Human Detection Menggunakan Metode Histogram Of Oriented Gradients

HUMAN DETECTION MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENTS

(HOG) BERBASIS OPEN_CV
Kusno Suryadi, Supriyanto Sikumbang
Teknik Elektro, Universitas Gajayana Malang
e_mail : cegukks@yahoo.com

Abstrak
Pengolahan citra untuk mendeteksi tubuh manusia menggunakan metode HOG berbasis Opencv. mampu
membedakan objek manusia dan bukan manusia. Sistem ini juga akan melakukan proses record data berupa jumlah
manusia yang terdeteksi dalam bentuk data dan video. Cara kerja dari aplikasi human detection menggunakan metode
HOG berbasis OpenCV ini adalah, Input berupa video yang ditangkap oleh webcam dengan format file .AVI akan
dicacah mejadi frame-frame gambar yang kemudian diproses oleh HOG detection sehingga diputuskan hasil
pendeteksian apakah manusia atau bukan manusia. Hasil keputusan dari HOG detection akan ditandai dengan bounding
box berbentuk persegi (rectangle). Video yang tersusun dari frame-frame yang terdeteksi adanya kehadiran manusia
tersebut lalu disimpan dalam format file .AVI. Setelah itu hasil pendeteksian adanya kehadiran manusia tersebut
disimpan pada sebuah tabel dalam format file microsoft excel.
Kata kunci: image processing, human detection, HOG detection

PENDAHULUAN akan dideteksi berdiri tegak lurus dengan kondisi diam.

Proses deteksi pada pengolahan citra merupakan Pada sistem ini kecepatan proses deteksi dapat
kajian yang menarik dan banyak dikembangkan oleh para dipengaruhi oleh ketepatan pendeteksian. Gambar 1.
peneliti, baik yang diaplikasikan pada system robotika, Menunjukkan sistem kerja deteksi manusia menggunakan
maupun pada bidang keamanan. Pada bidang keamanan metode HOG berbasis OpenCv.
penggunaan kamera direalisasikan sebagai sensor visual
guna mengindentifikasi adanya kejahatan. Pada saat ini Mulai
kamera yang banyak digunakan adalah jenis CCTV.
Hampir disetiap sudut mulai dari fasilitas publik, pusat Penangkapan gambar oleh
perbelanjaan, bank, perpustakaan, jalan raya sampai webcam
rumah pribadi dilengkapi dengan kamera pengaman.
Kamera CCTV ini mampu mengidentifikasi seluruh Pencacahan video menjadi frame
obyek yang tertangkap oleh kamera ini, dan pada gambar
umumnya record data menggunakan CCTV dilakukan
secara kontiyu berdasarkan waktu record. Pada sistem ini HOG detection padasetiap frame
akan dibahas aplikasi kamera digital pada proses gambar
Tidak
humandetection menggunakan metode Histogram of
Oriented Gradients (HOG). Proses human detection Apakah terdeteksi adanya
menggunakan metode HOG bertujuan untuk mendeteksi manusia ?
kehadiran manusia didalam suatu area pantauan kamera. Ya
Sedangkan proses record data akan dilakukan secara
bounding box
otomatis, yaitu pada saat terdeteksi obyek (manusia) dan
proses record data akan berhenti pada saat obyek sudah
tidak terdeteksi oleh camera. Proses record data pada Penyimpanan file video
aplikasi ini selain dalam bentuk video juga akan merecord
jumlah manusia yang terdeteksi oleh kamera tersebut. Penulisan data pengambilan video yang
terdeteksiadanyamanusiakedalam format excel
Aplikasi human detection menggunakan metode HOG
bertujuan untuk mengoptimalkan kerja kamera pada
proses deteksi tubuh manusia.
Selesai
METODE
Gambar 1. Proses deteksi kehadiran manusia
Sistem deteksi manusia merupakan proses deteksi
Gambar 1. menunjukkan alur sistem pendeteksian
adanya kehadiran manusia dalam sebuah video yang
kehadiran manusia dalam sebuah video dengan
ditangkap oleh kamera. Referensi posisi manusia yang

639
 Jurnal PendidikanTeknik Elektro, Volume 4 Nomor 2 tahun 2015, 639 – 645

menggunakan metode HOG detection berbasis OpenCV. cout<<"Creating hog object...\n";

Input berupa video yang ditangkap oleh webcam dengan hog.setSVMDetector(HOGDescriptor::getDefaultPe
format file AVI akan dicacah mejadi frame-frame gambar opleDetector());
yang kemudian diproses oleh HOG detection sehingga cout<<"Creating window...\n";
diputuskan hasil pendeteksian apakah manusia atau bukan cvNamedWindow(windowName,CV_WINDOW_AUT
manusia. Hasil keputusan dari HOG detection jika OSIZE);
manusia maka akan ditandai dengan bounding box while(true){
berbentuk persegi (rectangle). Video yang tersusun dari try{
frame-frame yang terdeteksi adanya kehadiran manusia frame = cvQueryFrame(capture);
tersebut lalu disimpan dalam format file AVI. Setelah itu if(frame == 0){
hasil pendeteksian adanya kehadiran manusia tersebut cvDestroyWindow(windowName);
disimpan dalam bentuk tabel dalam format file microsoft cvReleaseCapture(&capture);
excel. cout<<"ERROR: BAD FRAME!\n";
cin>>i;
1. OpenCv
}
OpenCV merupakan open source library untuk
}catch(exception e){
computer vision. Library ini ditulis dalam bahasa C dan
cout<<e.what()<<endl;
C++ dan dapat dijalankan dengan berbagai operating
cin>>i;
system yaitu Linux, Windows, dan mac OS X. OpenCV
return -1;
didesain untuk efektivitas dalam computer vision dan
}
dengan focus aplikasi realtime yang kuat.Salah satu
Mat mFrame(frame);
tujuan dari OpenCV adalah untuk menyediakan
vector<Rect> found, found_filtered;
infrastruktur computer vision yang mudah
double t = (double)GetTickCount();
penggunaannya sehingga dapat digunakan dengan cepat
membangun aplikasi vision yang berharga. Library dari 3. HOG Detection
OpenCV mengandung sekitar 500 lebih fungsi yang HOG detection digunakan untuk memutuskan
terdapat pada berbagai area, termasuk factory product hasil pendeteksian apakah manusia atau bukan manusia.
inspection, medical imaging, security, user interface, HOG detection dapat menganalisa apakah obyek yang
camera calibration, stereo vision, dan robotics. OpenCV ditangkap oleh kamera adalah manusia atau bukan
juga mengandung Machine Learning Library (MLL) yang manusia. Proses deteksi manusia pada sistem ini
lengkap. Sublibrary ini difokuskan pada pengenalan pola dilakukan per frame gambar sebagai hasil pencacahan file
secara statistik dan clustering. MLL sangat berguna untuk video. Ide dasar dari metode HOG detection adalah
pekerjaan vision yang merupakan inti dari misi OpenCV tampilan obyek lokal dan bentuk dapat dicirikan cukup
dan secara umum, MLL cukup berguna untuk berbagai baik oleh distribusi intensitas gradien lokal atau arah tepi,
masalah machine learning. hal ini diimplementasikan dengan membagi jendela
gambar ke dalam daerah ruang-ruang kecil ("sel"), untuk
2. Proses Pencacahan Sinyal Video
setiap sel mengumpulkan histogram arah gradien lokal 1-
Proses pencacahan video dilakukan dengan cara
D nya atau berorientasi sudut terhadap pixel dari sel.
mencacah sinyal video menjadi frame-frame gambar,
Gabungan masukan histogram membentuk
pada sistem ini pengambilan gambar video oleh webcam
representasinya. Untuk invarian yang lebih baik terhadap
menggunakan instruksi frame = cvQueryFrame(capture).
pencahayaan, bayangan, juga berguna untuk
Instruksi OpenCV ini akan mencacah video yang sudah
menormalkan kontras tanggapan lokal sebelum
ditangkap oleh webcam menjadi beberapa frame yang
menggunakannya. Hal ini dapat dilakukan dengan
sesuai dengan kapasitas kecepatan penangkapan gambar
mengumpulkan suatu ukuran histogram lokal "energi"
yang dimiliki oleh webcam. Proses pencacahan video
terhadap wilayah spasial yang lebih besar ("blok") dan
menjadi frame gambar adalah,
menggunakan hasilnya untuk menormalkan semua sel
capture = cvCaptureFromCAM(0);
didalam bloknya. Gambar 2 menunjukkan urutan kerja
if(capture == 0){
dari metode HOG.
cout<<"ERROR: NO CAMERA
DETECTED!\n";
cvReleaseCapture(&capture);
cin>>i;
return -1;
}
cout<<"Camera detected.\n";
640
 Jurnal PendidikanTeknik Elektro, Volume 4 Nomor 2 tahun 2015, 639 – 645

Proses contrast normalized over overlapping

spatial blocks atau normalisasi kontrasterhadap blok
Wight vote spasial yang bertumpukan pada frame gambar dari video
Input Nomalisasi Computer into spatial
image gamma Gradients & orientation
yang ditangkap oleh webcam terjadi dalam framework
dancolour cell HOG pada OpenCV seperti yang terlihat pada rantai
pendeteksian HOG detection. Normalisasi
Person/non- Collect Contras kontrasterhadap blok spasial yang bertumpukan pada
person Linier HOG’s over normalized openCV menggunakan instruksi: void
classification SVM detection overlapping cv::gpu::HOGDescriptor::computeBlockHistograms.
windows spatial blokc Proses normalisasi kontras terhadap blok spasial yang
Gambar 2. Rantai pendeteksian objek menggunakan bertumpukan pada framework HOG dilakukan pada
metode HOG (Dalal, 2005:3) frame-frame gambar dari video yang ditangkap oleh
webcam.
Normalize gamma and color
Proses Normalize gamma and color atau Collect HOG’s over detection windows
normalisasi gamma dan warna pada frame gambar dari Pada rantai HOG detection terdapat proses
video terjadi dalam framework HOG pada OpenCV. Collect HOG’s over detection windows atau
Normalisasi gamma dan warna pada frame gambar pada penghimpunan HOG terhadap jendela deteksi pada frame
sistem ini menggunakan instruksi : void normalize_hists. gambar dari video yang ditangkap oleh webcam yang
Proses normalisasi gamma dan warna dari frame gambar terjadi dalam framework HOG pada OpenCV.
pada framework HOG dalam library OpenCV dilakukan Penghimpunan HOG terhadap jendela deteksi pada frame
pada frame-frame gambar dari video yang ditangkap oleh gambar dari video yang ditangkap oleh webcam
webcam. Instruksi OpenCV ini akan menormalisasikan menggunakan instruksi OpenCV : void
gamma dan warna pada frame-frame gambar tersebut. cv::gpu::HOGDescriptor::detectMultiScale. Proses
penghimpunan HOG terhadap jendela deteksi gambar
Compute Gradients
pada framework HOG dalam library OpenCV dilakukan
Proses computer gradients atau perhitungan
pada keseluruhan frame gambar dari video yang
gradien pada frame gambar dari video yang ditangkap
ditangkap oleh webcam. Instruksi OpenCV ini akan
oleh webcam terjadi dalam framework HOG pada
melakukan penghimpunan HOG terhadap jendela deteksi
OpenCV seperti yang terlihat pada rantai pendeteksian
pada gambar-gambar tersebut.
HOG detection. Komputasi gradien pada frame gambar
menggunakan instruksi : void Linear SVM
cv::gpu::HOGDescriptor::computeGradient. Proses Dalam penelitian ini proses Linear SVM atau
komputasi gradien gambar pada framework HOG dalam SVM linear pada gambar dari video yang ditangkap oleh
library OpenCV dilakukan pada frame-frame gambar dari webcam terjadi dalam framework HOG pada OpenCV
video yang ditangkap oleh webcam. Instruksi OpenCV ini seperti yang terlihat pada rantai HOG detection. SVM
akan mengkomputasikan gradien pada gambar-gambar linear pada gambar menggunakan instruksi : void
tersebut. cv::gpu::HOGDescriptor::setSVMDetector. Proses SVM
Weighted vote into spatial and orientation cells linear dari gambar pada framework HOG dalam library
Pada rantai HOG detection terdapat proses OpenCV dilakukan pada frame-frame gambar dari video
weighted vote into spatial and orientation cells atau yang ditangkap oleh webcam. Instruksi OpenCV ini akan
pemilihan bobot kedalam sel berorientasi dan spasial pada melinier SVM-kan gambar-gambar tersebut. Kemampuan
frame gambar dari video yang ditangkap oleh webcam melinier SVM-kan HOG detection diperoleh melalui
yang terjadi dalam framework HOG pada OpenCV. training yang disimpan dalam database OpenCV. Pada
Pemilihan bobot kedalam sel berorientasi dan spasial pada proses ini tidak perlu melakukan training lagi karena
frame gambar dari video yang ditangkap oleh webcam sistem dapat menggunakan database training pada
menggunakan instruksi OpenCV : cv::gpu: OpenCV.
:HOGDescriptor::HOGDescriptor. Proses pemilihan 4. Bounding Box
bobot kedalam sel berorientasi dan spasial pada Proses bounding box digunakan untuk penandaan
framework HOG dalam library OpenCV dilakukan pada kehadiran adanya manusia. Pada OpenCV bounding box
frame-frame gambar dari video yang ditangkap oleh dibuat dengan menggunakan instruksi Rect r dan
webcam. Instruksi OpenCV ini akan melakukan rectangle. Dimensi dari bounding boxdibuat dengan
pemilihan bobot kedalam sel berorientasi dan spasial pada menggunakaan instruksicvRound(r.width*0.1). Berikut ini
frame-frame gambar tersebut. adalah bentuk dari suatu bounding box.
Contrast normalized over overlapping spatial blocks
641
 x1

y1 y2

x2