IMPLEMENTASI BAG OF VISUAL FEATURE MENGGUNAKAN ALGORITMA PENGELOMPOKAN DBSCAN UNTUK PERSON RE-IDENTIFICATION
M YUSUF MANSHUR, Wahyono, Ph.D
2020 | Skripsi | S1 ILMU KOMPUTERPerson re-identification merupakan topik yang cukup populer pada bidang computer vision saat ini. Person re-identification adalah proses untuk mengidentifikasi apakah dua citra atau lebih yang berada di sudut pandang kamera CCTV berbeda, adalah orang yang sama atau tidak. Berbagai penelitian telah dilakukan untuk membangun model descriptor yang cukup handal dan efisien untuk digunakan pada sistem person re-identification. Telah digunakan berbagai metode untuk membentuk model citra manusia salah satunya adalah model Bag of Visual Feature. Bag of Visual Feature (BOVF) adalah salah model yang paling banyak digunakan untuk merepresentasikan data sebagai kumpulan fitur lokal yang digunakan untuk melakukan retrieval image maupun recognition. Fitur-fitur lokal ini dilibatkan dalam pembentukkan descriptor atau fungsi identitas yang diperlukan pada sistem person re-identification dengan mekanisme pengelompokan fitur. Salah satu algoritma pengelompokan dengan kemampuan mengelompokan data dengan jumlah data yang banyak dan berdimensi tinggi secara efisien adalah Density Based Spatial Clustering of Applications with Noise (DBSCAN). Dibandingkan dengan algoritma K-Means, DBSCAN mengelompokan data menjadi sejumlah klaster berdasarkan karakteristik (kerapatan) data, sehingga akan mampu menghasilkan jumlah klaster yang optimal. Pada penelitian ini digunakan model BOVF untuk proses person re-identification. Implementasi BOVF menggunakan algoritma DBSCAN pada proses pelatihan model citra dengan mempelajari fitur HOG (Histogram of Gradient Oriented). Hasil dari penelitian ini diperoleh akurasi terbaik pada rank-1=13,67% dan rank-5=43,33% menggunakan K-Means, kemudian pada rank-10=68,33%, rank-15=80,67%, dan rank-20=88% menggunakan DBSCAN. Selain itu K-Means masih lebih cepat dari pada DBSCAN, dengan kecepatan rata-rata sebesar 1,64 detik, sedangkan DBSCAN 1,85 detik.
Person re-identification is one of the popular topic in the field of computer vision. Person re-identification is the process of identifying whether two or more images that are in the viewpoint of different CCTV cameras are the same person or not. Various studies have been carried out to build descriptor models that are reliable and efficient enough to be used in person re-identification systems. Various methods have been used to represent the full body human image, one of which is the Bag of Visual Feature model. Bag of Visual Features (BOVF) is one of the most widely used models to represent data as a collection of local features used to perform image retrieval and recognition. These local features are involved in the formation of descriptors or identity functions required on the person re-identification system with a feature grouping mechanism. One of the grouping algorithms that have ability to group data with large amounts of data and high dimensions efficiently is Density Based Spatial Clustering of Applications with Noise (DBSCAN). Compared to the K-Means algorithm, DBSCAN groups data into a number of clusters based on the characteristics (density) of the data, so that it will be able to produce an optimal number of clusters. In this research, BOVF model is used for the person re-identification process. BOVF implementation uses the DBSCAN algorithm in the process of training the image model by studying the HOG (Histogram of Gradient Oriented) features. The results of this research obtained the best accuracy at rank-1=13.67% and rank-5=43.33% using K-Means, then at rank-10=68.33%, rank-15=80.67%, and rank-20=88% using DBSCAN. In addition, K-Means is still faster than DBSCAN, with an average speed of 1.64 seconds, while DBSCAN is 1.85 seconds.
Kata Kunci : person re-identification, bag of visual feature, algoritma pengelompokan, DBSCAN
