...

deteksi marka jalan dan estimasi posisi

by user

on
Category: Documents
0

views

Report

Comments

Transcript

deteksi marka jalan dan estimasi posisi
DETEKSI MARKA JALAN DAN ESTIMASI POSISI
MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM
Charles Edison Chandra; Herland Jufry; Sofyan Tan
Computer Engineering Department, Faculty of Engineering, Binus University
Jl. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480
[email protected]
ABSTRACT
This research creates algorithms to detect road lane markings and estimate the position and angle
of the camera to the road markings captured. The implementation uses a camera to take a sample image and
then will be processed using the Multiresolution Hough Transform as one of the main methods in road lane
marking detection. Computional Cost results obtained in algorithms are slow which takes an average of
4.329301 seconds, however, the algorithm has its own advantages which are able to detect road lane
marking as well as estimate the position and angle of the camera towards the road markings with an average
positional error of 2.0520 cm and the average angular error of 1.355500.
Keywords: algorithm, road lane detection, multiresolution hough transform
ABSTRAK
Penelitian ini membuat suatu algoritma untuk mendeteksi marka jalan serta mengestimasi posisi
dan sudut dari kamera terhadap marka jalan yang ditemukan. Implementasinya menggunakan sebuah
kamera untuk mengambil sample citra yang kemudian diproses menggunakan Multiresolution Hough
Transform sebagai salah satu metode utama dalam pendeteksian marka jalan. Hasil Computional Cost yang
didapatkan pada algoritma ini cukup lambat yaitu dengan waktu rata-rata yang dibutuhkan sebesar
4.329301 detik. Namun, algoritma ini memiliki kelebihan tersendiri yaitu tidak hanya bisa mendeteksi marka
jalan tapi juga dapat mengestimasi posisi dan sudut kamera terhadap marka jalan dengan baik, dengan eror
posisi rata-rata sebesar 2.0520 cm dan eror sudut rata-rata sebesar 1.35550.
Kata kunci: algoritma, pendeteksian, marka jalan, multiresolution hough transform
66
Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73
PENDAHULUAN
Lane detection merupakan suatu metode untuk mengetahui lokasi dari marka jalan tanpa
diketahui terlebih dahulu noise yang terdapat pada lingkungan sekitarnya. Lane detection ini telah
menjadi penelitian yang sering dilakukan oleh banyak orang agar bisa menjadi salah satu
pendukung driver assistant maupun untuk autonomous navigation yang termasuk bagian dari
inteligent transportation system. Namun, penelitian ini masih berlanjut sampai sekarang ini karena
masih terdapat banyak masalah-masalah yang belum bisa diselesaikan dalam lane detection ini.
Contohnya adalah sulitnya menentukan marka jalannya pada berbagai kondisi, terutama terhadap
noise yang ada di lingkungan sekitarnya, seperti bayangan, garis-garis lain yang terdapat pada
jalan, dan juga marka jalan yang sudah tidak utuh lagi atau sudah terputus-putus.
Dalam lane detection ini terdapat beberapa metode yang bisa digunakan seperti yang
digunakan oleh M. Caner Kurtul (2010) yaitu multiresolution hough transform. B.Yu and A.K.
Jain (1996) juga mengunakan multiresolution hough transform tetapi dengan parameter tiga
dimensi. Selain meteode tersebut, randomized hough transform digunakan oleh Azali Saudi (2008)
dan Qing Li (2004).
Pada umumnya penelitian-penelitian lane detection sebelumnya hanya sampai tahap
mendeteksi marka jalan saja. Pada penelitian tak hanya sampai pada tahap tersebut, melainkan
dilanjutkan hingga mencari tahu posisi dan sudut dari kendaraan terhadap marka jalan yang ada.
METODE
Pada penelitian ini, kami melakukan simulasi road lane detection pada jalanan yang
kosong. Informasi input yang diberikan berupa sample image jalan yang diambil menggunakan
kamera. Metode yang digunakan yaitu multiresolution hough transform. Output yang dihasilkan
berupa posisi kendaraan terhadap marka jalan, yang nantinya akan menampilkan hasil deteksi garis
jalan dan juga untuk mengetahui posisi dari kamera.
Implementasi yang dilakukan ditujukan untuk menguji sistem yang telah dirancang, Sistem
dikatakan stabil apabila output system dapat mendeteksi marka jalan yang ada serta dapat
mengestimasikan posisi dan sudut dari kamera. Sistem ini diuji dengan membandingkan posisi dan
sudut yang asli dengan estimasi posisi dan sudut yang didapatkan serta melihat hasil marka jalan
yang ditemukan.
Penelitian ini melakukan percobaan sebanyak 30 kali dengan posisi dan sudut yang
berbeda-beda: (1) posisi 0 cm sudut 00; (2) posisi 0 cm sudut 200; (3) posisi 24 cm sudut 00;
(4) posisi 24 cm sudut 100; (5) posisi 24 cm sudut -100; (6) posisi 30 cm sudut 00; (7) posisi
30 cm sudut 100; (8) posisi 30 cm sudut -100; (9) posisi 48 cm sudut 00; (10) posisi 48 cm
sudut -200. Untuk lebih jelasnya tentang posisi dan sudut dapat dilihat pada contoh Gambar 1 di
bawah ini: Deteksi Marka Jalan … (Charles Edison Chandra; dkk)
67
Gambar 1 Posisi dan sudut pengambilan data
Dengan keterangan sbb: (1) posisi kiri dari hasil yang didapatkan merupakan posisi real
yang digunakan; (2) garis merah merupakan marka jalan yang ditemukan sedangkan garis hijau
merupakan semua garis yang ditemukan oleh Multiresolution Hough Transform; (3) masingmasing posisi memiliki tiga sampel yang diambil rata-rata error-nya; (4) fix error posisi
maksimum = 10 cm; (5) fix error sudut maksimum = 5o; (6) fix error sudut kemiringan antara dua
garis = 0.02o; (7) fix jarak antara dua garis = 48 cm.
Pada penelitian road lane detection ini dibuat suatu algoritma untuk menyampaikan
informasi marka jalan pada pengguna mobil. Di sini terdapat beberapa tahapan yang harus
dikerjakan oleh algoritma tersebut (Gambar 2). Pertama dilakukan preproccesing pada citra yaitu
grayscale dan edge detection agar citra dapat diproses oleh multiresolution hough transform. Pada
multiresolution hough transform ini akan dicari garis-garis yang terdapat pada citra yang diproses.
Selanjutnya dilakukan image cropping untuk memperkecil kemungkinan terdeteksinya garis yang
bukan merupakan marka jalan. Pada garis-garis yang sudah ditemukan akan dicari line segment,
yaitu titik awal dan titik akhir pada masing-masing garis serta panjang garis tersebut. Setelah itu
dilakukan proses inverse perspective mapping yang bertujuan untuk memproyeksikan citra dari
bidang citra ke bidang jalan. Pada citra yang sudah diproyeksikan ke bidang jalan tersebut akan
dicari dua garis paralel di mana jika jarak antar garis sesuai dengan jarak yang sudah ditentukan,
kedua garis yang ditemukan tersebut dianggap sebagai marka jalan. Setelah marka jalan berhasil
terdeteksi, selanjutnya akan dilakukan perhitungan posisi marka jalan terhadap kamera.
68
Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73
Gambar 2 Diagram alir perancangan sistem secara umum
HASIL DAN PEMBAHASAN
Analisis Deteksi Marka Jalan
Tabel 1 di bawah ini menampilkan data persentase sample yang terdeteksi sebagai marka
jalan berdasarkan berbagai posisi dan sudut kamera.
Tabel 1 Hasil Deteksi Marka Jalan
No
Posisi dan sudut
1
Posisi 0 cm, Sudut 0O
2
Posisi 0 cm, Sudut 20O
Persentase sample yang
terdeteksi sebagai marka jalan
0%
Deteksi Marka Jalan … (Charles Edison Chandra; dkk)
100%
69
3
Posisi 24 cm, Sudut 0O
4
Posisi 24 cm, Sudut 10O
100%
100%
O
5
Posisi 24 cm, Sudut -10
6
Posisi 30 cm, Sudut 0O
7
Posisi 30 cm, Sudut 10O
100%
100%
100%
O
8
Posisi 30 cm, Sudut -10
9
Posisi 48 cm, Sudut 0O
10
Posisi 48 cm, Sudut -20O
100%
100%
33.33%
Pada Tabel 1 di atas terlihat rata-rata disemua posisi dapat terdeteksi marka jalan dengan
100% atau dapat dibilang semua marka jalan yang ada dapat terdeteksi dengan baik. Namun, ada
satu posisi yang hanya terdeteksi 33,33% saja atau dapat dibilang hanya terdeteksi 1 dari total 3
sampel yang ada. Ada juga satu posisi yang tidak terdeteksi sama sekali karena pada kedua posisi
ini kamera tidak dapat menangkap dengan jelas garis marka jalan aslinya (Gambar 3).
Gambar 3 Kedua posisi yang tidak terdeteksi marka jalannya
Analisis Estimasi Posisi dan Sudut
Tabel 2 di bawah ini menampilkan data error posisi dan sudut.
Tabel 2 Hasil Estimasi Posisi dan Sudut
No
1
Posisi 0 cm, Sudut 0O
Absolut Rata-Rata
Absolut Rata-Rata
Error Posisi
Error Sudut
1.8507 cm
0.1437
Posisi 0 cm, Sudut 20
O
3.9204 cm
3.0462
3
Posisi 24 cm, Sudut 0
O
0.6280 cm
0.3992
4
Posisi 24 cm, Sudut 10O
2.4972 cm
0.991
1.8123 cm
3.5323
2
5
70
Posisi dan Sudut
Posisi 24 cm, Sudut -10
O
Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73
6
Posisi 30 cm, Sudut 0O
7
Posisi 30 cm, Sudut 10O
O
2.3016 cm
0.2324
1.9448 cm
1.8946
1.9468 cm
2.1042
8
Posisi 30 cm, Sudut -10
9
Posisi 48 cm, Sudut 0O
1.3749 cm
0.6869
10
Posisi 48 cm, Sudut -20O
2.2437 cm
0.5245
Rata-Rata
2.0520 cm
1.3555
Dilihat pada tabel 2 di atas posisi dan sudut yang mendapatkan error yang besar
kebanyakan pada saat sudut kameranya tidak pada 00 melainkan sudah berubah dari 00 ke 200
maupun dari 00 ke ±100. Maka dari itu, perubahan sudut pada kamera dapat menyebabkan kenaikan
error posisi pada hasil yang didapatkan dan sebaliknya apabila sudut kamera pada 00 maka error
posisi dan sudut yang didapatkan akan semakin kecil.
Kemudian dilihat secara keseluruhan dari rata-rata error posisi dan sudut didapatkan
error rata-rata posisi sebesar 2,0520cm dan error rata-rata sudut sebesar 1,35550. Hasil estimasi
posisi dan sudut disini sudah termasuk sangat akurat karena error yang didapatkan sangat kecil
sekitar 1-2cm atau derajat saja sehingga tidak berpengaruh besar pada hasilnya, dan ditambah lagi
sebagian besar error yang terjadi dari pengambilan data di atas dikarenakan pada saat melakukan
pengambilan data memang sulit untuk mendapatkan posisi dan sudut yang benar-benar tepat
dengan hanya menggunakan pengaris dan busur. Sisanya rata-rata dapat mendeteksi marka
jalan yang ada dengan baik, dan apabila dilihat dari error rata-rata yang didapatkan
sebenarnya sudah sangat kecil. Sehingga tidak berpengaruh terhadap hasil yang didapatkan
atau dapat dibilang sudah berhasil menemukan marka jalan dan mengestimasikan posisi
dengan baik.
Analisis Waktu Proses yang Dibutuhkan
Tabel 3 di bawah ini menampilkan hasil perhitungan waktu yang dibutuhkan dalam
pemrosesan.
Tabel 3 Hasil Perhitungan Waktu yang Dibutuhkan dalam Pemrosesan
Posisi dan Sudut
Posisi 0 cm, Sudut 0
Rata-rata Waktu Proses
O
5.773571 s
Posisi 0 cm, Sudut 20O
4.34416 s
Posisi 24 cm, Sudut 0O
Posisi 24 cm, Sudut 10
4.365669 s
O
4.958834 s
Posisi 24 cm, Sudut -10O
4.666439 s
Posisi 30 cm, Sudut 0O
4.193517 s
Posisi 30 cm, Sudut 10
O
5.277289 s
Posisi 30 cm, Sudut -10O
4.102325 s
Posisi 48 cm, Sudut 0O
1.974166 s
Posisi 48 cm, Sudut -20
Rata-Rata
O
Deteksi Marka Jalan … (Charles Edison Chandra; dkk)
3.63704 s
4.329301 s
71
Dilihat pada tabel 3 di atas rata-rata waktu yang dibutuhkan sebesar 4-5 detik, kecuali
pada posisi 48 cm sudut 00 karena jumlah garis yang terdeteksi pada posisi ini sangat sedikit yaitu
hanya sembilan garis. Sedangkan pada posisi lain rata-rata garis yang terdeteksi di atas 20 garis
sehingga waktu yang dibutuhkan untuk posisi iniuntuk menyelesaikan algoritma ini dua kali lipat
lebih cepat dibandingkan dengan posisi lainnya.
Keseluruhannya waktu rata-rata pemrosesan yang dibutuhkan
pada percobaan
pengambilan data adalah 4.329301s. Ini dinilai cukup lambat dibandingkan dengan pemrosesan
MHT yang sudah pernah ada karena di sini ditambahkan algoritma untuk mengestimasikan posisi
dari kamera terhadap marka jalan sehingga tentunya computational cost jadi lebih besar.
Analisis Perbandingan HT Dengan MHT
Berikut adalah data hasil pendeteksian marka jalan dan waktu yang dibutuhkan
menggunakan HT (Tabel 4).
Tabel 4 Hasil Pendeteksian Marka Jalan dan Waktu yang Dibutuhkan Menggunakan HT
Posisi & Sudut
0cm
0cm
24cm
24cm
24cm
30cm
30cm
30cm
48cm
48cm
& 0°
& 20°
& 0°
& 10°
& -10°
& 0°
& 10°
& -10°
& 0°
& -20°
Threshold
375
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
150
Tidak terdeteksi
Tidak terdeteksi
Terdeteksi
Tidak terdeteksi
Terdeteksi
Terdeteksi
Terdeteksi
Terdeteksi
Tidak terdeteksi
Tidak terdeteksi
75
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
Tidak terdeteksi
waktu
1.7s
1.8s
1.6s
2s
1.8s
-
Dilihat pada Tabel 4 di atas dapat disimpulkan MHT tidak hanya lebih cepat computional
cost nya melainkan juga ketelitian pendeteksiannya. HT hanya dapat mendeteksi saat threshold
sebesar 150 di mana lebih cepat dalam waktu tapi hanya mampu mendeteksi setengah dari seluruh
sample. Selain itu, ketika diturunkan threshold-nya untuk menambah ketelitian, waktunya yang
dibutuhkan sudah terlalu lama sampai matlab saja tidak sanggup untuk memprosesnya lagi.
SIMPULAN
Pada hasil percobaan skripsi ini didapatkan tingkat keberhasilan pendeteksian marka
jalan hampir rata-rata 100%, kecuali 2 posisi yang tidak dapat terdeteksi marka jalannya.
Tingkat akurasi dalam estimasi posisi juga sudah sangat bagus dengan rata-rata error posisi
sebesar 2.0520 cm dan rata-rata error sudut sebesar 1.35550. Namun, waktu rata-rata yang
dibutuhkan untuk pendeteksian marka jalan dan estimasi posisi termasuk lama yaitu
4.329301 detik.
72
Jurnal Teknik Komputer Vol. 21 No.1 Februari 2013: 66-73
Diharapkan kedepannya dapat ditambahkan algoritma lagi untuk menambah ketelitian
pendeteksiannya. Tentunya dengan ditambahkan algoritma lagi, waktu yang dibutuhkan akan
semakin lama sehingga diharapkan juga bisa dioptimasikan lagi algoritma untuk
mempersingkat waktu perhitungan dengan cara mengimplementasikan secara real-time,
karena apabila secara real-time thresholdnya bisa dinaikkan lagi agar garis yang terdeteksi
semakin sedikit dan waktu prosesnya juga akan semakin cepat.
DAFTAR PUSTAKA
Jain, B. Y. (1996). A robust and fast skew detection algorithm. Pattern Recognition, 1599-1629.
Kurtul, M. C. (2000). Road Lane and Traffic Sign Detection and Tracking. Istanbul: Bogazici
University.
Qing Li, N. Z. (2004). Lane boundary detection using an adaptive. Intelligent Control and
Automation, 2004. WCICA 2004. Fifth World Congress, Shanghai, 4084 – 4088.
Saudi, J. T Azali. (2008). Fast lane detection with randomized hough transform. ITSim 2008:
International Symposium, Kinabalu, 1 – 5.
Yu, B., & Jain, A. K. (1997). Lane boundary detection using a multiresolution hough transform.
Image Processing, Proceedings International Conference, Michigan, 748 – 751.
Deteksi Marka Jalan … (Charles Edison Chandra; dkk)
73
Fly UP