Forum Optical Flow

Kelas AA: Tracking kendaraan bermotor

Kelas AA: Tracking kendaraan bermotor

oleh IRMA AMELIA DEWI -
Jumlah balasan: 13

Estimasi kecepatan kendaraan

Mahasiswa menganalisis video lalu lintas menggunakan teknik optical flow untuk mengestimasi kecepatan kendaraan. Hasilkan visualisasi vektor kecepatan untuk tiap kendaraan serta hitung rata-rata kecepatannya.

Indikator Penilaiannya
Judul Rubrik: Estimasi kecepatan kendaraan - Analisis Aliran Optik

Kriteria

3

2

1

Pemahaman tentang Aliran Optik

Mahasiswa menunjukkan pemahaman yang mendalam tentang aliran optik dan aplikasinya dalam menganalisis video lalu lintas.

Mahasiswa menunjukkan pemahaman dasar tentang aliran optik dan aplikasinya dalam menganalisis video lalu lintas.

Mahasiswa menunjukkan pemahaman terbatas tentang aliran optik dan aplikasinya dalam menganalisis video lalu lintas.

Analisis Video Lalu Lintas

Mahasiswa secara akurat menganalisis video lalu lintas menggunakan teknik aliran optik untuk memperkirakan kecepatan kendaraan. Visualisasi vektor kecepatan kendaraan jelas dan akurat.

Mahasiswa sebagian menganalisis video lalu lintas menggunakan teknik aliran optik untuk memperkirakan kecepatan kendaraan. Visualisasi vektor kecepatan kendaraan agak jelas dan akurat.

Mahasiswa mencoba menganalisis video lalu lintas menggunakan teknik aliran optik untuk memperkirakan kecepatan kendaraan, tetapi analisisnya tidak lengkap atau tidak akurat. Visualisasi vektor kecepatan kendaraan kurang jelas dan akurat.

Penghitungan Kecepatan Rata-rata

Mahasiswa dengan benar menghitung kecepatan rata-rata setiap kendaraan berdasarkan analisis aliran optik.

Mahasiswa sebagian menghitung kecepatan rata-rata setiap kendaraan berdasarkan analisis aliran optik.

Mahasiswa mencoba menghitung kecepatan rata-rata setiap kendaraan berdasarkan analisis aliran optik, tetapi perhitungan tersebut tidak benar atau tidak lengkap.
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh RADEN NURALIF SATRIA KUSUMAH -

152021024 - Muhammad Ilyas

152021029 - Raden Nuralif

152021031 - Ajri Inda Robby

992023091 - Ellyn Pramesti Azlina

992023089 - Dikna Dwi Suci

Jadi dari video yang telah diproses menggunakan teknik optical flow video akan berubah menjadi abu dan video akan lebih lambat dari video originalnya karena pemrosesan ini dilakukan setiap frame nya. Dapat terlihat titik titik yang menjadi acuan kecepatan perpindahan suatu objek dari frame satu ke frame yang lainnya, Kecepatan suatu objek dapat kita identifikasi melalui titik titik yang berubah bentuk menjadi garis ketika suatu objek melintas, Kecepatan dapat diukur dari panjangnya garis.

Input : https://drive.google.com/file/d/1it7Jvj9keTcEOJV5BSNj6vGJZe_WUVCN/view?usp=drive_link

Output : https://drive.google.com/file/d/1bloiVX49Zl9Fcfyki4qIR_443Xg9jSio/view?usp=drive_link

 

Lampiran Screenshot 2023-11-28 113655.png
Lampiran WhatsApp Image 2023-11-28 at 11.16.41_f638f69d.jpg
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh MUHAMMAD ARKAN ADLI -


Kelompok 5:
152021036 Ariq Bagus Sugiharto
152021168 Muhammad Arkan Adli
992023090 Egy Firmansyah
992023099 Riri Eriska
992023100 Syariah

Analisis : 

Kami menganalisis video lalu lintas menggunakan teknik optical flow untuk mengestimasi kecepatan kendaraan dengan lakah-langkah seperti berikut ini:
1. Pemilihan Data Vidio
Vidio lalu lintas diambil secara realtime denggan durasi
2. Pre-Pemrosesan Video
Pemrosesan awal vidio dilakukan untuk mmeningkatkan kualitas dang mengurangi noise kemudian vidio di konversi ke format yang apat diolah dan pengaturan parameter yang sesuai.
3. Implementasi Aliran Optik
Menggunakan metode Lucas-Kanade dalam implementasi aliran optik untuk menghitung vektor pergerakan di setiap piksel pada setiap bingkai vidio. Metode Lucas-Kanade menggunakan pendekatan lokal dengan mengasumsikan bahwa perubahan intensitas cahaya yang terkait dengan pergerakan objek adalah linier di sekitar suatu titik. Sehingga cocok untuk situasi di mana pergerakan objek relatif kecil dalam lingkup lokal, seperti pada objek yang bergerak secara konsisten di sekitar area tertentu. Selain itu metode ini juga memiliki perhitungan yang efisien sehingga cocok untuk aplikasi waktu nyata (real-time) serta metode ini tahan terhadap gangguan seperti noise pada citra. Sehingga untuk tiap poligon akan dianggap sebagai area ROI yang berbeda pula sehingga, nantinya jika terdapat objek bergerak pada daerah ROI tersebut nantinya akan diberlakukan proses perhitungan aliran optik.
4. Perhitungan Kecepatan Kendaraan
Digunakannya informasi vektor pergerakan untuk menghitung kecepatan relatif setiap kendaraan untuk tiap poligonnya dengan menyesuaikan luas poligon dengan perpindahan pixel sehingga bisa menghitung kecepatan dari objek yang bergerak.

Tantangan :

Tantangan dalam mengolah vidio lalu lintas ini:
1. Noise dalam video atau perubahan cahaya yang tiba-tiba dapat mempengaruhi kualitas aliran optik.
2. Pengaturan parameter algoritma harus disesuaikan dengan baik untuk kondisi video spesifik dan pergerakan yang diharapkan.

3. Mobil yang melewati dua poligon yang sudah ditentukan akan dianggap sebagai objek berbeda

Link Video : https://www.youtube.com/shorts/AEd7tev39Ns

Gambar Hasil Program

Gambar Interaksi Kelompok 

Sebagai balasan MUHAMMAD ARKAN ADLI

Re: Kelas AA: Tracking kendaraan bermotor

oleh EUIS SITI ZUERIYAH -
152021013 DAFFA ARHAMA SIDQI
152021035 ARIB ARKAAN FADHULLAH
992023092 ENAD NADIROH
992023093 EUIS SITI ZUERIYAH
992023095 FARHAN FAUZAN

Pemrosesan Video :
Video lalu lintas harus diproses frame demi frame. Setiap frame akan diambil dan dianalisis untuk mengidentifikasi objek, dalam hal ini, kendaraan.

Pelacakan Objek :
Objek, seperti kendaraan, akan dilacak dari satu frame ke frame berikutnya. Aliran optik akan digunakan untuk melacak perubahan posisi objek antara frame-frame tersebut.

Perhitungan Vektor Kecepatan :
Dengan melacak perubahan posisi objek dari waktu ke waktu, kita dapat menghitung vektor kecepatan kendaraan. Ini melibatkan mengukur perubahan jarak dan waktu antara posisi kendaraan dalam frame-frame berurutan.

Visualisasi Vektor Kecepatan :
Vektor kecepatan kendaraan dapat divisualisasikan dengan menggunakan panah atau vektor pada posisi kendaraan dalam setiap frame. Panah ini akan menunjukkan arah dan besar kecepatan kendaraan relatif terhadap pergerakan kendaraan tersebut dalam video.
 
Input : https://drive.google.com/file/d/1ElmfgPrF1QhOch2X2w7raIN5jJ6G5uz2/view?usp=sharing atau https://youtu.be/ZcOmut9Xkq8
 
Output : https://drive.google.com/file/d/1rpR1xT-sAc0A5JsX8rCX16AtiR9pfUyk/view?usp=sharing atau https://youtu.be/6om9j_mZvl8
Lampiran gambar
Lampiran ss kelompok
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh NI NYOMAN MERYANTI -
Ni Nyoman Meryanti 992023048
Tiur Rosa Derawati Butar Butar 992023003
Ramzi Syuhada 152021080
Muhammad Fadlansyah zikri 152021078
Aziz Firdaus 152021017


https://drive.google.com/file/d/19PXFwTRhz-HsFjqgI_jy0MN6tQ-iRs-E/view?usp=sharing

dari hasil analisis kami terdapat bintik bintik pada output program di karenakan ada pencahayaan yang kurang stabil dan terdapat noise pada video, jika terdapat objek yang tidak bergerak maka pada output program tidak akan menampilkan optical flow (pergerakan objeknya)
Sebagai balasan NI NYOMAN MERYANTI

Re: Kelas AA: Tracking kendaraan bermotor

oleh MUHAMMAD FADLANSYAH ZIKRI AKHIRUDDIN RAWOSI -
Analisis :
1. Program akan membaca dua frame pertama dan kemudian diubah menjadi citra grayscale, untuk proses selanjutnya akan menggunakan citra grayscale tersbut.
2. Selanjutnya akan digunakan loop untuk melakukan proses optical flow, dengan membandingkan frame dengan frame sebelumnya menggunakan metode lucas-canade dengan menggunakan cv2.calcOpticalFlowFarneback(). setelah itu akan didapatkan arah pergerakan objek dari setiap piksel dalam bentuk vektor.
3. Setelah itu arah pergerakan dari objek divisualisasikan. selanjutnya vektor yang sudah didapatkan akan di konversi ke dalam representasi warna dalam bentuk HSV. Di dapatkan citra yang menunjukan arah pergerakan sebagai warna dan juga magnitudo pergerakan sebagai kecerahan.
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh MUHAMAD TAOPIK HIDAYATTULLOH -
152021010_M.iksan Rifai
152021034_Gery akbar
152021007_Muhamad Taopik
992023035_Fajar
Laporan Analisis Kode Optical Flow
Ketika menganalisis kode visualisasi optical flow menggunakan OpenCV dan Python, terdapat beberapa pertimbangan yang perlu diperhatikan. Khususnya, masalah terkait dengan warna hitam dan merah pada visualisasi dapat terjadi karena konversi dari warna HSV ke BGR

Penyebab Masalah:
Kode menggunakan konversi dari ruang warna HSV ke BGR untuk menampilkan citra optical flow. Namun, kombinasi warna pada komponen Hue (H) dan Value (V) mungkin tidak selalu memberikan hasil yang diharapkan.

Pada dasarnya, warna yang dihasilkan oleh visualisasi optical flow dapat bervariasi tergantung pada preferensi dan tujuan pengguna. Eksperimen dengan konversi warna, nilai-nilai Hue (H) dan Value (V) dapat membantu mencapai hasil yang diinginkan.
 
Output video :
https://drive.google.com/file/d/1ubREKh5b4CZli3g6gZTKjXXlTF3YreZg/view?usp=sharing 
Lampiran WhatsApp Image 2023-11-28 at 11.35.43_7ec7d126.jpg
Lampiran WhatsApp Image 2023-11-28 at 11.39.20_9e12aa31.jpg
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh LUTHFY FAHLEVI AMARULLAH -

NRP 152021015 Luthfy Fahlevi Amarullah

152021012 Agung Ismail

152021026 Adrico Alexander Purba

 

Dari video yang telah diproses menggunakan teknik optical flow, video akan mengalami perubahan warna menjadi abu-abu, dan kecepatan video akan berkurang dibandingkan dengan video aslinya karena proses ini diaplikasikan pada setiap framennya. Panah  yang menjadi acuan untuk kecepatan perpindahan suatu objek dari satu frame ke frame lainnya dapat terlihat. Kecepatan suatu objek dapat diidentifikasi melalui titik-titik yang berubah bentuk menjadi garis ketika objek tersebut melintas. Kecepatan dapat diukur dari panjang garis yang dihasilkan.

implementasi Optical Flow menggunakan metode Farneback pada OpenCV dengan Python.

 

Output : https://drive.google.com/file/d/16aCHwi2MtP65ppSjRP-VN8HsXHlXVeMs/view?usp=sharing

Input : https://drive.google.com/file/d/1Xvx_h3v0RcFjkZ_bLrnHayuyROdS1f_F/view?usp=sharing

 

 

 

 

 

 
 
Lampiran 123.jpg
Lampiran Bukti 25.jpg
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh MUHAMMAD RIZKI HERDIAN -

Anggota :

Muhammad Rizki Herdian 152021006

Martin Halawa 152021231

Rendi Septia Rahman (992023098)

Fadhil Arrijal (992023094)

Kemal Farabi Habidillah (992023096)



Analisis : 

Kami menganalisis video lalu lintas menggunakan teknik optical flow untuk mengestimasi kecepatan kendaraan dengan lakah-langkah seperti berikut ini:
1. Pemilihan Data Vidio
Vidio lalu lintas diambil dari cctv cimahi
2. Pre-Pemrosesan Video
Pemrosesan ini bertujuan agar citra menjadi terbaca dan terlihatjelas
3. Implementasi  Optikal flow
Menggunakan metode Lucas-Kanade dalam implementasi aliran optik untuk menghitung vektor pergerakan di setiap piksel pada setiap bingkai vidio. Metode Lucas-Kanade menggunakan pendekatan lokal dengan mengasumsikan bahwa perubahan intensitas cahaya yang terkait dengan pergerakan objek adalah linier di sekitar suatu titik. Sehingga cocok untuk situasi di mana pergerakan objek relatif kecil dalam lingkup lokal, seperti pada objek yang bergerak secara konsisten di sekitar area tertentu.  nantinya jika terdapat objek bergerak pada daerah ROI tersebut nantinya akan diberlakukan proses perhitungan optical flow.
4. Perhitungan Kecepatan Kendaraan
Digunakannya informasi vektor pergerakan untuk menghitung kecepatan relatif setiap kendaraan untuk tiap poligonnya dengan menyesuaikan luas poligon dengan perpindahan pixel sehingga bisa menghitung kecepatan dari objek yang bergerak.

Tantangan :

Tantangan dalam mengolah vidio lalu lintas ini:
1. Tatangan disini karena tidak memakai data xml maka hanya bisa mendeteksi suatu area saja

Drive : https://drive.google.com/file/d/12PsKUQPd8pieVOQLYWch3NJe92jgaEfy/view?usp=sharing

proses pengerjaan

 

Lampiran Screenshot 2023-11-28 110333.png
Lampiran Screenshot 2023-11-28 110402 (1).png
Lampiran Screenshot 2023-11-28 110402.png
Lampiran WhatsApp Image 2023-11-28 at 11.53.46_209846fa.jpg
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh NADYA KHAIRUNISA LUBIS -
KELOMPOK 12:
Alma Rondeng 992023002
Nadya Khairunisa Lubis 992023027
Bramantio Syahrul Alam 152021178
Keindra Bagas Maulana 152021229
M. Bintang Firdaus W 152021162

codingan:

import cv2
import numpy as np

# Buka video
cap = cv2.VideoCapture("cctv.mp4")

if not cap.isOpened():
print("Error: Unable to open video.")
exit()

# Baca dua bingkal pertama
ret, frame1 = cap.read()

if not ret:
print("Error: Unable to read the first frame.")
exit()

prev_frame = frame1
prev_gray = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)

# Buat window untuk visualisasi optical flow
hsv = np.zeros_like(frame1)
hsv[..., 1] = 255

# Faktor konversi piksel ke meter (gunakan asumsi sederhana)
pixel_to_meter = 0.1

while True:
# Baca bingkai berikutnya
ret, frame2 = cap.read()

if not ret:
break

# Hitung optical flow menggunakan algoritma Lucas-Kanade
flow = cv2.calcOpticalFlowFarneback(
prev_gray,
cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY),
None, 0.5, 3, 15, 3, 5, 1.2, 0
)

# Konversi ke polar coordinates
magnitude, _ = cv2.cartToPolar(flow[..., 0], flow[..., 1])

# Estimasi kecepatan mobil (rata-rata magnitude dari semua vektor pergerakan)
average_speed_pixel = np.mean(magnitude)

# Konversi kecepatan ke km/h
average_speed_kph = average_speed_pixel * pixel_to_meter * 30 * 3.6 # Asumsi 30 fps

# Tampilkan kecepatan di frame
cv2.putText(frame2, f"Estimated Speed: {average_speed_kph:.2f} km/h", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

# Berikan warna pada citra berdasarkan magnitude optical flow
hsv[..., 0] = np.arctan2(flow[..., 1], flow[..., 0]) * 180 / np.pi / 2
hsv[..., 2] = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)

# Konversi dari ruang warna HSV ke BGR
flow_rgb = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

# Gabungkan hasil optical flow dengan bingkai asli
result = cv2.addWeighted(frame2, 1, flow_rgb, 1, 0)

# Tampilkan citra hasil
cv2.imshow("Optical Flow", result)

# Tunggu tombol 'Esc' untuk keluar
if cv2.waitKey(25) & 0xFF == 27:
break

# Ganti bingkal sebelumnya dengan bingkai saat ini
prev_frame = frame2.copy()
prev_gray = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)

# Tutup semua jendela
cap.release()
cv2.destroyAllWindows()

hasil analisis:

penjelasan analisis:
Implementasi dari optical flow menggunakan metode Farneback yang merupakan pengembangan dari metode lucas-kanade untuk mengestimasi kecepatan pergerakan objek dalam sebuah video yang menghasilkan perkiraan optical flow yang lebih baik untuk pergerakan yang lebih kompleks.

Optical flow adalah teknik untuk melihat pergerakan objek dalam suatu scene berdasarkan perubahan intensitas piksel antar dua frame berturut-turut. Dalam pemantauan lalu lintas, penggunaan metode Lucas-Kanade dapat membantu dalam memperkirakan pergerakan kendaraan atau titik-titik penting lainnya dalam rekaman video, memberikan informasi yang lebih detail dan akurat tentang pergerakan yang terjadi.

Hasil Optical Flow tersebut berubah block hijau yang menunjukan kecepatan mobil tersebut terestimasi, yang dimana kecepatan mobil dihitung berdasarkan rata-rata  dari semua vektor pergerakan, kemudian dikonversi ke kilometer per jam seperti pada gambar yang diestimasikan. 

link gdrive: 
https://drive.google.com/drive/folders/143shnfsahmmfMBoilLEUmShZf94MUFfR?usp=sharing
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh JUNIOR AL FANI -
junior alfani 152021043
muhammad rangga 152021027
Farhan alfarisi 152021045
windi iswahyuni 992023001
natasya aulianti 992023097

Pada jalur kedua terdapat warna kendaraan yang terdeteksi berwarna hijau yang berarti kendaraannya cepet, semakin hijau warna deteksi maka semakin cepet laju kendaraanya sedangkan jika warna deteksinya kurang hijau berarti lajunya kurang cepet, dalam jendela nya kami menambahkan indikator estimasi pada kecepatan object kendaraan
disini kita menggunakan metode optical flow dan algoritmanya yaitu Lucas - Kanade

- Dalam konteks pemantauan lalu lintas, teknik optical flow digunakan untuk memahami pergerakan kendaraan dari satu frame video ke frame berikutnya. Hal ini memungkinkan identifikasi arah, kecepatan, dan perubahan posisi kendaraan antar frame. Dengan optical flow, dapat dilakukan pemantauan yang lebih akurat terhadap gerakan kendaraan secara real-time dalam rekaman video, seperti yang ditunjukkan pada jalur kedua terdapat kendaraan yang terdeteksi dengan warna hijau yang berarti kendaraannya melaju dengan cepat, semakin hijau warna deteksi maka semakin cepat laju kendaraanya sedangkan jika warna deteksinya kurang hijau berarti lajunya kurang cepat, dengan kata lain kendaraan dalam kecepatan sedang/rendah. Meskipun posisi berubah, tetapi intensitas pikselnya tetap sama.

- Metode Lucas-Kanade digunakan sebagai salah satu teknik dalam estimasi optical flow yang memusatkan perhatian pada pergerakan dalam area kecil di sekitar fitur-fitur penting, misalnya, titik-titik atau sudut-sudut yang menonjol dalam citra. Dalam pemantauan lalu lintas, penggunaan metode Lucas-Kanade dapat membantu dalam memperkirakan pergerakan kendaraan atau titik-titik penting lainnya dalam rekaman video, memberikan informasi yang lebih detail dan akurat tentang pergerakan yang terjadi.
 
link YouTube : https://www.youtube.com/watch?v=PJ5xXXcfuTc
link GoogleDrive : https://drive.google.com/drive/folders/1Eq7jOQCBfOU2yhCCM_o201PNlO2jM4yU?usp=sharing
Lampiran dokumentasi_kelompok.jpg
Lampiran output.png
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh FADHILAH NURRAHMAYANTI -
Kelompok 9

Anggota:
152021008 Danang Garnadi
152021018 Fadhilah Nurrahmayanti
992023087 Agus Saefullah
992023088 Aldi Muhammad Ramadhan
992023101 Yuda Wahfiudin
 
Analisis:
1. Menentukan video realtime yang akan dianalisis, kami mengambil video realtime gerakan kendaraan di sekitar kampus
2. Untuk visualisasi flow kecepatannya, terlihat objek berupa motor yang terlintas pada frame video yang memiliki kecepatan konstan
3. menurut kami untuk hasil optikal flow adalah setiap frame terlihat lebih cerah dibandingkan dengan video aslinya
4. Berikutnya adalah terlihat objek berupa motor melintas itu berwarna biru muda, asumsi kami objek terdekat atau objek yang bergerak ke arah kiri akan dideteksi dengan warna biru muda,dan begitu pun sebaliknya, objek yang warna merah berarti objek terjauh atau bergerak ke arah kanan akan dideteksi dengan warna merah
5. visualisasi optical ini menggunakan open cv, maka hasil program kami tidak dapat mendeteksi kecepatan objek dengan kecepatan konstan
 
Link Video dan Output:
https://drive.google.com/drive/folders/1KDMvt804k6wjUgs1wQiugYukzUQpQQhS?usp=sharing
 
Dokumentasi Kelompok:
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh TAUFIQUR RAHMAN -

Kelompok 8

Firhan Hafiansyah        152021004
Taufiqur Rahman          152021021
Tegar Ferdinansyach    152021028
Dhevan Fasya R            152021030
Rizki Maulana D            152023600

Analisis

sistem mendeteksi objek kendaraan dengan menggunakan metode lucas-kanade dimana masukan berupa video yang diloop tiap framenya, masing-masing frame diubah kedalam citra grayscale yang kemudian dibandingkan dengan citra frame sebelumnya, hasil dari perbandingan lucas kanade diambil nilai magnitud(besar) dan angel(arah) ke dalam koordinat polar agar lebih mudah dalam visualisasi. kemudian berikan warna pada objek berdasarkan arah dan magnitude

hasil dari estimasi kecepatan kendaraan menggunakan teknik optical flow computer berhasil medeteksi dan melacak pergerakan pada video hanya saja program belum bisa menghitung kecepatan kedaraan tersebut, selain itu kami menemukan beberapa kelemahan berupa jika kedaraan bertumpuk atau overlap program akan menganggap kedua kendaraan sebagai 1 kedaraan dan juga semakin jauh kedaraan dari kamera semakin sulit di baca program karena objek jauh akan di anggap background dan juga perubahan pixel sangat kecil yang akan terbaca sebagai objek diam

Lampiran WhatsApp Image 2023-11-28 at 12.02.31.jpeg
Sebagai balasan IRMA AMELIA DEWI

Re: Kelas AA: Tracking kendaraan bermotor

oleh MUHAMMAD AKRAM SEPTI PRATAMA -

Lazuardi Akbar S- 152021019
Adam Arif D- 152021011
M Akram A - 152021025
Nofebri Klara S - 992023024
Cindy Angeline -992023033

kami menggunakan classifier haar cascade untuk mendeteksi mobil pada setiap frame video dan menggunakan pelacak korelasi menggunakan library untuk melacak dari pergerakan mobil. estimasi kecepatan mobil dihitung dari perbedaan posisi mobil dari 2 frame berturut-turut, selain itu kami menggunakan tkinter untuk label yang bisa memberikan informasi terkaitan pelacakan

https://drive.google.com/drive/folders/103dYWh1jPtR25XO79u3DcHPndHsDYM_t?usp=sharing

Lampiran grup.jpg
Lampiran halo.jpg