Automated classification of road -surface types based on crowd-sourced data

Abstract

In dieser Diplomarbeit wird eine Methode zur automatisierten Klassifizierung von Straßen- und Wegoberflächen präsentiert. Die automatische Klassifizierung von Landflächen ist ein aktives Forschungsfeld und befasst sich vor allem mit der Klassifizierung auf Basis von digitalen Luft- und Satellitenbildern. Die Klassifizierung von Straßenoberflächen anhand solcher Fotos birgt spezielle Herausforderungen, denn Straßen sind auf diesen Fotos nur wenige Pixel breit, wodurch die Anwendung gängiger Bildanalysemethoden nur beschränkt möglich ist. Die hier präsentierte Methode verfolgt einen alternativen Weg basierend auf open-source Daten, wobei das Hauptaugenmerk auf Daten von OpenStreetMap (OSM) liegt. Das System ist so gestaltet, das zusätzliche Daten (wie zum Beispiel Höheninformationen) in die Klassifizierung mit eingebunden werden können. Weiters findet die Klassifizierung in zwei verschiedenen Feinheitsstufen statt, für die eine entsprechende Taxonomie ausgearbeitet wurde. Zur Evaluierung wurden Testgebiete in Österrich und Liechtenstein herangezogen. Auf dem groben Level wurden rund 90% der Straßen korrekt klassifiziert, auf dem feinstufigen Level rund 60%. Der Vorteil der hier präsentierten Methode ist, dass sie schnell und für Gebiete weltweit einsetzbar ist, vorausgesetzt, dass ausreichend OSM Daten für die jeweilige Region verfügbar sind.

This thesis presents a method to automatically estimate road-surface types based on crowd-sourced and open source data to give cyclists an overview of the road conditions along a cycle route. Automatic classification of land-cover has been an active research field in recent years and mainly focuses on the classification of areas based on digital satellite and aerial imagery. Performing classification of road-surfaces based on such images bears some special challenges because roads have a width of only a few pixels on these photos, which makes it difficult to successfully apply classical image-analysis methods. This thesis proposes an alternative approach for road-surface classification by utilizing open source data with a focus on data from the project OpenStreetMap (OSM). The system is designed so it can be extended with additional data from other sources to improve classification results. Classification takes place at two levels, based on a coarse-to-fine-grained surface taxonomy. The method was evaluated on different testing areas in Austria and Liechtenstein. At the coarse-grained level, up to 90% of streets were correctly classified. At the fine-grained level, up to 60% of streets were correctly classified. The advantage of the proposed method is that it is fast and applicable to regions worldwide at low cost, as long as sufficient OSM data for a certain region is available.