Histogram
Of Oriented Gradients ini digunakan untuk mengekstraksi fitur
pada obyek gambar dengan menggunakan obyek manusia. Berdasarkan langkahnya,
proses awal pada metode HOG adalah mengkonversi citra RGB (Red, Green, Blue) menjadi grayscale,
yang kemudian dilanjutkan dengan menghitung nilai gradien setiap piksel.
Setelah mendapatkan nilai gradien, maka proses selanjutnya yaitu menentukan
jumlah bin orientasi yang akan digunakan dalam pembuatan histogram. Proses ini
disebut spatial orientation binning.
Namun sebelumnya pada proses gradient
compute gambar pelatihan dibagi
menjadi beberapa cell dan
dikelompokkan menjadi ukuran lebih besar yang dinamakan block. Sedangkan pada proses normalisasi block digunakan perhitungan geometri R-HOG. Proses ini dilakukan
karena terdapat block yang saling
tumpang tindih. Berbeda dengan proses pembuatan histogram citra yang
menggunakan nilai – nilai intensitas piksel dari suatu citra atau bagian
tertentu dari citra untuk pembuatan histogramnya.
8.5.1 Konversi Citra
Citra
true colour adalah representasi citra
berwarna yang mrmiliki tiga komponen utama yaitu merah, hijau dan biru (RGB).
Masing-masing komponen pada citra true
colour mempunyai 256 kemungkinan nilai. Citra grayscale memiliki 28 (256) kemungkinan nilai pada
pikselnya. Nilai tersebut dimulai dari nol untuk warna hitam dan 255 untuk
warna putih [7]. Konversi Citra true colour ke Grayscale mengubah nilai piksel yang semula mempunyai 3
nilai yaitu Red, Green, Blue menjadi satu nilai yaitu keabuan. Berikut
persamaan yang digunakan untuk mendapatkan nilai keabuan :
L = 0.144*R+0.587*G+0.299*B (2)(3.1)
Dimana :
L : nilai keabuan pada piksel
0.144 :
bobot untuk elemen warna merah (wR)
0.587 :
bobot untuk elemen warna biru (wB)
0.299 :
bobot untuk elemen warna hijau (wG)
R : nilai
intensitas elemen warna merah
B : nilai intensitas elemen warna biru
G : nilai intensitas elemen warna hijau
NTSC (National Television System Committee)
mendefinisan bobot untuk konversi citra true
colour ke grayscale sebagai
berikut : wR = 0.299, wB = 0.587, wG = 0.114.
Data
masukkan berupa citra true colour dan
data keluaran berupa citra Grayscale.
8.5.2 Gradient Compute
Setelah proses
konversi citra yaitu mengubah gambar dalam bentuk grayscale langkah selanjutnya adalah menghitung nilai gradien
setiap piksel dalam gambar.
8.5.3 Spatial
Orientation Binning
Untuk
membuat sebuah histogram dibutuhkan nilai gradien dan nilai tersebut didapat
dari nilai tiap piksel dalam sebuah
gambar. Gambar kemudian akan dibagi menjadi cells
dengan ukuran yang telah ditentukan. Jadi tiap cells dalam gambar akan dibuat histogramnya untuk mengetahui nilai
dalam tiap cells karena tiap cell mempunyai nilai yang berbeda.
Dalam pembuatan
histogramnya diperlukan adanya bin untuk mengetahui nilai gradiennya. Bin akan
ditentukan sendiri oleh pengguna. Dalam penelitian sebelumnya bin yang
digunakan adalah 4 bin orientation
[4].
8.5.4 Normalization
Block
Karena nilai
gradien mempunyai nilai yang berbeda oleh karena itu diperlukan pengelompokkan cells menjadi lebih besar atau yang
disebut dengan block. Block biasanya tumpang tindih karena
setiap cells kontribusi nilai lebih
dari sekali.
Dalam
normalisasi block ini terdapat dua
geometri block utama yaitu block
persegi panjang R-HOG dan melingkar C-HOG akan tetapi dalam penelitian
ini yang akan digunakan adalah geometri R-HOG.
Hasil
akhir dalam normalisasi block ini
yaitu fitur. Dalam proses ini, block
yang tumpang tindih diselesaikan dengan R-HOG. Sedangkan dalam block terdiri dari 2 x 2 cells, dalam detector windows terdapat 7 x 15 R-HOG dan menggunakan 4 bin
orientasi sehingga diperoleh 1680 vektor dalam 1 detector windows. Jumlah vektor ini di dapat dari 2x2x7x15x4 dan
vektor ini yang disebut sebagai fitur. Gambar 2.7 adalah contoh bentuk geometri
R-HOG.
8. 5.5 Detector Windows
Detector
windows merupakan windows
atau jendela berukuran 64 x 128 yang digunakan untuk jendela pendeteksian.
Jendela pendeteksian ini terdiri dari 8 x 8 piksel dalam tiap cells.
