PENDETEKSIAN GAMBAR LAPANGAN BOLA BASKET

DENGAN PENGKATEGORIAN WARNA

Radityo Prasetianto Wibowo1
5107.201.008

1
Jurusan S2 Informatika,
Fakultas Teknologi Informasi
ITS, Surabaya
email : radityo.p.w@gmail.com

Abstrak digunakan serta munculnya inovasi – inovasi yang

Salah satu hal yang sangat dasar namun sangat membawa mesin komputer ke dalam era dimana
berpengaruh dalam sistem pendeteksian event harus mengerti dan berperilaku seperti halnya
adalah penentuan shot images atau yang biasa manusia. Tak terkecuali pada multimedia video
disebut shot clustering. Hal itu adalah proses bola basket, dimana komputer sebagai media
dimana sistem harus menentukan apakah fokus penyedia gambar yang dilihat oleh manusia
dituntut untuk lebih mengerti apa yang diinginkan
kamera sedang menampilkan gambar lapangan
manusia sebagai pengguna jasanya. Banyak hal
bola basket. Penentuan hal tersebut sangat
yang sudah dilakukan untuk menjembatani
bedampak banyak pada banyaknya event yang
pengguna manusia dan sistem komputer agar
dapat ditemukan.
bekerja lebih selaras seperti yang telah dilakukan
Dalam paper ini digunakan teknik
secara brilian pada beberapa sistem[1][2] yang
pengelompokkan warna pada tiap piksel kepada
memanfaatkan fitur – fitur low­level untuk
perwakilan kategori warna standar, sehingga
mendeteksi adanya event pada video pertandingan
perhitungan terhadap kemunculan warna dapat
bola basket. Penentuan event yang merupakan
dilakukan dengan mudah dan mempermudah
semantic­level sangat bergantung pada batasan
dalam menentukan apakah gambar merupakan
proses ekstraksi fitur pada low­level , sehingga
lapangan atau tidak.
pengembangan proses pada low­level sangat
Setelah uji coba , secara umum, sistem mampu
membantu pengembangan sistem pendeteksian
mengenali gambar merupakan gambar lapangan
event.
atau bukan. Namun, masih terdapat kondisi –
kondisi khusus dimana ternyata terdapat daerah
Salah satu hal yang sangat dasar namun sangat
2­point shoot memiliki warna yang berbeda
berpengaruh adalah penentuan shot images atau
dengan warna keseluruhan lapangan sehingga
yang biasa disebut shot clustering. Hal itu adalah
membuat sistem gagal mendeteksi gambar itu
proses dimana sistem harus menentukan apakah
sebagai gambar lapangan.
fokus kamera sedang menampilkan gambar
lapangan bola basket. Penentuan hal tersebut
1 Pendahuluan
sangat bedampak banyak pada proses – proses
Perkembangan teknologi multimedia membawa berikutnya, karena pada sebagian sistem yang
dampak yang sangat besar pada jumlah data yang telah dibangun [2] akan mengabaikan semua
gambar yang merupakan bukan gambar lapangan
bola basket, karena menurut mereka [2] event
hanya terjadi jika masih di dalam wilayah
lapangan bola basket. Ada juga sistem [1] yang
masih menggunakan frame yang di luar wilayah
lapangan sepakbola sebagai penentu event.
Namun, kesemuanya tidak menyangkal bahwa
penentuan shot detection itu merupakan bagian
yang tidak penting, bahkan dalam kenyataannya
sangat penting untuk meningkatkan akurasi serta
membantu membuka celah untuk menemukan
lebih banyak event yang terjadi.
Event – event yang sukar untuk ditemui adalah
event yang biasanya terdapat pada pengambilan
gambar dari kamera dengan sudut yang tidak
biasa misalnya pada reply. Hal ini mengakibatkan
kebanyakan sistem [1][2] tidak dapat mendeteksi
event seperti slam dunk ataupun ankle braker
dimana event – event seperti itu akan hanya
didapatkan lebih jelas dari reply. Hal ini
mengakibatkan pentingnya pendeteksian gambar
lapangan agar reply pun masuk ke dalam kondisi
untuk siap dianalisis lebih lanjut.
2 Pengkategorian Warna
2.1 Definisi lapangan Bola Basket
Lapangan bola basket adalah wilayah dimana
merupakan tempat bermain para pemain bola
basket. Kebanyakan lapangan bola basket
berwarna kuning kecokelatan, namun tidak
ditutup kemungkinan adanya warna lain yang bisa
dijadikan warna pada lapangan. Deteksi lapangan
yang dilakukan beberapa sistem [1] adalah dengan
menghitung jumlah kemunculan sebuah warna
pada lapangan. Namun, pada gambar penuh
dengan banyak objek seperti penonton, bola, serta
objek – objek lain, tentu akan mempengaruhi
prosentase dari kemunculan warna lapangan.
Maka dari itu, dalam paper ini, diusulkan untuk
melakukan pemotongan gambar terlebih dahulu
terhadap Y aksis dimana yang akan digunakan
adalah dari 50% Y gambar asli sampai 100% Y
gambar asli tersebut. Seperti ditunjukkan pada
gambar 1a dan 1b.
(a) (b)
Gambar 1: (a) gambar asli (b) setelah dilakukan
pemotongan
Tujuan pemotongan itu sendiri adalah untuk
memfokuskan gambar pada bagian lantai dari
lapangan, yang biasanya berada di bawah 50%
dari Y aksis. Setelah dilakukan pemotongan,
diharapkan penghitungan warna pada gambar
dapat lebih tepat.
2.2 Standarisasi Warna
Segmentasi adalah salah satu komponen penting
dalam pendeteksian. Hal tersebut adalah hal yang
cukup mudah bagi manusia namun sangat sulit
bagi komputer untuk melakukannya. Karena
sebenarnya manusia tidak cukup detail melihat
warna sehingga memungkinkan manusia untuk
lebih mudah untuk melakukan segmentasi pada
objek[3]. Hal itu memberikan ide bahwa
sebenarnya warna – warna pada gambar lapangan
dapat dikelompokkan kepada kelompok warna
yang lebih general, yang lebih umum. Standarisasi
warna ini akan mengelompokkan warna – warna
pada gambar lapangan basket ke dalam kelompok
standar warna yang memiliki jarak yang terdekat.
Penentuan apa saja warna yang dijadikan label
tiap kelompok sangatlah memberikan efek pada
pendeteksian, sehingga harus memiliki nilai
seumum mungkin yang dapat mewakili warna –
warna yang lain. Dalam paper ini, warna yang
digunakan dan konfigurasi RGB adalah :
{“red” , r:255,g:0,b:0},
{“green” , r:0,g:255,b:0},
{“blue” , r:0,g:0,b:255},
{“yellow” , r:255,g:255,b:0},
{“magenta” , r:255,g:0,b:255},
{“cyan” , r:0,g:255,b:255}.
Setiap piksel dari gambar akan dihitung nilai error
atau jarak yaitu jumlah dari perbedaan nilai dari
tiap – tiap variabel r,g,b pada tiap – tiap kategori
warna, sehingga setiap piksel akan didapatkan
nilai kategori warnanya. Hal ini dapat dilihat
detail pada segmen 1 berikut.
fungsi getIndexWarnaStandar(color)
1 var warna[] <= warna standar ; int idx <= -1
2 int error < = max.INT ; int error_temp <= 0
3 for (i=0;i<warna.length;i++)
4 error_temp = abs(color – warna[i])
5 if error_temp > error
6 error = error_temp; idx = i
7 return idx
Segmen 1: fungsi getIndexWarnaStandar(color)
Pada segmen 2 dapat dilihat algoritme secara
umum dimana pertama – tama gambar akan
dilakukan pemotongan seperti pada gambar 1 (a)
ke gambar 1 (b). Lalu untuk setiap piksel dari
gambar didapatkan index dari kelas atau kategori
warna yang diwakilkan, untuk hal ini detail
algoritme dapat dilihat pada segmen 1. Setelah
mendapatkan index kategori, maka untuk tiap
kategori dilakukan penghitungan jumlah anggota.
Jika index jumlah terbanyak adalah sama dengan
index warna yang diberikan pengguna maka
gambar tersebut merupakan lapangan bola basket,
dan jika tidak sama maka gambar tersebut tidak
termasuk lapangan bola basket.
prosedur deteksi_lapangan()
1 int i dx <= index warna standar lapangan
2 var warna[] <= warna standar
3 var image[][] <= gambar; var hitungwarna[] <= 0
4 image = getPemotonganGambar(image)
for (i=0;i<image.length;i++)
5
6 for (j=0;j<image[i].lenght;j++)
7 var color = image[i][j]
8 var index = getIndexWarnaStandar(color)
9 hitungwarna(index) = hitungwarna(index) + 1
10 int x = getIndexMaxColum(hitungwarna)
11 if x == i dx
12 print “Gambar Adalah Court”
13 else
14 print “Gambar Bukan Court”
Segmen 2: prosedur deteksi_lapangan
Pada segmen 2, error dihitung sebagai selisih
antara sebuah warna pada sebuah piksel dengan
masing – masing kategori warna standar. Dimana
jika terdapat error terkecil, maka itu merupakan
jarak terdekat sebuah warna dengan kategori
warna standar sehingga merupakan kategori
warna tersebut.
3 Hasil Uji Coba
Uji Coba dilakukan pada beberapa sekuens
gambar yang saling berasosiasi (menjamin
memiliki warna standar lapangan yang sama)
yaitu gambar pada pertandingan bola basket
antara tim Timberwolves melawan tim Denver
Nuggets, rekaman dari acara ESPN live. Dari
beberapa percobaan didapatkan bahwa secara
umum sistem mampu mendeteksi gambar
lapangan atau tidak. Namun ada beberapa gambar
yang tidak dapat pula dideteksi dengan baik.
 (a)
(b)
(c)
Detail Warna yang dianalisis :
red = 5964 pixel => 11.7660984848 %
green = 1727 pixel => 3.40711805556 %
blue = 2143 pixel => 4.22782512626 %
yellow = 37198 pixel => 73.3862058081 %
cyan = 1981 pixel => 3.90822285354 %
magenta = 1675 pixel => 3.30452967172 %
warna dasar yang anda pilih : yellow
Hasilnya Adalah :
Gambar Adalah Court
(d)
Gambar 2: Salah satu model yang berhasil dideteksi dgn
baik dan terdeteksi lapangan
Pada ujicoba kali ini, akan digunakan warna
kuning (“yellow”) sebagai warna standar pilihan
pengguna, karena pada pertandingan bola basket
ini, lapangan memiliki kemiripan warna termirip
dibandingkan dengan yang pilihan warna standar
yang lain.
Pada gambar 2 dan gambar 3 adalah contoh model
gambar yang dapat dideteksi dengan benar oleh
sistem.
(a)
(b)
(c)
Detail Warna yang dianalisis :
red = 16059 pixel => 31.6820549242 %
green = 6282 pixel => 12.3934659091 %
blue = 24710 pixel => 48.7492108586 %
yellow = 305 pixel => 0.601720328283 %
cyan = 887 pixel => 1.74992108586 %
magenta = 2445 pixel => 4.82362689394 %
warna dasar yang anda pilih : yellow
Hasilnya Adalah :
Gambar Bukan Court
(d)
Gambar 3: Salah satu model yang berhasil dideteksi dgn
baik dan terdeteksi bukan lapangan
Dimana gambar 2 terdeteksi benar adalah
lapangan dan gambar 3 terdeteksi benar adalah
bukan lapangan. Untuk (a) adalah gambar utuh,
(b) adalah gambar setelah dilakukan pemotongan,
(c) adalah gambar setelah dilakukan substitusi
terhadap kumpulan warna standar terdekat, dan
(d) adalah hasil detail proses pendeteksian.
Pada gambar 4, kamera sedang dalam posisi on
top view sistem tidak mampu melakukan
pendeteksian dengan baik, gambar yang
seharusnya lapangan tidak terdeteksi sebagai
lapangan. Hal ini terjadi pada sebagian kasus
reply yang biasanya mengandung event dunk
ataupun rebound. Event – event seperti itu terjadi
selalu pada daerah 2­point shoot dimana biasanya
warna lantai lapangan agak sedikit berbeda.
(a)
(b)
(c)
Detail Warna yang dianalisis :
red = 6186 pixel => 12.2040719697 %
green = 2311 pixel => 4.5592645202 %
blue = 27480 pixel => 54.2140151515 %
yellow = 8247 pixel => 16.2701231061 %
cyan = 3089 pixel => 6.09414457071 %
magenta = 3375 pixel => 6.65838068182 %
warna dasar yang anda pilih : yellow
Hasilnya Adalah :
Gambar Bukan Court
(d)
Gambar 4: Salah satu model yang tidak berhasil dideteksi
dgn baik dan terdeteksi bukan lapangan (salah)
Pada ujicoba ini warna lapangan adalah kuning,
dan warna 2­point­shoots adalah biru. Sehingga
pada gambar 4 (d), terlihat bahwa populasi kuning
(“yellow”) kalah dengan populasi biru (“blue”),
sehingga sistem tidak memandang gambar ini
menjadi lapangan.
4 Simpulan
Paper ini menunjukkan bahwa penggunaan
kategori warna standar dapat membantu
memecahkan pendeteksian lapangan bola basket
dengan mengkategorikan setiap warna piksel
kepada tiap wakil kategori warna yang paling
dekat. Hal ini mempermudah perhitungan jumlah
warna pada gambar. Pemotongan panjang (y
aksis) gambar membantu untuk memfokuskan
proses dalam menghitung populasi warna standart
pada gambar, sehingga pendeteksian akan jauh
lebih akurat.
Sistem masih tidak dapat mendeteksi semua jenis
gambar lapangan bola basket. Hal ini dikarenakan
adanya warna yang berbeda pada elemen 2­point
shoot , sehingga dimungkinkan pada suatu saat
(replay misalnya) akan terjadi perhitungan warna
lapangan akan lebih kecil daripada warna daerah
2­point shoot sehingga gambar pun tidak
terdeteksi sebagai gambar lapangan, sehingga
membuat sistem tidak bekerja sebagaimana
mestinya.
Daftar Pustaka
[1] Xingquan Zhu, Member, IEEE, Xindong Wu,
Senior Member, IEEE, Ahmed K. Elmagarmid,
Senior Member, IEEE, Zhe Feng, and Lide Wu,
Senior Member, IEEE, Video Data Mining:
Semantic Indexing and Event Detection from the
Association Perspective, IEEE
TRANSACTIONS ON KNOWLEDGE
AND DATA ENGINEERING, VOL. 17, NO. 5.
MAY 2005.
[2] Min Xu, Ling­Yu Duan, Changsheng Xu,
*Mohan Kankanhalli, Qi Tian, Event Detection in
Basketball Video Using Multiple Modalities,
ICICS­FCM,2003
[3] Shamik Sural, Gang Qian and Sakti Pramanik,
SEGMENTATION AND HISTOGRAM
GENERATION USING THE HSV COLOR
SPACE FOR IMAGE RETRIEVAL, Dept. of
Computer Science and Engineering, 3115
Engineering Building, Michigan State University,
East Lansing, MI 48824, USA