Model Aplikasi Deep Learning Pedestrian Detection untuk Autonomous Vehicle (SiPeDAL)
Hak Cipta
Model Aplikasi Deep Learning Pedestrian Detection untuk Autonomous Vehicle (SiPeDAL)
Kendaraan autonomous adalah kendaraan yang dapat digunakan secara aman dan efektif, tanpa adanya bantuan dan kontrol kendali dari manusia. Kendaraan autonomous merupakan gabungan dari berbagai sisttem yang bersinergai satu sama lain sehingga bisa berjalan layaknya kendaraan biasa di jalan raya. Diantara sistem-sistem yang bersinergi salah satu sistem yang paling penting adalah sensor. Contoh sensor yang umum digunakan antara lain: Global Positioning System, kamera video, LIDAR, dan RADAR. Kendaraan autonomous menggunakan sebuah komputer pusat untuk memproses data-data yang diterima oleh sensor. Dengan menggunakan algoritma yang berbeda-beda, komputer dapat menentukan jalur mana harus diambil. Baru kemudian komputer pusat memerintahkan mobil untuk melakukan tindakan yang sesuai. Objek penting yang harus dideteksi dengan akurat pada kendaraan otomatis adalah objek manusia. Algoritma object detection dan multiple-person detection dalam bidang Computer Vision(CV) saat ini banyak dikembangkan oleh para peneliti. Investasi besar untuk pengembangan kendaraan otomatis oleh perusahaan besar di bidang otomotif dan Information Technology(IT) semakin banyak menarik minat penelitian pada bidang ini. Dalam pengembangan algoritma pedestrian detection ditemukan kondisi citra dari sensor adalah citra dengan resolusi rendah. Citra dengan resolusi rendah memberikan dampak yang signifikan pada akurasi algoritma yang dikembangkan. Berdasarkan kondisi tersebut, diperlukan pengembangan pedestrian detection yang efektif dalam mendeteksi objek manusia dalam citra dengan resolusi rendah. Dalam penelitian ini pedestrian detection diusulkan dan dibangun dengan Deep Learning(DL). Metode yang diusulkan dibagi menjadi dua tahap. Tahap pertama pedestrian candidate region detection menggunakan kombinasi Faster-RCNN dengan Long Short Term Memory(LSTM). Tahap kedua adalah proses target matching di mana tahap ini akan digunakan kombinasi Scale Invariant Feature Transform (SIFT) dan Color Histogram. Penggunaan metode ini diharapkan akan meningkatkan akurasi dari untuk pedestrain detection pada citra dengan resolusi rendah.
2022-1668146443-fd6v
B-4352/III.6.3/HK.06/11/2022
Pusat Riset Sains Data dan Informasi
uuskhusni@gmail.com
Badan Riset dan Inovasi Nasional
SF - Perangkat Lunak
Cibinong
05 September 2022
EC002022107181
05 September 2022
15 Desember 2022
000422925
- Uus Khusni
( Pusat Riset Sains Data dan Informasi ) - Heru Susanto
( Pusat Riset Sains Data dan Informasi )