Messung des Parkdrucks durch automatisierte Analyse von Satelliten- und Luftbildern

Luftbildgestützte Analyse des Straßenparkens

© Fraunhofer IAO

Ausgangssituation und Projektziel#

Die meisten Autos werden nicht in Garagen, sondern auf der Straße abgestellt. Im Zuge verdichteter Wohngebiete und einer wachsenden Anzahl von PKW pro Haushalt kann das zum Problem werden. In vielen Stadtgebieten hat man schon heute das Gefühl, dass es deutlich mehr Fahrzeuge als Stellplätze gibt.

Will eine Kommune hier regulierend eingreifen und zum Beispiel Bewohnerparken verordnen, muss zunächst eindeutig der Parkdruck nachgewiesen werden. Es müssen also Daten erhoben werden, ob auf einem bestimmten Straßenabschnitt tatsächlich ein so hoher Stellplatzbedarf ist, dass ein Eingriff in den öffentlichen Straßenraum gerechtfertigt ist. In der Regel erfolgt dieser Nachweis mit personalintensiven Beobachtungen und aufwändigen manuellen Zählungen vor Ort.

Lösungsansatz und Forschungsbeitrag #

Im Rahmen eines Eigenforschungsprojektes entwickeln wir eine Software zur automatisierten Analyse des Parkdrucks mit Hilfe von Luftbildern. Kommunen sollen so in die Lage versetzt werden rasch zu prüfen, wo hoher Parkdruck vorherrscht, um regulative Maßnahmen in die Wege leiten zu können. Darüber hinaus können die Daten genutzt werden, um festzustellen, wie viele Autos auf den Straßen einer Stadt abgestellt werden.

Das Vorgehen folgt einem zweistufigen Verfahren: In einem ersten Schritt werden Straßenkarten in GIS-Systemen abgebildet und die vorhandenen Stellplätze werden manuell kartiert. In einem zweiten Schritt werden Luftbilder eingeladen, die von Satelliten oder Drohnen stammen. Dabei erkennt ein KI-Algorithmus die Anzahl und Position der parkenden Fahrzeuge. Die technische Herausforderung liegt in der exakten Detektion der Fahrzeuge, die aus großer Höhe nur schwer als solche zu erkennen sind. In technischer Hinsicht nutzen wir Deep-Learningverfahren, die auf dem Keras Framework basieren und auf TensorFlow ausgeführt werden. Für die detaillierte Objekterkennung erweitern wir das neuronale Netzwerk und integrieren eigene C-Funktionen und externe Python-Bibliotheken.

 

Projektpartner: Stadt Aalen, Stadt Karlsruhe