İNSANSIZ HAVA ARACI GÖRÜNTÜLERİNDEN KENTSEL ALANLARDA ARAÇ TESPİTİ

It is very important for the planning, management and sustainability of urban areas, especially in metropolitan cities to automatically detect and analyze the change of objects such as buildings, trees, and vehicles using satellite images or aerial photographs with various methods. Obtaining this information with classical methods such as terrestrial measurements causes a lot of time, cost and labor loss. Hence, it is important that the work done in this area is detected by automatic or semi-automatic methods using satellite images or aerial photographs. In this thesis, an approach has been developed for the detection of stationary vehicles from very high spatial resolution color and three band (Red, Green, Blue) images obtained by unmanned aerial vehicles (UAV) in urban areas. Images were taken with a UAV at the Beytepe Campus of Hacettepe University in the study. In this study, first, a digital surface model (DSM) was generated by image matching and automatic correlation technique followed by orthophoto production. Then, three test fields (Test Area # 1, Test Area # 2 and Test Area # 3) with different characteristics were selected from the orthophoto of the whole study area. In the next step, multiresolution segmentation followed by supervised classification was performed using three band (RGB) orthophoto data and elevation data as an additional band. Then, a reference dataset in vector format was created by drawing a closed area over the outer boundaries of each stationary vehicle in the test fields from the orthophotos. At the last stage of the work, stationary vehicles determined by the proposed method and the reference dataset are overlaid and accuracy analyses are performed. In this context, vehicle detection percentages and quality percentages are calculated and reviewed by considering the accuracy values in three different categories as True Positive (TP), False Positive (FP) and False Negative (FN). According to the obtained results, the vehicle detection percentage for test area # 1 is 88.99%, the quality percentage is 51.56%, the vehicle detection percentage for test area # 2 is 78.53%, the quality percentage is 55.17% and the vehicle detection percentage for test area # 3 is 92.15% calculated as 72.43%. It has been observed that the heights of nonvehicle objects such as buildings and trees in test areas influence accuracy analyses. In particular, the stationary vehicles parked in close proximity to each other and the ones that are surrounded by the trees and parked under the roofs of the buildings are affecting the results negatively. It was observed that the accuracy of the DSM and the point density directly affected the vehicle detection percentage. Hence, it is expected that an increase in the spatial and spectral resolution of the orthophoto as well as an increase in the accuracy of the DSM will increase the vehicle detection percentage and the percentage of quality values. Obtained results show that automatic detection of stationary vehicles from very high spatial resolution RGB images can be performed with high accuracy using the method proposed in this thesis study.Kentsel alanlarda ve özellikle yoğun metropol şehirlerde uydu görüntüleri ya da hava fotoğrafları kullanılarak çeşitli yöntemlerle görüntü üzerindeki birbirinden farklı özellikteki bina, ağaç ve araç gibi nesnelerin otomatik olarak tespiti ve değişim analizi yapmak kentsel alanların planlanması, yönetimi ve sürdürülebilirliği için oldukça önemlidir. Söz konusu bu bilgilerin yersel ölçümler gibi klasik metotlarla elde edilmesi oldukça fazla zaman, maliyet ve işgücü kaybına neden olmaktadır. Bu sebepten dolayı bu alanda yapılan çalışmaların uydu görüntüleri veya hava fotoğrafları kullanılarak otomatik veya yarı otomatik yöntemler ile tespit edilmesi önem arz etmektedir. Bu tez çalışmasında insansız hava araçlarından (İHA) çekilerek elde edilen çok yüksek konumsal çözünürlüklü renkli ve üç bantlı (Kırmızı, Yeşil, Mavi) görüntülerden kentsel alanlarda sabit araçların tespiti için bir yaklaşım geliştirilmiştir. Çalışmada veri olarak Hacettepe Üniversitesi Beytepe Yerleşkesinde bir insansız hava aracı (İHA) ile alımı yapılan görüntüler kullanılmıştır. Çalışmada ilk olarak görüntü eşleme ve otomatik korelasyon tekniği ile İHA görüntülerinden sayısal yüzey modeli (SYM) ve ardından ortofoto üretilmiştir. Sonra, tüm çalışma alanı için elde edilen ortofoto üzerinden birbirinden farklı özelliklere sahip üç adet test alanı (Test Alanı #1, Test Alanı #2 ve Test Alanı #3) seçilmiştir. Bir sonraki aşamada, her bir test alanı için, üç bantlı (KYM) ortofoto verisi ve ek bant olarak yükseklik verisi de kullanılarak toplam dört bantlı veriye önce çoklu çözünürlük segmentasyon işlemi ve ardından kontrollü sınıflandırma işlemi uygulanmıştır. Daha sonra, ortofoto görüntüleri üzerinden, test alanları içerisindeki her bir sabit araç geometrik şekil itibariyle dış sınırları üzerinden kapalı birer alan olarak çizilerek, vektör veri formatında referans veri seti oluşturulmuştur. Çalışmanın son aşamasında, önerilen yöntem ile tespit edilen sabit araçlar ve referans veri seti çakıştırılarak doğruluk analizleri yapılmıştır. Bu bağlamda, doğruluk değerleri Doğru Pozitif (True Positive - TP), Yanlış Pozitif (False Positive - FP) ve Yanlış Negatif (False Negative - FN) olarak üç farklı kategoride ele alınarak araç tespit yüzdeleri ve kalite yüzdeleri hesaplanmış ve elde edilen sonuçlar sayısal olarak yorumlanmıştır. Elde edilen sonuçlara göre, Test Alanı #1 için araç tespit yüzdesi % 88.99, kalite yüzdesi % 51.56, Test Alanı #2 için araç tespit yüzdesi % 78.53, kalite yüzdesi % 55.17 ve Test Alanı #3 için araç tespit yüzdesi % 92.15, kalite yüzdesi % 72.43 olarak hesaplanmıştır. Test alanlarında yer alan bina ve ağaç gibi araç dışı nesnelerin yüksekliklerinin doğruluk analizlerini etkiledikleri görülmüştür. Özellikle otopark alanlarındaki sabit araçların, birbirlerine çok yakın şekilde park edilme durumu ve etrafındaki ağaçların ve bina çatılarının altında kalma durumu sonuçları olumsuz yönde etkilemektedir. Kullanılan SYM’nin doğruluğu ve nokta yoğunluğunun da araç tespit yüzdesini doğrudan etkilediği görülmüştür. Dolayısıyla, kullanılan ortofotonun konumsal ve spektral çözünürlüğü ile SYM’nin doğruluğunun artmasının araç tespit yüzdesi ve kalite yüzdesi değerlerinin her ikisini de artırması beklenmektedir. Elde edilen sonuçlar, bu tez çalışmasında önerilen yöntemle sabit araçların çok yüksek konumsal çözünürlüklü K, Y, M görüntülerinden otomatik tespitinin yüksek doğrulukla yapılabildiğini göstermektedir