PERHITUNGAN ORANG PADA VIDEO SURVEILLANCE MENGGUNAKAN METODE ORIENTED FAST ROTATED BRIEF DAN SUPPORT VECTOR MACHINE

CANGGIH GELAR S A, Dr. Raden Sumiharto, S.Si., M.Kom.; Wahyono, S.Kom., Ph.D

2021 | Tesis | MAGISTER ILMU KOMPUTER

Salah satu hasil perkembangan ilmu pengetahuan yang dapat diterapkan pada sistem CCTV adalah Perhitungan Orang. Perhitungan orang dapat dilakukan dengan deteksi orang, klasifikasi orang atau non manusia, kemudian lakukan perhitungan. Model penghitung orang yang menggunakan metode region detector seperti HOG dan Viola Jones sebagai teknik deteksi objek, tidak bisa mendeteksi objek yang berhimpitan karena fiturnya bersifat global. Hal ini dapat diatasi dengan penggunaan metode yang fiturnya bersifat lokal. ORB merupakan salah satu metode dengan fitur bersifat local. Oleh karena itu, penerapan ORB diharapkan dapat mengatasi permasalahan deteksi objek tertutup sebagian yang tidak dapat dideteksi oleh metode-metode fitur global. Penelitian yang dilakukan adalah pembuatan program perhitungan orang sebagai fitur pada CCTV dengan mengkombinasikan metode ORB dan klasifier SVM sebagai upaya mengatasi masalah deteksi objek tertutup sebagian. Tahapan proses perhitungan orang adalah prapemrosesan grayscalling, deteksi objek, ekstraksi fitur clustering kemudian klasifikasi. Hasil grayscaling dilakukan deteksi objek dengan menggunakan background subtraction MOG, metode ekstraksi fitur ORB dilakukan pada objek yang terdeteksi yang berada didalam area Region of Interest. Fitur yang diekstrak dikelompokkan kedalam beberapa klaster sebagai kandidat objek dengan menggunakan clustering berdasarkan posisi koordinatnya. Kumpulan fitur pada masing-masing kandidat objek diklasifikasikan dengan menggunakan model yang terbentuk dengan pelatihan menggunakan metode SVM. Penggunaan background subtraction MOG mendapatkan hasil penghitungan orang yang terbaik dengan nilai f-measure 0.56. Tahap ekstraksi fitur menggunakan ORB, jumlah fitur 7000 mendapatkan performa yang lebih baik daripada jumlah fitur 3000 maupun jumlah fitur 5000. Hasil f-measure berturut-turut untuk banyak fitur 3000, 5000 dan 7000 adalah 0.535, 0.535 dan 0.559. Sistem berhasil mendeteksi orang yang tertutup sebagian dengan performa terbaik nilai f-measure 0.582 untuk nilai quantile 0.18. Pengujian dengan banyak orang 1, nilai quantile 0,26 menghasilkan performa terbaik yaitu nilai f-measure 0,571. Sedangkan untuk banyak orang 4, nilai quantile 0,18 menghasilkan nilai f-measure terbaik yaitu 0,603.

One of the results of scientific developments that can be applied to CCTV systems is people counting. Counting people can be done by detecting people, classifying objek as people or non-humans, then doing the calculations. People counter models that use region detector methods such as HOG and Viola Jones as object detection techniques, cannot detect objects that are close together because their features are global. This can be overcome by using methodes whose features are local. ORB is a method with local features. Therefore, the application of ORB is expected to overcome the problem of partially closed object The research conducted is the creation of a program for people counting as a feature on CCTV by combining the ORB method and the SVM classifier as an effort to overcome the problem of partially closed object detection. The stages are grayscalling preprocessing, object detection, feature extraction clustering and then classification. The results of grayscaling are object detection using MOG background subtraction, the ORB feature extraction method is carried out on detected objects that are in the Region of Interest area. The extracted features are grouped into several clusters as candidate objects by using clustering based on their coordinate positions. The feature set in each candidate object is classified by using a model formed by training using the SVM method. The use of MOG background subtraction gets the best people count results with f-measure 0.559. Then at the feature extraction stage using ORB, the number of features 7000 gets better performance than the number of features 3000 and the number of features 5000. The f-measure for 3000, 5000 and 7000 features are 0.535, 0.535 and 0.559 respectively. The system succeeded in detecting partially closed people with the best f-measure value of 0.582 for a quantile value of 0.18. Testing result for 1 people per frame, the quantile value of 0.26 produced the best performance with the f value of 0.571. Whereas for the number of people per frame is 4, the quantile value of 0.18 produced the best performance with the f value of 0.603.

Kata Kunci : People Counting, ORB, SVM, CCTV, Oklusi