Modified Maximally Stable Extremal Region - Dominant Vertical Sobel (MMSER-DVS) untuk Deteksi Plat Nomor Kendaraan dan Logo Pabrikan pada Sistem Identifikasi Kendaraan Roda Empat di Jalan Raya

GAMMA KOSALA, Drs. Agus Harjoko, M.Sc., Ph.D.;Prof. Dra.Sri Hartati, M.Sc., Ph.D.

2021 | Disertasi | DOKTOR ILMU KOMPUTER

Identifikasi kendaraan pada jalan raya lebih sulit dibandingkan dengan identifikasi kendaraan pada area parkir karena beberapa hal, diantaranya background yang lebih beragam, posisi kendaraan terhadap kamera yang tidak tentu, serta jumlah kendaraan yang bisa lebih dari satu dalam satu frame. Kondisi tersebut sangat berpengaruh terhadap proses deteksi objek berupa plat atau logo pabrikan pada jalan raya. Beberapa penelitian menggunakan non-handcrafted feature untuk deteksi plat maupun logo pada jalan raya. Metode ini memiliki kelemahan berupa waktu komputasi yang relatif lama. Penelitian ini menggunakan handcrafted feature pada tahap deteksi logo maupun deteksi plat untuk meraih nilai f-measure yang tinggi dengan waktu komputasi yang lebih cepat. Ciri yang dirancang pada penelitian ini menggunakan ciri dasar Maximally Stable Extremal Region (MSER). Nilai aspect ratio dari blob hasil MSER akan dibatasi untuk mengeliminasi noise di sekitar objek (Modified MSER). Blob hasil ektraksi tepi vertikal dengan operator Sobel digunakan untuk mengatasi kelemahan MSER yang terkadang gagal dalam menghasilkan blob di area objek. Tepian vertikal yang digunakan adalah tepian dominan (Dominant Vertical Sobel). Hal tersebut diterapkan untuk meminimalisir terbentuknya noise di sekitar area objek. Hasil ekstraksi Modified MSER dan Dominant Vertical Sobel digabung dengan operasi OR sehingga menjadi ciri MMSER-DVS. MMSER-DVS menjadi acuan dalam pencarian kandidat. Selanjutnya pada tahap seleksi kandidat, Support Vector Machine (SVM) diimplementasikan untuk menentukan apakah kandidat merupakan area objek atau area non-objek. Pada pengujian di tahap deteksi plat, MMSER-DVS mampu mendapatkan nilai f-measure sebesar 92,84%. Hasil tersebut lebih baik dari MSER dengan selisih 10,66%. Jika dibandingkan dengan SSD yang merupakan metode non-handcrafted feature, MMSER-DVS mendapatkan nilai f-measure yang lebih kecil dengan selisih 2,15%, akan tetapi menggunakan waktu komputasi 5x lebih cepat dibandingkan waktu yang digunakan SSD. Pada pengujian di tahap deteksi logo, MMSER-DVS mampu mendapatkan nilai f-measure sebesar 87,72%. Hasil tersebut lebih baik dari MSER dengan selisih 13,65%. Jika dibandingkan dengan SSD, MMSER-DVS mendapatkan nilai f-measure yang lebih kecil dengan selisih 6,33%, akan tetapi menggunakan waktu komputasi 13x lebih cepat dibandingkan waktu yang digunakan SSD. MMSER-DVS meraih nilai f-measure terbaik jika dibandingkan dengan metode handcrafted feature lainnya dengan rerata selisih 12,15%. Jika dibandingkan dengan metode non-handcrafted feature, MMSER-DVS meraih nilai f-measure yang lebih kecil dengan rerata selisih 4,24%. Akan tetapi jika ditinjau dari waktu komputasi yang digunakan, MMSER-DVS meraih rata-rata waktu komputasi 9x lebih cepat dibandingkan dengan metode non-handcrafted feature.

Vehicles identification in the roadway is more difficult than in the parking area due to several reasons, including a more diverse background, the uncertain position of the vehicle against the camera, and the number of vehicles that can be more than one in one frame. This condition greatly affects the object detection process on the roadway. Several researches have used the non-handcrafted feature to detect plates and logos on roads. This method has the disadvantage of a relatively long computation time. This research uses a handcrafted feature at both plate detection and logo detection to achieve high f-measure values with faster computation time. The features designed in this study use the Maximally Stable Extremal Region (MSER) as a basic feature. The blob of the MSER result will be limited to its aspect ratio to eliminate noise around the object (Modified MSER). The blob from vertical edge extraction using Sobel operator is used to overcome the weakness of MSER which sometimes fails to produce blobs in the object area. The dominant vertical edge is implemented to minimize the noise around the object (Dominant Vertical Sobel). Furthermore, Modified MSER and Dominant Vertical Sobel were combined using OR operation so that it became the MMSER-DVS. MMSER-DVS becomes the reference in finding the candidate area. Furthermore, at the candidate selection stage, a Support Vector Machine (SVM) is implemented to determine whether the candidate is an object area or a non-object area. In the plate detection testing, MMSER-DVS was able to obtain an f-measure value of 92.84%. This result is better than MSER with a difference of 10.66%. When compared to SSD which is a non-handcrafted feature method, MMSER-DVS gets a smaller f-measure value with a difference of 2.15%, but uses computation time 5x faster than the time used by SSD. In the logo detection testing, MMSER-DVS was able to get an f-measure value of 87.72%. This result is better than MSER with a difference of 13.65%. When compared to SSD, MMSER-DVS gets a smaller f-measure value with a difference of 6.33%, but uses 13x faster computation time than the time used by SSD. MMSER-DVS achieved the best f-measure value when compared to other handcrafted feature methods with an average difference of 12.15%. When compared with the non-handcrafted feature method, MMSER-DVS achieves a smaller f-measure value with an average difference of 4.24%. However, if it is considered from the computation time used, MMSER-DVS achieves an average computation time of 9x faster than the non-handcrafted feature method.

Kata Kunci : Deteksi Plat Nomor, Deteksi Logo Pabrikan, MSER, Vertical Sobel