Anda di halaman 1dari 5

Template Matching Untuk Deteksi Obyek Citra

Dengan Menggunakan Algoritma Korelasi


Jans Hendry1, Risanuri Hidayat2
1,2
Jurusan Teknik Elektro FT UGM
Jln. Grafika 2 Yogyakarta 55281 INDONESIA

Intisari— Kemampuan sebuah mesin dalam melihat seperti Metode korelasi template berdasarkan ciri telah digunakan
halnya manusia disebut dengan computer vision. Masalah klasik untuk mengenali obyek dari citra remote sensing (Cucchiara et
dalam bidang ini adalah pengolahan citra, dan kemampuan al., 2000; Zhang dan Zhou, 2004). Korelasi silang digunakan
mesin melihat dalam hal ini adalah menentukan keberadaan untuk mendeteksi pasangan lampu utama kendaraan
obyek tertentu dalam sebuah citra, termasuk didalamnya adalah
(Cucchiara et al., 2000). Sebuah sistem untuk mendeteksi dan
menentukan ciri atau aktifitas lainnya. Metode yang ada hanya
dapat digunakan untuk obyek-obyek tertentu, seperti obyek mengenali plat kendaraan secara otomatis menggunakan
dengan geometrik sederhana, wajah manusia, karakter tulisan template matching, algoritma genetis dan jaringan neural telah
tangan atau hasil scan (OCR), dan lain-lain. Dengan dilakukan (Karungaru et al., 2009). Dalam pengenalan
menggunakan koefisien korelasi, telah dibuktikan bahwa karakter, digunakan dua metode. Metode pertama, melatih
template matching bisa digunakan untuk mendeteksi obyek jaringan neural untuk mengenali karakter dan metode kedua,
tertentu pada sebuah citra sesuai dengan template yang telah menggunakan template matching.
ada. Penelitian ini membuktikan bahwa template matching tahan
terhadap derau dan pengaruh cahaya atau warna pada citra.
II. DATASET DAN METODOLOGI PENELITIAN
Keywords— Template Matching, Korelasi, Deteksi Obyek, Korelasi
Silang, Deteksi Strawberi. A. Dataset
Data yang digunakan terdiri atas citra frame dan citra
template. Citra template merupakan citra tunggal yang berisi
I. PENDAHULUAN satu buah strawberi sebagai obyek yang akan dikenali. Citra
Kemampuan sebuah mesin dalam melihat seperti halnya frame merupakan citra yang berisi beberapa jenis buah-
manusia disebut dengan computer vision. Masalah klasik buahan yang didalam nya terdapat buah strawberi. Lalu, akan
dalam bidang ini adalah pengolahan citra, dan kemampuan dideteksi letak dari buah strawberi pada citra frame
mesin melihat dalam hal ini adalah menentukan keberadaan berdasarkan citra template. Citra template dan frame
obyek tertentu dalam sebuah citra, termasuk didalamnya merupakan citra yang di dapat dari internet. Citra template
adalah menentukan ciri atau aktifitas lainnya. Metode yang merupakan citra RGB 275 x 195 pixel. Tiap piksel diwakili
ada hanya dapat digunakan untuk obyek-obyek tertentu, dengan 8 bit data dan terdiri dari 3 warna, sehingga bit depth
seperti obyek dengan geometrik sederhana, wajah manusia, citra template adalah 24 bit. Dengan kombinasi tersebut, tiap
karakter tulisan tangan atau hasil scan (OCR), dan lain-lain. warna akan memiliki 83 kombinasi yakni 256 kombinasi
Namun dengan situasi tertentu, biasanya dengan cahaya yang warna, sehingga kombinasi dari ketiga warna menjadi 2563
cukup, latar belakang dan posisi obyek terhadap kamera. atau sekitar 16,7 juta kombinasi warna. Citra strawberi
Dalam pendekatan template matching, terlebih dahulu sebagai citra template ditunjukkan oleh Gambar 1.
ditentukan ciri-ciri tertentu dari obyek yang ingin dideteksi.
Ciri-ciri atau pola-pola tertentu tersebut disebut dengan
template. Pendekatan ini sangat sederhana, namun
membutuhkan template library yang sangat besar.
Template matching merupakan salah satu cara untuk
melakukan: pengenalan obyek, identifikasi, dan deteksi. Salah
satu metode template matching yang sering digunakan adalah
korelasi, dengan memanfaatkan posisi dari nilai korelasi
silang tertinggi citra template dan citra frame yang berisi
obyek yang ingin dideteksi. Teknik ini sebenarnya tahan
terhadap derau dan pengaruh cahaya pada citra, tapi Gambar 1: Citra template yang terdiri dari satu buah strawberi
mengandung jumlah komputasi yang sangat besar. Point
correlation dapat digunakan untuk mengurangi komputasi Citra frame merupakan citra RGB 697 x 545 piksel. Citra
menjadi sekumpulan titik-titik dalam jumlah yang kecil ini juga mengandung kombinasi warna sekitar 16,7 juta. Di
(Krattenthaler, 1994). dalam citra terdapat lima buah obyek buah-buahan dengan
jenis, ukuran, dan warna yang berbeda. Dihadirkan juga citra
frame yang berisi citra saling terhimpit, baik dengan citra Algoritma korelasi memiliki persamaan umum
strawberi sebagai target deteksi maupun dengan komponen
penyusun citra yang lain. Salah satu contoh citra frame  

ditunjukkan oleh Gambar 2. ,  =   |


 ,  −  − , − |
 
(1)

Template matching dihitung dengan mencari lokasi , 


untuk ,  minimum.
Persamaan 1 dapat dibentuk kembali menjadi

,  =  |
 , | +  | , |
   

−2  
 ,  − , − 
Gambar 2: Citra frame_1.jpg yang terdiri dari lima jenis buah-buahan  
(2)
Dalam percobaan ada ketentuan penamaan untuk file-file
dari citra frame. nilai minimum ,  didapat ketika
- frame_1.jpg = target berada di tengah-tengah
- frame_2.jpg = target berada di kiri atas ,  =  
 ,  − , − 
- frame_3.jpg = target berada di kanan atas  
- frame_4.jpg = target berada di kiri bawah
- frame_5.jpg = target berada di kanan bawah maksimum untuk semua lokasi , .
sementara untuk citra template diberi nama template.jpg.
Dalam hal ini citra template tidak berubah. Hanya citra frame Bila diasumsikan variasi level gray tidak valid, pengukuran
saja yang mengalami perlakuan atau modifikasi. ini sangat sensitif terhadap variasi level gray di dalam
 , ,
B. Metodologi digunakan koefisien korelasi silang
Template Matching secara ekstensif digunakan untuk , 
melokalisir dan mengidentifikasi pola-pola dalam citra yang  =
memiliki kerumitan rendah. Dua metode yang umum ∑ ∑ |
 , | ∑ ∑| , |
digunakan antara lain: (3)
1. Substraksi citra: citra-citra dianggap sebagai vektor, dan
norm dari perbedaan mereka dianggap sebagai ukuran dari Target dianggap terdeteksi bila memenuhi
ketidaksamaannya.
2. Korelasi: dot product dari dua citra dianggap sebagai
 ,  = ! − , − , = , … ,  + # − 1
pengukuran dari kesamaan mereka (karena mewakili sudut
antara citra-citra ketika mereka ternormalisasi, dan dan
dianggap sebagai vektor) = , … ,  + % − 1

Korelasi memberikan keputusan tentang kemiripan obyek dengan ! adalah konstanta.


berdasarkan kesamaan bentuk, skala dan arah. Sehingga
warna target walaupun berbeda dengan template, akan tetap
terdeteksi sebagai obyek yang sama. Langkah-langkah dalam III. HASIL
mendeteksi target yang telah dilakukan adalah: Pengujian dilakukan terhadap beberapa kombinasi citra
1. Membaca citra frame dan citra template frame yang mungkin. Kombinasi berupa letak target di dalam
2. Menjadikan citra frame dan citra template menjadi gray citra frame dan adanya derau pada citra frame.
(citra yang kombinasi warna 0 – 1), sehingga warna yang Nilai ambang diberikan untuk program sebagai threshold
berbeda tidak akan mempengaruhi klasifikasi. bahwa pemenang adalah obyek yang memiliki nilai koefisien
3. Mengaplikasikan template matching dengan algoritma korelasi maksimal > nilai ambang. Pada penelitian ini juga
korelasi ditunjukkan pentingnya pemilihan nilai ambang yang tepat.
4. Memilih koefisien korelasi tertinggi sebagai pemenang Nilai default nya adalah 0.75.
5. Menandai pemenang dengan memberikan kotak berwarna Citra hasil deteksi yang ditunjukkan hanya satu citra
biru. frame_1.jpg saja sebagai perwakilan dari citra hasil deteksi
yang lain.
A. Citra frame tanpa derau Hasil deteksi untuk frame_1.jpg adalah
Hasil deteksi target pada citra frame tanpa derau
ditunjukkan oleh Tabel I.
TABEL I
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME TAK
BERDERAU

Jenis citra Koef. Koef. Nilai % Keberhasilan


frame Korelasi Korelasi ambang Deteksi
Minimal Maksimal
frame_1.jpg -0.5636 0.9772 0.75 100
frame_2.jpg -0.5362 0.9559 0.75 100
frame_3.jpg -0.6045 0.9997 0.75 100
frame_4.jpg -0.5879 0.9428 0.75 100
frame_5.jpg -0.6267 0.9574 0.75 100

Hasil deteksi untuk frame_1.jpg adalah

C. Citra frame dengan derau Gaussian


Hasil deteksi target pada citra frame terkontaminasi derau
Gaussian 50% dengan menggunakan program editor citra
Photoshop ditunjukkan oleh Tabel III.
TABEL III
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DERAU UNIFORM

Jenis citra Koef. Koef. Nilai %


frame Korelasi Korelasi ambang Keberhasilan
Minimal Maksimal Deteksi
frame_1.jpg -0.4905 0.6374 0.50 100
frame_2.jpg -0.4543 0.6258 0.50 100
frame_3.jpg -0.5211 0.6633 0.50 100
frame_4.jpg -0.5357 0.6078 0.50 100
frame_5.jpg -0.5497 0.6258 0.50 100

B. Citra frame dengan derau Uniform Hasil deteksi untuk frame_1.jpg adalah
Hasil deteksi target pada citra frame terkontaminasi derau
Uniform 50% dengan menggunakan program editor citra
Photoshop ditunjukkan oleh Tabel II.
TABEL II
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DERAU GAUSSIAN

Jenis citra Koef. Koef. Nilai %


frame Korelasi Korelasi ambang Keberhasilan
Minimal Maksimal Deteksi
frame_1.jpg -0.5334 0.8287 0.75 100
frame_2.jpg -0.4646 0.8121 0.75 100
frame_3.jpg -0.5689 0.8520 0.75 100
frame_4.jpg -0.5658 0.7898 0.75 100
frame_5.jpg -0.5820 0.8063 0.75 100
TABEL V
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DENGAN DERAU GAUSSIAN MONOCHROME

Jenis citra Koef. Koef. Nilai %


frame Korelasi Korelasi ambang Keberhasilan
Minimal Maksimal Deteksi
frame_1.jpg -0.4367 0.4985 0.40 100
frame_2.jpg -0.4146 0.4942 0.40 100
frame_3.jpg -0.4626 0.5239 0.40 100
frame_4.jpg -0.4997 0.4748 0.40 100
frame_5.jpg -0.5081 0.4925 0.40 100

D. Citra frame dengan derau Uniform Monochrome Hasil deteksi untuk frame_1.jpg adalah
Hasil deteksi target pada citra frame terkontaminasi derau
Uniform Monochrome 50% dengan menggunakan program
editor citra Photoshop ditunjukkan oleh Tabel IV.
TABEL IV
KEBERHASILAN DETEKSI OBYEK CITRA TEMPLATE DARI CITRA FRAME
TERKONTAMINASI DENGAN DERAU UNIFORM MONOCHROME

Jenis citra Koef. Koef. Nilai %


frame Korelasi Korelasi ambang Keberhasilan
Minimal Maksimal Deteksi
frame_1.jpg -0.5106 0.7214 0.50 100
frame_2.jpg -0.4428 0.7067 0.50 100
frame_3.jpg -0.5447 0.7442 0.50 100
frame_4.jpg -0.5510 0.6857 0.50 100
frame_5.jpg -0.5565 0.6991 0.50 100

Hasil deteksi untuk frame_1.jpg adalah

Dari hasil tersebut dapat dilihat bahwa dengan citra frame


yang sama, semakin banyak deraunya maka semakin kecil
nilai koefisien korelasi antara citra template dengan target
pada citra frame. Ini tentu saja benar karena derau
menyamarkan bentuk asli dari citra target. Namun, dengan
mengubah-ubah nilai ambang (nilai batas koefisien korelasi
tertinggi/pemenang) maka target masih bisa dideteksi. Hal ini
akan menyulitkan dalam deteksi target bila terdapat beberapa
obyek dengan bentuk hampir sama tapi jenisnya berbeda.

Sejauh ini citra template ataupun target dalam citra frame


tidak mengalami rotasi atau penskalaan. Dalam aplikasi
pengkodean video, hal tersebut masih berlaku dan dapat
digunakan dengan tepat (Bellman, 1995). Namun, ada
beberapa aplikasi yang tidak bisa diperlakukan demikian
E. Citra frame dengan derau Gaussian Monochrome
sehingga teknik nya harus diubah. Salah satunya dengan
Hasil deteksi target pada citra frame terkontaminasi derau menggambarkan citra template dan citra target dalam momen
Gaussian Monochrome 50% dengan menggunakan program invarian dan mengukur kesamaan menggunakan korelasi yang
editor citra Photoshop ditunjukkan oleh Tabel V. melibatkan momen tersebut (Hall, 1979). Teknik lainnya
adalah dengan rotasi dan penskalaan yang menggunakan
kombinasi dari transformasi Fourier dan Mellin (Scha, 1989).
IV. KESIMPULAN
Deteksi target pada citra frame menggunakan template
matching telah dilakukan. Walaupun penelitian ini berhasil
membuktikan bahwa Template Matching dengan
menggunakan koefisien korelasi obyek dapat digunakan untuk
mendeteksi obyek dalam sebuah citra, namun masih terdapat
kekurangan karena kesederhanaan algoritma itu sendiri. Masih
dibutuhkan pengembangan lebih lanjut bila ingin melakukan
deteksi obyek dengan kondisi yang sangat berbeda, misalnya
bila citra template berbeda dalam hal rotasi dengan obyek
target pada citra frame. Tentu dibutuhkan algoritma yang bisa
membantu untuk menentukan ciri tertentu bila kondisi
demikian ditemukan dengan konskuensi komputasi tidak
bertambah banyak, bila itu terjadi maka algoritma akan
memberatkan kerja sistem komputasi. Demikian pula untuk
level kesulitan deteksi lainnya.

UCAPAN TERIMA KASIH


Terima kasih disampaikan kepada Risanuri Hidayat yang
telah meluangkan waktu untuk membimbing dan membuat
template ini.

REFERENSI

Bellman R.E. Dynamic Programming, Princeton University Press, 1957.

Cucchiara, R., M. Piccardi, et al. (2000). "Image analysis and rule-


based reasoning for a traffic monitoring system." Intelligent
Transportation Systems, IEEE Transactions on 1(2): 119-130

Hall E. Computer Image Processing and Recognition,Academic Press, 1979.

Rajiv Kumar Nath et. al. ON ROAD VEHICLE/OBJECT DETECTION


AND TRACKING USING TEMPLATE. Indian Journal of Computer Science
and Engineering Vol 1 No 2, 98-107.

Schalkoff R. Digital Image Processing and ComputerVision, JohnWiley &


Sons, 1989.

Stephen Karungaru, Minoru Fukumi, et al. (2009). "DETECTION AND


RECOGNITION OF VEHICLE LICENSE PLATES USING TEMPLATE
MATCHING, GENETIC ALGORITHMS AND NEURAL NETWORKS."
International Journal of Innovative Computing, Information and Control 5(7):
1975-1985.

Theodoridis, S., Koutroumbas, K. Pattern Recognition 4th ed. Elsevier Inc.


2009.

Zhang, J. and X. Zhou (2004). Object recognition based on template


correlation in remote sensing image. Geo-Imagery Bridging Continents, XXth
ISPRS Congress, Commission 3, Istanbul, Turkey, ISPRS.