Cendikia, Fintanto (2018) Pengenalan Aktivitas Manusia pada Video Menggunakan Variation Energy Images Features. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05111440000098-Undergraduate_Theses.pdf - Accepted Version Download (2MB) | Preview |
Abstract
Sekarang ini, pengenalan aktivitas manusia pada data video telah menjadi hal yang umum dibicarakan dalam penelitian visi komputer. Hal ini dikarenakan oleh kompleksitas pada data video berupa noise, interaksi objek ganda, intensitas cahaya, dan lain-lain. Penerapan konsep pengenealan aktivitas manusia berdasarkan citra telah diterapkan juga pada berbagai bidang. Dalam bidang hiburan, pengenalan aktivitas dapat digunakan untuk memperbaharui interaksi manusia dan komputer. Dalam bidang kesehatan, pengenalan aktivitas manusia dapat dimanfaatkan untuk membantu rehabilitas pasien. Dalam bidang keamanan, pengenalan aktivitas manusia dapat digunakan untuk deteksi aktivitas yang mencurigakan. Biasanya data video pada bidang keamanan didapat dari Closed Circuit Television atau biasa disebut CCTV. Oleh karena itu penulis ingin menerapkan konsep pengenalan aktivitas manusia pada data video CCTV yang berada di Departemen Informatika ITS Surabaya lantai 3 di depan ruang himpunan mahasiswa. Aktivitas yang digunakan dalam tugas akhir ini adalah berlari, berjalan dan melambai.
Ada 3 tahapan utama dalam pemrosesan aktivitas ini. Tahapan-tahapan tersebut adalah segmentasi objek, ekstraksi fitur, dan klasifikasi. Teknik segmentasi objek yang digunakan adalah Background Subtraction. Hal ini dikarenakan teknik ini sederhana dan efektif digunakan untuk segmentasi dari kamera yang statis serta memiliki kemampuan untuk beradaptasi dengan perubahan latar belakang yang terjadi. Kemudian dari objek yang telah dideteksi tersebut akan dibentuk variation energy image-nya yang kemudian akan diekstraksi fiturnya yaitu fitur bentuk dan fitur perpindahan. Untuk klasifikasi aktivitasnya, akan digunakan teknik multiclass-SVM (Support Vector Machine).
Uji coba menggunakan dataset CCTV menunjukkan bahwa metode yang digunakan pada tugas akhir ini menghasilkan akurasi 92,7% pada pagi hari, 91,8% pada siang hari, 93,4% pada malam hari dan 95,8% pada data campuran pagi, siang dan malam hari dengan jumlah frame pembentuk VEI yang digunakan adalah 7 frames. Pengujian menggunakan metode k-fold Cross Validation dengan nilai k sebesar 10.
==================================================================================================================
Today, the human activity recognition in video data has become a common feature of computer vision research. This is due to the complexity of the video data in the form of noise, interaction of multiple objects, the intensity of light, and others. The application of the concept of human activity based on image has been applied also to various fields. In the entertainment field, the introduction of activity can be used to update human and computer interactions. In the field of health, the introduction of human activities can be utilized to aid patient rehabilitation. In the field of security, the human activity recognition can be used for the detection of suspicious activity. Usually video data in the security field is obtained from Closed Circuit Television or commonly called CCTV. Therefore the authors want to apply the concept of the human activity recognition on CCTV video data residing in the Department of Informatics ITS Surabaya 3rd floor in front of the student set room. The activities used in this final project are running, walking and waving.
There are 3 main stages in processing this activity. The stages are object segmentation, feature extraction, and classification. Object segmentation technique used is Background Subtraction. This is because this technique is simple and effective to use for the segmentation of static cameras and has the ability to adapt to the background changes that occur. Then from the object that has been detected will be formed variation energy image then will be extracted feature that is form feature and motion feature. For the classification of activities, will be used multiclass-SVM (Support Vector Machine).
Trials using the CCTV dataset showed that the current method yielded 92.7% in the morning, 91.8% during the day, 93.4% on day and 95.8% in morning, day and day data by amount frames VEI which is 7 frames. The test used k-fold Cross Validation method with k value of 10.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Video Processing, Human Action Recognition, Background Subtraction, Multiclass SVM, Variation Energy Images |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Divisions: | Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis |
| Depositing User: | Fintanto Cendikia |
| Date Deposited: | 24 Jun 2021 01:10 |
| Last Modified: | 24 Jun 2021 01:10 |
| URI: | http://repository.its.ac.id/id/eprint/54943 |
Actions (login required)
 |
View Item |