Ekstraksi Fitur Mirip Haar Untuk Pendeteksian Obyek Pada Real-time Video Menggunakan Opencv Dan Implementasinya Pada Sistem Tertanam Beagleboard Xm

Robot memerlukan aksi yang tepat untuk menanggapi suatu keadaan lingkungan. Kondisi lingkungan dapat diperoleh dari sensor-sensor yang terhubung dengan suatu unit pemroses, salah satu sensor yang dapat digunakan adalah sensor visual. Aksi terhadap obyek yang hanya dapat dikenali secara visual sangat bergantung pada kemampuan robot dalam mengolah informasi warna atau bentuk obyek. Dalam penelitian ini digunakan pendeteksian obyek berdasarkan ekstraksi fitur yang banyak diterapkan pada pengenalan wajah otomatis. Fitur-fitur ini kemudian diolah menggunakan metode pembelajaran terarah (supervised learning) AdaBoost untuk melakukan pembelajaran terhadap suatu obyek tertentu. Tahap pembelajaran dilakukan menggunakan rasio sampel positif dan negatif sebesar 5:3 untuk membuat tabel look-up. Tiga set tabel training dibuat dengan jumlah sampel dan stage training yang berbeda. Tiga set tabel yang dibu-at telah diuji menggunakan 2 buah berkas video suatu lingkungan yang diambil dari dua sudut pandang yang berbeda. Telah didapatkan dalam penelitian ini rasio pendeteksian pada kedua video memberikan kecenderungan yang sama. Suatu aturan yang sederhana ditunjukkan dalam penelitian ini untuk meningkatkan akurasi tabel look-up. Pustaka OpenCV digunakan dalam penelitian ini karena kemampuannya yang dapat ditanamkan pada bermacam-macam perangkat keras, termasuk piranti-piranti bergerak dan sistem tertanam. Kecepatan pendeteksian obyek menggunakan sistem tertanam Beagleboard XM juga dijelaskan dalam penelitian ini