Pelacakan kendaraan  bermotor  merupakan hal yang paling penting digunakan pada Observasi Video Lalu Lintas.  Observasi Video Lalu Lintas penting karena meningkatnya jumlah kendaraan bermotor khususnya di Indonesia. Di makalah ini dibahas mengenai pelacakan kendaraan bermotor di Jalan Tol Semarang menggunakan Kalman Filter dan Mixture of Gaussian (MoG) dengan memasukan nilai  –  nilai parameter seperti  (alpha)  I±  sebagai pembelajaran konstan dan T sebagai  nilai  Treshold Background.  Langkah pertama yang dilakukan adalah mengubah file video menjadi urutan gambar, lalu mensubstraksi foreground  yang bergerak  dari backgroundpadasetiap gambar.  Setiap pixel pada gambar dimodelkan menjadi MoG kemudian dianalisis untuk menentukan yang menjadi model background. Pixel yang menjadi anggota dari background akan berkorespondensi dengan warna background. Pixel dengan perbedaan yang besar  dengan nilai pixel background maka akan diberi label sebagai foreground. Setiap pixel  dari background  diubah secara kontinu  mengikuti  perubahan background karena berbagai kondisi.  Langkah kedua adalah untuk menghubungkan objek –  objek yang telah dideteksi pada urutan gambar 1 dengan urutan gambar berikutnya untuk menentukan identitas dan  lokasi dari sebuah objek kendaraan bermotor pada titik yang berbeda dalam sebuah urutan gambar. Untuk menjalankan langkah kedua, setiap objek kendaraan bermotor didesk ripsikan dengan atribut –  atribut seperti : posisinya(x,y), kecepatan dan ukuran, yang disebut sebagai keadaan objek.  Pelacakan posisi kendaraan aktual dapat dilakukan dengan pelacakan keadaan objek menggunakan Kalman filter.  Dari hasil eksperimen, pelacakan kendaraan di Jalan Tol Semarang lebih akurat menggunakan Kalman filter dipadukan dengan MoG dibandingkan hanya menggunakan MoG atau dengan metode Optical Flow.  Nilai I±  dan T bergantung pada kondisi video lalu lintas berdasarkan cuaca, pencahayaan dan gangguan lainnya.
[1]
W. Kruger,et al.
Real-time estimation and tracking of optical flow vectors for obstacle detection
,
1995,
Proceedings of the Intelligent Vehicles '95. Symposium.
[2]
W. Eric L. Grimson,et al.
Learning Patterns of Activity Using Real-Time Tracking
,
2000,
IEEE Trans. Pattern Anal. Mach. Intell..
[3]
Li Ma,et al.
Fire Smoke Detection in Video Images Using Kalman Filter and Gaussian Mixture Color Model
,
2010,
2010 International Conference on Artificial Intelligence and Computational Intelligence.
[4]
Guido Biffi Gentili,et al.
A versatile microwave plethysmograph for the monitoring of physiological parameters
,
2002,
IEEE Transactions on Biomedical Engineering.
[5]
Azeddine Beghdadi,et al.
Vehicle Tracking by non-Drifting Mean-shift using Projective Kalman Filter
,
2008,
2008 11th International IEEE Conference on Intelligent Transportation Systems.
[6]
Thomas Bräunl,et al.
A Reliability Point and Kalman Filter-based Vehicle Tracking Technique
,
2012
.