Determining empty parking spaces and giving directions to the user with mobile application

Öz

Today, the population density is increasing day by day and the number of vehicles in cities is increasing accordingly. For this reason, finding a parking space has become very difficult for drivers. Drivers staying in traffic to find a parking space both compress traffic and cause unnecessary fuel costs. In this study, an application has been developed where users can easily find a parking space and choose among the empty parking spaces. Cameras on the street, cameras placed for security or satellite images can be used for this study. By processing the obtained images, the places where the vehicles can park are determined and the information of the empty ones is sent to the user. Then, the user is provided with the opportunity to choose the appropriate one from the empty parking spaces and get directions to that point. Two methods were used for image processing and detection of empty parking spaces. The first of these methods detects vehicles using the background deletion algorithms, the second method uses the Haar cascade classifier. After these determinations are made, information is obtained whether the parking spaces are full or empty. The mobile application was developed with the Kotlin software language on the Android Studio platform.

Anahtar Kelimeler

• Parking space
• OpenCV
• Kotlin
• Mobile application
• Background subtraction
• Haar cascade

Boş park yerlerinin tespiti ve kullanıcıya mobil uygulama ile yol tarifi verilmesi

Öz

Günümüzde nüfus yoğunluğu her geçen gün hızla artmakta ve buna bağlı olarak şehirlerdeki araçların sayısı da artış göstermektedir. Bu nedenle park yeri bulmak sürücüler için oldukça zorlu bir hal almıştır. Sürücülerin park yeri bulmak için trafikte kalması hem trafiği daha da sıkıştırmakta hem de gereksiz yakıt masrafına sebep olmaktadır. Bu çalışmada kullanıcıların kolayca park yeri bulabilecekleri ve boş park yerleri içerisinden seçim yapabilecekleri bir uygulama geliştirilmiştir. Sokakta bulunan kameralardan, güvenlik için yerleştirilmiş kameralardan ya da uydu görüntülerinden bu çalışma için yararlanılabilir. Elde edilen görüntüler işlenerek araçların park edebileceği yerler tespit edilmekte ve kullanıcıya boş olanların bilgisi iletilmektedir. Ardından kullanıcıya boş park yerlerinden kendisine uygun olanı seçme ve o noktaya yol tarifi alma imkânı sağlanmaktadır. Görüntünün işlenmesi ile boş park yerlerinin tespiti için iki yöntemden yararlanılmıştır. Bu yöntemlerden ilki arka plan silme algoritmaları kullanılarak, ikincisi ise Haar cascade sınıflandırıcısı kullanılarak araçların tespit edilmesidir. Bu tespitlerin yapılmasının ardından park yerlerinin dolu veya boş olduğu bilgisi elde edilmektedir. Mobil uygulama, Kotlin yazılım dili ile Android Studio platformu kullanılarak geliştirilmiştir.

Anahtar Kelimeler

• Park yeri
• OpenCV
• Kotlin
• Mobil uygulama
• Arka plan çıkarma
• Haar cascade

Kaynakça

1. Önder HG, Kaplan H, Ankara’da park et-devam et sisteminin modellenmesi ile yolculuk değişimine bağlı emisyon azaltımının ölçülmesi, Gazi University Journal of Science Part C: Design and Technology, 5 (2017) 139-152 .
2. Inrix. Searching for Parking Costs Americans $73 Billion a Year, inrix.com/press-releases/parking-pain-us/ (08.09.2022).
3. Dudaklı N, Baykasoğlu A, Tam otomatik otopark sistemlerinde operasyonel planlama ve kontrol problemleri üzerine bir inceleme. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35 (2020), 2239-2254.
4. Akıncı FC, Karakaya M, Şehirlerin dijital dönüşümü: görüntü işleme yöntemlerinin boş park yerlerinin tespitinde kullanilmasi, TBD 34. Ulusal Bilişim Sempozyumu, Ankara, Türkiye, (2017).
5. Gökçe B, Sonugür G, İnsansız kara araçlarından kamera ile görüntülenen hareketli nesnelerin sınıflandırılması amacıyla geliştirilen görüntü işleme tabanlı yöntemlerin karşılaştırılması, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 015901 (2018) 1118-1129.
6. Şenel FA, Tokat S, Görüntü işleme teknikleri kullanılarak bir ortamın insan yoğunluğunun hesaplanması, ELECO'2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, Bursa, Türkiye (2012).
7. Savaş BK, İlkin S, Becerikli Y, The realization of face detection and fullness detection in medium by using Haar cascade classifiers, 24th Signal Processing and Communication Application Conference (SIU), Zonguldak, Türkiye (2016).
8. Daş R, Polat B, Tuna G, Derin öğrenme ile resim ve videolarda nesnelerin tanınması ve takibi, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31 (2019), 571-581.

9. Dikbayır H, Bülbül H, Derin öğrenme yöntemleri kullanarak gerçek zamanlı araç tespiti, TÜBAV Bilim Dergisi, 13 (2020), 1-14.
10. Amato G, Carrara F, Falchi F, Gennaro C, Meghini C, Vario C, Car parking occupancy detection using smart camera networks and deep learning, 21th IEEE Symposium on Computers and Communication, Messina, Italy (2016).
11. Almeida PRL, Oliveira LS, Britto Jr. AS, Silva Jr. EJ, Koerich AL, PKLot–A robust dataset for parking lot classification, Expert Systems with Applications, 42 (2015), 4937-4949.
12. Wu X, Wang Y, Chen H, Shu L, A parking management system based on background difference detecting algorithm, 11th International Conference on Heterogeneous Networking for Quality, Reliability, Security and Robustness, Taipei, Taiwan (2015).
13. Kayış O, Çakmak Y, Utku S, Mobil cihazlar kullanılarak kapalı alanlarda navigasyon sistemi, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24 (2018), 238-245.
14. Karasulu B, Videolardaki hareketli nesnelerin tespit ve takibi için uyarlanabilir arkaplan çıkarımı yaklaşımı tabanlı bir sistem, Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 18 (2013) 93-110.
15. Karaköse M, Baygın M, Aydın İ, Sarımaden A, Akın E, Endüstriyel sistemlerde arkaplan çıkarımı tabanlı hareketli nesne tespiti ve sayılması için yeni bir yaklaşım, Muş Alparslan Üniversitesi Fen Bilimleri Dergisi, 4 (2016) 373-381.
16. Solak S, Altınışık U, Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması, Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22 (2018) 56-65.
17. Hanbay K, Üzen H, Nesne tespit ve takip metotları: kapsamlı bir derleme, Türk Doğa ve Fen Dergisi, 6 (2017), 40-49.
18. Chowdhury T, Rahman SA, Islam F, Mallick R (2019) Automated Car Parking System with Increased Security by Digital Image Processing, Lisans Tezi, Brac University, Bangladesh, India.
19. Lopez M, Griffin T, Ellis K, Enem A, Duhan C, Parking lot occupancy tracking through image processing, EPiC Series in Computing, 58 (2019), 265–270.
20. Kuyumcu B (2018) OpenCV Görüntü İşleme ve Yapay Öğrenme, İstanbul,Türkiye, Level Kitap.
21. Eldem A, Eldem H, Palalı A, Görüntü işleme teknikleriyle yüz algılama sistemi geliştirme, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6 (2017), 44-48.
22. Webtekno/Konaray O, Adım Adım Google Android Studio: Nedir, Nasıl Kullanılır?, https://www.webtekno.com/google-Android-stuido-indir-h92271.html (02.02.2022).
23. KaewTraKulPong P, Bowden R (2002) An Improved Adaptive Background Mixture Model for Real-Time Tracking with Shadow Detection. Editors: Remagnino P, Jones GA, Paragios N, Regazzoni CS. Video-Based Surveillance Systems, 135-144, Boston, Massachusetts, USA, Springer.
24. Zivkovic Z, Improved adaptive Gaussian mixture model for background subtraction, 17th International Conference on Pattern Recognition, Cambridge, UK (2004).
25. Zivkovic Z, Heijden F van der, Efficient adaptive density estimation per image pixel for the task of background subtraction, Pattern Recognition Letters, 27 (2006), 773-780.
26. Godbehere A, Matsukawa A, Goldberg K, Visual tracking of human visitors under variable-lighting conditions for a responsive audio art installation, American Control Conference, Montreal, Canada (2012).
27. Simaremare H, Melwanda H, Abdillah A, The comparison of vehicle speed accuracy using video based mixture of Gaussian 2 method and k-nearest neighbor method, Seminar Nasional Teknologi Informasi Komunikasi dan Industri, Endonezya (2017).
28. Viola P, Jones MJ, Robust real-time face detection, International Journal of Computer Vision, 57 (2004) 137–154.
29. Dandıl E, Özkul, İ, Futbol Maçları İçin Bilgisayarlı Görü Destekli Gol Karar Sistemi(GolKaSis): Bir Prototip Çalışma, Gazi University Journal of Science Part C: Design and Technology, 7 (2019) 213-224.
30. OpenCV. CascadeClassifier, https://docs.OpenCV.org/3.4/db/d28/tutorial_cascade_classifier.html (08.09.2022).