Perpustakaan Digital ITB

Guna dari pemrosesan citra digital adalah mengambil informasi yang terdapat pada citra yang ditangkap instrumen dan menjadikan informasi tersebut untuk dijadikan bahan pengambilan keputusan untuk menyelesaikan suatu tugas seolah- olah sistem tersebut dapat melihat, yang lazimnya disebut sistem computer vision. Salah satunya adalah mengenali dan menentukan posisi objek yang terdapat pada citra yang ditangkap kamera. Hal ini dilakukan dengan menggunakan algoritma yang sesuai sehingga fitur atau ciri dari objek bisa diekstrak dan dibandingkan dengan pengetahuan yang ada sehingga objek tersebut dapat dikenali, sebagaimana manusia mengenali suatu objek. Dengan mengombinasikan sistem computer vision dengan suatu sistem tanpa awak seperti UAV oktorotor, informasi yang diambil bisa dijadikan data referensi yang digunakan untuk bernavigasi. Dengan demikian, sistem tanpa awak tersebut dapat meniru manusia dalam melakukan penjejakan terhadap suatu objek yang dijadikan target. Namun, pengujian dari sistem yang dirancang perlu dilakukan untuk menganalisa performa kemudian menghasilkan kesimpulan apakah layak diaplikasikan atau tidak. Sistem computer vision yang dirancang bekerja dengan mengorelasikan fitur-fitur yang diekstrak dari citra referensi pada memori dan citra yang ditangkap oleh kamera menggunakan algoritma Speed-Up Robust Features (SURF). Algoritma ini menghasilkan fitur-fitur yang kokoh, invarian terhadap skala, rotasi, iluminasi, dan perspektif. SURF mendeteksi fitur dengan mencari titik-titik struktur gelembung pada citra, dengan berdasarkan pada determinan matriks Hessian. ii Dengan menggunakan representasi integral image, komputasi bisa dilakukan dengan lebih cepat. Fitur yang terdeteksi kemudian dideskripsikan dengan vektor yang menjelaskan bagaimana arah gradasi dari hitam ke putih (nilai rendah ke tinggi) pada titik-titik sekitar fitur. Fitur-fitur tersebut kemudian dicari kecocokannya dengan menggunakan algoritma Fast Library for Approximate Nearest Neighbor (FLANN). Dengan algoritma ini, penyusunan data-data dilakukan dengan membuat kd-tree dengan dimensi pemisah yang random dan kd-tree dibuat lebih dari satu untuk pencarian secara paralel, sehingga proses pencarian bisa dilakukan lebih cepat. Penaksiran Nearest Neighbor dilakukan dengan membatasi jumlah pemeriksaan leaf. Fitur- fitur yang terkorelasi kemudian dicari pusat masanya untuk menentukan posisi dari target. Posisi target harus senantiasa berada ditengah-tengah bidang citra. Kesalahan posisi target memberikan perintah pergerakan oktorotor, maju atau mundur dalam kecepatan tertentu, dan belok ke kiri atau ke kanan dalam kecepatan tertentu. Hardware-in-the-loop simulation (HILS) atau simulasi lingkar tertutup dilakukan dengan menggunakan struktur navigasi dan pengendali terbang yang sudah terpasang pada oktorotor, dan model persamaan dinamika oktorotor yang sudah didapatkan sebelumnya. Data dari sistem computer vision adalah posisi target pada bidang citra yang dikirim melalui protokol UDP. Dinamika dari UAV dan lingkungan penjejakan kemudian divisualisasikan dan ditampilkan pada layar untuk dan ditangkap oleh kamera. Simulasi UAV dilakukan menggunakan Matlab Simulink dan visualisasi dinamika UAV dan lingkungan menggunakan FlightGear. Hasil simulasi penjejakan target menunjukkan performa penjejakan yang memuaskan pada target mobil yang bergerak pada kecepatan 8 knot atau sekitar 15 km/jam dan bermanuver ringan. Sistem navigasi dan pengendali terbang yang ada mampu melakukan penjejakan target sehingga pemasangan sistem computer vision pada UAV oktorotor dapat dilaksanakan.