DETEKSI PEDESTRIAN MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY EMGU CV

KANTI , PUTRI RAHAYU (2013) DETEKSI PEDESTRIAN MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENTS PADA LIBRARY EMGU CV. Undergraduate thesis, UPN "veteran" Jawa Timur.

Preview	PDF - Published Version Download (927Kb) | Preview
	PDF - Published Version Restricted to Repository staff only Download (6Mb)

Abstract

Deteksi Pedestrianmerupakan suatu teknologi yang sangat membantu dalam berbagai bidang. Dalam bidang lalulintas seperti halnya pada pengereman otomatis pada mobil ketika ada pedestrianlewat. Selain itu, deteksi pedestrian juga dapat digunakan pada kepadatan pedestrian menyebrang di pasar, mall dan lain-lain untuk menghitung jumlah manusia. Bebagai metode dikembangkan untuk memaksimalkan hasil deteksi. Salah satu metode yang dibahas dalam tugas akhir ini adalah metode Histogram of Oriented Gradient(HOG) yang digunakan untuk mendeteksi pedestrianpada citra statis dan kecepatan terdeteksinya. Karakteristik fitur Histogram of Oriented Gradients dari sebuah pedestrianditunjukkan oleh distribusi gradiennya. hasil fitur HOG menggunakan Support Vector Machine (SVM) untuk menghasilkan sebuah model yang digunakan sebagai acuan deteksi. Oleh sebab itu tujuan tugas akhir ini untuk merancang dan membuat aplikasi pendeteksi obyek pejalan kaki (pedestrian) dengan menggunakan metode Histogram of Oriented Gradients (HOG) pada libraryEMGU CV. Dengan manfaatnya Sebagai dasar sistem untuk lampu lalu lintas, pengereman otomatis pada mobil ketika ada pedestrianyang berjalan, dapat mendeteksi pedestrianyang ada pada jembatan penyebrangan, dan lain-lain. Serta aplikasi deteksi ini berguna untuk mendeteksipedestriandengan tingkat akurasi dalam pengujiannya Dari hasil uji coba yang telah dilakukan dengan metode ini pengambilan objek pedestrianterbaik terdapat pada jarak 5 meter , serta metode ini tidak dapat menghitung apabila terjadi overlap(tumpukan), dan akurasi keberhasilan metode ini 86,67% dan akurasi kesalahan dengan metode ini 13,33%

Actions (login required)