YOL ORTA EKSENLERİNİN YARI OTOMATİK TESPİTİ
X. UZAKTAN ALGILAMA VE COĞRAFİ BİLGİ SİSTEMLERİ SEMPOZYUMU, Trabzon, Türkiye, 15 - 17 Ekim 2026, ss.51-61, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Basıldığı Şehir: Trabzon
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.51-61
- Sivas Cumhuriyet Üniversitesi Adresli: Evet
Özet
Gelişen akıllı ulaşım ve otonom araç teknolojileri, yüksek doğruluğa sahip yol ağı ve orta eksen verilerine olan ihtiyacı artırmıştır. Bu çalışmada, OpenStreetMap (OSM) yol verileri ile iki boyutlu (2B) nokta bulutu verilerinin entegrasyonuna dayalı, yüksek konumsal doğruluğa sahip ve yarı otomatik bir yol orta ekseni çıkarım metodolojisi önerilmiştir. Yöntemin ilk aşamasında, OSM yol segmentleri altlık veri olarak kullanılmış ve olası konumsal hataların etkisini azaltmak amacıyla yol eksenleri etrafında tampon bölgeler oluşturulmuştur. Bu bölgeler içerisinde kalan nokta bulutu verileri otomatik olarak seçilmiştir. Ardından, veri setindeki yol ve etrafındaki düzlemsel yüzeylerin matematiksel tespiti amacıyla RANSAC algoritması uygulanmıştır. Elde edilen düzlemler üzerinde, yol kenarı ve refüjlerdeki yeşil dokuyu ayırt etmek amacıyla Görünür Bölge Bitki Örtüsü İndeksi (VDVI) hesaplanarak bitki örtüsüne ait gürültü noktaları veri setinden yüksek bir doğrulukla elimine edilmiştir. Yol yüzeyini temsil eden noktalar, kullanıcı denetimli bir yaklaşımla doğrulanarak yarı otomatik süreç tamamlanmıştır. Ardından, elde edilen yol düzlem noktalarından yoğunluk tabanlı olarak yol merkez hattı hesaplanmış ve yüksek konumsal doğruluğa sahip yol orta eksenleri üretilmiştir. Elde edilen sonuçlar, önerilen yöntemin OSM verilerindeki konumsal hataları azaltarak yüksek doğruluklu yol orta eksenlerinin elde edilmesinde etkili olduğunu göstermektedir. Önerilen yöntem, 2,5 m tampon tabanlı doğruluk analizi sonucunda TP, FP ve FN değerlerine dayalı olarak hesaplanan Precision (%84,47), Recall (%85,25), F1-Skoru (%84,86) ve IoU (%85,25) metriklerinde %84’ün üzerinde yüksek performans göstermiştir.
Advancements in intelligent transportation systems and autonomous vehicle technologies have significantly increased the demand for high-accuracy road network and centerline data. In this study, a semi-automatic road centerline extraction methodology with high positional accuracy is presented, leveraging the integration of OpenStreetMap (OSM) road vectors and two-dimensional (2D) point cloud data. In the initial phase of the proposed framework, OSM road segments served as baseline data, around which buffer zones were established to mitigate potential positional discrepancies. Point cloud data within these buffered regions were automatically extracted. Subsequently, the Random Sample Consensus (RANSAC) algorithm was implemented to mathematically detect planar surfaces representing the road and its immediate surroundings. On the extracted planes, the Visible Atmospherically Resistant Index (VDVI) was computed to discriminate green vegetation along road margins and medians, thereby effectively eliminating vegetation-induced noise with high precision. The candidate points representing the road surface were validated through a user-guided approach to finalize the semi-automatic workflow. Density-based spatial analysis was subsequently applied to the refined road plane points to compute the central trajectory, yielding 3D road centerlines with superior positional fidelity. The empirical results demonstrate that the proposed method successfully corrects positional errors inherent in OSM data to produce highly accurate road centerlines. Quantitative evaluation via a 2.5 m buffer-based accuracy assessment—derived from True Positive (TP), False Positive (FP), and False Negative (FN) parameters—revealed a robust performance exceeding 84% across all evaluation metrics, achieving a Precision of 84.47%, a Recall of 85.25%, an F1-Score of 84.86%, and an Intersection over Union (IoU) of 85.25%.