ABSTRAKSI: Perkembangan teknologi yang semakin pesat berdampak pada peng-aplikasiannya pada kehidupan sehari-hari. Teknologi yang sekarang ini sedang berkembang pesat salah satunya pada bidang computer vision. Penerapan yang sedang dikembangkan saat ini diantaranya, biometrik yaitu pengenalan gesture tangan, face recognition dan human detection.
Dalam penelitian ini akan dibahas people counting dengan menggunakan metode histogram of oriented gradients dan support vector machine. Metode ini merupakan metode yang cukup baik dalam mendeteksi kerumunan orang. Bentuk dan tampilan objek yang dideteksi oleh metode histogram of oriented gradient (HOG) dapat dicirikan dengan baik dengan distribusi dari intensitas lokal gradien atau arah tepinya walaupun tanpa diketahui dengan jelas letak gradien dan tepinya, serta support vector machine (SVM) sudah terbukti baik dalam mendeteksi pejalan kaki dengan membedakan antara 2 kelas yaitu manusia dan bukan manusia[15].
Kemudian dengan particle filters[2] untuk tracking dapat menangani detection lost pada deteksi manusia menggunakan HOG dan SVM dalam menghitung jumlah manusia. Particle filters di kenal sebagai metode yang bagus karena mudah di implementasi, fleksibel, dan sistematis dalam menangani kasus non-linier dan non-gaussianity[21]. Walaupun metode particle filters yang asli di bentuk hanya untuk mendeteksi satu buah objek[7] namun pada penelitian ini metode tersebut digabungkan dengan background subtraction untuk mengekstrak foreground dan mendapatkan jumlah objek bergerak yang ada sehingga dapat menghasilkan tracking walaupun terdapat lebih dari satu objek untuk setiap frame[10].
Dari program yang telah dibuat berdasarkan algoritma metode yang digunakan, dihasilkan akurasi berbeda-beda terhadap data testing yang digunakan. Akurasi yang dihasilkan oleh sebagian besar kasus sudah mencapai target yang diharapkan pada hipotesa yaitu diatas 85% dan dengan rata-rata waktu eksekusi per frame yang dihasilkan dari keseluruhan kasus sebesar 133ms. Namun pada kasus oklusi terjadi penurunan akurasi yang cukup signifikan, yaitu sebesar 66.67%. Dapat disimpulkan bahwa sistem kurang dapat menangani kasus tersebut.
Kata Kunci : people counting, HOG, SVM, video processingABSTRACT: Technological developments lately more rapid impact on its application in everyday life. One technology that is currently being one of the rapidly growing field of computer vision. Computer vision is a work computer that aims to model and replicate the human view using software or hardware. The applications that being developed such as, the introduction of biometric hand gesture pose, face recognition, and human detection.
In this research will be discussed people counting using the histogram of oriented gradients and support vector machine method. The method used is quite good at detecting crowd. Shape and appearance of the object being detected by histogram of oriented gradient (HOG) it can be well characterized by the distribution of local intensity gradients or edge directions even without clearly known gradient center and edges, then support vector machine (SVM) has been proved to be better at detecting pedestrians to distinguish between two classes of human and non-human [15].
Then by using particle filters[2] for tracking , this method can handle lost on the detection of human detection using HOG and SVM in calculating the number of people. Particle filters known as a good method because it is easy in implementation , flexible , and systematic in handling the case of non - linear and non - gaussianity[21]. Although the original method of particle filters designed only to detect a single object[7] but in this research the method is combined with background subtraction to extract the foreground of an image and get a number of object, so it can produce tracking even if there is more than one object for each frame[10].
The application that have been created based on the method used in this research, produced different accuracy from different testing data. Accuracy produced by the vast majority of cases has reached the expected target on the hypothesis that above 85% and with an average execution time per frame resulting from the overall case for 133ms, but in some cases the accuracy decrease significantly, for example occlusion cases by 66.67%. It can be concluded that the system is less able to handle that case.
Keyword: people counting, HOG, SVM, video processing