Laporan Proyek Akhir

Pengolahan Deteksi Kecepatan Kendaraan dengan menggunakan

Kamera dan pemrosesan gambar perangkat lunak

Josephine 1606903085
M. Syafieq Ridho 1606895051
Naufal Alharits S. 1606874173

Departemen Fisika
Fakultas Matematika Dan Ilmu Pengetahuan Alam
Universitas Indonesia
2019
 DAFTAR ISI

DAFTAR ISI ................................................................................................................. i

BAB 1 PENDAHULUAN ........................................................................................... 2
1.1. Latar Belakang ............................................................................................. 2
1.2. Perumusan Masalah ..................................................................................... 3
BAB 2 TINJAUAN PUSTAKA DAN METODE ..................................................... 4
2.1. Kriteria Evaluasi .......................................................................................... 4
2.2. Pendekatan Masalah .................................................................................... 4
BAB 3 HASIL DAN PEMBAHASAN ..................................................................... 11
3.1. Hasil ............................................................................................................. 11
3.2. Pembahasan ................................................................................................ 11
BAB 4 KESIMPULAN DAN SARAN ..................................................................... 12
5.1. Kesimpulan ................................................................................................. 12
5.2. Saran ............................................................................................................ 12
DAFTAR REFERENSI ............................................................................................ 13

i
 2

BAB 1
PENDAHULUAN
1.1. Latar Belakang
Pemantauan kecepatan kendaraan digunakan oleh polisi untuk melakukan
penegakan hukum lalu lintas. Dengan meningkatnya kebutuhan di kehidupan
perkotaan sehari-hari, dengan bertambahnya jumlah orang dan juga meningkatnya
jumlah kendaraan maka over speeding menjadi alasan utama kecelakaan.
Pengendalikan kecepatan kendaraan telah menjadi salah satu masalah yang sangat
penting untuk manajemen lalu lintas.
Dari beberapa dekade terakhir, alat yang digunakan untuk mengukur kecepatan
kendaraan bergerak adalah radar Doppler. Radar Doppler sendiri adalah sebuah
perangkat genggam yang mengirim sinar radio ke Gerakan kendaraan lalu menghitung
kecepatan kendaraan dengan mengukur perubahan frekuensi gelombang yang
dipantulkan. Itu merupakan perangkat andal selama tidak ada kendaraan lain di bidang
pandang.

Gambar 1. Handheld Radar Gun

Terdapat kekurangan dari penggunaan system radar Doppler ini. Pertama, jika
pistol radar tidak berhadapan. Gangguan radio juga harus dipertimbangkan karena
 3

kesalahan yang disebabkan pada deteksi kecepatan. Pembayangan yang merupakan

pantulan gelombang radar dari 2 kendaraan dengan ketinggian berbeda juga
menyebabkan kesalahan deteksi kecepatan.
Sebelum ini telah dikembangkan teknik pemrosesan video dan pemrosesan
gambar digunakan untuk kecepatan kendaraan deteksi. Pengukuran kecepatan ini
didasarkan pada perbedaan tiap gambar, kamera terkalibrasi dan optik dan gambar
video digital.
Dalam proposal proyek akhir mata kuliah digital signal processing yang
diusulkan ini, setiap kendaraan yang bergerak di dalam video dari kamera video atau
sumber seluler apa pun dimanfaatkan. Kami menggunakan software pemrograman
python untuk membantu sistem bekerja. Sistem awal dikembangkan dengan laptop dan
webcam yang memiliki tujuan untuk membawa perangkat lunak yang dikembangkan
ke platform seluler seperti pintar telepon atau ke komputer sederhana untuk
menghasilkan detektor kecepatan kendaraan di waktu yang nyata.

1.2. Perumusan Masalah

Dari Proyek berjudul ‘Pengolahan Deteksi Kecepatan Kendaraan dengan
menggunakan Kamera dan pemrosesan gambar perangkat lunak’ ini dapat diturunkan
dalam perumusan masalah yaitu:
1. Bagaimana cara mendeteksi kecepatan kendaraan dengan menggunakan
kamera?
2. Parameter apa saja yang digunakan sebagai metode kalkulasi untuk
kecepatan kendaraan berdasarkan video dari kamera?
3. Apakah hasil pendeteksi kecepatan kendaraan berdasarkan pemprosesan
video sesuai dengan kecepatan aslinya?
 4

BAB 2
TINJAUAN PUSTAKA DAN METODE
2.1. Kriteria Evaluasi
Kriteria untuk evaluasi yang digunakan adalah analisis data hasil pengolahan
berdasarkan hasil Deteksi Kecepatan Kendaraan dengan menggunakan Kamera dan
pemprosesan dengan gambar perangkat lunak.

2.2. Pendekatan Masalah

Dalam proposal proyek alat Pengolahan Deteksi Kecepatan Kendaraan dengan
menggunakan Kamera dan pemrosesan gambar perangkat lunak ini, mobilevehicle
perlu dipertimbangkan. Kamera video dan pengambilan gambar dari sisi atas kendaraan
dikerahkan. Dalam proyek ini, digunakan python dengan metode haarcascade untuk
mendeteksi mobil dan corelation tracker untuk mengukur perubahan pada gambar
video. Kamera yang digunakan adalah kamera telepon genggam. Video yang akan
digunakan memiliki ukuran 540 x 960 pixel dimana jalan dalam video adalah jalan
Margonda Raya, Depok.

2.3. Metodologi
Haarcascade classifier untuk mengidentifikasi kendaraan
Haarcascade adalah sebuah algoritma machine learning yang dapat digunakan
untuk mendeteksi obyek pada gambar ataupun video. Algoritma ini juga menggunakan
konsep dari fitur yang diajukan oleh Paul Viola dan Michael Jones pada paper mereka
dengan judul “Rapid Object Detection using a Boosted Cascade od Simple Features”
yang dipublikasikan pada tahun 2001. Metode machine learning ini memiliki dasar
pendekatan dimana fungsi cascade dilatih dengan gambar positif dan negatif.
Selanjutnya digunakan untuk mendeteksi obyek di gambar yang lain. Biasanya metode
ini digunakan untuk mendeteksi wajah dan bagian tubuh pada suatu gambar tetapi dapat
juga digunakan untuk obyek lain.

Algoritma ini memiliki 4 tahapan yaitu:

 5

1. Haar feature selection

2. Adaboost training
3. Cascade classifier

Haar Feature Selection

Fitur haar adalah daerah persegi panjang yang akan bekerja pada foto yang akan
dideteksi keberadaan obyeknya. Nilai dari intensitas pixel yang ada pada daerah
tersebut akan dijumlahkan dan hitung perbedaan dari setiap penjumlahan yang ada.
Integral images dapat melakukan hal ini dengan cepat.

Gambar 3. Haar feature

Antara semua fitur yang dikalkukasi, hampir semua akan mendapatkan hasil yang
irelevan. Contohnya dapat dilihat pada gambar dibawah. Pada gambar kiri, fitur yang
dipilih fokus pada properti bahwa biasanya daerah mata akan cenderung memiliki
warna yang lebih gelap dibandingkan bagian pipi. Pada gambar kanan, fitur yang
dipilih fokus pada properti bahwa biasanya daerah mata akan cenderung memiliki
warna yang lebih gelap dibandingkan batang hidung. Tetapi jika fitur ini diaplikasikan
pada daerah pipi, maka hasil yang didapatkan akan menjadi irelevan.
 6

Gambar 4. Contoh cara kerja haar feature

Bagaimana caranya untuk memilih fitur yang terbaik dari sekian banyak fitur
yang didapatkan dari 1 gambar? hal ini dapat dicapai dengan menggunakan konsep
yang disebut dengan adaboost.

Adaboost training
Boosting adalah pembelajaran metode ensemble meta algoritma untuk terutama
mengurangi bias, dan juga varians. Berbeda halnya dengan bagging dan random forest
yang mendapatkan hasil prediksi dari proses bootsrap, boosting mengacu pada
kumpulan algoritma yang dapat mengkorversi weak learners untuk strong learners.
Prinsip utama dari boosting adalah menyesuaikan urutan weak learners hanya sedikit
lebih baik daripada tebakan acak, sementara strong learners dekat dengan kinerja
sempurna seperti pohon keputusan kecil. Setiap kali pembuatan pohon, data yang
digunakan tetap seperti semula tetapi memiliki sebaran bobot yang berbeda dalam tiap
iterasi. Penggunaan bobot juga dilakukan pada saat proses penggabungan prediksi
akhir dari banyak pohon yang dihasilkan melalui klasifikasi atau penjumlahan regresi.
Boosting juga dikenal dengan sebutan AdaBoost. Pada proses deteksi, terdapat kotak
dari ukuran target yang dipindahkan ke seluruh gambar dan untuk setiap daerah dari
gambar, nilai haar feature akan dihitung. Perbedaan ini lalu akan dibandingkan dengan
threshold yang sudah dipelajari yang memisahkan obyek dan non obyek. Karena haar
 7

feature adalah classifier lemah, dibutuhkan banyak haar feature untuk mendeskripsikan
obyek dengan akurasi yang tinggi dan disusun menjadi cascade classifier untuk
membentuk classifier yang lebih kuat.

Cascade classifier
Cascade calssifier terdiri dari beberapa tahap yang adalah gabungan dari weak learners.
Weak learners yang ada adalah pengklasifikasi sederhana yang dapat disebut decision
stumps. Setiap tahap dilatih tengan teknik yang disebut dengan boosting. Boosting
memiliki kemampuan untuk melatih klasifikasi dengan akurasi tinggi dengan
mengambil rata-rata yang ada pada keputusan yang dibuat oleh weak learners. Setiap
tahap dari klasifikasi menglabel daerah yang ditentukan dari lokasi kotak yang
bergerak dengan nilai positif atau negatif. Nilai positif mengindikasikan bahwa obyek
telah ditemukan dan negatif mengindikasikan bahwa tidak ada obyek yang ditemukan.
Jika dinilai negatif, maka klasifikasi dari daerah tersebut sudah selesai dan detektor
akan bergerak ke daerah selanjutnya. Jika dinilai positif, maka klasifikasi akan
dilanjutkan ke langkah selanjutnya. Detektor akan melaporkan bahwa obyek berhasil
ditemukan pada saat tahap terakhir sudah dilakukan.

Terdapat beberapa istilah yang harus dimengerti:

1.true positive: sampel positif telah ditentukan dengan benar
2.false positive: sampel negatif salah diartikan sebagai positif
3.false negative: sampel positif salah diartikan sebagai negatif
Agar sistem dapat bekerja dengan baik, setiap tahap harus memiliki persentase false
negatif yang rendah. Pada saat sebuah tahap salah melabel obyek sebagai negatif, maka
klasifikasi akan berhenti dan kesalahan tidak bisa diperbaiki lagi. Tetapi, setiap tahap
boleh memiliki persentase false positif yang tinggi. Karena walaupun detektor salah
menglabel non obyek sebagai positif, kesalahan ini dapat diperbaiki di tahap
selanjutnya. Menambah tahap dapat mengurangi persentase dari false positive tetapi
juga mengurangi persentase dari true positif.
 8

Cascade classifier training membutuhkan set dari sampel positif dan negatif. Set positif
harus disediakan dengan menandai daerah yang ingin dijadian nilai positif tersebut. Hal
ini dapat dilakukan dengan menggunakan image labeler untuk menglabel obyek
dengan batasnya. Selanjutnya, image labeler akan memberikan tabel output yang dapat
digunakan untuk mengidentifikasi sampel positif. Untuk mendapatkan akurasi detektor
yang dapat diterima, jumlah tahap, jenis fitur, dan parameter yang lain harus
ditentukan.

Gambar 5. Cascade classifier

Tracker korealasi dari dilib library

Correlation Tracker adalah alat untuk melacak objek bergerak dalam aliran
video. Anda memberinya kotak pembatas objek di bingkai pertama dan ia mencoba
melacak objek di dalam kotak dari bingkai ke bingkai.

import os
import glob

import dlib

# Path to the video frames

video_folder = os.path.join("..", "examples", "video_frames")

# Create the correlation tracker - the object needs to be

initialized
# before it can be used
tracker = dlib.correlation_tracker()

win = dlib.image_window()
# We will track the frames as we load them off of disk
for k, f in enumerate(sorted(glob.glob(os.path.join(video_folder,
"*.jpg")))):
print("Processing Frame {}".format(k))
 9

img = dlib.load_rgb_image(f)

# We need to initialize the tracker on the first frame

if k == 0:
# Start a track on the juice box. If you look at the first
frame you
# will see that the juice box is contained within the
bounding
# box (74, 67, 112, 153).
tracker.start_track(img, dlib.rectangle(74, 67, 112, 153))
else:
# Else we just attempt to track from the previous frame
tracker.update(img)

win.clear_overlay()
win.set_image(img)
win.add_overlay(tracker.get_position())
dlib.hit_enter_to_continue()

Kalkukasi kecepatan
Untuk menghitung kecepatan, terdapat beberapa kalkukasi lain yang harus
dilakukan terlebih dahulu agar kecepatan dapat diketahui. Terdapat ppm (pixels per
meter), d_pixel dan d_meters. Nilai dari ppm dapat bervariasi dari setiap jalan dan
harus disesuaikan jika ingin mengukur kecepatan pada jalan yang lain. Untuk
menghitung nilai ppm, terdapat beberapa informasi yang harus diketahui yaitu panjang
jalan sesungguhnya dan panjang jalan pada video dalam satuan pixel. Dari kedua
informasi tersebut, ppm dapat diketahui dengan membagi jumlah pixel dengan jarak
sesungguhnya. Pada pengukuran kali ini, digunakan video jalan pada Margonda Raya.
Ukuran dari video yang digunakan adalah 540 x 960 dengan panjang jalan sepanjang
65m. didapatkan nilai ppm sebesar 14.7 untuk video pada jalan Margonda Raya.

D_pixel akan memberikan jarak dalam satuan pixel yang sudah ditempuh oleh
kendaraan pada satu frame dari video processing. Untuk mengestimasi kecepatan
dengan satuan yang standar, maka satuan d_pixel harus dikonversikan ke d_meter
dengan menggunakan nilai ppm yang sudah didapatkan sebelumnya. Selanjutnya,
kecepatan dapat dihitung dengan persamaan speed = d_meters * fps * 3.6. satuan yang
 10

akan didapatkan dari persamaan ini adalah kecepatan dalam km/jam. Konstanta 3.6
digunakan untuk mengkonversikan nilai m/s menjadi km/jam.

Gambar 4. Flowchart Sistem Software

 11

BAB 3
HASIL DAN PEMBAHASAN
3.1. Hasil

3.2. Pembahasan
 12

BAB 4
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dari Proyek yang telah dijalankan, Kami dapat mengambil beberapa
kesimpulan yaitu sebagai berikut:


5.2. Saran
Dari Proyek yang telah dijalankan, Kami dapat mengambil beberapa saran yaitu
yaitu sebagai berikut:
 D
 13

DAFTAR REFERENSI
1. Smith M. E., McEvoy L. K., Gevins A. (1999). Neurophysiological indices of strategy development
and skill acquisition. Cogn. Brain Res. 7, 389–404. 10.1016/S0926-6410(98)00043-3
2. Anderson J. R., Bothell D., Fincham J. M., Anderson A. R., Poole B., Qin Y. (2011). Brain regions
engaged by part- and whole-task performance in a video game: a model-based test of the
decomposition hypothesis. J. Cogn. Neurosci. 23, 3983–3997. 10.1162/jocn_a_00033
3. Prakash R. S., De Leon A. A., Mourany L., Lee H., Voss M. W., Boot W. R., et al. (2012).
Examining neural correlates of skill acquisition in a complex videogame training program. Front.
Hum. Neurosci. 6:115. 10.3389/fnhum.2012.00115
4. Palaus, M., Marron, E. M., Viejo-Sobera, R., & Redolar-Ripoll, D. (2017). Neural Basis of Video
Gaming: A Systematic Review. Frontiers in Human Neuroscience, 11, 248.
http://doi.org/10.3389/fnhum.2017.00248
5. Verner J. Knott, David Bakish, Stacey Lusk, John Barkely, Mary Perugini, Quantitative EEG
correlates of panic disorder, In Psychiatry Research: Neuroimaging, Volume 68, Issue 1, 1996,
Pages 31-39, ISSN 0925-4927, https://doi.org/10.1016/S0925-4927(96)02962-9.
6. Carvalho, Marcele Regine de, Velasques, Bruna Brandao, Cagy, Mauricio, Marques, Juliana
Bittencourt, Teixeira, Silmar, Nardi, Antonio Egidio, Piedade, Roberto, & Ribeiro, Pedro. (2013).
Electroencephalographic findings in panic disorder. Trends in Psychiatry and
Psychotherapy, 35(4), 238-251. Epub December 00, 2013.https://dx.doi.org/10.1590/2237-6089-
2013-0012

http://dlib.net/correlation_tracker.py.html

http://www.willberger.org/cascade-haar-explained/

http://dlib.net/python/index.html#dlib.correlation_tracker
 14

LAMPIRAN
Main Program