Mengakali Waktu Komputasi Pendeteksian Gerak

Setelah menyelesaikan algoritma Dynamic and Adaptive Template Matching untuk metode Frame differences yang saya gunakan untuk mendeteksi gerak, saya melakukan pengujian waktu komputasi sistem. Hasilnya tidak memuaskan (sesuai dengan postingan terdahulu). Jika dirata-ratakan, maka sistem yang saya rancang hanya akan mendeteksi setiap 2-3 detik. Performa ini sepenuhnya belum optimal, dan membutuhkan beberapa modifikasi untuk meningkatkan kinerja sistem.

Berdasarkan kajian yang saya lakukan, ada beberapa faktor yang membuat proses pendeteksian menjadi lambat. Faktor-faktor tersebut antara lain:

1. Jenis bahasa pemrograman yang digunakan. Pada penelitian ini, saya menggunakan bahasa pemrograman web untuk melakukan pendeteksian gerak. Hal ini dilakukan karena sistem yang dirancang memang akan dijalankan di server sistem yang telah disiapkan. Dan sistem akan diakses melalui web server oleh client-client yang telah diberi hak untuk mengakses sistem. Selain itu, saya juga belum terlalu familiar dengan bahasa pemrograman umum, seperti C. C++, VB, Java dan C#.
2. Sumber citra yang digunakan dicapture dari perangkat IP Camera. IP Camera bukanlah sebuah perangkat yang mengenerate video secara murni menjadi kompresi tertentu. IP Camera melakukan proses pendisplayan sejumlah citra dengan kompresi *.jpg dalam waktu tertentu. Menurut spefikasinya IP Camera tersebut memiliki kemampuan maksimal 30 fps (frame/second).  Tetapi, setelah dilakukan pengujian, IP Camera belum mampu menampilkan citra sesuai dengan spesifikasi maksimal tersebut (30 fps). IP Camera yang digunakan bermerek TP LINK seharga Rp. 600.000an. Cukup murah dan merakyat.
3. Proses komputasi yang dilakukan melalui beberapa langkah yang cukup kompleks. Langkah-langkah ini melibatkan proses penangkapan citra, penyimpanan citra, resize citra, komputasi frame differences, proses komputasi penanda posisi objek yang bergerak. Proses penyimpanan citra hasil penandaan yang dinyatakan sebagai citra hasil pendeteksian. Proses ini melibatkan iterasi yang cukup kompleks sesuai dengan ukuran citra yang akan dianalisis.
4. Ukuran citra yang akan dianalisis relative masih cukup besar. Saya mengasumsikan bahwa Ukuran citra yang saya gunakan (256 x 192) memliki pengaruh yang signifikan jika diturunkan menjadi (128 x 96). Apalagi proses pendeteksian dilakukan oleh beberapa IP Camera.

Setalah melakukan kajian dan berdiskusi dengan beberapa teman, saya melakukan beberapa modifikasi teradap algoritma tersebut. Adapun modifikasi –modifikasi yang dilakukan adalah sebagai berikut.

1. Membuang beberapa listing program yang tidak terlalu penting dalam pendeteksian.
2. Melakukan pengujian dengan menurunkan kompresi citra yang diolah oleh IP Camera. Proses ini menghasilkan waktu komputasi yang lebih baik, namun bermasalah dengan informasi citra. Citra yang dihasilkan tidak begitu baik.
3. Me-resize ukuran citra yang akan dikomputasikan menjadi 128 x 96 px. Metode ini dilakukan hanya untuk proses pendeteksian gerak, sedangkan untuk citra hasil yang disimpan, tetap menggunakan citra asli yang berukuran 640 x480 px. Marker (penanda) objek yang bergerak diakali dengan melakukan pengalian koordinat –koordinat terdeteksi yang disesuaikan dengan citra 640 x 480. Hasil algoritma ini cukup memuaskan, namun penenda yang dihasilkan tidak begitu presisi. Metode ini tetap lebih baik dalam hal waktu komputasi. Dengan menggunakan metode ini, sistem berhasil menangkap gambar dalam rentang 1 detik. Lebih baik dari algotitma sebelumnya.
4. Selanjutnya komputasi parallel dilakukan untuk proses pendeteksian yang dilakukan oleh sejumlah IP Camera.

Hasil dari modifikasi algoritma ini dapat dilihat pada gambar berikut ini.

Well, sejauh ini penelitian yang saya lakukan mengalami kemajuan yang berarti. Semoga penelitian ini bisa mengantarkan saya untuk memperoleh gelar M.Eng di JTETI UGM. Isaniside 2012.