Tugas 2

Nama : Dodhy Kurniawan. Ss

Nim : 200206501001

MK : Penginderaan Visual Robot

1. Print Out Bab 2

2. Background Subtraction. Describes basic functions that enable building statistical model of
background for its further subtraction.
Ulasan :

Background Subtraction (Pengurangan latar belakang) adalah suatu teknik untuk menghasilkan
foreground mask (yaitu, gambar biner yang berisi piksel milik objek bergerak di tempat kejadian)
dengan menggunakan kamera statis.

Sesuai dengan namanya, Background Subtraction menghitung foreground mask yang melakukan
pengurangan antara bingkai saat ini dan model latar belakang, yang berisi bagian statis
pemandangan atau, lebih umum, segala sesuatu yang dapat dianggap sebagai latar belakang
mengingat karakteristik pemandangan yang diamati.

Dalam pemodelan Background Subtraction terdiri dari dua langkah utama yaitu :
a. Background Intilization (Inisialisasi Latar Belakang)
b. Background Update (Pembaruan Latar Belakang)

3. Motion Templates. Describes motion templates functions designed to generate motion template
images that can be used to rapidly determine where a motion occurred, how it occurred, and in
which direction it occurred.
Ulasan :

Pada Sub Bab ini menjelaskan Motion Templates adalah metode untuk mencari dan menemukan
lokasi gambar template dalam gambar yang lebih besar. OpenCV hadir dengan fungsi
cv.matchTemplate() untuk tujuan ini. Ini hanya menggeser gambar template di atas gambar input
(seperti dalam konvolusi 2D) dan membandingkan template dan patch gambar input di bawah
gambar template. Beberapa metode perbandingan diimplementasikan di OpenCV. Ini
mengembalikan gambar skala abu-abu, di mana setiap piksel menunjukkan seberapa banyak
lingkungan piksel itu cocok dengan templat.

Jika gambar input berukuran (LxT) dan gambar template berukuran (wxh), gambar output akan
memiliki ukuran (W-w+1, H-h+1). Setelah Anda mendapatkan hasilnya, Anda dapat
menggunakan fungsi cv.minMaxLoc() untuk menemukan di mana nilai
 maksimum/minimum. Ambil sebagai sudut kiri atas persegi panjang dan ambil (w,h) sebagai
lebar dan tinggi persegi panjang. Persegi panjang itu adalah wilayah templat Anda.

4. Cam Shift. Describes the functions implemented for realization of "Continuously Adaptive Mean-
SHIFT" algorithm (CamShift) algorithm.
Ulasan :

Pada Sub Bab ini menjelaskan Algoritma mean shift dan cam shift keduanya sangat berguna dan
merupakan alat yang ampuh untuk digunakan dalam pelacakan objek. Yang terakhir, khususnya,
dapat menggeser ROI-nya saat objek berputar atau mengubah jarak dari kamera. Hasilnya adalah
metode pelacakan yang kuat.

Menggunakan warna sebagai metode identifikasi utama, tidak ada algoritme yang dapat
mengidentifikasi sesuatu dengan bentuk tertentu, yang membuatnya kurang kuat dibandingkan
metode lainnya. Demikian pula, latar belakang yang kompleks atau berisik akan membuat
identifikasi menjadi lebih bermasalah. Namun, sebagai akibatnya, penggunaan warna
memungkinkan penerapan langsung tanpa perlu melatih model.

Keduanya bekerja dengan baik di lingkungan yang terkontrol dan terang serta menawarkan metode
pelacakan objek yang efisien.

5. Active Contours. Describes a function for working with active contours (snakes).
Ulasan :

Pada Sub Bab ini memberikan beberapa penekanan tentang pentingnya image processing dalam
proses pendeteksian contour. Image processing yang baik akan membuat pendeteksian contour
menjadi lebih akurat. Sebagai contoh, pada kode sebelumnya kita menggunakan dua buah image
processing sebelum melakukan pendeteksian contour. Image processing tersebut adalah mengubah
colored image menjadi grayscale dan kemudian melakukan edge detection dengan menggunakan
metode Canny.
Dengan kedua image processing tersebut, class cv2.findContours() dapat mendeteksi 10 buah
contour.
Namun demikian, apabila tidak dilakukan edge detection, maka cv2.findContours() hanya akan
mendeteksi 1 buah contour saja.

6. Optical Flow. Describes functions used for calculation of optical flow implementing Lucas & Kanade,
Horn & Schunck, and Block Matching techniques.
Ulasan :

Pada Sub Bab ini menjelaskan algoritma dalam OpenCV yang menghitung Lucas-Kanade flowoptic
dalam piramida, adalah cvCalcOpticalFlowPyrLK. Fungsi ini flow optic memanfaatkan good fitur to
track dan juga melakukan indikasi kembali seberapa baik masing-masing pelacakan point
melanjutkan.

7. Estimators. Describes a group of functions for estimating stochastic models state

Ulasan :

Pada Sub Bab ini menjelaskan mengenai prediksi gerakan. Dimana memprediksi gerakan ini dapat
dilakukan menggunakan kontur pada sebuah benda. Pada program ini dapat kita ketahui digunakan
untuk memprediksi pergerakan dari benda berwarna kuning. Kemana pun dia pergi maka lingkaran
biru tersebut akan memprediksi kemana benda tersebut akan bergerak.