=Paper=
{{Paper
|id=Vol-2045/Bilisim_paper_44
|storemode=property
|title= Sehirlerin Dijital Donusumu: Goruntu Isleme Yontemlerinin Bos Park Yerlerinin Tespitinde Kullanilmasi ( Digital Transformation of Cities: Use of Image Processing Methods in the Detection of Empty Parking Places)
|pdfUrl=https://ceur-ws.org/Vol-2045/15_Bilisim_2017_paper_44.pdf
|volume=Vol-2045
|authors= Fatih Can Akinci,Murat Karakaya
}}
== Sehirlerin Dijital Donusumu: Goruntu Isleme Yontemlerinin Bos Park Yerlerinin Tespitinde Kullanilmasi ( Digital Transformation of Cities: Use of Image Processing Methods in the Detection of Empty Parking Places)==
https://ceur-ws.org/Vol-2045/15_Bilisim_2017_paper_44.pdf
Şehirlerin Dijital Dönüşümü: Görüntü İşleme Yöntemlerinin
Boş Park Yerlerinin Tespitinde Kullanılması
Fatih Can Akıncı Murat Karakaya
Bilgisayar Mühendisliği Bilgisayar Mühendisliği
Atılım Üniversitesi Atılım Üniversitesi
06836, Ankara, Türkiye 06836, Ankara, Türkiye
akinci.fatihcan@atilim.edu.tr murat.karakaya@atilim.edu.tr
ÖZET milyar dolar olmaktadır [1]. Akıllı şehirler kavramıyla,
Nüfus yoğunluğundaki artış ve buna bağlı olarak artan trafik yoğunluğuna çeşitli teknolojik uygulamalarla
şehirlerdeki araç sayısının artmasıyla sürücülerin park var olan çözümlerin sayısala dönüştürülmesi veya yeni
yeri bulması gittikçe daha da zorlaşmaktadır. Park yeri çözümler üretilmesi hedeflenmektedir. Bu kapsamda,
bulmak isteyen sürücülerin trafikte daha fazla kalmasıyla park yerlerinde yaşanan sorunların azaltılması veya
hem trafik yoğunluğu hem de yakıt tüketimi artmakta, çözümü için park yerlerinin doluluk bilgisinin digital
buna bağlı olarak çevre kirliliği de olumsuz yönde yöntemlerle takip edilmesi ve sürücülere anlık olarak
etkilenmektedir. Sürücüleri boş olan park yerlerine en aktarılması hedeflenmektedir. Bu amaç için park
hızlı şekilde yönlendirmek için çeşitli uygulamalar alanlarındaki hangi park yerlerinin boş olduğunun
mevcuttur. Bu makalede park yerlerine ait bilgileri bilgisinin temin edilmesi ve daha sonra bu bilginin
belirlemede kullanılan görüntü işleme yöntemleri zamanında ve çevrimiçi olarak kullanıcılara iletilmesi
araştırılmıştır. Bu yöntemlerin başarı oranlarının gerekmektedir.
karşılaştırması yapılmış ve karşılaşılan zorluklar ortaya
çıkarılmıştır. Son olarak muhtemel araştırma konuları ve Gerek yazında gerekse uygulamalarda park yerlerinin
geliştirilebilecek noktalar üzerinde durulmuştur. müsaitlik bilgisinin edinilmesinde çeşitli sensörler
kullanılmaktadır [2]. Bu sensörlerin listesi Tablo-1’de
Anahtar Kelimeler gösterilmiştir. Her bir sensöre dayanan park yerlerinin
Akıllı Şehirler; Digital Dönüşüm; Akıllı Park Yeri; müsaitliğini tespit eden farklı sistemler geliştirilmiştir.
Görüntü İşleme; Makina Öğrenmesi, Derin Öğrenme. Geliştirilen sistemlerin çoğunluğu, kullandıkları
sensörlerin niteliklerinden dolayı; çok sayıda sensörün
ABSTRACT park yerlerine kurulumunu ve bakımını gerektirmektedir.
Increase in population and number of vehicles in cities Örneğin, bazı sistemler, her bir park yerine bir sensör
makes finding available parking space difficult. Drivers kurulumunu gerektirmektedirler. Dolayısıyla, bu tür
searching for a parking space spend much more time in sistemler, özellikle büyük otoparklar düşünüldüğünde
traffic. This leads to increase in traffic congestion and maliyetli olmaktadır.
environmental pollution. There are several applications
regarding the guidance of drivers for empty parking Tablo 1: Boş Park Yerlerinin Tespitinde Kullanılan
spaces. In this paper, image processing techniques used Sensörler
in determining parking space availability are
investigated. Performance and weak spots of these Sensör Yöntem
techniques are identified. Lastly, possible improvements Kızılötesi Işık
and future research directions are suggested.
Elektromanyetik Elektromanyetik
Keywords Piezoelektrik Mekanik, titreşim
Smart City; Digital Transformation; Smart Parking;
Image Processing; Machine Learning; Deep Learning. Mikrodalga Radar Mikrodalga
GİRİŞ
Manyetometre Manyetik
Özellikle kalabalık şehirlerde park yeri bulmak RFID Radyo Dalgaları
sürücülerin sıklıkla yaşadığı sorunların başında
gelmektedir. Sürücülerin park yeri bulmak için daha Kamera Görüntü İşleme
fazla trafikte kalması zaman kaybına ve huzursuzluğa,
daha da önemlisi çevre kirliliği ve gereksiz yakıt
tüketimine neden olmaktadır. Yapılan bir araştırmaya Ancak, bu sensörler arasından kameralar önemli bir
göre park yeri aramanın Amerikalılara maliyeti yıllık 73 avantaja sahiptirler. Örnek olarak, doğru şekilde
konumlandırılmış bir kamera çok sayıda park yerini Araçların görüntü içerisinde tespiti için köşe belirleme
kontrol edebilmektedir (Şekil 2). Ayrıca, mevcut park tekniğini kullanan araştırmalar da mevcuttur. Bu teknik
alanlarında güvenlik ve yönetim amaçlı birçok kamera ile araçların fiziksel özelliklerini sağlayan şekiller
zaten mevcuttur. Dolayısıyla, sensör olarak kameraları görüntü içerisinde aranır. İncelenmek istenen görüntü
kullanan sistemler diğer sensör çeşitlerine dayanan parçasının renk alanı değiştirilerek, görüntü üzerindeki
sistemlere göre daha maliyet etkin çözümler ışığın negatif etkisi kaldırılır [5].
sunabilmektedir. Bu yüzden son yıllarda park yerlerini
yönetiminde kameraların sensör olarak kullanılması
yönünde araştırmalar yapılmaya başlanmıştır. Bu
araştırmaların çoğu park yeri müsaitlik durumunun
belirlenmesi için çeşitli görüntü işleme teknikleri ile
farklı makina öğrenmesine dayalı alternatifler
sunmaktadırler.
Bu çalışmada, yazında önerilmiş, park yerlerinin
müsaitlik durumunu sadece görsel veri kullanarak tespit
Şekil 1: Park Yerlerinin Belirlenmesi [3]
etmek üzere geliştirilmiş sistemler kısaca sunulmuştur.
Ayrıca, önerilen sistemlerin avantaj ve dezavantajları ile Önerilen yöntemlerin testlerinin yapılması ve elde edilen
geliştirilecek yeni sistemlere ışık tutacak öneriler başarım oranlarını karşılaştırmak için çeşitli veri setleri
verilmiştir. geliştirilmiştir [4][6]. Ancak birçok çalışma kendi veri
setini kullanarak testlerini yapmış ve sonuçları bu setlere
KAMERA KULLANAN SİSTEMLERİN ÖZELLİKLERİ göre bildirmiştir. Son yıllarda yapılan çalışmalarda
Sensör olarak kamera kullanan akıllı park yeri kullanılan yöntemler ile elde edilen başarı oranları
sistemlerinde genel olarak park alanını izleyen bir veya Tablo-2’de gösterilmiştir. Tablo-2 incelendiğinde
daha çok kamera görüntüsü kullanılmıştır. Araçların park önerilen yöntemler mevcut test dataları üzerinde oldukça
ettiği park yerlerinin boş ya da dolu olarak yüksek başarı oranları ile çalışmıştır. Ancak, sonuçları
sınıflandırılması hedeflenmektedir. Bu maksatla, sunulan araştırmalar yapalırken her biri kendine has belli
öncelikle otopark görüntüleri üzerinde park yerleri varsayımlar yapmış ve ayrı veri setleri kullanmıştır.
manuel olarak ile işaretlenmiştir (Şekil-1 ve Şekil-2). Bundan dolayı önerilen yöntemlerin doğrudan gerçek
Diktörgen olarak işaretlenen görüntülerin içeriğinde araç hayat senaryolarına uygulanmasında eksikliklerin
olup olmamadığının tespiti ile park yerinin doluluk bulunduğu değerlendirilmektedir. Bu eksiklikler ve
bilgisine varılmaktadır. Bu belirlenen görüntü zorluklar aşağıda irdelenmiştir.
birimlerinde araç olup olmadığını anlamak için çeşitli
görüntü işleme ve makina öğrenme yöntemleri
kullanılmıştır. Kullanılan yöntemlerdeki görüntü işleme
ve makine öğrenme algoritmalarının bir kısmı
uygulandıkları çalışmalar ile birlikte sırasıyla Tablo-2 ve
Tablo-3’te sunulmuştur.
Tablo 2: Araştırmalarda Kullanılan Temel Görüntü İşleme
Yöntemleri
Yöntem Kaynak
Arka plan Çıkartma [3] Şekil 2:Park Yerlerinin Belirlenmesi [6]
Harris Köşe Tespiti, Renk [5] GÖRÜNTÜ İŞLEME YÖNTEMİNDE KARŞILAŞILAN
Histogram Sınıflandırması ZORLUKLAR
Özellik Noktası Algılama, Renk [7]
Histogram Sınıflandırması Gerçek zamanlı çalışma
Yapılan araştırmaların çoğunda görüntülerin işlenmesi
için gereken süre bildirilmemiştir. Park yerlerinin
Arka plan çıkarma tekniği ile hareket eden ve hareketsiz doluluğunun doğru bir şekilde algılanması sistemin
cisimlerin birbirinden ayırt edilmesi için gereken çalışması için yeterli gibi düşünülse de bu sistemlerin
referans elde edilmek istenmiştir [3]. Arka plan ortaya gerçek hayatta kullanılabilmesi için işlem zamanlarının
çıkarıldıktan sonra Geçici Harita üretilir ve böylece kısa olması gerekmektedir. Bu sayede gecikme olmadan
araçlar görüntü içerisinde tanımlanıp, takip edilebilir. Bu park yerlerinin dolu veya boş olduğu bilgileri gerçek
sayede park yerine giren ve çıkan araçlar belirlenerek zamanlı olarak takip edilebilir.
park yerlerinin boş ya da dolu olduğu bilgisi ortaya
çıkarılır.
Kamera Seçimi Değişen Işık Koşulları
Park yerlerini gözlemlemede bazı araştırmacılar hazır Araştırmalarda değişik hava koşullarında çekilen
bulunan güvenlik kameralarından alınan görüntülerin görüntüler üzerinde çalışmalar yapılmıştır. Ancak bu
kullanılmasını tercih etmiştir. Bu sayede var olan kamera görüntüler genelde bulutlu ve yağmurlu havalar dikkate
sistemi kullanıldığı için maliyet en aza indirgenmek alınmıştır. Gece olduğunda ortamın karanlık olması
istenmiştir. Birçok çalışmada, güvenlik kameralarından sebebiyle kameralardan alınan görüntüleri işlemek
elde edilen görüntüler bir sunucuya internet üzerinden neredeyse imkânsız hale gelebilir. Bu durum için
aktarılmış ve bu görüntüler üzerinde görüntü işleme karanlıkta daha iyi sonuçlar veren kameraların
algoritmaları çalıştırılmıştır [7]. Bu yöntem kullanılması gerekebilir ve bu da maliyeti arttırabilir.
kullanıldığında çeşitli sorunlar ortaya çıkmaktadır.
Algoritmaların Genele Uygulanması
Güvenlik kameralarının görüntüleri genelde düşük
kalitede ve siyah-beyaz olmaktadır. Bu görüntüler Araştırmaların genelinde bir veri kümesi üzerinde
işlenirken kaliteden ödün verildiği için çok net çalışmalar yapılmıştır. Sistemin kullanılacağı park
görülmeyen yerlerdeki araçlar düzgün yerlerine ait görüntüler üzerinde makina öğrenme
belirlenememektedir. Bu konuda renkli görüntülerin yöntemleri eğitilmiş ve testler de bu veri setleri üzerinde
daha yüksek doğrulukta sonuçlar verdiği yapılan yapılmıştır. Geliştirilen sistemlerin diğer park
araştırmada belirtilmiştir [12]. Otopark alanının boyutları alanlarından gelecek görüntüler üzerinde benzer başarım
büyüdükçe kullanılması gereken kamera sayısı oranları ile çalışabileceği tartışmalıdır. Bir veri kümesine
artacağından, büyük miktarda görüntü verisinin internet bağlı kalınarak geliştirilen algoritmaların farklı otopark
üzerinden aktarılması ağ kapasitesi bakımından sorunlara alanlarından toplanacak görüntülerin işlenmesi için
yol açabilecektir. uygun olup olmadığı araştırılmalı ve öğrenilen kuralları
yeni veri setinin analiznde de başarı ile kullanabilecek
Kameraların Göremediği Alanlar
algoritmaların geliştirilmesi hedeflenmelidir.
Görüntülerdeki bazı bölgelerin önüne ağaç, direk vb.
engeller bulunduğundan, kısıtlı veya hiç görüntü SONUÇ VE MUHTEMEL ARAŞTIRMA KONULARI
olmayan noktalardaki park yerlerinin durumunun
belirlenmesi sorun yaratmaktadır. Bazı araştırmalarda Park yerlerinde şimdiye kadar kullanılan sensörlerin
aynı park yerini izleyen birden fazla kamera büyük park alanları düşünüldüğünde kurulumları ve
görüntüsünden, ilgili bölgeyi en iyi görebilen kameranın bakımları maliyetli olmaktadır. Kamera ve elektronik
görüntüsünün kullanılmasıyla soruna çözüm aranmıştır teknolojisindeki gelişmeler sayesinde daha ucuza ve
[3]. Ancak bu yöntem, hiçbir kameranın açık ve net daha hassas kameralar üretilebilmektedir.
göremediği bir park bölgesine yönelik çözüm
Çağımızın güvenlik sorunlarına çare olarak sokaklarda
üretememektedir.
bulunan güvenlik kameraları sayısı her geçen gün
artmaktadır. Bu kameralar sayesinde az maliyet ile daha
Tablo 3: Araştırmalarda Kullanılan Makina Öğrenme
Algoritmaları
fazla alan ve daha fazla araç park yeri durumu
gözlemlenebilmektedir. Ancak görüntü işleme
Yöntem Başarı Veri Seti Kaynak teknolojisi ne kadar gelişmiş olsa da park yerlerine
Oranı Adı/Hacmi yönelik yapılan araştırmaların eksik noktaları, gerçek
hayata uygulanabilirliğe engel olmaktadır. Bu yüzden
SVN ve KNN 88%- 99% İsimsiz [5]
araştırmacılar aşağıda verilen konular üzerinde
(758 resim)
çalışabilileceklerini ve var olan çözümleri
SVN ve KNN 88%- 99% PKLot [6] iyileştirebileceklerini değerlendiriyoruz:
(695,899)
Gerçek zamanlı çalışan bir sistem için görüntü
FCM ve PSO 97.4%- İsimsiz [7] işleme sürelerinin dikkate alınması ve bu
99.5% (500 resim) sürelerin kısaltılması için algoritmaların
optimize edilmesi,
CNN 99.8%- PKLot [8]
99.9% (695,899) Güvenlik kameralarından alınan görüntülerin
kullanılması ağ üzerinde yoğunluğa veya
Nesne Takibi 85%- 99% Video [9] gecikme süresinin artmasına yol açabileceği için
(43 video) park yeri analizini yapabilmek üzere
Derin 83%- 98% CNRPark- [10] özelleştirilmiş, düşük maliyetli, yeterli hızda ve
Öğrenme, EXT doğrulukta çalışabilecek akıllı kamera
CNN (144.965) sistemlerinin tasarlanması,
KNN, LDA 80%- 90% Snippet [11] Gece ve gün batımı gibi düşük ışık veya farklı
ve SVN hava durumları (aşırı yağış, kar, sis, vb.) gibi
(10000) kameralardan elde edilecek görüntünün
Sınıflandırma
kalitesini olumsuz etkileyecek koşullara karşı [9] Màrmol, E., & Sevillano, X. (2016). QuickSpot: a
gürbüz çözümlerin üretilmesi. video analytics solution for on-street vacant parking spot
detection. Multimedia Tools and Applications, 75(24),
Kameraların tam olarak göremediği 17711-17743.
noktalardaki araç park yerlerinin doluluk
durumlarını belirlemek için durağan görüntüler [10] Amato, G., Carrara, F., Falchi, F., Gennaro, C.,
ile nesne takibi gibi video analiz yöntemlerinin Meghini, C., & Vairo, C. (2017). Deep learning for
birlikte kullanılması. decentralized parking lot occupancy detection. Expert
Systems with Applications, 72, 327-334.
Belli veri seti kullanılarak elde edilen algoritma
başarısının değişik veri setleri ile gerçek [11] Tschentscher, M., Koch, C., König, M., Salmen, J.,
uygulamalarda da benzer oranda başarılı & Schlipsing, M. (2015, July). Scalable real-time
olmasının sağlanması. parking lot classification: An evaluation of image
features and supervised learning algorithms. In Neural
Yukarıda özetlenen araştırma konuları üzerinde Networks (IJCNN), 2015 International Joint Conference
yapılacak çalışmalar ile park yerlerinin doluluk on (pp. 1-8). IEEE.
durumlarının tespitinin yüksek doğrulukla, her türlü hava
ve ışık şartlarında, kısa süre içersinde yapılması ve bu [12] C. G. del Postigo, J. Torres and J. M. Menéndez,
bilginin ihtiyaç duyacak kullanıcılara uygun arayüzler ile "Vacant parking area estimation through background
dağıtılması; yaşadığımız şehirlerin dijital dönüşümüne subtraction and transience map analysis," in IET
önemli bir katkıda bulunacaktır. Intelligent Transport Systems, vol. 9, no. 9, pp. 835-841,
11 2015.
KAYNAKÇA
[1] Inrix, “Searching for Parking Costs Americans $73 ÖZGEÇMİŞ
Billion a Year.” INRIX, July 2017, inrix.com/press- Fatih Can Akıncı
releases/parking-pain-us/. ODTÜ Elektrik-Elektronik Mühendisliği 2014 yılı
[2] G. Revathi and V. R. S. Dhulipala, “Smart parking mezunu. Şu anda Atılım
systems and sensors: A survey,” 2012 International Üniversitesi Bilgisayar
Conference on Computing, Communication and Mühendisliği bölümünde
Applications, 2012. yüksek lisans eğitimine
devam ediyor. İlgi alanları
[3] G. Amato, F. Carrara, F. Falchi, C. Gennaro, and C. arasında Nesnelerin İnterneti,
Vairo, “Car parking occupancy detection using smart görüntü işleme ve derin
camera networks and Deep Learning,” 2016 IEEE öğrenme konuları bulunuyor.
Symposium on Computers and Communication (ISCC), Telekomünikasyon alanında
2016. faaliyet gösteren özel bir
[4] P. R. de Almeida, L. S. Oliveira, A. S. Britto, E. J. şirkette tasarım mühendisi olarak çalışmaktadır.
Silva, and A. L. Koerich, “Pklot–a robust dataset for
parking lot classification,” Expert Systems with Murat Karakaya
Applications, vol. 42, no. 11, pp. 4937–4949, 2015. KHO Elektrik-Elektronik
Mühendisliğinden lisans,
[5] True, N. (2007). Vacant parking space detection in Bilkent Üniversitesinden
static images. University of California, San Diego, 17. Bilgisayar Mühendisliğinden
[6] De Almeida, P. R., Oliveira, L. S., Britto, A. S., Yüksek Lisans ve Doktora
Silva, E. J., & Koerich, A. L. (2015). PKLot–A robust derecelerini sırasıyla 1991,
dataset for parking lot classification. Expert Systems 2000 ve 2008 yılında
with Applications, 42(11), 4937-4949. almıştır. Şu anda Atılım
Üniversitesi Bilgisayar
[7] Ichihashi, H., Notsu, A., Honda, K., Katada, T., & Mühendisliği bölümünde
Fujiyoshi, M. (2009, August). Vacant parking space Doç. Dr. olarak araştırmalarını devam etmektedir.
detector for outdoor parking lot by using surveillance Araştırma alanları arasında Sensör Ağları, Doğal
camera and FCM classifier. In Fuzzy Systems, 2009. Hesaplama, Makina Öğrenmesi, Nesnelerin İnterneti, ve
FUZZ-IEEE 2009. IEEE International Conference on Görüntü İşleme konuları bulunmaktadır.
(pp. 127-134).
[8] Valipour, S., Siam, M., Stroulia, E., & Jagersand, M.
(2016, December). Parking-stall vacancy indicator
system, based on deep convolutional neural networks. In
Internet of Things (WF-IoT), 2016 IEEE 3rd World
Forum on (pp. 655-660). IEEE.