Thread by @pacmannai

Mantau Lokasi Buronan dari Plat Mobil, Gimana Caranya? 🚔🚨
.
.
.
A thread

Di masa sekarang ini, teknologi di bidang lalu lintas semakin berkembang. Seperti Electronic Road Pricing (ERP), Seat-Belt Violation Detection, Speed Violation Detection, Red Light Violation Detection, dan masih banyak lagi

Nah ada satu lagi nih yang bakal kita bahas tentang salah satu teknologi lalu lintas, yaitu Plate Recognition

Kenapa sih plate recognition ini penting? Plate recognition bakal membantu banget untuk mengetahui apakah plat tersebut masih aktif atau engga, dia juga bisa membantu polisi untuk melacak mobil hasil curian, atau lebih ekstrimnya, membantu ngejar buronan

Plate Recognition (PR) ini menggunakan kamera-kamera pemantau yang terpasang di setiap tiang atau papan penanda arah pada sebuah jalan. Tapi gak sekadar motret mobil terus langsung dimasukin ke database, masih ada langkah-langkah selanjutnya ehehe

Bayangin kalo cuma sekadar motret tapi kondisi jalannya lagi kaya gini….

Ada beberapa tantangan dalam melakukan PR ini. Karena ini mengandalkan hasil gambar dari kamera, maka problemnya datang dari masalah alami misalnya kondisi cahaya yang bervariasi, perbedaan cuaca, kondisi polusi di jalan tersebut, dan lain-lain

Dari segi kualitas kameranya pun mempengaruhi nih. Misalnya limit pengambilan gambar, gambar yg terdistorsi, blur, kemampuan menangkap gambar sesuai kecepatan mobil, dan masih banyak lagi

Atau mungkin dari kendaraannya sendiri. Misalnya platnya ketutupan kotoran, atau mungkin ketutup objek yang bikin platnya agak gelap, atau mungkin bentuknya agak cacat grgr pernah kena insiden dan sebagainya

Nah algoritma yang bakal kita bahas kali ini yang melakukan PR dengan kendala-kendala alami di atas. Yuk mari kita mulai!

Secara garis besar, PR ini dibagi dalam 3 langkah, yaitu plate localization, character segmentation, dan character recognition

Pertama, plate localization. Menggunakan hasil gambar yang udah dipotret, tahap ini berfokus pada mengambil region/daerah darimana plat tersebut berasal. Sub-tahapnya terdiri dari binerisasi, penghilangan noise pada gambar, dan cropping regionnya

Pada proses binerisasi, suatu gambar di convert menjadi gambar grayscale dengan rumus RGB yang khusus, yakni :

Ini contoh gambar yang udah diubah jadi grayscale :

Selanjutnya, gambar yang udah di grayscale tadi akan di proses binerisasi menggunakan Otsu’s Local Threshold Method. Caranya dengan memecah gambar ini menjadi gambar berukuran 50x50 pixel, baru dilakukan Otsu’s Methodnya. Baca: en.wikipedia.org/wiki/Otsu%27s_…

Dari gambar di atas keliatan ya langkah ini menciptakan noise yang cukup banyak. Maka dari itu kita lanjut ke langkah selanjutnya yaitu Connected Component Based Filtering, yang gunanya untuk menghilangkan noise yang mengganggu

Idenya adalah dengan memanfaatkan fakta bahwa pada gambar yang sudah dibinerkan, plat itu pasti mempunyai background putih dan di sekitarnya dikelilingi oleh garis/bingkai tipis berwarna hitam

Scanning nomor platnya itu dimulai dari bingkainya ini. Setiap ditemukan objek berwarna hitam, dibentuk kotak di sekitarnya yang ditandai dengan kode 0 untuk warna hitam dan 1 untuk warna putih. Kalo ketemu warna hitam lagi, dia akan scanning lagi, dan membentuk kotak tadi lagi

Langkah tadi itu dinamakan 8 neighbour connected component analysis. Langkah ini dijalankan secara iteratif sampe dia menghasilkan hasil scanning nomor plat yang utuh

Tapi inget ya, dari gambar biner tadi, ga cuma plat doang nih yang di scan. Masih ada bagian-bagian mobil tadi yang terikut. Gimana cara misahinnya? Gambar-gambar tadi di segmentasikan berdasarkan black pixel densitynya. Nah plat kendaraan itu mempunyai density yang cukup besar

Dengan memanfaatkan density itu kita bisa misahin mana gambar yang mengandung plat dan mana yang engga

Kita udah makin deket nih sama nomor platnya. Sekarang tugas kita adalah membersihkan black pixel di sekitaran segmen gambar yang mengandung plat. Gimana caranya? Ada dua cara nih

Pertama, kita tau dong ya, karena plat ini hanya dikeluarkan oleh pihak yg berwajib, maka kemungkinan ukuran tiap plat itu hampir sama. Ini berimbas pada jumlah black pixel yg terkandung pada setiap plat itu hampir sama juga

Berarti, cara kita bersihin black pixel “non-plat” itu ya dengan cara mengeliminasi black pixel yg “ngumpul” tapi jumlahnya jauh lebih kecil dari jumlah black pixel pada plat. Ohiya, rata2 black pixel pada plat itu sekitar 100 pixels

Cara yang kedua adalah dengan memperhatikan bahwa setiap karakter yang tersusun di plat tersebut, diantara 2 karakternya pasti diselingi oleh sedikit white pixel yang jaraknya sama antar karakter. Namun black pixel “non-plat” gak akan punya sifat ini

Berarti cara bersihinnya adalah dengan cara mengeliminasi black pixel yang tidak diselingi oleh white pixel dengan jarak yang sama. Dari 2 cara di atas, baru kita bisa segmentasiin karakternya masing-masing

Cara segmentasinya adalah dengan menghitung perbandingan white pixel dengan black pixel. Kalau rationya lebih dari 4 (full white pixels) atau sama dengan 0 (full black pixels), segmennya akan terus membuka sampe kondisi ini ga terpenuhi, Barulah segmen karakternya terbentuk

Setelah selesai, segmen-segmen ini dinormalisasikan menjadi ukuran 40x20 pixel supaya bisa masuk ke tahap klasifikasi

Segmen-segmen ini kemudian dikumpulkan dalam vektor K berukuran 1x800. Misalkan ada sebanyak N vektor K, maka NxK vektor ini akan dimasukkan dalam Support Vector Machine (SVM) untuk di training

Nantinya SVM ini akan menuliskan plat sesuai aturan ASCII dalam bentuk text file. Selesai deh!

Sistem deteksi plat mobil ini adalah salah satu penerapan dari machine learning. Kalau kalian tertarik untuk menerapkan machine learning di berbagai bidang tapi masih bingung mau belajar darimana, langsung aja gabung di non degree program Data Scientist Pacmann.AI!

Langsung aja daftarin diri kalian di bit.ly/PendaftaranNon… mumpung masih ada promo Early Bird. Jangan sampai ketinggalan yaaa!

Sumber : airccj.org/CSCP/vol6/csit…