Multiple Object Recognition dengan Menggunakan Algoritma Speeded-Up Robust Features (SURF) dan Algoritma Pencocokan Randomized KD-Tree
| Main Author: | Hutama, Samuel Alvin |
|---|---|
| Other Authors: | Utomo, Darmawan, Nugroho, Saptadi |
| Format: | Thesis application/pdf |
| Bahasa: | ind |
| Terbitan: |
Program Studi Teknik Elektro FTEK-UKSW
, 2017
|
| Online Access: |
http://repository.uksw.edu/handle/123456789/12845 |
Daftar Isi:
- Tidak diijinkan karya tersebut diunggah ke dalam aplikasi Repositori Perpustakaan Universitas dikarenakan akan dipublikasikan di Jurnal Terakreditasi Telkomnika dan salah satu proses untuk mendapatkan HKI.
- Implementasi dari algoritma SURF pada awalnya diterapkan pada proses pengenalan single object recognition. Pada tugas akhir ini diusulkan cara untuk merealisasikan multiple different-object recognition dan multiple same-object recognition menggunakan algoritma SURF. Sistem diharapkan dapat mengenali semua obyek yang terdapat pada sebuah citra masukan dan terdaftar di dalam sistem. Perangkat keras sistem terdiri dari sebuah kamera Pi, Raspberry Pi, dan laptop. Kamera Pi memiliki resolusi 5 MP yang digunakan mengambil citra masukan. Raspberry Pi berfungsi untuk mengirimkan citra masukan via LAN ke program utama yang terdapat di laptop. Program utama akan mengenali obyek-obyek yang terdapat di dalam citra masukan tersebut. Dalam melakukan proses pengenalan, digunakan algoritma randomized KD-Tree dalam mencocokkan deskriptor antara obyek pada citra dengan obyek yang sudah terdaftar di dalam sistem. Pengujian bertujuan untuk mengetahui karakteristik algoritma SURF, karakteristik dari obyek yang dapat dikenali, serta kemampuan sistem secara keseluruhan dalam melakukan pengenalan. Penentuan karakteristik ditentukan berdasarkan parameter uji berupa iluminasi, noise, rotasi, ukuran obyek, sudut pandang obyek, jumlah obyek, varian obyek, dan latar belakang obyek. Hasil pengujian menunjukkan bahwa SURF bersifat rotation-invariant dan kenaikan tingkat iluminasi dari 54 lux sampai 1530 lux masih dapat ditoleransi oleh SURF. Obyek dapat dikenali apabila SNR pada citra bernilai lebih besar atau sama dengan 28 dB, sudut pandang obyek lebih kecil atau sama dengan 40°, dan terdapat bagian yang konsisten di mana terdapat keypoint dengan jumlah lebih besar dari 44 pada citra masukan. Dari 40 buah obyek yang sudah terdaftar di dalam sistem, daerah kerja kamera yang berjarak 60 cm, dan 30 kali uji pengenalan pada 10 buah obyek di dalam citra masukan, akurasi sistem dalam melakukan pengenalan adalah 97%.
- SURF algorithm was first implemented on a single object recognition. In this final project, an implementation using the algorithm on multiple different-object recognition and multiple same-object recognition is proposed. The proposed system is expected to recognize all of the registered objects which are shown in an input image. The system’s hardware consists of a Pi camera module, a Raspberry Pi board, and a laptop. The camera has a resolution of 5 megapixel to capture an input image. The Raspberry Pi board is used to send the image to the laptop which has the main program. The program will do the multiple object recognition on the input image. In the recognition process, the randomized KD-Tree algorithm is used to match each descriptor of the input image’s objects and the registered objects. A series of tests is done in order to understand the characteristic of SURF, the characteristic of the recognizable object, and the system capibility to do the recognition. Illumination, noise, object size, object viewpoint, the number of objects, object variant, and object background are used for the test parameters to determine the characteristic. The test results show that SURF is rotation-invariant and the increase of illumination from 54 lux up to 1530 lux is tolerated by the SURF algorithm. An object is recognizable if the SNR in the image is more than 28 dB, object viewpoint is less than 40°, and there is a fixed part of the object which has more than 44 keypoints. From the 40 registered objects, 60 cm as the camera working distance, and 30 recognition tests on 10 objects located in the input image, the accuracy of the proposed system to do the recognition is 97%.