ABSTRAKSI: Video pemantau seringkali tidak memperlihatkan objek manusia dengan jelas kepada penglihatan manusia. Hal ini akan menjadi fatal ketika video pemantau tersebut digunakan pada bidang keamanan. Untuk membantu penglihatan manusia pada video pemantau, sistem komputer diharapkan dapat mendeteksi dimana manusia dalam video pemantau berada secara ¬langsung tanpa kesalahan deteksi. Kesalahan-kesalahan deteksi ini dapat dikurangi dengan menggunakan Algoritma False Object Detection. Pada Tugas Akhir ini, akan digunakan metode Double False Object Detection Algorithms pada Real-Time Human Detection yang pernah digunakan oleh Jianpeng Zhou and Jack Hoang.
Metode ini menggunakan dua algoritma False Object Detection yang dua-duanya dilakukan melakui Blob Tracking. Fungsi dari False Object Detection pertama adalah untuk mengurangi kesalahan deteksi oleh pergerakan objek lain yang sangat cepat seperti perubahan cahaya atau pergerakan objek yang tiba-tiba terdiam seperti patung. Caranya dengan melakukan perhitungan irisan pixel untuk blob antar ¬frame. Dan False Object Detection kedua adalah untuk mengurangi kesalahan deteksi oleh pergerakan background berupa tumbuh-tumbuhan yang biasa bergerak tertiup angin. Caranya dengan melakukan perbandingan antara warna objek dalam blob dengan warna objek dalam ROI dengan ukuran yang lebih besar dari blob. Tujuan utama dari Double False Object Detection ini adalah untuk melakukan filterisasi terhadap pendeteksian manusia menurut klasifikasi manusia yang salah, agar hasil deteksi lebih akurat.
Ketangguhan sistem diuji dalam beberapa Setting dan Skenario. Hasil pengujian membuktikan bahwa metode Double False Object Detection ini meningkatkan akurasi sistem deteksi manusia sampai 58,45% dari 38,10% untuk sistem deteksi menggunakan klasifikasi Histogram of Oriented Gradient (HOG) tanpa metode Double False Object Detection sampai hasil akhir 96,55% untuk sistem deteksi menggunakan klasifikasi HOG dengan metode Double False Object Detection.Kata Kunci : false object detection, blob tracking, real-time human detection, histogram of oriented gradientABSTRACT: Video surveillance is often not clearly show the human object to human vision . It would be fatal when the video monitors used in the security system. To assist human vision on video surveillance, computer systems are expected to be able to detect where the human in the video surveillance without false detection . False detection can be reduced by using False Object Detection Algorithm. So, in this final project, I will use Double False Object Detection Algorithms in Real - Time Human Detection which is ever used by Jianpeng Zhou and Jack Hoang .
This method uses two algorithms False Object Detection which is conducted by both Blob Tracking. First False Object Detection is to reduce the error detection by the movement of other objects very quickly as the light changes, movement of the object that suddenly fell and static object like a statue. The way to do this is by calculating the intersection of two pixel sets per blob frame. Second False Object Detection is to reduce the false detection by background movement like tree shaking, bush shaking, etc. How to do this is make a comparison between the color of blob object in and the larger ROI. The main objective of Double False Object Detection is to perform filtering on false human detection, so that more accurate detection results.
Toughness of the system tested in several settings and scenarios. The test results prove that the Double False Object Detection Method enhances the accuracy of human detection system up to 58.45% from 38.10% for classification detection system using the Histogram of Oriented Gradient (HOG) without Double False Object Detection method until final results are 96.55% for classification detection system using HOG with Double False Object detection method.Keyword: false object detection, blob tracking, real-time human detection, histogram of oriented gradient