Pelacakan Gerak Tangan dengan Metode Metode Pelacakan Objek Berbasis Korelasi

Main Article Content

Naser Jawas
Ni Kadek Sumiari

Abstract

Pelacakan tangan (hand tracking) saat ini tengah mendapat perhatian dari para peneliti di bidang visi komputer (computer vision). Tujuan utama dari pelacakan tangan adalah untuk mengetahui lokasi tangan di setiap deretan frame video atau deretan citra. Ada tiga buah fitur yang dapat digunakan untuk melacak objek yakni bentuk, warna, dan gerak. Fitur bentuk susah untuk digunakan melacak tangan, sedangkan fitur warna dan gerak lebih mudah dan lebih reliabel untuk melacak gerak tangan. Fitur warna dan gerak memiliki kelemahan-kelemahan masing-masing, sehingga pada penelitian sebelumnya diusulkanlah penggabungan kedua buah fitur tersebut untuk digunakan dalam melacak tangan secara bersama-sama agar dapat saling menutupi kelemahan masing-masing fitur. Namun melihat dari proses yang dilakukan pada metode yang diusulkan pada penelitian sebelumnya, peran yang lebih memiliki andil adalah peran dari fitur gerak. Pergerakan tangan yang cepat juga belum dapat ditangani dengan baik padahal dalam bahasa isyarat, gestur, dan aktivitas keseharian manusia, tidak jarang tangan bergerak dengan cepat. Oleh karena itu, pada penelitian ini diusulkan sebuah metode pelacakan tangan dengan menggunakan fitur gerak dan warna menggunakan metode pelacakan berbasis korelasi. Secara sederhana, metode berbasis korelasi ini akan melacak tangan di frame selanjutnya secara melingkar di sekitar lokasi sebelumnya dan setelah ditemukan dilakukan pelacakan menjauh dari lokasi awal ke arah yang ditemukan di pelacakan pertama. Fitur warna dan gerak akan digunakan secara seimbang dalam melacak arah pergerakan tangan. Diharapkan dengan menggunakan metode pelacakan yang diusulkan ini, baik gerak tangan yang cepat atau lambat dapat dilacak dengan baik.

Article Details

How to Cite
[1]
N. Jawas and N. K. Sumiari, “Pelacakan Gerak Tangan dengan Metode Metode Pelacakan Objek Berbasis Korelasi”, SMARTICS, vol. 4, no. 2, pp. 39 - 43, Oct. 2018.
Section
Article

References

[1] Beauchemin, S.S. dan Barron, J.L. 1995. The computation of optical flow. ACM Computing Surveys. Vol. 27. No. 3. Hal. 433-466.

[2] Chen, K., Tao, W., Han, S. 2017. Visual object tracking via enhanced structural correlation filter. Information Sciences. Vol. 394-395. No. 1. Hal. 232–245.

[3] Comaniciu, D., Ramesh, V., Meer, P. 2003. Kernel-based object tracking. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 25. No. 5. Hal. 564-577.

[4] Henriques, J,F,. Caseiro, R., Martins, P., Batista, J. 2015. High-Speed Tracking with Kernelized Correlation Filters. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 37. No. 3. Hal. 583-596.

[5] Hu, M., Liu, Z., Zhang, J., Zhang, G. 2017. Robust object tracking via multi-cue fusion. Signal Processing. Vol. 139. Hal. 86-95.

[6] Koller, O., Forster, J., Ney, H. 2015. Continuous sign language recognition: Towards large vocabulary statistical recognition systems handling multiple signers. Computer Vision and Image Understanding. Vol. 141. No. 1. Hal. 108-125.

[7] Lukežič, A., Vojíř, T., Zajc, L.Č., Matas, J., Kristan, M. 2018. Discriminative Correlation Filter Tracker with Channel and Spatial Reliability. International Journal of Computer Vision. Vol. 126. No. 7. Hal. 671–688.

[8] Maqueda, A.I., del-Blanco, C.R., Jaureguizar, F., Garcia, N. 2015. Human–computer interaction based on visual hand-gesture recognition using volumetric spatiograms of local binary patterns. Computer Vision and Image Understanding. Vol. 141. No. 1. Hal. 126-137.

[9] Premaratne, P., Yang, S., Vial, P., Ifthikar, Z. 2016. Centroid tracking based dynamic hand gesture recognition using discrete hidden markov models. Neurocomputing. Vol. 228. No. 1. Hal.79-83.

[10] Shi, J. and Tomasi, C. 1994. Good features to track. Proceeding of IEEE Conference on Computer Vision and Pattern Recognition. 21-23 Juni 1994, Seattle, USA. Hal. 593-600.

[11] Weinland, D., Ronfard, R., Boyer, E. 2011. A survey of vision-based methods for action representation, segmentation and recognition. Computer Vision and Image Understanding. Vol.115. No. 1. Hal. 224-241.

[12] Yang, R., Sarkar, S. 2010. Handling movement epenthesis and hand segmentation ambiguities in continuous sign language recognition using nested dynamic programming. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 32. No. 2. Hal. 462-466.

[13] Zhang, X., Li, W., Ye, X., Maybank, S. 2015. Robust hand tracking via novel multi-cue integration. Neurocomputing. Vol. 157. No. 1. Hal. 296-305.

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.