Sistem Deteksi Kecepatan Kendaraan Bermotor pada Real Time Traffic Information System

Pribadi Hartoto

Teknik Komputer dan Telematika Jurusan Teknik Elektro

Insitut Teknologi Sepuluh Nopember Suarabaya Abstrak

Kecepatan berkendara pengguna lalu-lintas kurang terkontrol. Pelanggaran kecepatan berkendara marak terjadi. Selama ini sanksi dan tindakan terhadap pelanggar kecepatan belum banyak dilakukan karena sulitnya mengetahui pelanggaran yang terjadi. Dengan adanya pemantauan lalu-lintas melalui CCTV dan video rekaman, maka pelanggaran dapat dideteksi jika bisa dilakukan pengambilan data kecepatan dari video.

Pada penelitian ini dirancang suatu system dan program yang dapat mendeteksi kecepatan kendaraan menggunakan metode background reconstruction dan frame difference. Masukan berupa rekaman video lalu-lintas kemudian background dari sejumlah frame video dan dijadikan referensi untuk ekstraksi foreground. Obyek bergerak akan diukur perpindahannya untuk menempuh suatu jarak tertentu sebagai referensi perhitungan kecepatan.

Hasil yang diperoleh dari pengujian terhadap beberapa rekaman video lalu-lintas memberikan hasil yang cukup baik. Penggunaan metode frame difference dan background reconstruction untuk mendeteksi pergerakan dan perhitungan waktu dan jarak tempuh bisa dilakukan pada rekaman video lalu-lintas. Dengan adanya penelitian ini diharapkan bisa melengkapi penelitian modul Speed Enforcement System (SES) pada penelitian Intelligent Transportation System. Pendahuluan

Kondisi lalu-lintas sehari-hari semakin padat karena tidak seimbangnya jumlah kendaraan dengan luas jalan. Hal ini diperparah dengan cara berkendara yang tidak sesuai aturan salah satunya adalah kebut-kebutan yang dilakukan pengguna kendaraan sehingga rawan terjadi kecelakaan. Maka perlu dilakukan upaya untuk menertibkan perilaku berbahaya ini. Penentuan batas kecepatan maksimum yang ditunjukkan dengan rambu lalu-lintas adalah salah satu aturan efektif untuk menanggulangi kebut-kebutan. Namun tanpa ada petugas lalu-lintas yang berjaga, pelanggaran kerap terjadi. Maka pengamatan kecepatan sangat penting untuk membantu pengawasan para pengguna lalu-lintas.

Saat ini pengawasan lalu-lintas telah memanfaatkan kamera CCTV yaitu RTMC (road traffic monitoring center). Selain itu penelitian tentang ITS (Intelligent Transportation System) juga memanfaatkan pengawasan melalui kamera. Sejalan dengan dua hal tersebut, maka hasil rekaman kamera berupa video dapat dimanfaatkan untuk mendeteksi kecepatan berkendara para pengguna lalu-lintas.

Metode background reconstruction dan frame difference dapat digunakan untuk mendeteksi pergerakan kendaraan pada video. Jika telah diketahui kendaraan yang bergerak pada suatu lajur jalan dan dengan informasi jarak tempuh kendaraan tersebut antara dua lokasi maka perhitungan kecepatan dapat dilakukan. Penelitian Terkait

Penelitian terkait dengan motion detection dan speed detection telah dilakukan, metode yang dilakukan antara lain background reconstruction dengan time-average background image (TABI), absolute frame difference untuk foreground extraction dan blurred image untuk estimasi kecepatan. Dalam penelitian ini penulis memanfaatkan metode TABI dan frame difference untuk foreground extraction kemudian memperkirakan kecepatan berdasarkan jarak tempuh kendaraan yang telah dideteksi.

Video Input

Sistem menggunakan input rekaman video ekstensi *.avi. Software MATLAB mendukung pemrosesan video berekstensi avi. Video ini merupakan video lalu-lintas dengan sudut pandang sejajar jalan dari sisi atas untuk mendapatkan hasil yang baik. Background Extraction

Background extraction adalah suatu proses untuk mendapatkan gambar background dari data video. Hal ini sangat penting karena untuk mendeteksi adanya gerakan perlu dipisahkan antara obyek yang bergerak dengan obyek yang diam. Obyek yang diam adalah latar atau background dari suatu frame video. Pepohonan, bangunan, tiang lampu, langit dan permukaaan jalan merupakan bagian dari background. Dengan memisahkan

background dari suatu frame video maka kita bisa memperoleh obyek bergerak atau foreground.

Background extraction diperoleh dengan menggunakan metode TABI atau time-average background image. Metode ini akan menghasilkan gambar background yang merupakan pendekatan dengan cara mendapatkan rata-rata nilai pixel gambar berdasarkan serangkaian frame dari serangkaian gambar [1].

Misalkan (I1, I2, ... , Im) merupakan serangkaian gambar bergerak, dipilih sejumlah frame dengan jumlah N frame dari total m frame dan disimbolkan dengan (f1, f2, f3, ... fn). fi(x,y) merepresentasikan nilai pixel dari frame ke i dengan i =0,1,2, .. N. Maka dapat diperoleh nilai rata-rata tiap-tiap pixel dengan rumusan pada persamaan 1.

n

yxfyxF

mb

bii∑

+

==),(

),( (1)

Foreground Extraction Metode yang digunakan untuk memperoleh

obyek foreground adalah frame difference. Tetapi frame yang akan dibandingkan tidak menggunakan frame yang berurutan. Hal ini karena penggunaan frame yang berurutan memiliki kekurangan, yaitu hasil frame difference nya berupa obyek berlubang dan hanya tepian dari obyek yang terlihat. Selain itu jika suatu obyek yang bergerak kemudian berhenti maka akan dianggap sebagai background. Penggunaan background hasil dari background reconstruction dapat menghindari kekurangan dari frame difference berdasarkan frame yang berurutan. Proses frame difference pada tiap-tiap frame video dengan background dilakukan dengan format HSV. Berdasarkan [5] penggunaan saturation dan value memiliki kelebihan pada deteksi perubahan intensitas cahaya dan tidak banyak bergantung pada perubahan warna. Hasil foreground extraction tersebut kemudian diubah ke binary image karena proses edge detection, noise removal dengan dilation dan erosion dilakukan pada format binary image. Flowchart pada gambar 1 berikut menampilkan proses foreground extraction.

Gambar 1. Flowchart foreground extraction Speed Detection

Kecepatan kendaraan diperoleh dari frame hasil deteksi foreground. Yaitu dengan menentukan posisi kendaraan pada setiap frame. Jadi perlu ditentukan boundingbox dari foreground extraction yang telah dilakukan sebelumnya. Pada frame yang

berurutan, setelah dideteksi obyek kendaraan bergerak dan memberikan boundingbox maka harus ditentukan posisi awal dan akhir dengan referensi yang valid.

Penggunaan garis deteksi kecepatan disini mempermudah perhitungan. Selama kendaraan

Video image sequence

Preprocessing

Background reconstruction

Current Image by frame

Foreground extraction

yang memiliki boundingbox melewati suatu garis deteksi yang sebelumnya telah ditentukan mulai dari titik awal garis sampai akhir garis maka jumlah frame yang diperlukan kendaraan tersebut selama melewati garis dapat diketahui. Persamaan berikut adalah rumusan perhitungan kecepatan.

Implementasi

Berikutnya adalah implementasi program deteksi kecepatan yang telah dirancang sebelumnya. Pertama-tama dilakukan background reconstruction dengan metode TABI hasilnya ditampilkan pada gambar 2 yang merupakan frame awal, dan gambar 3 yang merupakan hasil background reconstruction.

Gambar 2 Frame awal dari sample video dengan

jumlah frame 7879

Gambar 3 Background reconstruction menggunakan

metode TABI

Setelah memperoleh background sebagai referensi untuk langkah berikutnya yaitu frame difference. Maka foreground extraction dari setiap frame video bisa diperoleh. Gambar 4 menampilkan hasil foreground extraction menggunakan metode frame difference dari frame pertama sample video.

Gambar 4. Foreground extraction frame-1

Foreground hasil extraction harus diubah ke binary image agar dapat dilakukan proses boundingbox. Setelah diperoleh foreground hasil frame difference maka dilakukan thresholding untuk memperoleh gambar binary seperti ditunjukkan pada gambar 5.

Gambar 5. Binary image

Berikutnya adalah proses morphological processing untuk menghilangkan noise dan menyisakan obyek yang berupa kendaraan saja. Setelah pembatasan dengan ROI, berikutnya ada dua proses yaitu opening dan closing. Gambar 6 dan 7 menampilkan hasil opening dan closing pada binary image sebelumnya.

Gambar 6 . Image binary hasil opening

Gambar 7. Image binary hasil closing

Setelah diperoleh image binary yang berisi

obyek pengamatan maka boundingbox bisa diterapkan. Gambar 8 menampilkan boundingbox pada image hasil closing.

Gambar 8. Bounding box pada binary image Setelah implementasi dari proses foreground extraction dan dihasilkan obyek yang bergerak dalam bentuk boundingbox, maka pergerakan boundingbox tersebut menjadi acuan untuk deteksi kecepatan kendaraan. Hasil Pengujian Deteksi Kecepatan

Rekaman video yang digunakan untuk pengujian dilakukan sebanyak 14 kali. Masing-masing rekaman mengunakan kendaraan uji sebagai referensi kecepatan yang sebenarnya. Mengacu pada kecepatan yang ditunjukkan oleh speedometer.

Tabel berikut adalah data rekaman video lalu lintas yang dilakukan.

Tabel 1. Data rekaman I

No Kecepatan

km/h (speedometer)

Durasi (detik)

Dimensi (pixel)

Fps

1 40 21 720x576 25 2 50 8 3 60 14 4 70 7 5 80 9

Data rekaman I tersebut memiliki referensi

garis deteksi kecepatan sepanjang 6.6 m. Adanya bayangan pada sisi samping dari kendaraan yang direkam mempengaruhi proses foreground extraction sehingga terjadi banyak penumpukan.

Tabel 2. Data rekaman II

No Kecepatan

km/h (speedometer)

Durasi (detik)

Dimensi (pixel)

Fps

1 40 23 720x576 25 2 50 14 3 60 16 4 70 9 5 80 9

Pada Data rekaman II referensi garis deteksi

yang digunakan sepanjang 6.08m. Bayangan yang terjadi pada data rekaman II tidak terlalu tampak sehingga proses foreground extraction cukup akurat karena penumpukan obyek bergerak yang disebabkan oleh bayangan tidak terlalu banyak terjadi.

Tabel 3. Data rekaman III

No Kecepatan km/h (speedometer)

Durasi (detik)

Dimensi (pixel)

Fps

1 40 16 720x576 25 2 50 12 3 60 11 4 70 8

Data Rekaman III memiliki sedikit bayangan

dari sisi samping dan memiliki referensi garis deteksi sepanjang 13m.

Berdasarkan data rekaman, user input ROI, user input garis referensi deteksi kecepatan serta batasan ukuran boundingbox dari kendaraan yang ingin dideteksi, besaran kecepatan kendaraan dihitung dengan persamaan berikut.

Hasil dari deteksi kecepatan ditunjukkan

pada tabel 4.

Tabel 4. Hasil deteksi kecepatan.

No Data

Set Kategori Kecepatan

km/h (speedometer)

Hasil Deteksi Km/h

1 I Banyak Bayangan

40 39.6 2 50 54 3 60 59.4 4 70 74.3 5 80 84.9 No Data

Set Kategori Kecepatan

km/h (speedometer)

Hasil Deteksi Km/h

1 II Sedikit Bayangan

40 42.4 2 50 49.7 3 60 60.8 4 70 68.2 5 80 78.2 1 III Sedikit

Bayangan 40 43.3

2 50 50.9 3 60 58.5 4 70 68.8 Hasil deteksi tersebut jika ditampilkan kedalam bentuk grafik adalah sebagai berikut.

Hasil deteksi pengukuran kecepatan memiliki perbedaan dengan speedometer kendaraan uji. Jika hasil perhitungan dihubungkan dengan panjang garis deteksi dan frame rate maka kita dapat memperoleh hubungan antara kecepatan hasil deteksi dengan besar penyimpangan data. Tabel 5 menunjukkan besarnya penyimpangan dan besarnya jumlah frame pergeseran pada setiap kecepatan yang diuji.

Tabel 5. Besar penyimpangan dan frame pergeseran pada data rekam I

S speedo Km/h

S detect Km/h

Δ S Km/h Frame

40 39.6 0.4 15 50 54 4 11 60 59.4 0.6 10 70 74.3 4.3 8 80 84.9 4.9 7

Tabel 6. Besar penyimpangan dan frame pergeseran

pada data rekam II dan III

S speedo Km/h

S detect Km/h

Δ S Km/h frame

40 42.4 2.4 13 43.3 3.3 27

50 49.7 0.3 11 50.9 0.9 23

60 60.8 0.8 9 58.5 1.5 20

70 68.2 1.8 8 68.8 1.2 17

80 78.2 1.8 7

Kesimpulan

Dari hasil pengujian dan analisa data, dapat disimpulkan bahwa metode background reconstruction dan frame difference dapat dilakukan untuk mendeteksi pergerakan kendaraan pada video lalu-lintas. Kemudian penggunaan perhitungan pergeseran frame sepanjang satu garis referensi dapat digunakan untuk memperkiraan kecepatan kendaraan.

Hasil deteksi memang tidak akurat 100% jika dibandingkan dengan acuan speedometer pada kendaraan uji. Namun cukup mewakili estimasi kecepatan dengan perbedaan maksimal 4.9km/h dan minimal 0.3km/h. Semuanya sangat tergantung pada kondisi data rekaman, input garis referensi dan hasil foreground extraction. Diskusi

Masih banyak ruang yang bisa dikembangkan pada topik deteksi kecepatan. Pendekatan-pendekatan lain sangat mungkin untuk dilakukan, terutama metode pengukuran kecepatan. Semoga nantinya paper ini bermanfaat sebagai langkah awal pengembangan modul speed detection pada penelitian ITS.

Referensi 1. Gonzales. R. C. and Woods. R. E. [2002].

Digital Image Processing, 2nd ed, Prentice Hall, Upper Saddler River, NJ.

2. Muhtadin, Tommy Alma’arif, Dias Natawan Gita. Background Reconstruction pada Intelligent Transportation System Kota Surabaya, SITIA2010, Institut Teknologi Sepuluh Nopember.

3. Bovik. A. L. [2005]. Handbook of image and video processing, 2nd ed, Academic Press, Austin, Texas.

4. Bayu Setyo Prayugi. Restorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggar Lampu Merah. [2010], Institut Teknologi Sepuluh Nopember.

5. Rad. A. G, Deghani. A, Karim. M. R. Vehicle speed detection in video image sequences using HSV method. [2010]. International Journal of the Physical Sciences Vol. 5(17), pp. 2555-2563.

6. http://www1.idc.ac.il/toky/videoProc07/projects/SuperRes/srproject.html diakses tanggal 10 Oktober 2009.

7. http://jec190a.blogspot.com/ diakses pada tanggal 22 Nopember 2009.

8. http://www.csse.uwa.edu.au/~pk/Research/MatlabFns/index.html diakses pada tanggal 25 Nopember 2009.

9. http://www.google.com 10. http://www.wikipedia.com