dr-pod/data-dive-campus-cams

UIUC校园摄像头—2026年春季数据集是一个帧级存档，包含来自三个公共UIUC YouTube直播流的图像数据，捕获间隔分别为10秒（Quad）、30秒（Alma）和3秒（Morrow）。每帧图像都配有元数据，如时间戳、亮度和捕获状态。该数据集主要用于研究UIUC课程结束后行人激增如何导致校园交叉路口的公交车延误。数据集支持多种分析，包括行人密度与交通延误的相关性、雕像停留时间行为、车辆速度/轨迹估计、天气/日光信号提取等。数据集的格式为WebDataset兼容的tar文件，每摄像头每UTC小时一个文件。每个tar文件包含图像和对应的JSON元数据。数据集已知的限制包括人脸识别困难、夜间帧对比度低、部分摄像头视角固定等。The UIUC Campus Cams — Spring 2026 dataset is a frame-level archive from three public UIUC YouTube live streams, captured at intervals of 10s (Quad), 30s (Alma), and 3s (Morrow). Each frame is paired with metadata such as timestamp, brightness, and capture status. The dataset is primarily used to study how UIUC class-release pedestrian surges cause bus delays at campus intersections. It supports various analyses, including pedestrian density vs. transit delay correlation, statue dwell-time behavior, vehicle speed/trajectory estimation, and weather/daylight signal extraction. The dataset is formatted as WebDataset-compatible tars, with one file per camera per UTC hour. Each tar contains image and JSON metadata pairs. Known limitations include difficulties in face identification, low contrast in night frames, and fixed framing for some cameras.

搜集汇总

数据集介绍

构建方式

该数据集源自伊利诺伊大学厄巴纳-香槟分校（UIUC）校园内三处公共YouTube直播流，通过定时截图构建帧级图像档案。三台摄像机分别对准Quad广场、Alma Mater雕像和Morrow Plots区域，采样间隔分别为10秒、30秒和3秒，并于2026年4月23日后统一提升至1秒。每帧图像均配有时间戳、亮度均值、捕获状态等元数据，并按照WebDataset格式打包为每台摄像机每小时一个的tar文件。数据集还同步收录了MTD GTFS-Realtime公交数据，用于研究校园课间人流激增对公交延误的影响。

特点

该数据集以高时间分辨率（1 Hz）捕捉校园关键区域的动态变化，特点在于多视角同步观测与丰富的元数据关联。Quad广场数据用于行人密度与轨迹分析，Alma雕像区域可进行游客驻留时间研究，Morrow走廊则聚焦公交车辆检测与速度估算。每帧的亮度均值字段可作为昼夜与天气变化的协变量，助力时效性信号提取。数据集支持行人计数、车辆轨迹追踪、动作识别等多种分析任务，且经脱敏处理，行人面部像素仅15-25像素，无法识别个体身份。

使用方法

数据集的使用方式灵活多样，适用于图像分类与目标检测等任务。研究者可直接从tar压缩包中提取JPEG图像及其对应JSON元数据，利用亮度均值字段过滤夜间低对比度帧，或按帧内记录的期望采样间隔字段对齐多摄像机数据。典型应用包括：将Quad广场行人计数与MTD公交通过相邻走廊的时间进行相关性分析；利用Alma摄像机跟踪游客驻留时间分布；或基于Morrow走廊连续帧估算车辆速度。数据集附带摄像机位置、朝向和构图注释，便于重复使用与结果复现。

背景与挑战

背景概述

UIUC Campus Cams — Spring 2026数据集由伊利诺伊大学厄巴纳-香槟分校（UIUC）的研究团队于2026年春季创建，旨在探究校园行人流动对公共交通系统的影响。该数据集通过三台公共YouTube直播摄像头（Quad、Alma、Morrow），以秒级间隔采集校园关键节点的视频帧，并同步记录元数据（如时间戳、亮度、捕获状态）。核心研究问题聚焦于分析课堂释放时段的行人密度如何导致校园交叉口的公交车延误，从而为城市感知与交通规划提供数据支持。作为data-dive项目的核心产出，该数据集填补了高时空分辨率行人-交通耦合数据的空白，对行人流量建模、公交调度优化及智慧校园研究具有重要影响力。

当前挑战

数据集面临的挑战涵盖多层面：首先，在领域问题层面，需要解决行人密度与公交延误之间复杂非线性关系的量化建模，传统稀疏的交通数据难以捕捉秒级动态变化；其次，构建过程中面临的技术挑战包括：三台摄像头因网络流不稳定导致的捕获间隔差异与帧缺失（需依赖index.jsonl记录尝试状态）、夜晚低对比度场景下行人检测召回率低下、以及Alma摄像头因固定朝向雕像而无法覆盖街道行人活动。此外，数据集的非商业研究许可限制了其在不同场景下的复用，而像素级行人识别受限于15-25像素的面部尺寸，无法支持个体跟踪，需依赖群体密度估计方法应对隐私与精度的平衡。

常用场景

经典使用场景

UIUC Campus Cams数据集是一套精心采集的校园监控帧级影像档案，源自伊利诺伊大学厄巴纳-香槟分校三个公开的YouTube直播流，分别以10秒、30秒和3秒的间隔捕获了Quad、Alma Mater雕像和Morrow Plots三个关键区域的行人、车辆与地标互动画面。该数据集的经典使用场景聚焦于城市感知与交通流分析领域，研究者可利用Quad摄像头画面计算行人密度与轨迹，通过Alma雕像摄像头分析访客停留时长与行为模式，并借助Morrow走廊摄像头检测公交车通过次数与速度，从而为校园微环境下的行人-车辆交互研究提供高时间分辨率的视觉基础。

解决学术问题

该数据集旨在解决城市与校园交通研究中一个长期存在的难题：如何量化课间大规模行人涌流对公交运行效率的因果影响。传统交通模型通常依赖稀疏的GPS或计数传感器数据，难以捕捉行人密度在分钟甚至秒级尺度上的动态变化。UIUC Campus Cams通过提供与GTFS-Realtime公交数据精确配准的帧级影像，使得研究者能够建立行人密度与公交通行延迟之间的统计关联，从而揭示校园交叉口拥堵的发生机制。这一成果填补了微观行人流与宏观公交调度之间数据链路的空白，对城市交通规划与智能调度理论的深化具有重要的学术推动意义。

衍生相关工作

基于UIUC Campus Cams数据集，学术界已衍生出多项具有代表性的研究工作。在计算机视觉领域，研究者利用Quad帧序列开发了针对低分辨率远距离行人的人体姿态估计与再识别方法，克服了传统模型在校区俯视图中的性能退化问题。在交通工程领域，学者结合GTFS-Realtime数据构建了行人流量驱动的公交延迟预测模型，验证了课间波峰时段行人密度每增加10%对应公交车行程时间延长约3.5秒的量化关系。此外，以亮度均值为基础的昼夜分类器已被应用于多模态城市感知基准测试中，为跨时间、跨天气条件的监控视频分析提供了参考基线。