View
10
Download
0
Category
Preview:
Citation preview
1
PENCOCOKAN FITUR PADA CITRA MENGGUNAKAN METODE
ORIENTED FAST AND ROTATED BRIEF (ORB)
Dina Indarti1, Aini Suri Talita2
1Program Studi Teknik Informatika, Universitas Gunadarma
2Program Studi Manajemen Sistem Informasi, Universitas Gunadarma
Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat
1dina.indarti@staff.gunadarma.ac.id
2ainisuri@staff.gunadarma.ac.id
Abstrak
Pencocokan fitur banyak digunakan pada permasalahan dalam computer vision antara lain
pengenalan objek, registrasi citra, rekonstruksi 3D, dan navigasi robot. Pencocokan fitur
membangun relasi dari dua buah himpunan fitur. Salah satu pencocokan fitur yang banyak digunakan yaitu pencocokan fitur berdasarkan titik atau pencocokan titik. Pencocokan titik dapat
membedakan dengan baik antar citra dan invariant terhadap perubahan sudut pandang 3D,
penambahan noise, dan perubahan pencahayaan. Penelitian ini bertujuan untuk mengimplementasikan metode Oriented Fast and Rotated Brief (ORB) dalam mencocokkan fitur
titik pada citra. Metode ORB terdapat dua bagian utama yaitu Features from Accelerated Segment
Test (FAST) dalam pendeteksian fitur titik dan Binary Robust Independent Elementary Features (BRIEF) dalam rotasi yang disempurnakan sehingga dapat meningkatkan kemampuan dalam
mendeteksi dan mendeskripsi fitur. Secara garis besar, tahapan metode ORB yaitu ekstraksi fitur
titik, pembentukan deskriptor fitur titik, dan pencocokan fitur titik. Pada tahap pencocokan fitur titik,
penelitian ini menggunakan Brute-Force matcher. Uji coba menggunakan beberapa citra yang mengalami perubahan posisi, rotasi, maupun perubahan skala. Hasil uji coba menunjukkan bahwa
metode ORB dapat mencocokkan fitur titik pada citra secara tepat walaupun citra mengalami
perubahan posisi, rotasi, maupun perubahan skala.
Kata Kunci: fitur titik, metode ORB, pencocokan citra, pencocokan fitur.
Abstract
Features matching are widely used in problems in computer vision including object
recognition, image registration, 3D reconstruction, and robot navigation. Features matching builds the relation of two sets of features. One feature matching that is widely used is feature matching
based on points or points matching. Points matching can distinguish well between images and
invariants to changes in 3D viewing angle, noise addition, and lighting changes. This study aims to implement the Oriented Fast and Rotated Brief (ORB) method in features points matching on
images. The ORB method has two main parts namely fast in detecting features points and Binary
Robust Independent Elementary Features (BRIEF) in enhanced rotation so that it can improve the
ability to detect and describe features. In general, the stages of the ORB method are extract feature point, generate feature point descriptors, and feature point matching. At the feature point matching
stage, this study uses a Brute-Force matcher. The trial used several images that changes in position,
rotation, or change in scale. The trial results show that the ORB method can match features point in the image precisely even though the image has changed position, rotation, or scale change.
Keywords: feature matching, feature point, image matching, ORB method.
2
PENDAHULUAN
Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar
proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi, pengenalan,
dan membuat keputusan. Computer vision terdiri dari teknik-teknik untuk mengestimasi
ciri-ciri objek di dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan
menginterpretasi informasi geometri tersebut. Pada hakikatnya, computer vision mencoba
meniru cara kerja sistem visual manusia (human vision) yang sangat kompleks [1].
Pencocokan fitur merupakan salah satu permasalahan pada computer vision yang
membangun relasi dari dua buah himpunan fitur. Pencocokan fitur secara luas banyak
digunakan pada permasalahan dalam computer vision antara lain pengenalan objek,
registrasi citra, rekonstruksi 3D, dan navigasi robot.
Perkembangan yang besar terjadi pada penelitian mengenai pencocokan fitur berupa
titik atau sering disebut pencocokan titik. Pencocokan titik banyak digunakan karena dapat
membedakan dengan baik antar citra dan invariant terhadap perubahan sudut pandang 3D,
penambahan noise, dan perubahan pencahayaan. Dalam pencocokan titik, beberapa metode
telah diteliti seperti Speeded-Up Robust Features (SURF) [2], DAISY [3], Gradient
Location-Orientation Histogram (GLOH) [4] dan Scale Invariant Feature Transform
(SIFT) [5]. Selanjutnya algoritma SIFT dan SURF dikembangkan oleh Rublee, Rabaud,
Konolige, dan Bradski dalam hal efisiensi secara komputasional dan memiliki performa
yang baik secara real-time. Algoritma yang dikembangkan tersebut dinamakan Oriented
FAST and Rotated BRIEF (ORB). Penelitian tersebut melakukan pengujian terhadap
keypoint dan deskriptor yang dihasilkan terhadap masing-masing metode. Uji coba yang
dilakukan menunjukkan bahwa proses ORB lebih cepat dalam mendeteksi keypoint dari
objek dibandingkan SIFT dan SURF pada berbagai situasi [6]. Pada ORB terdapat dua
bagian utama yaitu Features from Accelerated Segment Test (FAST) keypoint detector [7]
dan Binary Robust Independent Elementary Features (BRIEF) rotation [8] yang
disempurnakan sedemikian rupa sehingga dapat meningkatkan kemampuannya dalam
mendeteksi dan mendeskripsi fitur.
Beberapa penelitian telah menggunakan metode ORB. Penelitian yang dilakukan oleh
Fenomena, Herumurti, dan Buliali dalam mendeteksi kendaraan pada citra udara beresolusi
sangat tinggi di area perkotaan menggunakan metode ORB. Hasil penelitian menunjukkan
bahwa nilai recall dan precision tertinggi dihasilkan oleh metode pencocokan fitur MSER
dan ORB yang masing-masing bernilai 100% dan 75% [9]. Metode ORB juga telah
3
digunakan dalam pengenalan ukiran Bali. Hasil penelitian menunjukkan bahwa metode
ORB cukup baik dalam mengenali ukiran Bali [10]. Penelitian lain menggunakan metode
ORB dan K-Nearest Neighbor (KNN) dalam mengklasifikasi ikan. Hasil uji coba
menunjukkan bahwa metode yang diusulkan pada penelitian tersebut memiliki akurasi
klasifikasi sebesar 97,5% [11].
Berdasarkan uraian di atas, pada penelitian ini dilakukan implementasi metode ORB
dalam pencocokan fitur pada citra. Beberapa citra yang digunakan pada penelitian ini
mengalami perubahan posisi, rotasi dan perubahan skala.
METODE PENELITIAN
Tahapan dalam pencocokan fitur citra yang dilakukan pada penelitian ini
menggunakan metode ORB secara umum dapat dilihat pada Gambar 1.
Gambar 1. Tahapan Pencocokan Fitur pada Citra Menggunakan Metode ORB
Berdasarkan Gambar 1, penelitian ini secara garis besar mempunyai tiga tahap.
Pertama, tahap ekstraksi fitur titik yang terdiri dari deteksi fitur titik pada citra, pemilihan
fitur titik, pembuatan piramida citra, dan penentuan arah fitur titik. Kedua, tahap
pembentukan deskriptor fitur titik. Tahap ketiga yaitu pencocokan fitur titik berdasarkan
pada kesamaan deskriptor.
Ekstraksi Fitur Titik
Algoritma ORB menggunakan pengembangan pada algoritma FAST dalam
mendeteksi fitur titik. Tahap pendeteksian sebagai berikut:
1. Pendeteksian fitur titik pada citra.
Pertama, piksel π pada citra dipilih dan diasumsikan memiliki tingkat kecerahan yaitu Iπ.
Misalkan threshold dari tingkat kecerahan yaitu T. Piksel π dipilih sebagai titik pusat lalu
dipilih 16 piksel tetangga pada lingkaran dengan jari-jari 3 dan dibandingkan nilai
keabuan antara piksel π dan piksel lain pada lingkaran. Jika kecerahan N titik berurutan
Citra 1
Citra 2
Deteksi
Fitur
Titik
Citra
Pemilihan
Fitur Titik
Pembuatan
Piramida
Citra
Pembentukan
Deskriptor
Fitur Titik
Pencocokan
Fitur Titik
Ekstraksi Fitur Titik
Penentuan
Arah Fitur
Titik
4
pada lingkaran yang dipilih lebih besar dari Iπ + π atau kurang dari Iπ β π, maka piksel π
merupakan fitur titik.
2. Pemilihan fitur titik
Perhitungan pada titik sudut FAST hanya membandingkan perbedaan kecerahan antara
piksel, jumlahnya besar dan tidak pasti serta tidak ada informasi arah titik. Oleh karena
itu, algoritma ORB meningkatkan algoritma FAST dengan menghitung nilai respon
pendeteksian Harris untuk titik sudut FAST lalu mengurutkannya sesuai dengan nilai
keabuan dan dipilih N buah titik yang pertama. Rumus perhitungan nilai respon Harris
seperti yang ditunjukkan pada Persamaan (1) dan (2).
π = πππ‘(π) β π(π‘ππππ(π))2 (1)
π = βπ€(π₯, π¦) [πΌπ₯2 πΌπ₯πΌπ¦
πΌπ₯πΌπ¦ πΌπ¦2 ] (2)
dengan π adalah nilai respon pendeteksian Harris, π adalah matriks 2 Γ 2, k memiliki
nilai berkisar antara 0,04 hingga 0,06 [12], π€(π₯, π¦) adalah fungsi kernel dari citra, πΌπ₯
adalah variasi fitur titik dalam arah horizontal, dan πΌπ¦ adalah variasi fitur titik dalam arah
vertikal.
3. Pembuatan piramida citra
Piramida citra dibuat pada beberapa lapisan skala. Lalu fitur FAST diekstraksi pada
setiap lapisan piramida sehingga fitur titik invariant terhadap perubahan skala.
4. Penentuan arah fitur titik
Arah fitur titik diperoleh menggunakan metode intensity centroid [13] sehingga
diperoleh fitur titik yang diekstraksi invariant terhadap rotasi.
Pertama, pada suatu blok citra B, momen dari blok citra didefinisikan seperti pada
Persamaan (3).
πππ = β π₯ππ¦ππΌ(π₯, π¦)π₯,π¦βπ΅ , π, π = {0,1} (3)
dengan π₯ dan π¦ merupakan koordinat-koordinat piksel dan πΌ(π₯, π¦) merupakan nilai
keabuan dari piksel π₯ dan π¦. Selanjutnya ditentukan centroid dari blok citra
menggunakan momen seperti pada Persamaan (4).
πΆ = (π10
π00,π01
π00) (4)
dengan momen ke-0 (π00) merupakan massa dari blok citra dan momen ke-1 merupakan
centroid dari blok citra. Titik pusat geometri O dan centroid C dari blok citra
5
dihubungkan sehingga vektor berarah ππΆββββ β dan arah dari fitur titik didefinisikan seperti
pada Persamaan (5).
π = πππ tan (π01
π10) (5)
Setelah tahap ini diperoleh, titik-titik sudut FAST yang invariant terhadap perubahan
skala dan rotasi.
Pembentukan Deskriptor Fitur Titik
Setelah mengekstraksi fitur titik menggunakan pengembangan algoritma FAST
selanjutnya algoritma ORB menggunakan algoritma BRIEF untuk menghitung deskriptor
pada setiap titik. BRIEF merupakan deskriptor vektor biner di mana vektornya terdiri dari
nilai 0 dan 1 seperti pada Persamaan (6).
π(π; π₯, π¦) = {1, π(π₯) < π(π¦)
0, π(π₯) β₯ π(π¦) (6)
dengan π (π₯) adalah nilai keabuan pada bidang π₯ sekitar fitur titik citra, dan π (π¦) adalah
nilai keabuan pada bidang π¦ di sekitar fitur titik citra. Filter Gaussian digunakan pada tahap
awal untuk mengurangi efek noise pada citra. Berdasarkan pada titik fitur π yang diambil
sebagai titik pusat, lalu diambil lingkungan sekitar dengan ukuran π Γ π dan dipilih secara
acak N pasangan piksel pada lingkungan sekitar (N = 256 yang paling sering digunakan).
Kemudian, nilai kecerahan dari setiap pasangan titik dibandingkan menggunakan
Persamaan (5) sehingga diperoleh vektor dimensi N yang terdiri dari N deret biner seperti
pada Persamaan (7).
ππ(π) = β 2πβ1π(π; π₯π, π¦π)1β€πβ€π (7)
Algoritma ORB menggunakan algoritma Steer BRIEF untuk menghitung arah utama dari
setiap fitur titik, sehingga deskriptor memiliki informasi arah. Matriks rotasi π π diperoleh
menggunakan rumus pada Persamaan (8).
π π = [cosπ sin π
β sin π cos π] (8)
Matriks π π dan N pasang titik-titik piksel membentuk matriks π yang dapat dilihat pada
Persamaan (9).
π = [π₯1, π₯2, β¦ , π₯π
π¦1, π¦2, β¦ , π¦π] (9)
Kemudian dilakukan perbaikan rotasi sehingga diperoleh ππ yang dapat dilihat pada
Persamaan (10).
6
ππ = π ππ (10)
Pada tahap akhir akan diperoleh deskriptor fitur titik yang berarah seperti pada Persamaan
(11).
ππ(π,π) = ππ(π)|(π₯π, π¦π) β ππ (11)
Pencocokan Fitur Titik
Misalkan fitur titik π₯π‘π, π = 1, 2,β― ,π yang diekstraksi pada citra πΌπ‘, dan fitur titik
π₯π‘π, π = 1, 2,β― , π yang diekstraksi pada citra πΌπ‘+1. Metode Brute-Force matcher mengukur
jarak setiap fitur titik π₯π‘π dengan semua deskriptor π₯π‘+1
π . Selanjutnya dipilih jarak yang
terdekat sebagai titik yang cocok.
HASIL DAN PEMBAHASAN
Beberapa citra yang digunakan pada penelitian ini dapat dilihat pada Tabel 1.
Tabel 1. Beberapa Citra dalam Pencocokan Fitur
Citra 1 Citra 2
7
Hasil pencocokan fitur pada citra-citra yang terdapat pada Tabel 1 dapat dilihat pada
Gambar 2 β Gambar 6. Gambar 2(a) merupakan hasil pencocokan fitur pada citra yang
memiliki satu objek yaitu dompet dengan citra lain yang memiliki lima buah objek di mana
salah satu objek adalah dompet yang memiliki posisi yang sama dan ukuran berbeda.
Gambar 2(b) merupakan hasil pencocokan fitur pada citra yang memiliki satu objek yaitu
menara Eiffel dengan citra lain yang memiliki tiga buah objek di mana salah satu objek
adalah menara Eiffel yang memiliki posisi dan ukuran yang sama. Berdasarkan Gambar 2,
metode ORB dapat mencocokan fitur pada kedua citra tersebut secara tepat.
8
(a)
(b)
Gambar 2. Hasil Pencocokan Fitur pada Citra dengan Satu Objek
Gambar 3 merupakan hasil pencocokan fitur pada citra yang memiliki satu objek yaitu
power bank dengan citra lain yang memiliki lima buah objek di mana salah satu objek power
bank dengan ukuran yang sama tetapi posisi yang berbeda. Berdasarkan Gambar 3, metode
ORB dapat mencocokan fitur pada kedua citra tersebut secara tepat walaupun objek
mengalami perubahan posisi.
Gambar 3. Hasil Pencocokan Fitur pada Citra dengan Satu Objek Memiliki Posisi Berbeda
Gambar 4 merupakan hasil pencocokan fitur pada citra yang memiliki dua objek yaitu
power bank dan dompet dengan citra lain yang memiliki lima buah objek di mana terdapat
9
objek power bank dan dompet dengan ukuran yang sama tetapi posisi yang berbeda.
Berdasarkan Gambar 4, metode ORB dapat mencocokan fitur pada kedua citra tersebut
secara tepat.
Gambar 4. Hasil Pencocokan Fitur pada Citra dengan Dua Objek Memiliki Posisi Berbeda
Gambar 5 merupakan hasil pencocokan fitur pada citra yang memiliki satu objek yaitu
dompet dengan citra lain yang memiliki lima buah objek di mana terdapat objek dompet
memiliki ukuran berbeda dan mengalami rotasi 90o. Berdasarkan Gambar 5, metode ORB
dapat mencocokan fitur pada kedua citra tersebut secara tepat walaupun citra memiliki
ukuran berbeda dan mengalami rotasi 90o.
Gambar 4. Hasil Pencocokan Fitur pada Citra dengan Satu Objek Mengalami Rotasi 90o
KESIMPULAN DAN SARAN
Pencocokan fitur pada citra menggunakan metode ORB yang dikemukakan
dalam penelitian ini dapat mencocokan dua citra berdasarkan fitur titik secara tepat.
Hasil uji coba juga menunjukkan metode ORB dapat mencocokan fitur meskipun citra
mengalami perubahan posisi, rotasi maupun perubahan skala.
10
Pada penelitian selanjutnya, dapat dikembangkan pencocokan fitur tidak hanya
berdasarkan pada pencocokan titik tetapi pencocokan garis, area maupun bentuk
lainnya. Selain itu, metode ORB dapat dikembangkan lebih lanjut sehingga tidak hanya
sebatas pada pencocokan fitur tetapi dapat digunakan dalam pengenalan objek.
DAFTAR PUSTAKA
[1] R. Munir, Pengolahan citra digital. Bandung: Informatika, 2007.
[2] H. Bay, A. Ess, T. Tuytelaars, dan L. V. Gool, βSpeeded-Up Robust Features
(SURF),β Computer Vision and Image Understanding, vol. 110, no. 3, hal. 346 β 359,
2008.
[3] S. Winder, G. Hua, dan M. Brown, βPicking the best DAISY,β Proc. IEEE
International Conference on Computer Vision and Pattern Recognition (CVPR),
2009, hal. 178 β 185.
[4] K. Mikolajczyk dan C. Schmid, βA performance evaluation of local descriptors,β
IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, no. 10,
hal. 1615 β 1630, 2005.
[5] D. G. Lowe, βDistinctive image features from scale-invariant keypoints,β
International Journal of Computer Vision (IJCV), vol. 60, no. 2, hal. 91 β 110, 2004.
[6] E. Rublee, V. Rabaud, K. Konolige, dan G. Bradski, βORB: An efficient alternative
to SIFT or SURF,β Proc. IEEE International Conference on Computer Vision, 2011,
hal 2564 β 2571.
[7] E. Rosten, R. Porter, dan T. Drummond, βFaster and better: a machine learning
approach to corner detection,β IEEE Transactions on Pattern Analysis and Machine
Intelligence, vol. 32, no. 1, hal.105 β 119, 2010.
[8] M. Calonder, V. Lepetit, C. Strecha, dan P. Fua, βBRIEF: Binary Robust Independent
Elementary Features,β 11th European Conference on Computer Vision (ECCV), 2010,
hal. 778 β 792.
[9] D. Fenomena, D. Herumurti, dan J. L. Buliali, βDeteksi kendaraan pada citra udara
beresolusi sangat tinggi di area perkotaan dengan menggunakan metode ekstraksi
oriented fast and rotated brief,β Jurnal Teknik ITS, vol. 5, no. 2, hal. A277 β A280,
2016.
11
[10] I G. L. T. Sumantara, I P. A. Bayupati, dan N. K. A. Wirdiani, βRancang bangun
aplikasi pengenalan ukiran Bali dengan metode ORB,β Merpati, vol. 5, no. 1, hal. 51
β 56, 2017.
[11] M. Ramadhani dan D. H. Murti, βKlasifikasi ikan menggunakan Oriented Fast and
Rotated Brief (ORB) dan K-Nearest Neighbor (KNN),β Jurnal Ilmiah Teknologi
Informasi (JUTI), vol. 16, no. 2, hal. 115 β 124, 2018.
[12] J. Xingteng, W. Xuan, dan D. Zhe, βImage matching method based on improved
SURF algorithm,β IEEE International Conference on Computer and Communications
(ICCC), 2015, hal. 142 β 145.
[13] P. L. Rosin, βMeasuring Corner Properties,β Computer Vision Image Understanding,
vol. 73, hal. 291 β 307, 1999.
1
Recommended