Anda di halaman 1dari 14

Implementasi Block Matching Algorithm (BMA) Pada

Ekstraksi Objek Bergerak


Mata Kuliah Computer Vision

Tugas Akhir Project

Oleh :

Lutfi Prayogo

190401010

UNIVERSITAS MUHAMMADIYAH RIAU

FAKULTAS ILMU KOMPUTER

TEKNIK INFORMATIKA

TAHUN 2022/2023
DAFTAR ISI

DAFTAR ISI…………………………………………………………………………..

BAB I PENDAHULUAN………………………………………………......................

BAB II PEMBAHASAN………………………………………………………………

BAB III UJI COBA


PROJECT……………………………………………………………………

DAFTAR PUSTAKA………………………………………………………………….
BAB 1

PENDAHULUAN

1.1 Latar Belakang

Ektrasi pada video adalah


Segmentasi Gerakan
pengambilan objek yang
(Motion Segmentation)
bergerak

Objek bergerak yang


digunakan untuk analisis lebih Motion Vector
lanjut

Dibutuhkan dalam beberapa Estimasi Gerakan


aplikasi vision-based seperti ( Motion Estimation)
kamera pengintai (video
survaillence), penginderaan jarak
jauh ( remote sensing), diagnosis
dan pengobatan medis.

Segmentasi Gerakan (Motion Segmentation) berbasis Block Matching Algorithm


(BMA) untuk mengektrasikan objek bergerak pada sebuah video.
1.2 Rumusan Masalah

Permasalahan yang akan dibahas pada tugas uas ini adalah

1. Bagaimana Mengimplementasikan Estimasi Gerakan (Motion Estimation) untuk


menghasilkan Motion Vector dengan metode BMA pada sebuah video?

2. Bagaimana Melakukan Segmentasi Gerakan (Motion Segmentasi) berbasis BMA pada


sebuah video dengan tujuan mengekstraksi objek bergerak yang ada dalam adegan?

1.3 Batasan Masalah

Batasan Masalah dalam tugas akhir ini adalah :

1. Video yang akan diteliti adalah video digital dengan satu objek bergerak.
2. Background pada video diasumsikan diam.
3. Metode segmentasi gerakana yang di gunakan adalah K-Means Clustering
4. Metode BMA yang digunakan adalah algoritma EBMA untuk estimasi gerakannya.

1.4 Tujuan

Tujuan dari Tugas UAS ini adalah membangun system untuk mengekstraksi objek bergerak
pada sebuah video dengan metode segmentasi Gerakan berbasis Block Matching Algorithm
(BMA)

1.5 Manfaat

Manfaat yang dapat diambil dari tugas akhir ini adalah mendapatkan objek bergerak dalam
sebuah adegan video. Hasil dari proses ini dapat dimanfaatkan untuk menganalisis lebih
lanjut suatu objek bergerak pada sebuah video. Sebagai contoh, pelacakan dan deteksi
object bergerak pada system video survaillence
BAB II
ISI

2.1 Citra Digital

Citra digital adalah citra yang nilainya di-digitalisasikan (dibuat diskrit) baik dalam koordinat
spasialnya maupun dalam intensitasnya. Citra digital dapat digambarkan dalam suatu matriks
dengan baris dan kolom yang merepresentasikan suatu titik pada citra, dan nilai dari elemen
matriks tersebut menunjukan intensitas di titik tersebut. Setiap citra digital memiliki
beberapa karakteristik, antara lain ukuran citra, resolusi, koordinat, noise, dan kedalaman bit.

2.2. Video

Video digital tersusun atas serangkaian frame yang ditampilkan pada layar dengan kecepatan
tertentu. Masing masing frame merupakan citra digital yang di representasikan dengan
sebuah matriks yang masing masing elementnya merepresentasikan nilai intensitas.
Karakteristik suatu video digital ditentukan oleh resolusi, kedalaman bit, dan frame rate.
Karakteristik ini menentukan kualitas video.

2.3. Estimasi Gerakan

Suatu proses memperkirakan perpindahan piksel dari frame ke (t-1) ke frame ke-t.
Perpindahan tersebut direpresentasikan dengan motion vector.

2.4 Estimasi Gerakan dengan Block Matching Algorithm (BMA)


2.5 Exchautive Search BMA (EBMA)

EBMA disebut juga algoritma pencarian penuh. Algoritma ini membutuhkan perhitungan yang
sangat tinggi. Namun, memperoleh posisi blok yang optimal pada search region. Berikut ini
skema pada EBMA

2.6 Segmentasi Gerakan

Mengelompokan piksel-piksel berdasarkan intensitas yang sama dan informasi gerakannya


yang sesuai dengan objek tunggal

2.7 Segmentasi Gerakan dengan K-Means Clustering

Mengelompokan piksel-piksel berdasarkan jarak terdekat atau ketetanggannya.

• Motion Vektor yang dihasilkan EBMA dikelompokan menjadi beberapa cluster.


• Merepsentasikan piksel-piksel yang mirip dan merupakan kesatuan Gerakan yang
sama.
2.8 Segmentasi Gerakan dengan K-Means Clustering

Langkah-langkah Kmeans Clustering pada motion vector field :

• Tentukan K cluster
• Tentukan pusat pusat cluster C1, C2, … … Ck secara acak.
• Masukan tiap motion vector ke dalam cluster C = {C1, C2, … .. Ck} yang jarak pusatnya
paling dekat.

• Ubah nilai pusat cluster sebagai rata-rata (mean) dari seluruh motion vector dalam
cluster.

• Ulangi Langkah 2,3, 4 hingga memperoleh hasil yang konvergen.


BAB III

Perancangan dan Impelementasi Simulasi

3.1 Diagram Alur Sistem

3.2 Perancangan Program

Dalam membangun simulasi untuk mengekstraksi objek bergerak, program ini terdiri dari 5
program, yaitu

1. Program pilih video


• Berfungsi menginputkan dan memutar video yang akan diekstraksi objek
bergeraknya.
2. Program Segmentasi Gerakan
• Program ini disajikan dalam dua sistem yang berbeda yaitu segmentasi gerakan yang
dilakukan per frame dan segmentasi gerakan seluruh frame. Dalam program ini,
sistem menjalankan tiga algoritma yaitu Estimasi gerakan dengan BMA, segmentasi
gerakan dengan Kmeans Clustering, dan Pelabelan dengan Minimisasi Energi Graph
cut.
3. Program Hasil Segmentasi Per Frame
• Berfungsi menampilkan hasil ekstraksi objek bergerak per pasangan frame
berurutan.
• Citra objek dan citra background terpisah
4. Program Hasil Segmentasi Semua Frame (Objek/Foreground)
• Berfungsi menampilkan hasil ekstraksi objek bergerak seluruh frame dari video yang
diinputkan.
• Video objek bergerak
5. Program Hasil Segmentasi Semua Frame (Background)
• Berfungsi menampilkan hasil ekstraksi objek bergerak seluruh frame dari video yang
diinputkan.
• Video background berurutan

Program hasil segmentasi (lanjutan)


3.3 Uji coba simulasi

Uji coba dilakukan terhadap setiap pasangan frame berurutan

3.4 Pengujian Estimasi Gerakan, Segmentasi Gerakan, dan Penglabelan


3.5 Hasil Ekstraksi objek Bergerak
Uji coba Simulasi

Evaluasi

Pada percobaan di atas secara kasat mata citra hasil ekstraksi objek bergerak pada pasangan
frame yang sama dapat berbeda-beda. Ini berhubungan dengan estimasi gerakan
menggunakan BMA yaitu pada salah satu variabelnya, ukuran blok. Semakin kecil ukuran
blok pada estimasi gerakan BMA, maka hasil ekstraksi objeknya semakin baik.

Penutup

Kesimpulan

Dari Uji Coba Simulasi dipeoleh kesimpulan sebagai berikut

1. Algoritma Block Matching Algorithm untuk estimasi gerakan dapat diterapkan dengan
ukuran blok yang berbeda. Hasil yang diperoleh pun berbeda-beda. Dari pengujian yang
dilakukan dapat ditarik kesimpulan bahwa semakin kecil ukuran blok yang digunakan (4
x 4) akan semakin akurat hasil estimasi gerakan yang diperoleh.
2. Dapat ditarik kesimpulan juga bahwa keakuratan hasil estimasi gerakan akan
berpengaruh terhadap hasil pelabelan dengan Graph cut. Semakin kecil ukuran blok
yang digunakan pada BMA untuk estimasi gerakan, maka hasil estimasi gerakan semakin
akurat, dan pada segmentasi gerakannya akan menghasilkan pelabelan yang lebih baik.
3. Pelabelan dengan Graph cut yang baik, akan diperoleh hasil ekstraksi yang baik pula.
Jadi, hasil estimasi gerakan berpengaruh terhadap tingkat keberhasilan pada ekstraksi
objek bergerak.

Saran

Saran yang dapat diberikan dalam pengembangan penelitian ini antara lain adalah:

1. Estimasi gerakan adalah algoritma untuk menghitung perpindahan piksel antara


pasangan frame berurutan. Untuk penelitian selanjutnya, penulis menyarankan
penggunaan metode estimasi gerakan yang lebih baik yaitu estimasi gerakan yang
dilakukan pada setiap piksel frame. Sebagai contoh, algoritma optical flow. Diharapkan
dengan algoritma ini akan dihasilkan estimasi gerakan yang jauh lebih akurat dan tentu
saja akan menghasilkan ekstraksi objek yang lebih optimal
2. Untuk menghasilkan esktraksi objek yang lebih optimal juga hendaknya dilakukan
segmentasi yang lain selain segmentasi gerakan. Misalnya, segmentasi warna. Dengan
demikian, noise dan kehilangan strukstur objek (hasil ekstraksi pada subbab Uji Coba)
dapat diminimalkan
DAFTAR PUSTAKA

[1] Barjatya, Aroh.2004.“Block Matching Algorithms For Motion Estimation”.DIP 6620 Spring 2004
Final Project Paper.

[2] Bhusan, K. Sasi, Vineela, T., Reddy, N. Venkateswara, Krishna, K.Vamsi, dan Rao, Joseph Abilash.
May 2009. “Motion Based Foreground Segmentation using Block Matching Algorithm
(BMA)”.International Journal Of Recent Trends in Engineering. Vol. 1, No. 2.

[3] Bovik, Al. 2009. The Essential Guide to Video Processing. India : diacriTech

[4] Boykov, Yuri, Veksler, Olga, Zabih, Ramin. November 2011. “Fast Approximate Energy
Minimization via Graph Cuts”. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE
INTELLIGENCE, Vol. 23, No. 11.

[5] Chung, Ronald H.Y., Chin, Francis Y.L., Wong, Kwan-Yee K., Chow, K.P., Luo, T., dan Fung, Henry,
S.K. Apr 2005. “Efficient Block-based Motion Segmentation Method using Motion Vector
Consistency”. Conference on Machine Vision Application.

[6] Han, Bing, Robert,William, Wu, Dapeng, dan Li, Jian.2007. “Motion-SegmentationBased Change
Detection”. Algorithms for Synthetic Aperture Radar Imagery XIV.

[7] S. Alexiadis, Dimitrios, D. Sergiadis, George. 2008. “Motion estimation, segmentation and
separation, using hypercomplex phase correlation, clustering techniques and graph-based
optimization”. Computer Vision and Image Understanding 113 (2009) 212-234.

[8] Wang, Yao, Ostermann, Jorn, Zhang, Ya-Qin, Ostermann, Joern, dan Zhang Ya-quin. 2001. Video
Processing and Communication. Prentice Hall.