...

PENDETEKSI POTONGAN ADEGAN VIDEO DAN EKSTRAKSI SUB

by user

on
Category: Documents
0

views

Report

Comments

Transcript

PENDETEKSI POTONGAN ADEGAN VIDEO DAN EKSTRAKSI SUB
Jurnal Ilmiah DASI Vol. 16 No. 02 Juni 2015, hlm 75-81
ISSN: 1411-3201
PENDETEKSI POTONGAN ADEGAN VIDEO DAN EKSTRAKSI SUB JUDUL UNTUK
REKONSTRUKSI PAPAN CERITA FILM
Tohir Ismail1), M. Suyanto2), Amir Fatah Sofyan3)
1,2,3)
Magister Teknik Informatika STMIK AMIKOM Yogyakarta
email : [email protected]), [email protected]), [email protected])
Abstract
Papan cerita (storyboard) film sangat bermanfaat untuk mempelajari bagaimana sebuah jalan cerita
dibangun. Namun sayangnya tidak semua film yang dirilis ke publik disertai dengan publikasi papan ceritanya.
Dibutuhkan sebuah tool yang mampu merekonstruksi ulang papan cerita film secara otomatis. Proses utama
rekonstruksi papan cerita adalah dengan melakukan deteksi potongan adegan (cut/shot). Penelitian ini
menggunakan algoritma pemrosesan gambar pencocokan contoh menyeluruh (exhaustive template matching)
sebagai elemen proses deteksi potongan adegan. Sebagai pelengkap informasi dalam papan cerita dilakukan
ekstraksi terhadap kanal sub judul menggunakan regular expression (regex). Tingkat keberhasilan mendeteksi
potongan adegan dengan benar mencapai 94% dan keberhasilan ekstraksi sub judul mencapai 100% untuk nilai
yang diuji terhadap video contoh.
Keywords:
Storyboard, Image Processing, Shot Detection, Subtitle Extraction
adegan. Film box office umumnya menyertakan
kanal sub judul (subtitle) yang berisi translasi dialog
ke dalam berbagai bahasa dimana film tersebut
diedarkan. Jika kanal sub judul ini bisa diekstrak
maka bisa menjadi pelengkap dalam papan cerita
hasil rekonstruksi ulang.
Penelitian ini bertujuan untuk membangun tool
atau aplikasi perekonstruksi papan cerita film.
Metode utamanya adalah dengan melakukan deteksi
pergantian potongan adegan (shot boundary),
kemudian menggunakan informasi tersebut untuk
melakukan ekstraksi pada kanal sub judul. Beberapa
penelitian lain telah menciptakan atau menggunakan
metode pendeteksi potongan adegan seperti sistem
pendeteksi batas video klip [8], deteksi dan
segmentasi video musik dalam aliran audio/video [6],
deteksi kumpulan adegan (scene) dalam film dan
televisi [7], deteksi adegan video dan representasi
ringkas [3]. Penelitian-penelitian tersebut belum ada
yang secara spesifik dikembangkan menjadi
perekonstruksi papan cerita. Beberapa algoritma
pemrosesan gambar (image processing) dan
pendeteksi adegan yang bisa digunakan sebagai dasar
dalam proses pendeteksi potongan adegan juga telah
banyak diriset peneliti lain seperti pencocokan contoh
(template matching) [10], kumpulan ukuran pembeda
(difference metrics) [13], deteksi tepian gambar (edge
difference)
[12],
dan
perbedaan
kompresi
(compression difference) [1]. Penelitian ini
menggunakan metode pemrosesan gambar berupa
pencocokan contoh secara menyeluruh (exhaustive
template matching) dan untuk ekstraksi sub judul
Pendahuluan
Industri film merupakan industri potensial
dengan pasar global bernilai ribuan Miliar Rupiah.
Untuk membuat sebuah film yang bisa diterima pasar
global (menjadi film box office) tidak mudah, butuh
riset panjang dan berbiaya mahal. Cara paling mudah
adalah dengan mempelajari film-film box office yang
telah dirilis ke publik. Sayangnya tidak semua film
yang dirilis ke publik disertai dengan papan cerita
(storyboard), sehingga menyulitkan para stake-holder
industri film dalam mempelajari film-film tersebut.
Belajar dengan hanya melihat film secara
keseluruhan atau dengan pengamatan manual adegandemi-adegan sangat menyita waktu. Dibutuhkan
sebuah tool yang mampu membuat pekerjaan
merekonstruksi ulang sebuah papan cerita film
menjadi cepat dan otomatis.
Film adalah hasil realisasi dari sebuah
rancangan papan cerita (storyboard) yang dibuat
dalam tahap pra produksi. Papan cerita adalah
panduan pra visualisasi bagi sutradara, penata
fotografi, produser dan tim spesial efek [4]. Dengan
kata lain film merupakan cerminan dari rancangan
deret adegan dalam papan cerita, sehingga
seharusnya dengan mendeteksi setiap adegan dalam
sebuah film, bisa direkonstruksi ulang papan cerita
dari film tersebut. Papan cerita umumnya berisi
tentang framing adegan (sudut pandang kamera,
blocking karakter, latar belakang dan properti yang
digunakan), pewaktuan adegan (timing, waktu awal
dan akhir, durasi adegan), transisi antar adegan,
spesial efek, audio dan dialog yang terjadi dalam
75
Ismail, dkk., Pendeteksi Potongan Adegan…
menggunakan metode ekspresi keteraturan (reguler
expression/ regex).
Penelitian ini membatasi hanya untuk
melakukan analisis terhadap film yang telah diubah
menjadi file video dengan format MPEG (Motion
Picture Expert Group) [11] atau AVI (Audio Video
Interleave). Sebagai video uji digunakan potongan 3
(tiga) buah film box office yaitu Fast & Furious 6
(2013), Frozen (2013), dan The Amazing Spiderman
2 (2014). Kanal sub judul yang diteliti adalah dalam
format SubRip Text [5]. Hasil akhir keluaran aplikasi
adalah sebuah papan cerita dalam file dengan format
HTML.
Matching dengan melakukan pencarian secara
menyeluruh (Exhaustive) terhadap frame-frame video
sebagai metode dasar dalam proses menentukan batas
potongan adegan video (shot/cut).
Frame adalah deretan gambar diam yang
menyusun sebuah video. Dalam setiap detik video
terdapat sejumlah frame sesuai dengan spesifikasi
format video yang digunakan atau disebut frame rate
dengan satuan FPS.
Shot/Cut adalah deretan frame yang disusun
berurutan dalam suatu periode waktu tanpa jeda [9].
Dalam terminologi industri film, shot adalah satu
potongan pengambilan gambar dari satu sudut
pandang kamera tanpa terputus, kamera mungkin
melakukan pergerakan horizontal (pan), vertikal (tilt)
atau mendekat dan menjauhi obyek (trucking/dolly
atau zoom). Antara satu potongan adegan (shot)
dengan potongan adegan lain dalam film mungkin
disambung langsung (cut) atau menggunakan transisi
tertentu.
Scene adalah bagian dari aksi dalam sebuah
presentasi dramatis dimana lokasi fisik (setting)
adalah tetap dan dalam waktu yang kontinyu.
Mungkin ada beberapa kamera yang merekam
adegan dari beberapa sudut (camera angle) yang
berbeda dengan latar belakang tetap sama [7].
SubRip Text adalah sebuah format kanal sub
judul yang diciptakan oleh Zuggy Brain yang berisi
penghitung numerik sebagai penanda waktu mulai
dan waktu selesai untuk memunculkan informasi
beserta teks sub judulnya [5]. Contoh isi sebuah file
SubRip Text adalah seperti pada Gambar 1.
Tinjauan Pustaka
Penelitan-penelitian tentang analisis gambar,
pencari kemiripan atau perbedaan gambar, dan
pendeteksi batas potongan adegan (shot boundary)
telah banyak dilakukan oleh peneliti sebelumnya,
diantaranya :
1. Template Matching, merupakan sebuah metode
pemrosesan gambar untuk melakukan pencarian
gambar contoh atau pola (template) di dalam
gambar yang dianalisis. Template matching bisa
menggunakan metode pencarian menyeluruh
(exhaustive / full search) atau menggunakan
metode yang lebih efisien hanya dengan
mengambil area-area terpenting dalam gambar
contoh dan gambar yang dianalisis. Tingkat
kemiripan gambar direpresentasikan dalam
bilangan antara 0 sampai dengan 1 [10].
2. Difference Metrics, merupakan metode untuk
menentukan batas adegan (shot) dengan dengan
melakukan analisis tingkat kemiripan frame
menggunakan sekumpulan parameter seperti
histogram gambar dan vektor pergerakan
gambar (motion vector) [13].
3. Edge difference, merupakan metode pendeteksi
batas adegan dengan melakukan ekstraksi fitur
gambar
berupa
tepian
gambar
dan
membandingkannya
terhadap
gambar
berikutnya dalam deretan frame video [12].
4. Compression difference, merupakan metode
pendeteksi
potongan
adegan
dengan
menganalisis koefisien Discrete Cosine
Transform (DCT) dari frame-frame video [1].
5. Audio Analysis, merupakan metode pendeteksi
bagian adegan tertentu dengan memanfaatkan
fitur audio dalam aliran file video, ketika terjadi
fluktuasi audio yang cukup tajam maka
kemungkinan telah terjadi adegan sesuai dengan
klasifikasi yang diinginkan seperti adegan goal
dalam pertandingan sepak bola [2].
Gambar 1. Isi file SubRipt Text
Metode Penelitian
Penelitian dimulai dengan mengambil sampel
video uji dari tiga buah film box office, masingmasing film diambil 100 adegan, kemudian dilakukan
pengamatan visual secara manual untuk dicatat
nomor frame setiap pergantian adegan. Selanjutnya
data nomor frame adegan akan digunakan untuk
melakukan evaluasi terhadap hasil deteksi adegan
oleh aplikasi.
Frame-frame pada video uji dibaca secara
iteratif kemudian dilakukan proses exhaustive
template matching dan membangun algoritma untuk
memutuskan apakah telah terjadi pergantian
potongan adegan. Setiap ditemukan pergantian
Secara spesifik penelitian ini mencoba
menggunakan metode pemrosesan gambar Template
76
Jurnal Ilmiah DASI Vol. 16 No. 02 Juni 2015, hlm 75-81
ISSN: 1411-3201
adegan dicatat dalam data adegan dan disimpan
frame awal adegan sebagai file gambar.
Setelah aplikasi selesai menganalisis adegan,
data adegan digunakan oleh proses selanjutnya yaitu
ekstraksi sub judul. Menggunakan ekspresi
keteraturan (regular expression), setiap unit dialog
diambil informasi pewaktuannya dan dicocokan
dengan pewaktuan dialog yang ditemukan, ketika
dialog cocok dengan adegan, data akan disimpan
sebagai data dialog adegan.
Selanjutnya data adegan dan data dialog
disatukan dan disajikan dalam bentuk tabel dengan
format HTML berisi gambar adegan, informasi
pewaktuan adegan dan dialog yang terkait dengan
tiap-tiap adegan.
Penelitian diakhiri dengan evaluasi terhadap
hasil keluaran aplikasi. Evaluasi meliputi tingkat
keberhasilan deteksi adegan, tingkat akurasi deteksi
adegan dan tingkat kualitas secara keseluruhan,
menggunakan rumus (1), (2) dan (3) [7]:
Tingkat Keberhasilan
=
(1)
=
(2)
Pembuatan video uji
Analisis Template
Matching antar frame
Penentuan apakah
terjadi pergantian
adegan
Ekstraksi sub judul
sesuai data adegan
Pembuatan papan cerita
dari data adegan dan
data dialog
Evaluasi pembandingan
hasil keluaran aplikasi
terhadap pengamatan
visual
Tingkat Keakuratan
Gambar 2. Diagram Alir Penelitian
Sistem menggunakan dua entitas sebagai
masukan yaitu file video dan file sub judul, dan
menghasilkan sebuah entitas keluaran berupa file
papan cerita (storyboard). Diagram konteks sistem
seperi terlihat pada Gambar 3.
Kualitas Keseluruhan
=
∗ ∗
(3)
Dimana H adalah jumlah adegan (shot) yang
berhasi dideteksi dengan benar (hit), M adalah
jumlah adegan (shot) yang tidak berhasil terdeteksi
(miss), F adalah jumlah adegan (shot) yang salah
terdeteksi (false hit), R adalah Recall (tingkat
keberhasilan), P adalah Precision (tingkat akurasi),
dan Q adalah kualitas keseluruhan.
Diagram alir penelitian terlihat pada Gambar 2.
Dimana terdapat 6 proses yaitu, persiapan video uji,
pembandingan antar frame, penentuan apakah terjadi
pergantian adegan, ekstraksi sub judul, pembuatan
papan cerita, pembandingan adegan hasil keluaran
aplikasi dengan adegan hasil pengamatan visual.
Gambar 3. Diagram Konteks Sistem
Sistem terdiri dari 3 proses utama yaitu sistem
pendeteksi adegan, sistem ekstraksi sub judul, dan
sistem
pembangun
papan
cerita.
Sistem
menghasilkan tiga buah data perantara yaitu data
adegan, gambar adegan, dan data dialog adegan.
Diagram aliran data (DFD) dari sistem terlihat pada
Gambar 4.
77
Ismail, dkk., Pendeteksi Potongan Adegan…
Hasil dan Pembahasan
Data teknis video uji dari potongan tiga buah
film adalah seperti pada Tabel 1.
Tabel 1. Data Teknis Video Uji
Hasil analisis tingkat kemiripan frame untuk
semua video uji dibuat menjadi histogram dengan
membangun nilai rentang dengan interval 0,2 dan
menghitung frekuensi frame yang memiliki tingkat
kemiripan sesuai masing-masing nilai rentang. Grafik
histogram dimulai dari nilai 0,54 karena tidak ada
tingkat kemiripan frame di bawah nilai tersebut pada
tiap-tiap video uji. Grafik histogram tingkat
kemiripan frame untuk ketiga video uji terlihat pada
Gambar 6, Gambar 7, dan Gambar 8.
Gambar 4. Diagram Aliran Data
Desain antarmuka aplikasi meliputi tombol
untuk memilih file video yang akan dianalisis,
tombol untuk memulai analisis dan tombol untuk
membuat papan cerita setelah proses analisis video
selesai. Terdapat area tampilan gambar frame yang
sedang dianalisis dan frame sebelumnya sebagai
template untuk dibandingkan, dan area data frame
serta gambar awal setiap adegan yang ditemukan.
Desain antarmuka aplikasi seperti terlihat pada
Gambar 5.
Gambar 6. Histogram Kemiripan Frame Film
Fast & Furious 6
Gambar 5. Desain Antarmuka Aplikasi
Gambar 7. Histogram Kemiripan Frame Film
Frozen
78
Jurnal Ilmiah DASI Vol. 16 No. 02 Juni 2015, hlm 75-81
ISSN: 1411-3201
Tabel 2. Hasil Deteksi Adegan
Representasi grafik hasil deteksi adegan untuk
masing-masing video uji terlihat pada Gambar 8,
Gambar 9, dan Gambar 10.
Gambar 7. Histogram Kemiripan Frame Film The
Amazing Spiderman 2
Dari grafik representasi histogram untuk ketiga
buah film (video uji) terlihat bahwa lebih dari 70%
adegan terjadi ketika nilai kemiripan di bawah atau
sama dengan 0,90. Pada film Fast & Furious 6,
jumlah frame batas adegan (sesuai pengamatan
visual) yang memiliki nilai kemiripan di bawah atau
sama dengan 0,90 ada 87 adegan (frame) (87%), pada
film Frozen ada 71 adegan (71%), dan pada film The
Amazing Spiderman 2 ada 74 adegan (74%) dari total
100 adegan untuk tiap video uji film-film tersebut.
Namun dari hasil analisis nilai kemiripan semua
frame pada video uji, pada rentang 0,90 untuk film
Fast & Furious 6 terdapat 99 frame, film Frozen
terdapat 32 frame, dan film The Amazing Spiderman
2 terdapat 100 frame. Hal ini berarti frame-frame
pada video uji banyak yang memiliki nilai kemiripan
di bawah atau sama dengan 0,90 melebihi jumlah
frame batas adegan yang sesungguhnya sesuai hasil
pengamatan visual. Pada representasi grafik
histogram tiap film juga jelas terlihat bahwa terjadi
lonjakan frekuensi yang sangat tinggi untuk nilai
kemiripan di atas 0,90 dari analisis terhadap semua
frame.
Selanjutnya masing-masing video uji dianalisis
menggunakan aplikasi pembangun papan cerita
sebanyak 6 (enam) kali dengan mengatur ambang
kemiripan (similiarity threshold) pada nilai di sekitar
0,90 yaitu 0,88, 0,89, 0,90, 0,91, 0,92, dan 0,93.
Tabel 2 menunjukkan hasil deteksi adegan oleh
aplikasi, dengan 6 (enam) parameter nilai ambang
kemiripan antar frame, H adalah deteksi adegan yang
benar sesuai pengamatan visual (Hit), M adalah
pergantian adegan yang tidak berhasil terdeteksi
(Miss), dan F adalah kesalahan deteksi, bukan
pergantian adegan namun dianggap termasuk
pergantian adegan (False Hit).
Gambar 8. Hasil Deteksi Adegan Pada Film Fast
& Furious 6
Gambar 9. Hasil Deteksi Adegan Pada Film
Frozen
Gambar 10. Hasil Deteksi Adegan Pada Film The
Amazing Spiderman 2
79
Ismail, dkk., Pendeteksi Potongan Adegan…
Gambar 8, Gambar 9, dan Gambar 10
menunjukkan bahwa aplikasi mampu melakukan
deteksi adegan dengan benar, dan jumlah adegan
yang terdeteksi dengan benar semakin meningkat
ketika nilai ambang kemiripan dinaikkan. Pada nilai
ambang kemiripan 0,93, aplikasi mampu mendeteksi
adegan dengan benar sebanyak 94% pada film Fast &
Furious 6, sebanyak 90% pada film Frozen, dan
sebanyak 87% pada film The Amazing Spiderman 2.
Tetapi dari Tabel 2 juga terlihat bahwa semakin
tinggi nilai ambang kemiripan, semakin banyak
terjadi kesalahan deteksi (false hit). Dengan nilai
ambang 0,93 terjadi kesalahan deteksi sebanyak 400
frame pada film Fast & Furious 6, sebanyak 45 frame
pada film Frozen, dan sebanyak 462 frame pada film
The Amazing Spiderman 2.
Data hasil pendeteksian adegan oleh aplikasi
dibandingkan terhadap daftar adegan hasil
pengamatan visual secara manual, kemudian dihitung
menggunakan rumus (1), (2), dan (3). Tingkat
keberhasilan deteksi (recall), akurasi (precision) dan
performa aplikasi dalam menganalisis video-video uji
menggunakan 6 (enam) nilai ambang kemiripan yang
berbeda terlihat pada Tabel 3 Nilai R menunjukkan
tingkat keberhasilan deteksi adegan, P menunjukkan
tingkat akurasi deteksi adegan, dan Q menunjukkan
performa atau kualitas secara keseluruhan, dalam
satuan persen (%).
Tabel 3. Keberhasilan Deteksi, Akurasi dan
Kualitas
0,93 sebesar 87% dengan akurasi hanya 15,8%
sehingga performa keseluruhan sebesar 26,6%. Pada
nilai ambang 0,88 mampu mendeteksi 65% dengan
tingkat akurasi 45,8% dan performa keseluruhan
53,8%.
Dari analisis terhadap tiga video uji tersebut
terlihat performa aplikasi dalam pendeteksian adegan
bervariasi terhadap film yang berbeda, meskipun
menggunakan nilai ambang kemiripan yang sama.
Rata-rata total keberhasilan mendeteksi dengan benar
untuk ketiga buah video uji menggunakan nilai
ambang kemiripan 0,88 sampai dengan 0,93 adalah
sebesar 78,3%. Rata-rata total akurasi terhadap tiga
buah video uji dengan menggunakan nilai ambang
0,88 sampai dengan 0,93 adalah sebesar 52,1%. Ratarata total kualitas aplikasi dalam menganalisis tiga
buah video uji dengan menggunakan nilai ambang
0,88 sampai dengan 0,93 adalah sebesar 57,3%.
Setelah aplikasi menghasilkan data frame-frame
pergantian adegan, bisa dikalkulasi durasi untuk
setiap adegan dengan menghitung jumlah total frame
antara batas awal adegan sampai dengan batas awal
adegan berikutnya dikurangi satu frame, kemudian
dibagi dengan nilai frame rate video tersebut.
Sesuai data pada Tabel 1 bahwa jumlah dialog
dalam video uji film Fast & Furious 6 sebanyak 48
unit teks sub judul, dalam video uji film Frozen
terdapat 120 unit teks sub judul dan dalam video uji
film The Amazing Spiderman 2 terdapat 63 unit teks
sub judul. Hasil ekstraksi sub judul oleh aplikasi
terlihat pada Tabel 4. Dari tabel tersebut
menunjukkan aplikasi mampu mendeteksi dan
mengekstrak semua sub judul (100%) sesuai data
adegan hasil keluaran dari aplikasi.
Tabel 4. Hasil Ekstraksi Sub Judul
Terlihat bahwa ketika menganalisis film Fast &
Furious 6, aplikasi mampu melakukan deteksi adegan
dengan benar (recall) sebanyak 94% menggunakan
nilai ambang 0,93, namun tingkat akurasinya sangat
rendah yaitu hanya 19%, sehingga menghasilkan
performa/kualitas secara keseluruhan hanya sebesar
31,5%. Ketika nilai ambang diturunkan menjadi 0,88,
aplikasi mampu mendeteksi adegan dengan benar
sebanyak 75%, dengan tingkat akurasi 81.5% dan
nilai performa keseluruhan sebesar 78,1%. Dengan
video uji film Frozen, pada nilai ambang 0,93
aplikasi mampu mendeteksi dengan benar sebesar
90%, dengan tingkat akurasi 66,6% dan
menghasilkan performa secara keseluruhan sebesar
76,5%. Pada nilai ambang 0,88 hanya mampu
mendeteksi dengan benar sebesar 50%, tingkat
akurasi 89,3% dan performa keseluruhan sebesar
64,1%. Terhadap video uji The Amazing Spiderman
2, tingkat keberhasilan deteksi pada nilai ambang
Proses pembangun papan cerita berhasil
menyusun papan cerita (storyboard) dengan
informasi berupa gambar-gambar frame awal setiap
adegan, nomor adegan, nomor frame, waktu awal
adegan, waktu akhir adegan, durasi adegan dan
dialog (sub judul) yang terlihat pada setiap adegan.
Hasil tampilan file HTML yang dibuat oleh aplikasi
seperti terlihat pada Gambar 11.
80
Jurnal Ilmiah DASI Vol. 16 No. 02 Juni 2015, hlm 75-81
ISSN: 1411-3201
deteksi dan akurasinya. Perlu diteliti juga
kemungkinan menggunakan algoritma atau metode
lain dalam proses pendeteksian adegan yang mungkin
lebih akurat atau lebih efisien.
Daftar Pustaka
[1]
[2]
[3]
[4]
Gambar 11. Hasil Tampilan Papan Cerita
[5]
Dari papan cerita yang dihasilkan oleh aplikasi
terlihat mewakili deratan adegan-adegan dalam film
yang dianalisis. Munculnya frame-frame akibat dari
adanya false hit tidak terlalu mempengaruhi
kegunaan papan cerita karena hanya menambahkan
detail frame dalam sebuah potongan adegan yang
sebenarnya.
[6]
Kesimpulan dan Saran
[7]
Dari penelitian ini membuktikan bahwa sebuah
film dalam format video bisa dideteksi adegan-demi
adegannya kemudian dari kanal sub judul bisa
dilakukan ekstraksi infomasi sesuai kebutuhan, dalam
hal ini adalah mengekstrak informasi dialog yang
bersesuaian dengan tiap adegan. Selanjutnya
informasi adegan beserta dialognya bisa digunakan
untuk merekonstruksi ulang papan cerita (storyboard)
yang sangat bermanfaat bagi industri perfilman untuk
mempelajari film-film yang telah dirilis ke publik
namun tidak menyertakan papan cerita mereka.
Tingkat performa aplikasi yang dihasilkan dari
penelitian ini cukup menjanjikan dengan rata-rata
keberhasilan mendeteksi potongan adegan sebesar
78,3% untuk ketiga buah video uji. Hasil ini mungkin
akan bervariasi ketika menganalisis video atau film
lain. Performa aplikasi dalam melakukan ekstraksi
sub judul adalah 100%, artinya semua dialog yang
ada dalam sub judul bisa diambil dan dicocokkan
dengan adegan yang terkait.
Saran untuk penelitian berikutnya adalah
menemukan nilai ambang kemiripan yang paling
optimal secara otomatis, sehingga bisa menghasilkan
performa aplikasi yang terbaik antara keberhasilan
[8]
[9]
[10]
[11]
[12]
[13]
81
Arman, Farshid; & Hsu, Arding; & Chiu, Ming-Yee,
1994. Image processing on encoded video sequences,
ACM Multimedia Systems, Vol 5
Chen, Shu-Ching; & Shyu, Mei-Ling; & Zhang,
Chengcui; & Luo, Lin; & Chen, Min., 2003.
Detection of Soccer Goal Shots Using Joint
Multimedia Features and Classification Rules.
School of Computer Science Florida International
University, Florida
Cotsaces, C., Nikolaidis, N., Pitas, I., 2006, Video
shot detection and condensed representation, Signal
Processing Magazine, IEEE, ISSN: 1053-5888, Vol
23 Issue 2, April 2006
Hart, John, 2008, The Art of The Storyboard: A
Filmmaker’s Introduction, Second Edition, Focal
Press, Massachusetts
Kitichaiwat,
Purinut;
Thongsuk,
Mananya;
Ngamsuriyaroj, Sudsanguan, 2014, Melody Touch: A
Game for Learning English from Songs, The 2014
Third ICT International Student Project Conference,
Faculty of Information and Communication
Technology Mahidol University, Nakhon Pathom,
Thailand
Lu, Lie; Sun, Yan-Feng; Li, Mingjing; Hua, XianSheng; Zhang, Hong-Jiang, 2008, Automatic
Detection and Segmentation of Music Videos in An
Audio/Video Stream, Microsoft Corporation, US
Patent No. US7336890 B2
Rasheed, Zeeshan; Shah, Mubarak, 2003, Scene
Detection In Hollywood Moviews and TV Shows,
School of Electrical Engineering and Computer
Science University of Central Florida, Florida
Roth, Tim H.; Kulkarni, Manish S., 2012, System and
Method for Shot Boundary Detection in Video Clips,
Adobe Systems Incorporated, US Patent No.
US8254671 B1
Sklar, Robert, 1990, Film: An International History
of the Medium, Thames and Hudson, London
Stefano, Luigi Di; Mattocia, Stefano; Tombari,
Federico, 2005, ZNCC-Based Template Matching
using Bounded Partial Correlation, Pattern
Recognition Letters 26, ISSN: 0167-8655, Mei 2005
Watkinson, John, 2004, The MPEG Handbook,
Second Edition, Focal Press, Massachusetts
Zabih, R.; Miller, J.; Mai, K., 1995. A feature-based
algorithm for detecting and classifying scene breaks.
Proceeding. ACM Multimedia 95, pp. 189–200, San
Francisco, CA
Zhang, HongJiang; Kankanhalli, Atreyi; Smoliar,
Stephen W., 1993. Automatic partitioning of fullmotion video. Multimedia Systems, Vol 1, 1993
Fly UP