Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Bu çalışmada, "Akıllı Şehirler" konulu uluslararası bir Ar-Ge projesi olan INSIST projesi kapsamında geliştirilen, yaygın olarak kullanılan trafik yoğunluk haritası uygulamalarından elde edilen görüntüleri işleyerek yoğunluk verisi üreten bir yöntem sunulmaktadır. INSIST projesi, akıllı şehirlere yönelik olarak güvenlik - reklam - şehir aydınlatması uygulamalarını barındırmayı ve bu uygulamalara veri sağlamayı adreslemektedir. Akıllı Şehirler konusunun en önemli unsurlarından birisi olan akıllı ulaşım sistemlerinin kilit verilerinden birisi de trafik yoğunluk verileridir. Şehirde yaşayan ve trafikte aktif olarak var olan kişilerin akıllı yöntemler ile trafik hakkında bilgilendirilmesi, öncelikli araçlara hem en kısa hem de en uygun olan rotaların önerilmesi için trafik yoğunluk verileri çok önemli bir veri kaynağıdır. Şehrin çeşitli konumlarına farklı kamu kurumları tarafından yerleştirilen kameralar yardımıyla bu verinin elde edilmesi mümkündür, ancak bu hem maliyetli hem de kamera konum ve sayılarına bağımlı olması nedeniyle sınırlı bir yöntemdir. Bu çalışmada, bu yönteme bir alternatif olarak geliştirilen ve internet üzerinden trafik yoğunluk verilerini sunan uygulamalardan elde edilen görüntülerin işlenmesi ile trafik yoğunluk verilerini üreten bir yöntem sunulmuştur.
Processing of Traffic Density Map Images Using Image Processing
This paper presents a method which is developed in an international R&D project called INSIST on the subject "Smart Cities", to extract traffic density information from traffic density maps by implementing image processing techniques. INSIST project addresses hosting security - advertisement - lighting applications developed for smart cities and providing required data to this applications. Intelligent transport systems is a very important key feature of smart cities. One of the key data source of intelligent transport systems is traffic density data. Traffic density data is required for navigating active drivers in the traffic using smart methods and suggesting alternative routes to the emergency vehicles.Although this required data can be gathered from the video cameras located at various locations around the city, this method is very expensive and limited to the camera locations and count. This paper presents an alternative method in order to gather traffic density data. The presented method uses the screenshots of traffic density maps and processes them by image processing algorithms.
___
- [1]http://www.ibm.com/smarterplanet/tr/tr/traffic_c ongestion/visions/?re=sph, Son Erişim Tarihi: 10 Mayıs 2016.
- [2] https://itea3.org/project/insist.html, Son Erişim Tarihi: 25 Mayıs 2016.
- [3] Bajcsy R, Tavakoli M. Computer recognition of roads from satellite pictures. IEEE Transactions on Systems, Man, and Cybernetics 6 623-637; 1976.
- [4] Laptev I, Mayer H, Lindeberg T, Eckstein W, Steger C, Baumgartner A. Automatic extraction of roads from aerial images based on scale space and snakes. Machine Vision and Applications 12 23-31; 2000.
- [5] Mena JB, Malpica JA. An automatic method for road extraction in rural and semi-urban areas starting from high resolution satellite imagery. Pattern Recognition Letters 26 1201-1220; 2005.
- [6] Geman D, Geman D, Jedynak B, Jedynak B, Syntim P. An active testing model for tracking roads in satellite images. IEEE Transactions on Pattern Analysis and Machine Intelligence 18 1-14; 1995.
- [7] Hu J, Razdan A, Femiani JC, Cui M, Wonka P. Road Network Extraction and Intersection Detection From Aerial Images by Tracking Road Footprints. IEEE Transactions on Geoscience and Remote Sensing 45 4144-4157; 2007.
- [8] Boggess JE. Identification of roads in satellite imagery using artificial neural networks: A contextual approach. Technical report, Mississippi State University; 1993.
- [9] Bhattacharya U, Parui SK: An improved backpropagation neural network for detection of road-like features in satellite imagery. International Journal of Remote Sensing 18 3379-3394; 1997.
- [10] Mokhtarzade M, Zoej MJV. Road detection from high-resolution satellite images using artificial neural networks. International Journal of Applied Earth Observation and Geoinformation 9 32-40; 2007.
- [11] Dollar P, Tu Z, Belongie S. Supervised learning of edges and object boundaries. In: CVPR '06: Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 1964-1971; 2006.
- [12] Peng T, Jermyn I, Prinet V, Zerubia J: An extended phase field higher-order active contour model for networks and its application to road network extraction from vhr satellite images. In: ECCV08. 509-520; 2008.
- [13] https://www.openstreetmap.org/ Son Erişm Tarihi: 17 Haziran 2017.
- [14]http://www.movabletype.co.uk/scripts/latlong.html, Son Erişm Tarihi: 13 Temmuz 2016.
- [15]http://homepages.inf.ed.ac.uk/rbf/HIPR2/hough .htm, Son Erişm Tarihi: 17 Haziran 2017.
- ISSN: 2147-4575
- Yayın Aralığı: Yılda 3 Sayı
- Başlangıç: 2013
- Yayıncı: Akademik Perspektif Derneği
Sayıdaki Diğer Makaleler
ESEN TAŞĞIN, Hayrunnisa NADAROĞLU, AHMET ADIGÜZEL, M. Özkan BALTACI, Zeynep SÖNMEZ
Yüksek Dayanımlı Betonla Üretilmiş Kirişlerde Plastik Mafsal Boyunun Belirlenmesi
Erdal BOZKURT, T. Yaşar KATIRCIOĞLU, A. Tuğhan BALKAN
Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi
Kesikli (Kısmi) Aerobik, Hibrit ve Anaerobik Arıtma Yöntemlerinin Atık Yönetiminde Kullanılması