Die Verfügbarkeit flächendeckender Amtwegdaten spielt unter anderem in der Routenplanung und Navigation für Fußgänger und mobilitätseingeschränkte Personen eine bedeutende Rolle. Jedoch ist die Abdeckung dieser Daten in Quellen, wie dem freien Geodatendienst OpenStreetMap oder dem Amtlichen Topographisch-Kartographischen Informationssystem (ATKIS), verhältnismäßig gering. Ein möglicher Ansatz, fehlende Daten zu erzeugen, besteht in der Analyse sogenannter „Street-Level-Bilder“ durch die Crowd. In diesem Beitrag wird ein Ansatz zur Beurteilung der Zuverlässigkeit einer mittels Crowdsourcing durchgeführten

Gehwegerkennung in Street-Level-Bildern vorgestellt. Dazu wird eine Stichprobe von Street-Level-Bildern der Plattform Mapillary in der Testregion Heidelberg von Teilnehmern einer Crowdsourcing-Aufgabe hinsichtlich des im Bild sichtbaren Vorhandenseins von Geh-

wegen ausgewertet. Anschließend werden aus amtlichen Gehweg- und Straßendaten für das Untersuchungsgebiet Referenzdaten zum tatsächlichen Gehwegvorkommen abgeleitet. Diese werden mit den Ergebnissen der Crowdsourcing-Gehwegerkennung verglichen und so deren Zuverlässigkeit beurteilt. Die Ergebnisse zeigen, dass die Methode gut geeignet ist, um vorhandene Gehwege zu erkennen – sie werden mit einer Genauigkeit von 88% richtig interpretiert. Nicht vorhandene Gehwege, also Straßenabschnitte, die aus der Fußgänger-Routenplanung ausgeschlossen werden sollten, werden jedoch nur schlecht erkannt. In der Diskussion werden Ideen zur Verbesserung des Verfahrens gezeigt.
Schlüsselwörter:Street-Level-Bilder, Crowdsourcing, Gehwegerkennung, OpenStreetMap, Mapillary