan
terus muncul pada setiap objek pada tiaptiap frame yang akan terus bergantian.
Sehingga, akan nampak sebuah video yang
didalamnya terdapat objek yang sedang di
trak.
E. Kalman Filter 2D
Rumus umum yang berlaku pada
kalman filter 2D adalah:
X (t + 1) = F X (t) + W (t), W ~ N (0, Q),
Y (t) = HX (t) + V (t), V ~ N (0, R)
Menggerakan partikel pada subjek
kecepatan konstan terhadap gannguan acak
pada lintasannya. Posisi baru (x1, x2)
adalah posisi lama ditambah kecepatan
(DX1, dx2) ditambah noise w.
D. Objek Tracking
Dari tiap region yang telah ditandai
pada citra yang terdapat pada tiap frame,
akan membentuk sebuah objek ditandai
oleh sebuah box. Ukuran box akan
berubah sesuai dengan region objek,
seperti yang terlihat pada kode berikut:
bb = markimg(1).BoundingBox;
xcorner = bb(1);
ycorner = bb(2);
F. Hasil Percobaan
Metode kami adalah pemrograman
dengan bahasa Matlab. Sedangkan video
yang kami gunakan disini adalah dengan
IV.
Daftar pustaka
1. W.L. Khong, W.Y. Kow, H.T. Tan,
H.P. Yoong, K.T.K. Teo, Kalman
Filtering Based Object Tracking in
Surveillance Video System, School
of Engineering and Information
Technology
Universiti Malaysia Sabah.
2. Kleinbauer, Rachel. (November
2004).
Kalman
Filtering
Implementation
in
Matlab.
Helsinki; Helsinki University of
Technology.
3. Amrullah, Y. Roslyn. Pengenalan
Benda di Jalan Raya dengan
Metode Kalman Filter.
4. 2D Target Tracking Using Kalman
Filter.
http://www.mathworks.com/matlabc
entral/fileexchange/14243-2d-targettracking-using-kalmanfilter/content/target%20tracking%20u
sing%20kalman/kalman.m. Diakses:
tanggal 16 januari 2014.