Object Classfification in Computer Vision with Discriminant Analysis

Authors

Amir Hamzahan, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Sains & Teknologi AKPRIND, Yogyakarta

Abstract

A robotic sensor system is always supported by a computer system called ‘computer vision’. The important concept of computer vision is object classfifi cation. In this study two algorithms for object classifi cation in this system will be compared. Firstly, A simple method that do not need complex computation and that considered as an informal method is called binary tree decision structure. This method is based on modest caracteristic decriptors of an object such as vertical line, horizontal line or ellipse line. Unfortunately this method has weakness in recognize an image that contaminated by a noise. Secondly, a more formal method with high variability descriptors. In this contect a multivariate statistical approach named discriminant analysis is proposed as an alternative for object classifi cation. This method is operated by computation of a function called Fisher discriminant function that can be used for separating an object. From the data simulation and analysis for calssifi cation of two object i.e. screw and bolt and three objects i.e. alphabet T,O and S it can be shown that discriminant analysis approach can classify an object better than binary decision algorithm. The superority of discriminant method is especially seen when this method is applied for classifi cation of a noisy image of object.

Bahasa Abstract

Sistem sensor robot selalu didukung oleh sebuah sistem komputer yang dikenal sebagai ‘visi komputer’. Konsep penting dalam visi komputer adalah klasifi kasi objek. Dalam kajian ini, dua buah algoritma untuk klasifi kasi objek akan dibandingkan. Pertama adalah metode sederhana yang tidak memerlukan komputasi komplek yang dianggap sebagai metode informal, disebut sebagai metode pohon keputusan biner. Metode ini bertumpu pada ciri deskriptor yang sederhana dari suatu objek seperti garis vertikal, garis horisontal atau elip. Sayangnya metode ini memiliki kelemahan dalam mengenali objek yang terkontaminasi oleh noise. Metode yang kedua adalah metode yang lebih formal dengan deskriptor yang bervariasi tinggi. Dalam konteks ini pendekatan statistik multivariat dengan metode yang disebut analisis diskriminan diajukan sebagai alternatif untuk klasifi kasi objek. Metode ini dijalankan dengan menghitung suatu fungsi yang disebut fungsi diskriminan Fisher yang dapat digunakan untuk memisahkan objek. Dari simulasi data dan analisis untuk klaifi kasi dua objek, yaitu skrup dan baut dan tiga objek ,yaitu huruf T,O dan S dapat ditunjukkan bahwa analisis diskriminan dapat mengklasifi kasi objek dengan lebih baik dari pada metode pohon keputusan biner. Kelebihan ditunjukkan terutama pada objek yang mengalami noise.

References

1. R. D. Klafter, T. A. Chmielewski, M. Negin. Robotic Engineering, An Integrated Approach, Prentice-Hall International, Inc., Englewood Cliffs, New Jersey, 1989.
2. M. C. Fairhurst. Visi Komputer untuk Sistem Robotik, Sebuah Pengantar, Terjemahan oleh Sardy S., UI Press, Jakarta, 1995.
3. T. W. Anderson. An Introduction to Multivariate Statistical Analysis, 2nd Ed., John Wiley & Sons, New York. 1984.
4. R. A. Johnson, D. W. Wichern. Applied Multivariate Statistical Analysis, Prentice-Hall Inc., New Jersey, 1982.

Recommended Citation

Hamzahan, Amir (2002) "Object Classfification in Computer Vision with Discriminant Analysis," Makara Journal of Technology: Vol. 6: Iss. 1, Article 3.
DOI: 10.7454/mst.v6i1.59
Available at: https://scholarhub.ui.ac.id/mjt/vol6/iss1/3