Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Implementasi Algoritma Histogram Of Oriented Gradients-Local Binary Pattern Dan Supprot Vector Machine Pada Video Untuk Mendeteksi Dan Menghitung Jumlah Manusia
Yodi Ramadhani Alfariz NIM. (2017) | Skripsi | Teknik Informatika
Bagikan
Ringkasan
Penerapan sistem pengenalan atau recognition untuk mendeteksi dan menghitung jumlah manusia pada video dapat dilakukan dengan cara memecah frame pada video lalu membandingkan setiap frame dan mengekstraksinya dengan metode tertentu. Metode HOG dan LBP misalnya, metode tersebut adalah metode untuk ekstraksi ciri. Dua metode tersebut masing-masing dilakukan perhitungan ekstraksi ciri. Feature Vector dari dua metode tersebut lalu digabungkan yang nantinya akan digunakan untuk proses klasifikasi. Sedangkan SVM adalah metode untuk klasifikasi, pada deteksi manusia metode SVM yaitu untuk mengklasifikasi apakah objek tersebut manusia atau bukan. Terdapat dua tahapan untuk melakukan pendeteksian, dua tahapan tersebut adalah learning dan testing. Tahapan learning dilakukan pada citra data latih yang berupa citra postif dan negatif, tahapan testing yaitu pengujian pada citra dari ekstraksi frame video. Berdasarkan pengujian dari metode HOG-LBP dan SVM yang dilakukan pada beberapa video uji, yang mana pengambilan video uji tersebut dilakukan di beberapa tempat dengan pencahayaan yang berbeda-beda dan dari berbagai sudut didapatkan akurasi rata-rata pendeteksian yaitu 72,512 %.
Ringkasan Alternatif
Recognition system application for detecting and counting how many human at video can be done by rending frame at video then compare and extract each frame with specific method. HOG and LBP method for example, is method for feature extraction. For each method performed feature extraction. Feature vector from each method then combined which later can be done for classification process. While SVM is method for classification, at detection human SVM method will classification is object human or not. There is 2 stages for detecting, those 2 stages is learning and testing. Learning stage is do at image of training data in form of positive and negative, testing stage is testing at image from frame video extraction. Based from testing of HOG-LBP and SVM methods performed on several test videos, in which the video capture is done at several places with different lighting and from various angles obtained the average accuracy of detection is 75.512%.