1

PENCOCOKAN FITUR PADA CITRA MENGGUNAKAN METODE

ORIENTED FAST AND ROTATED BRIEF (ORB)

Dina Indarti1, Aini Suri Talita2

1Program Studi Teknik Informatika, Universitas Gunadarma

2Program Studi Manajemen Sistem Informasi, Universitas Gunadarma

Jl. Margonda Raya No. 100, Depok 16424, Jawa Barat

1dina.indarti@staff.gunadarma.ac.id

2ainisuri@staff.gunadarma.ac.id

Abstrak

Pencocokan fitur banyak digunakan pada permasalahan dalam computer vision antara lain

pengenalan objek, registrasi citra, rekonstruksi 3D, dan navigasi robot. Pencocokan fitur

membangun relasi dari dua buah himpunan fitur. Salah satu pencocokan fitur yang banyak digunakan yaitu pencocokan fitur berdasarkan titik atau pencocokan titik. Pencocokan titik dapat

membedakan dengan baik antar citra dan invariant terhadap perubahan sudut pandang 3D,

penambahan noise, dan perubahan pencahayaan. Penelitian ini bertujuan untuk mengimplementasikan metode Oriented Fast and Rotated Brief (ORB) dalam mencocokkan fitur

titik pada citra. Metode ORB terdapat dua bagian utama yaitu Features from Accelerated Segment

Test (FAST) dalam pendeteksian fitur titik dan Binary Robust Independent Elementary Features (BRIEF) dalam rotasi yang disempurnakan sehingga dapat meningkatkan kemampuan dalam

mendeteksi dan mendeskripsi fitur. Secara garis besar, tahapan metode ORB yaitu ekstraksi fitur

titik, pembentukan deskriptor fitur titik, dan pencocokan fitur titik. Pada tahap pencocokan fitur titik,

penelitian ini menggunakan Brute-Force matcher. Uji coba menggunakan beberapa citra yang mengalami perubahan posisi, rotasi, maupun perubahan skala. Hasil uji coba menunjukkan bahwa

metode ORB dapat mencocokkan fitur titik pada citra secara tepat walaupun citra mengalami

perubahan posisi, rotasi, maupun perubahan skala.

Kata Kunci: fitur titik, metode ORB, pencocokan citra, pencocokan fitur.

Abstract

Features matching are widely used in problems in computer vision including object

recognition, image registration, 3D reconstruction, and robot navigation. Features matching builds the relation of two sets of features. One feature matching that is widely used is feature matching

based on points or points matching. Points matching can distinguish well between images and

invariants to changes in 3D viewing angle, noise addition, and lighting changes. This study aims to implement the Oriented Fast and Rotated Brief (ORB) method in features points matching on

images. The ORB method has two main parts namely fast in detecting features points and Binary

Robust Independent Elementary Features (BRIEF) in enhanced rotation so that it can improve the

ability to detect and describe features. In general, the stages of the ORB method are extract feature point, generate feature point descriptors, and feature point matching. At the feature point matching

stage, this study uses a Brute-Force matcher. The trial used several images that changes in position,

rotation, or change in scale. The trial results show that the ORB method can match features point in the image precisely even though the image has changed position, rotation, or scale change.

Keywords: feature matching, feature point, image matching, ORB method.

2

PENDAHULUAN

Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar

proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi, pengenalan,

dan membuat keputusan. Computer vision terdiri dari teknik-teknik untuk mengestimasi

ciri-ciri objek di dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan

menginterpretasi informasi geometri tersebut. Pada hakikatnya, computer vision mencoba

meniru cara kerja sistem visual manusia (human vision) yang sangat kompleks [1].

Pencocokan fitur merupakan salah satu permasalahan pada computer vision yang

membangun relasi dari dua buah himpunan fitur. Pencocokan fitur secara luas banyak

digunakan pada permasalahan dalam computer vision antara lain pengenalan objek,

registrasi citra, rekonstruksi 3D, dan navigasi robot.

Perkembangan yang besar terjadi pada penelitian mengenai pencocokan fitur berupa

titik atau sering disebut pencocokan titik. Pencocokan titik banyak digunakan karena dapat

membedakan dengan baik antar citra dan invariant terhadap perubahan sudut pandang 3D,

penambahan noise, dan perubahan pencahayaan. Dalam pencocokan titik, beberapa metode

telah diteliti seperti Speeded-Up Robust Features (SURF) [2], DAISY [3], Gradient

Location-Orientation Histogram (GLOH) [4] dan Scale Invariant Feature Transform

(SIFT) [5]. Selanjutnya algoritma SIFT dan SURF dikembangkan oleh Rublee, Rabaud,

Konolige, dan Bradski dalam hal efisiensi secara komputasional dan memiliki performa

yang baik secara real-time. Algoritma yang dikembangkan tersebut dinamakan Oriented

FAST and Rotated BRIEF (ORB). Penelitian tersebut melakukan pengujian terhadap

keypoint dan deskriptor yang dihasilkan terhadap masing-masing metode. Uji coba yang

dilakukan menunjukkan bahwa proses ORB lebih cepat dalam mendeteksi keypoint dari

objek dibandingkan SIFT dan SURF pada berbagai situasi [6]. Pada ORB terdapat dua

bagian utama yaitu Features from Accelerated Segment Test (FAST) keypoint detector [7]

dan Binary Robust Independent Elementary Features (BRIEF) rotation [8] yang

disempurnakan sedemikian rupa sehingga dapat meningkatkan kemampuannya dalam

mendeteksi dan mendeskripsi fitur.

Beberapa penelitian telah menggunakan metode ORB. Penelitian yang dilakukan oleh

Fenomena, Herumurti, dan Buliali dalam mendeteksi kendaraan pada citra udara beresolusi

sangat tinggi di area perkotaan menggunakan metode ORB. Hasil penelitian menunjukkan

bahwa nilai recall dan precision tertinggi dihasilkan oleh metode pencocokan fitur MSER

dan ORB yang masing-masing bernilai 100% dan 75% [9]. Metode ORB juga telah

3

digunakan dalam pengenalan ukiran Bali. Hasil penelitian menunjukkan bahwa metode

ORB cukup baik dalam mengenali ukiran Bali [10]. Penelitian lain menggunakan metode

ORB dan K-Nearest Neighbor (KNN) dalam mengklasifikasi ikan. Hasil uji coba

menunjukkan bahwa metode yang diusulkan pada penelitian tersebut memiliki akurasi

klasifikasi sebesar 97,5% [11].

Berdasarkan uraian di atas, pada penelitian ini dilakukan implementasi metode ORB

dalam pencocokan fitur pada citra. Beberapa citra yang digunakan pada penelitian ini

mengalami perubahan posisi, rotasi dan perubahan skala.

METODE PENELITIAN

Tahapan dalam pencocokan fitur citra yang dilakukan pada penelitian ini

menggunakan metode ORB secara umum dapat dilihat pada Gambar 1.

Gambar 1. Tahapan Pencocokan Fitur pada Citra Menggunakan Metode ORB

Berdasarkan Gambar 1, penelitian ini secara garis besar mempunyai tiga tahap.

Pertama, tahap ekstraksi fitur titik yang terdiri dari deteksi fitur titik pada citra, pemilihan

fitur titik, pembuatan piramida citra, dan penentuan arah fitur titik. Kedua, tahap

pembentukan deskriptor fitur titik. Tahap ketiga yaitu pencocokan fitur titik berdasarkan

pada kesamaan deskriptor.

Ekstraksi Fitur Titik

Algoritma ORB menggunakan pengembangan pada algoritma FAST dalam

mendeteksi fitur titik. Tahap pendeteksian sebagai berikut:

1. Pendeteksian fitur titik pada citra.

Pertama, piksel 𝑝 pada citra dipilih dan diasumsikan memiliki tingkat kecerahan yaitu I𝑝.

Misalkan threshold dari tingkat kecerahan yaitu T. Piksel 𝑝 dipilih sebagai titik pusat lalu

dipilih 16 piksel tetangga pada lingkaran dengan jari-jari 3 dan dibandingkan nilai

keabuan antara piksel 𝑝 dan piksel lain pada lingkaran. Jika kecerahan N titik berurutan

Citra 1

Citra 2

Deteksi

Fitur

Titik

Citra

Pemilihan

Fitur Titik

Pembuatan

Piramida

Citra

Pembentukan

Deskriptor

Fitur Titik

Pencocokan

Fitur Titik

Ekstraksi Fitur Titik

Penentuan

Arah Fitur

Titik

4

pada lingkaran yang dipilih lebih besar dari I𝑝 + 𝑇 atau kurang dari I𝑝 – 𝑇, maka piksel 𝑝

merupakan fitur titik.

2. Pemilihan fitur titik

Perhitungan pada titik sudut FAST hanya membandingkan perbedaan kecerahan antara

piksel, jumlahnya besar dan tidak pasti serta tidak ada informasi arah titik. Oleh karena

itu, algoritma ORB meningkatkan algoritma FAST dengan menghitung nilai respon

pendeteksian Harris untuk titik sudut FAST lalu mengurutkannya sesuai dengan nilai

keabuan dan dipilih N buah titik yang pertama. Rumus perhitungan nilai respon Harris

seperti yang ditunjukkan pada Persamaan (1) dan (2).

𝑅 = 𝑑𝑒𝑡(𝑀) − 𝑘(𝑡𝑟𝑎𝑐𝑒(𝑀))2 (1)

𝑀 = ∑𝑤(𝑥, 𝑦) [𝐼𝑥2 𝐼𝑥𝐼𝑦

𝐼𝑥𝐼𝑦 𝐼𝑦2 ] (2)

dengan 𝑅 adalah nilai respon pendeteksian Harris, 𝑀 adalah matriks 2 × 2, k memiliki

nilai berkisar antara 0,04 hingga 0,06 [12], 𝑤(𝑥, 𝑦) adalah fungsi kernel dari citra, 𝐼𝑥

adalah variasi fitur titik dalam arah horizontal, dan 𝐼𝑦 adalah variasi fitur titik dalam arah

vertikal.

3. Pembuatan piramida citra

Piramida citra dibuat pada beberapa lapisan skala. Lalu fitur FAST diekstraksi pada

setiap lapisan piramida sehingga fitur titik invariant terhadap perubahan skala.

4. Penentuan arah fitur titik

Arah fitur titik diperoleh menggunakan metode intensity centroid [13] sehingga

diperoleh fitur titik yang diekstraksi invariant terhadap rotasi.

Pertama, pada suatu blok citra B, momen dari blok citra didefinisikan seperti pada

Persamaan (3).

𝑚𝑝𝑞 = ∑ 𝑥𝑝𝑦𝑝𝐼(𝑥, 𝑦)𝑥,𝑦∈𝐵 , 𝑝, 𝑞 = {0,1} (3)

dengan 𝑥 dan 𝑦 merupakan koordinat-koordinat piksel dan 𝐼(𝑥, 𝑦) merupakan nilai

keabuan dari piksel 𝑥 dan 𝑦. Selanjutnya ditentukan centroid dari blok citra

menggunakan momen seperti pada Persamaan (4).

𝐶 = (𝑚10

𝑚00,𝑚01

𝑚00) (4)

dengan momen ke-0 (𝑚00) merupakan massa dari blok citra dan momen ke-1 merupakan

centroid dari blok citra. Titik pusat geometri O dan centroid C dari blok citra

5

dihubungkan sehingga vektor berarah 𝑂𝐶⃗⃗⃗⃗ ⃗ dan arah dari fitur titik didefinisikan seperti

pada Persamaan (5).

𝜃 = 𝑎𝑟𝑐 tan (𝑚01

𝑚10) (5)

Setelah tahap ini diperoleh, titik-titik sudut FAST yang invariant terhadap perubahan

skala dan rotasi.

Pembentukan Deskriptor Fitur Titik

Setelah mengekstraksi fitur titik menggunakan pengembangan algoritma FAST

selanjutnya algoritma ORB menggunakan algoritma BRIEF untuk menghitung deskriptor

pada setiap titik. BRIEF merupakan deskriptor vektor biner di mana vektornya terdiri dari

nilai 0 dan 1 seperti pada Persamaan (6).

𝜏(𝑝; 𝑥, 𝑦) = {1, 𝑝(𝑥) < 𝑝(𝑦)

0, 𝑝(𝑥) ≥ 𝑝(𝑦) (6)

dengan 𝑝 (𝑥) adalah nilai keabuan pada bidang 𝑥 sekitar fitur titik citra, dan 𝑝 (𝑦) adalah

nilai keabuan pada bidang 𝑦 di sekitar fitur titik citra. Filter Gaussian digunakan pada tahap

awal untuk mengurangi efek noise pada citra. Berdasarkan pada titik fitur 𝑝 yang diambil

sebagai titik pusat, lalu diambil lingkungan sekitar dengan ukuran 𝑆 × 𝑆 dan dipilih secara

acak N pasangan piksel pada lingkungan sekitar (N = 256 yang paling sering digunakan).

Kemudian, nilai kecerahan dari setiap pasangan titik dibandingkan menggunakan

Persamaan (5) sehingga diperoleh vektor dimensi N yang terdiri dari N deret biner seperti

pada Persamaan (7).

𝑓𝑁(𝑝) = ∑ 2𝑖−1𝜏(𝑝; 𝑥𝑖, 𝑦𝑖)1≤𝑖≤𝑁 (7)

Algoritma ORB menggunakan algoritma Steer BRIEF untuk menghitung arah utama dari

setiap fitur titik, sehingga deskriptor memiliki informasi arah. Matriks rotasi 𝑅𝜃 diperoleh

menggunakan rumus pada Persamaan (8).

𝑅𝜃 = [cos𝜃 sin 𝜃

− sin 𝜃 cos 𝜃] (8)

Matriks 𝑅𝜃 dan N pasang titik-titik piksel membentuk matriks 𝑄 yang dapat dilihat pada

Persamaan (9).

𝑄 = [𝑥1, 𝑥2, … , 𝑥𝑁

𝑦1, 𝑦2, … , 𝑦𝑁] (9)

Kemudian dilakukan perbaikan rotasi sehingga diperoleh 𝑄𝜃 yang dapat dilihat pada

Persamaan (10).

6

𝑄𝜃 = 𝑅𝜃𝑄 (10)

Pada tahap akhir akan diperoleh deskriptor fitur titik yang berarah seperti pada Persamaan

(11).

𝑔𝑁(𝑝,𝜃) = 𝑓𝑁(𝑝)|(𝑥𝑖, 𝑦𝑖) ∈ 𝑄𝜃 (11)

Pencocokan Fitur Titik

Misalkan fitur titik 𝑥𝑡𝑚, 𝑚 = 1, 2,⋯ ,𝑀 yang diekstraksi pada citra 𝐼𝑡, dan fitur titik

𝑥𝑡𝑛, 𝑛 = 1, 2,⋯ , 𝑁 yang diekstraksi pada citra 𝐼𝑡+1. Metode Brute-Force matcher mengukur

jarak setiap fitur titik 𝑥𝑡𝑚 dengan semua deskriptor 𝑥𝑡+1

𝑛 . Selanjutnya dipilih jarak yang

terdekat sebagai titik yang cocok.

HASIL DAN PEMBAHASAN

Beberapa citra yang digunakan pada penelitian ini dapat dilihat pada Tabel 1.

Tabel 1. Beberapa Citra dalam Pencocokan Fitur

Citra 1 Citra 2

7

Hasil pencocokan fitur pada citra-citra yang terdapat pada Tabel 1 dapat dilihat pada

Gambar 2 – Gambar 6. Gambar 2(a) merupakan hasil pencocokan fitur pada citra yang

memiliki satu objek yaitu dompet dengan citra lain yang memiliki lima buah objek di mana

salah satu objek adalah dompet yang memiliki posisi yang sama dan ukuran berbeda.

Gambar 2(b) merupakan hasil pencocokan fitur pada citra yang memiliki satu objek yaitu

menara Eiffel dengan citra lain yang memiliki tiga buah objek di mana salah satu objek

adalah menara Eiffel yang memiliki posisi dan ukuran yang sama. Berdasarkan Gambar 2,

metode ORB dapat mencocokan fitur pada kedua citra tersebut secara tepat.

8

(a)

(b)

Gambar 2. Hasil Pencocokan Fitur pada Citra dengan Satu Objek

Gambar 3 merupakan hasil pencocokan fitur pada citra yang memiliki satu objek yaitu

power bank dengan citra lain yang memiliki lima buah objek di mana salah satu objek power

bank dengan ukuran yang sama tetapi posisi yang berbeda. Berdasarkan Gambar 3, metode

ORB dapat mencocokan fitur pada kedua citra tersebut secara tepat walaupun objek

mengalami perubahan posisi.

Gambar 3. Hasil Pencocokan Fitur pada Citra dengan Satu Objek Memiliki Posisi Berbeda

Gambar 4 merupakan hasil pencocokan fitur pada citra yang memiliki dua objek yaitu

power bank dan dompet dengan citra lain yang memiliki lima buah objek di mana terdapat

9

objek power bank dan dompet dengan ukuran yang sama tetapi posisi yang berbeda.

Berdasarkan Gambar 4, metode ORB dapat mencocokan fitur pada kedua citra tersebut

secara tepat.

Gambar 4. Hasil Pencocokan Fitur pada Citra dengan Dua Objek Memiliki Posisi Berbeda

Gambar 5 merupakan hasil pencocokan fitur pada citra yang memiliki satu objek yaitu

dompet dengan citra lain yang memiliki lima buah objek di mana terdapat objek dompet

memiliki ukuran berbeda dan mengalami rotasi 90o. Berdasarkan Gambar 5, metode ORB

dapat mencocokan fitur pada kedua citra tersebut secara tepat walaupun citra memiliki

ukuran berbeda dan mengalami rotasi 90o.

Gambar 4. Hasil Pencocokan Fitur pada Citra dengan Satu Objek Mengalami Rotasi 90o

KESIMPULAN DAN SARAN

Pencocokan fitur pada citra menggunakan metode ORB yang dikemukakan

dalam penelitian ini dapat mencocokan dua citra berdasarkan fitur titik secara tepat.

Hasil uji coba juga menunjukkan metode ORB dapat mencocokan fitur meskipun citra

mengalami perubahan posisi, rotasi maupun perubahan skala.

10

Pada penelitian selanjutnya, dapat dikembangkan pencocokan fitur tidak hanya

berdasarkan pada pencocokan titik tetapi pencocokan garis, area maupun bentuk

lainnya. Selain itu, metode ORB dapat dikembangkan lebih lanjut sehingga tidak hanya

sebatas pada pencocokan fitur tetapi dapat digunakan dalam pengenalan objek.

DAFTAR PUSTAKA

[1] R. Munir, Pengolahan citra digital. Bandung: Informatika, 2007.

[2] H. Bay, A. Ess, T. Tuytelaars, dan L. V. Gool, “Speeded-Up Robust Features

(SURF),” Computer Vision and Image Understanding, vol. 110, no. 3, hal. 346 – 359,

2008.

[3] S. Winder, G. Hua, dan M. Brown, “Picking the best DAISY,” Proc. IEEE

International Conference on Computer Vision and Pattern Recognition (CVPR),

2009, hal. 178 – 185.

[4] K. Mikolajczyk dan C. Schmid, “A performance evaluation of local descriptors,”

IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, no. 10,

hal. 1615 – 1630, 2005.

[5] D. G. Lowe, “Distinctive image features from scale-invariant keypoints,”

International Journal of Computer Vision (IJCV), vol. 60, no. 2, hal. 91 – 110, 2004.

[6] E. Rublee, V. Rabaud, K. Konolige, dan G. Bradski, “ORB: An efficient alternative

to SIFT or SURF,” Proc. IEEE International Conference on Computer Vision, 2011,

hal 2564 – 2571.

[7] E. Rosten, R. Porter, dan T. Drummond, “Faster and better: a machine learning

approach to corner detection,” IEEE Transactions on Pattern Analysis and Machine

Intelligence, vol. 32, no. 1, hal.105 – 119, 2010.

[8] M. Calonder, V. Lepetit, C. Strecha, dan P. Fua, “BRIEF: Binary Robust Independent

Elementary Features,” 11th European Conference on Computer Vision (ECCV), 2010,

hal. 778 – 792.

[9] D. Fenomena, D. Herumurti, dan J. L. Buliali, “Deteksi kendaraan pada citra udara

beresolusi sangat tinggi di area perkotaan dengan menggunakan metode ekstraksi

oriented fast and rotated brief,” Jurnal Teknik ITS, vol. 5, no. 2, hal. A277 – A280,

2016.

11

[10] I G. L. T. Sumantara, I P. A. Bayupati, dan N. K. A. Wirdiani, “Rancang bangun

aplikasi pengenalan ukiran Bali dengan metode ORB,” Merpati, vol. 5, no. 1, hal. 51

– 56, 2017.

[11] M. Ramadhani dan D. H. Murti, “Klasifikasi ikan menggunakan Oriented Fast and

Rotated Brief (ORB) dan K-Nearest Neighbor (KNN),” Jurnal Ilmiah Teknologi

Informasi (JUTI), vol. 16, no. 2, hal. 115 – 124, 2018.

[12] J. Xingteng, W. Xuan, dan D. Zhe, “Image matching method based on improved

SURF algorithm,” IEEE International Conference on Computer and Communications

(ICCC), 2015, hal. 142 – 145.

[13] P. L. Rosin, “Measuring Corner Properties,” Computer Vision Image Understanding,

vol. 73, hal. 291 – 307, 1999.

1