【數據集合集】智能交通和無人駕駛相關
- 一、無人駕駛數據集：
- 1. The H3D Dataset：
- 2. nuscenes：
- 3. ApolloCar3D：
- 4. KITTI Vision Benchmark Suite：
- 5. Cityscape Dataset：
- 6. Mapillary Vistas Dataset：
- 7. CamVid：
- 8. Caltech Pedestrian Dataset：
- 9. Comma.ai：
- 10. Oxford's Robotic Car：
- 11. BBD1000K：
- 12. Udacity Dataset：
- 13. NCLT Dataset：
- 14. Ford Campus Vision and Lidar DataSet：
- 15. DIPLECS Autonomous Driving Datasets：
- 16. The SYNTHIA dataset：
- 二、交通標識數據集：
- 1. LaRA：
- 2. KUL Belgium Traffic Sign Dataset：
- 3. LISA Traffic Sign Dataset：
- 4. Bosch Small Traffic Lights Dataset：
- 5. CCTSDB：
- 6. DFG：
- 7. GTSRB：
- 8. Mapillary Traffic Sign Dataset：
- 9. Tsinghua-Tencent 100K
- 三、車輛檢測數據集：
轉載請先聯繫作者~
作者主頁：https://blog.csdn.net/weixin_44936889
一、無人駕駛數據集：
1. The H3D Dataset：
官網：
https://usa.honda-ri.com/h3d
論文地址：
https://arxiv.org/abs/1903.01568
簡介：
本田研究所於2019年3月發佈其無人駕駛方向數據集。本數據集使用3D LiDAR掃描儀收集的大型全環繞3D多目標檢測和跟蹤數據集。 其包含160個擁擠且高度互動的交通場景，在27,721幀中共有100萬個標記實例。
2. nuscenes：
官網：
論文地址：
https://arxiv.org/abs/1903.11027
簡介：
安波福於2019年3月正式公開了其數據集，並已在GitHub公開教程。數據集擁有從波士頓和新加坡收集的1000個“場景”的信息，包含每個城市環境中都有的最複雜的一些駕駛場景。該數據集由140萬張圖像、39萬次激光雷達掃描和140萬個3D人工註釋邊界框組成，是迄今爲止公佈的最大的多模態3D 無人駕駛數據集。
3. ApolloCar3D：
官網：
http://apolloscape.auto/car_instance.html
論文地址：
https://arxiv.org/abs/1811.12222v1
簡介：
該數據集包含5,277個駕駛圖像和超過60K的汽車實例，其中每輛汽車都配備了具有絕對模型尺寸和語義標記關鍵點的行業級3D CAD模型。該數據集比PASCAL3D +和KITTI（現有技術水平）大20倍以上。
4. KITTI Vision Benchmark Suite：
官網：
http://www.cvlibs.net/datasets/kitti/raw_data.php
論文地址：
http://www.cvlibs.net/publications/Geiger2012CVPR.pdf
簡介：
KITTI數據集由德國卡爾斯魯厄理工學院和豐田美國技術研究院聯合創辦，用於評測立體圖像(stereo)，光流(optical flow)，視覺測距(visual odometry)，3D物體檢測(object detection)和3D跟蹤(tracking)等計算機視覺技術在車載環境下的性能。KITTI包含市區、鄉村和高速公路等場景採集的真實圖像數據，每張圖像中最多達15輛車和30個行人，還有各種程度的遮擋與截斷。整個數據集由389對立體圖像和光流圖，39.2 km視覺測距序列以及超過200k 3D標註物體的圖像組成[1] ，以10Hz的頻率採樣及同步。總體上看，原始數據集被分類爲’Road’, ’City’, ’Residential’, ’Campus’ 和 ’Person’。對於3D物體檢測，label細分爲car, van, truck, pedestrian, pedestrian(sitting), cyclist, tram以及misc組成。
5. Cityscape Dataset：
官網地址：
https://www.cityscapes-dataset.com/
論文地址：
https://arxiv.org/abs/1604.01685
簡介：
專注於對城市街景的語義理解。 大型數據集，包含從50個不同城市的街景中記錄的各種立體視頻序列，高質量的像素級註釋爲5000幀，另外還有一組較大的20000個弱註釋幀。 因此，數據集比先前的類似嘗試大一個數量級。 可以使用帶註釋的類的詳細信息和註釋示例。
6. Mapillary Vistas Dataset：
官網地址：
https://www.mapillary.com/dataset/vistas?pKey=xyW6a0ZmrJtjLw2iJ71Oqg&lat=20&lng=0&z=1.5
簡介：
數據集是一個新穎的大規模街道級圖像數據集，包含25,000個高分辨率圖像，註釋爲66個對象類別，另有37個類別的特定於實例的標籤。通過使用多邊形來描繪單個對象，以精細和細粒度的樣式執行註釋。
7. CamVid：
官網地址：
http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/
論文地址：
http://www0.cs.ucl.ac.uk/staff/G.Brostow/papers/Brostow_2009-PRL.pdf
簡介：
劍橋駕駛標籤視頻數據庫（CamVid）是第一個具有對象類語義標籤的視頻集合，其中包含元數據。 數據庫提供基礎事實標籤，將每個像素與32個語義類之一相關聯。 該數據庫解決了對實驗數據的需求，以定量評估新興算法。 雖然大多數視頻都使用固定位置的閉路電視風格相機拍攝，但我們的數據是從駕駛汽車的角度拍攝的。 駕駛場景增加了觀察對象類的數量和異質性。
8. Caltech Pedestrian Dataset：
官網地址：
http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/
論文地址：
https://pdollar.github.io/files/papers/DollarCVPR09peds.pdf
簡介：
加州理工學院行人數據集包括大約10小時的640x480 30Hz視頻，這些視頻來自在城市環境中通過常規交通的車輛。 大約250,000個幀（137個近似分鐘的長段）共有350,000個邊界框和2300個獨特的行人被註釋。 註釋包括邊界框和詳細遮擋標籤之間的時間對應。 更多信息可以在我們的PAMI 2012和CVPR 2009基準測試文件中找到。
9. Comma.ai：
官網地址：
https://comma.ai/
論文地址：
https://arxiv.org/abs/1812.05752
簡介：
7.25小時的高速公路駕駛。 包含10個可變大小的視頻片段，以20 Hz的頻率錄製，相機安裝在Acura ILX 2016的擋風玻璃上。與視頻平行，還記錄了一些測量值，如汽車的速度、加速度、轉向角、GPS座標，陀螺儀角度。 這些測量結果轉換爲均勻的100 Hz時基。
10. Oxford’s Robotic Car：
官網地址：
https://robotcar-dataset.robots.ox.ac.uk/
論文地址：
https://journals.sagepub.com/doi/abs/10.1177/0278364916679498
簡介：
超過100次重複對英國牛津的路線進行一年多采集拍攝。 該數據集捕獲了許多不同的天氣，交通和行人組合，以及建築和道路工程等長期變化。
11. BBD1000K：
官網地址：
https://bdd-data.berkeley.edu/
論文地址：
https://bair.berkeley.edu/blog/2018/05/30/bdd/
簡介：
超過100K的視頻和各種註釋組成，包括圖像級別標記，對象邊界框，可行駛區域，車道標記和全幀實例分割，該數據集具有地理，環境和天氣多樣性。
12. Udacity Dataset：
官網地址：
https://github.com/udacity/self-driving-car
論文地址：
https://ieeexplore.ieee.org/abstract/document/8460913
簡介：
Udacity 開放無人駕駛訓練數據，爲世界上每個希望進入這個行業的人提供學習的機會。現在Udacity開放了源代碼和對應的訓練模型，主要包含了如下內容：
- Deep Learning Steering Models : 通過多層神經網絡預測汽車轉向角
- Camera Mount ：攝像頭及鏡頭安裝的硬件標準
- Annotated Driving Datasets ：已經標註過的駕駛數據 3.3G
- Driving Datasets ：超過10個小時的駕駛數據（雷達、攝像頭等） 290G
- ROS Steering Node : 與ROS節點的對接方式
13. NCLT Dataset：
官網地址：
http://robots.engin.umich.edu/nclt/
論文地址：
http://robots.engin.umich.edu/nclt/nclt.pdf
簡介：
包括全方位圖像，3D激光雷達，平面激光雷達，GPS和本體感應傳感器，用於使用Segway機器人收集的測距。並添加了地面真實姿勢估計中關鍵幀的協方差。這些邊緣協方差是從SLAM圖中提取的，並以與數據集中其他協方差相同的格式記錄。
14. Ford Campus Vision and Lidar DataSet：
官網地址：
http://robots.engin.umich.edu/SoftwareData/Ford
論文地址：
http://robots.engin.umich.edu/uploads/SoftwareData/Ford/ijrr2011.pdf
簡介：
提供了基於改進的福特F-250皮卡車的自動地面車輛測試臺收集的數據集。該車輛配備了專業（Applanix POS LV）和消費者（Xsens MTI-G）慣性測量裝置（IMU），Velodyne 3D激光雷達掃描儀，兩個推掃式前視Riegl激光雷達和Point Grey Ladybug3全向攝像頭系統。在這裏，我們提供了這些安裝在車輛上的傳感器的時間記錄數據，這些數據是在2009年11月至12月期間在福特研究園區和密歇根州迪爾伯恩市區附近駕駛車輛時收集的。這些數據集中的車輛路徑軌跡包含多個比例尺閉環，對於測試各種最新狀態的計算機視覺和SLAM（同時定位和映射）算法應該很有用。
15. DIPLECS Autonomous Driving Datasets：
官網地址：
https://cvssp.org/data/diplecs/
論文地址：
https://www.researchgate.net/publication/331723628
簡介：
通過在Surrey鄉村周圍駕駛的汽車中放置高清攝像頭來記錄數據集。 該數據集包含大約30分鐘的駕駛時間。 視頻爲1920x1080，採用H.264編解碼器編碼。 通過跟蹤方向盤上的標記來估計轉向。 汽車的速度是從汽車的速度表OCR估算的（但不保證方法的準確性）。
16. The SYNTHIA dataset：
官網地址：
http://synthia-dataset.net/
簡介：
包括從虛擬城市渲染的照片般逼真的幀集合，併爲13個類別提供精確的像素級語義註釋：天空，建築，道路，人行道，圍欄，植被，杆，汽車，標誌，行人， 騎自行車的人，車道標記。
二、交通標識數據集：
1. LaRA：
官網地址：
http://www.lara.prd.fr/lara
論文地址：
暫無
簡介：
巴黎的交通信號燈數據集。
2. KUL Belgium Traffic Sign Dataset：
官網地址：
https://people.ee.ethz.ch/~timofter/traffic_signs/
論文地址：
https://people.ee.ethz.ch/~timofter/publications/Mathias-IJCNN-2013.pdf
簡介：
具有10000多個交通標誌註釋的大型數據集，數千個物理上不同的交通標誌。 用8個高分辨率攝像頭錄製的4個視頻序列安裝在一輛麪包車上，總計超過3個小時，帶有交通標誌註釋，攝像機校準和姿勢。 大約16000張背景圖片。 這些材料通過GeoAutomation在比利時，佛蘭德斯地區的城市環境中捕獲。
3. LISA Traffic Sign Dataset：
官網地址：
http://cvrr.ucsd.edu/LISA/vehicledetection.html
論文地址：
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.926.7532&rep=rep1&type=pdf
簡介：
LISA交通標誌數據集是一組包含美國交通標誌的視頻和帶註釋的幀。它分爲兩個階段發佈，一個階段僅包含圖片，一個階段同時包含圖片和視頻。這些圖像現在可用，而完整的數據集正在進行中，並將很快提供。（官網也有車輛和紅綠燈檢測數據集）
4. Bosch Small Traffic Lights Dataset：
官網地址：
https://hci.iwr.uni-heidelberg.de/content/bosch-small-traffic-lights-dataset
論文地址：
https://ieeexplore.ieee.org/document/7989163/
簡介：
該數據集包含13427個分辨率爲1280x720像素的攝像機圖像，幷包含約24000個帶註釋的交通信號燈。註釋包括交通信號燈的邊界框以及每個交通信號燈的當前狀態。相機圖像以原始的12位HDR圖像的形式提供，該原始HDR圖像是通過紅-清晰-藍色濾鏡拍攝的，以及重構的8位RGB彩色圖像。RGB圖像用於調試，也可以用於訓練。
5. CCTSDB：
官網地址：
https://github.com/csust7zhangjm/CCTSDB
論文地址：
https://doi.org/10.3390/a10040127
簡介：
CSUST Chinese Traffic Sign Detection Benchmark 中國交通數據集由長沙理工大學綜合交通運輸大數據智能處理湖南省重點實驗室張建明老師團隊製作完成。到目前爲止，已經上傳圖像15734張，全部的groundtruth也已經上傳。 聲明：目前的標註數據只有三大類：指示標誌、禁止標誌、警告標誌。
6. DFG：
官網地址：
https://www.vicos.si/Downloads/DFGTSD
論文地址：
https://arxiv.org/pdf/1904.00649.pdf
簡介：
包括 200 個交通標誌類別捕獲在斯洛文尼亞公路跨越約 7,000 高分辨率圖像。圖像是由斯洛文尼亞 DFG 諮詢公司提供和註釋的。RGB 圖像是通過安裝在一輛汽車上的攝像頭獲得的，這輛汽車行駛在斯洛文尼亞六個不同的自治市。這些圖像數據是在農村和城市地區獲得的。從收集的大量數據中，只選擇了包含至少一個交通標誌的圖像。此外，選擇是這樣進行的，通常有一個顯着的場景變化之間的任何一對選定的連續圖像。
7. GTSRB：
官網地址：
https://www.kaggle.com/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign
論文地址：
https://www.researchgate.net/publication/224260296_The_German_Traffic_Sign_Recognition_Benchmark_A_multi-class_classification_competition
簡介：
德國交通標誌基準測試是在2011年國際神經網絡聯合會議（IJCNN）上舉行的多類，單圖像分類挑戰。具有以下屬性：單圖像，多類別分類問題；超過40個類別；總共超過50,000張圖像；大型逼真的數據庫。
8. Mapillary Traffic Sign Dataset：
官網地址：
https://www.mapillary.com/dataset/trafficsign
論文地址：
https://arxiv.org/abs/1909.04422
簡介：
10萬幅高分辨率圖像，其中5.2萬幅圖像所有交通標誌全標註，4.8萬幅圖像部分標註；
300個交通標誌類別，32萬+個包圍框；
覆蓋全球6大洲多個地理位置；
含有天氣、季節、時刻、相機和視角等的多樣性變化；
該庫非常值得做自動駕駛、目標檢測等的朋友參考。對於非商業性質的研究是完全免費的，商業應用則需要聯繫官方獲得授權。
9. Tsinghua-Tencent 100K
官網地址：
https://cg.cs.tsinghua.edu.cn/traffic-sign/tutorial.html
論文地址：
https://cg.cs.tsinghua.edu.cn/traffic-sign/0682.pdf
簡介：
清華和騰訊合作，part1 17.8G。號稱創建了一個大型交通標誌的benchmark，有超過100k的圖像數據集，包含了30k的交通標誌，這些圖像涵蓋了照明度和天氣變換的差異。源代碼和CNN模型都是公開可用的。
三、車輛檢測數據集：
1. VOC2012：
官網地址：
https://arleyzhang.github.io/articles/1dc20586/
論文地址：
https://pjreddie.com/media/files/VOC2012_doc.pdf
簡介：：
PASCAL VOC挑戰賽 （The PASCAL Visual Object Classes ）是一個世界級的計算機視覺挑戰賽, PASCAL全稱：Pattern Analysis, Statical Modeling and Computational Learning，是一個由歐盟資助的網絡組織。
該挑戰的主要目標是從現實場景中的多個視覺對象類別中識別對象（即非預先分割的對象）。從根本上說，這是一個監督學習的問題，因爲它提供了一組帶有標籤的圖像的訓練。已選擇的二十個對象類是：
人：人
動物：鳥，貓，牛，狗，馬，綿羊
車輛：飛機，自行車，輪船，公共汽車，汽車，摩托車，火車
室內：瓶子，椅子，餐桌，盆栽，沙發，電視/顯示器
有3個主要的對象識別競賽：分類，檢測和分割，動作分類競賽和ImageNet進行的大規模識別競賽。此外，在人員佈局方面還開展了“品嚐”競賽。
2. MS COCO dataset：
官網地址：
https://cocodataset.org/#home
論文地址：
https://arxiv.org/pdf/1405.0312.pdf
簡介：：
COCO數據集是一個大型的、豐富的物體檢測，分割和字幕數據集。這個數據集以scene understanding爲目標，主要從複雜的日常場景中截取，圖像中的目標通過精確的segmentation進行位置的標定。圖像包括91類目標，328,000影像和2,500,000個label。
COCO數據集有91類，雖然比ImageNet和SUN類別少，但是每一類的圖像多，這有利於獲得更多的每類中位於某種特定場景的能力，對比PASCAL VOC，其有更多類和圖像。
3. UA-DETRAC：
官網地址：
http://detrac-db.rit.albany.edu/
論文地址：
https://arxiv.org/pdf/1511.04136.pdf
簡介：：
UA-DETRAC是一個具有挑戰性的真實世界多目標檢測和多目標跟蹤基準。該數據集包括在中國北京和天津的24個不同地點使用Cannon EOS 550D相機拍攝的10小時視頻。視頻以每秒25幀（fps）的速度錄製，分辨率爲960×540像素。UA-DETRAC數據集中有超過14萬個幀，手動註釋了8250個車輛，總共有121萬個標記的對象邊界框。我們還對目標檢測和多目標跟蹤中的最新方法以及本網站中詳述的評估指標進行基準測試。
4. Boxcar：
官網地址：
https://hyper.ai/datasets/9213
論文地址：
https://www.cv-foundation.org/openaccess/content_cvpr_2016/app/S12-56.pdf
簡介：：
BoxCars116k 數據集由布爾諾理工大學發佈，包括 116000 張車輛圖像。這些圖像皆由多個監控攝像頭拍攝，且來自於多個觀察點。該數據集可被用作於交通車輛檢測等領域的研究。
5. BIT車輛數據集：
官網地址：
http://iitlab.bit.edu.cn/mcislab/vehicledb/
論文地址：
暫無
簡介：：
數據集包含9,850輛車輛圖像。數據集中有16001200和19201080的圖像，分別來自於兩個不同時間和地點的相機。圖像包含光照條件、尺度、車輛表面顏色和視點的變化。由於捕捉延遲和車輛尺寸的原因，一些車輛的頂部或底部沒有包含在圖像中。在一幅圖像中可能有一輛或兩輛車，因此每輛車的位置都是預先註釋的。該數據集還可用於評價車輛檢測的性能。數據集中的所有車輛被分爲六類:公共汽車、微型客車、小型貨車、轎車、SUV和卡車。每車型車輛數量分別爲558、883、476、5922、1392、822輛。
6. Vehicle Image Dataset：
官網地址：
https://www.gti.ssr.upm.es/data/Vehicle_database.html
論文地址：
暫無
簡介：：
該數據庫包含3425 張車輛後方圖像從不同的角度拍攝，並從不包含車輛的道路序列中提取了3900張圖像。選擇圖像以使車輛類別的代表性最大化，這自然包括高可變性。
7. Nepalese Vehicles:
官網地址：
https://github.com/sdevkota007/vehicles-nepal-dataset
論文地址：
暫無
簡介：：
該圖像數據集是我最後一年的本科項目“ 使用圖像處理進行車輛檢測和道路交通擁堵測繪”的一部分。總共30部交通視頻，每部約。從加德滿都的不同街道拍攝了4分鐘，並從視頻幀中手動裁剪了車輛的圖像。
8. TME Motorway Dataset：
官網地址：
http://cmp.felk.cvut.cz/data/motorway/
論文地址：
http://cmp.felk.cvut.cz/data/motorway/paper/itsc2012.pdf
簡介：：
由28個視頻片段組成，總計27分鐘的視頻，該數據集包括30,000多個帶有車輛註釋的幀。