Nama : Muhammad Mizanul Hikam

NIM : 19/442383/PA/19132

Counting crowd flow based on feature points

Paper ini bertujuan untuk menghitung aliran kerumunan melalui proses analisis video
menggunakan teknik pengolahan citra. Teknik ini memang sudah secara luas digunakan untuk public
security, kemanan transportasi public dan optimasi. Terutama ada dua jenis teknik analisis aliran
kerumunan, satu menggunakan deteksi target dan yang lainnya dengan menggunakan features.

Berdasarkan Paper ini metode yang digunakan adalah dengan memanfaatkan algoritma
SURF (Speeded Up Robust Feature) untuk mendeteksi titik dari aliran kerumunan dan memanfaatkan
latar depan yang bergerak sebagai mask image untuk mengurangi kompleksitas waktu dan algoritma
SURF. Lalu digunakan juga metode clustering DBSCAN (Density Based Spatial Clustering of
Application with Noise) yang berfungsi untuk meningkatkan kinerja secara kesuluruhan.

Diatas ini merupakan overview terkait algoritma yang digunakan. Dapat diketahui ada beberapa
metode yang digunakan disetiap tahapnya antara lain adalah ekstraksi foreground, deteksi titik fitur,
improvisasi algoritma clusteringdengan Pvim MST, clustering dan convex hull fitting lalu tahap akhir
adalah tracking pergerakan seseoarang dengan Locus kanade optical flow dan menghitungnya
dengan support vector regression machine.
 Untuk hasil perbandingannya adalah sebagai berikut, gambar (a) adalah hasil menggunakan
SURF feature point detection dan gambar (b) adalah hasil menggunakan SURF detection dengan
menggunakan foreground sebagai mask.

Untuk perbandingan runtime complexity-nya diperlihatkan di grafik dibawah ini.

Pada grafik ini dapat dilihat bahwa methode yang digunakan paper ini lebih cepat dibandingkan dua
metode lainnya yang dibandingkan.

Berikut dibawah ini juga merupakan perbandingan antara DBSCAN clustering dan SURF clustering.
Dibawah ini terdapat beberapa comparison antar metode yang digunakan pada paper ini dengan
metode lainnya.
 Jadi untuk kesimpulannya pada fig(5) terlihat algoritma yang digunakan paper ini bekerja
dengan baik karena bisa mengelempokkan kerumunan lebih banyak dibanding metode DBSCAN. Lalu
pada fig(6) bagian b hasil terlihat lebih rapi dan jelas dengan menggunakan convex hull. Padad fig(7)
juga memperlihatkan bahwa jarak kamera mempengaruhi jumlah titik fitur (features point) yang ada,
semakin dekat maka titik fitur yang terdeteksi semakin banyak dan objek semakin mudah untuk
dideteksi ataupun ditracking. Lalu fig(8) menunjukkan perbedaan clustering dengan metode a
memafaatkan bounding rectangles dimana itu kurang efektif karena ada salah satu kerumunan yang
di cluster sebagai dua kerumunan padahal sesharusnya satu saja. Lalu terakhir yaitu fig(8) bagian b
memperlihatkan proses clustering dengan baik karean setiap kerumunan dihitung satu cluster.