Pedestrian-Traffic-Lights (PTL)

Pedestrian-Traffic-Lights (PTL)是一个高质量的街道交叉口图像数据集，用于检测行人交通灯和斑马线。图像在天气、位置和方向以及交叉口的大小和类型方面有所变化。

Pedestrian-Traffic-Lights (PTL) is a high-quality dataset of street intersection images, designed for the detection of pedestrian traffic lights and crosswalks. The images vary in terms of weather conditions, location and orientation, as well as the size and type of intersections.

原始信息汇总

数据集概述

数据集名称

ImVisible: Pedestrian Traffic Light Dataset

数据集内容

• 图像数据：包含街景交叉口的图像，标注了行人交通灯颜色和斑马线位置。
• 图像特征：图像在天气、位置、方向以及交叉口大小和类型方面具有多样性。

数据集统计

• 图像总数：5059张
• 分割情况：
  • 训练集：3456张（68.3%）
  • 验证集：864张（17.1%）
  • 测试集：739张（14.6%）

标签信息

• 标签格式：每张图像的标签包括文件名、类别、坐标（x1, y1, x2, y2）和阻塞标记。
• 类别定义：
  • 0: Red
  • 1: Green
  • 2: Countdown Green
  • 3: Countdown Blank
  • 4: None
• 类别分布：
  • Red: 1477张（29.2%）
  • Green: 1303张（25.8%）
  • Countdown Green: 963张（19.0%）
  • Countdown Blank: 904张（17.9%）
  • None: 412张（8.1%）

数据集下载

• 下载链接：
  • 训练用图像：876x657分辨率
  • 验证和测试用图像：768x576分辨率
  • 全分辨率数据集：4032x3024分辨率 和 4032x3024分辨率

模型信息

• 模型名称：LytNet
• 模型功能：识别交通灯颜色和预测斑马线位置。
• 模型性能：
  • LytNet V1：
    • 精度：Red 0.97, Green 0.94, Countdown Green 0.99, Countdown Blank 0.86
    • 召回：Red 0.96, Green 0.94, Countdown Green 0.96, Countdown Blank 0.92
    • 角度误差：6.27度
    • 起点误差：0.0763
    • 终点误差：0.0510
  • LytNet V2：
    • 精度：Red 0.98, Green 0.95, Countdown Green 0.99, Countdown Blank 0.93
    • 召回：Red 0.96, Green 0.96, Countdown Green 0.97, Countdown Blank 0.97
    • 角度误差：6.15度
    • 起点误差：0.0759
    • 终点误差：0.0477

应用信息

• 应用类型：iOS演示应用
• 应用功能：运行LytNet模型，输出交通灯颜色和斑马线位置信息。
• 系统要求：iOS 11及以上。

搜集汇总

数据集介绍

构建方式

Pedestrian-Traffic-Lights (PTL) 数据集的构建基于对街道交叉口的高质量图像采集，涵盖了不同天气条件、位置和方向的变化，以及交叉口的大小和类型。数据集中的每张图像均标注了行人交通灯的颜色和斑马线的位置，确保了数据的多样性和实用性。图像的分辨率包括4032x3024的全分辨率版本，以及用于训练和验证的较低分辨率版本（876x657和768x576）。通过这种方式，数据集能够支持不同场景下的行人交通灯和斑马线检测任务。

使用方法

PTL 数据集的使用方法包括下载不同分辨率的图像和标注文件，并根据需要进行图像归一化处理。用户可以通过提供的CSV文件获取每张图像的标注信息，包括交通灯类别和斑马线坐标。数据集还附带了一个基于MobileNet v2的神经网络模型LytNet，用户可以使用该模型进行行人交通灯和斑马线的检测。此外，数据集还提供了一个iOS应用程序的演示项目，用户可以在支持iOS 11及以上的设备上运行该应用，实时检测行人交通灯和斑马线。通过这种方式，PTL数据集能够为视觉辅助技术的研究和开发提供有力支持。

背景与挑战

背景概述

Pedestrian-Traffic-Lights (PTL) 数据集由Samuel Yu、Heon Lee和John Kim等研究人员于2019年创建，旨在为视觉障碍者提供实时行人交通灯和人行横道识别的支持。该数据集包含高质量的道路交叉口图像，涵盖了不同天气条件、位置、方向以及交叉口类型的变化。PTL数据集的核心研究问题是通过计算机视觉技术，准确识别行人交通灯的颜色和人行横道的位置，从而帮助视觉障碍者安全过马路。该数据集及相关研究在计算机视觉和辅助技术领域具有重要影响力，推动了轻量级卷积神经网络在实时应用中的发展。

当前挑战

PTL数据集在解决行人交通灯和人行横道识别问题时面临多重挑战。首先，图像中的交通灯通常占据较小的区域，且在不同光照和天气条件下可能难以准确识别。其次，人行横道的位置和方向在图像中具有较大的变化性，增加了定位的难度。在数据集构建过程中，研究人员需要处理大量高分辨率图像，并确保标注的准确性，尤其是在多交通灯场景中选择主要交通灯时。此外，为了在移动设备上实现实时处理，研究人员还需优化神经网络结构，以在保持高精度的同时降低计算复杂度。这些挑战共同推动了轻量级卷积神经网络的设计与优化。

常用场景

经典使用场景

Pedestrian-Traffic-Lights (PTL) 数据集在计算机视觉领域中被广泛应用于行人交通信号灯和斑马线的检测任务。该数据集包含了不同天气、位置和方向的街景图像，能够有效支持深度学习模型在复杂环境下的训练和验证。通过提供高质量的标注数据，PTL 数据集为研究人员开发实时行人交通信号灯识别系统提供了坚实的基础。

解决学术问题

PTL 数据集解决了计算机视觉领域中行人交通信号灯和斑马线检测的难题。通过提供多样化的街景图像和精确的标注，该数据集帮助研究人员克服了环境复杂性带来的挑战，提升了模型在真实场景中的鲁棒性和准确性。此外，PTL 数据集还支持了轻量级神经网络（如 LytNet）的开发，使其能够在移动设备上实现实时检测，为视觉障碍者提供辅助导航功能。

实际应用

PTL 数据集的实际应用场景主要集中在智能交通系统和视觉辅助技术领域。基于该数据集训练的模型可以集成到移动应用程序中，帮助视觉障碍者识别行人交通信号灯和斑马线，从而提高他们的出行安全性和独立性。此外，该数据集还可用于城市交通管理系统的优化，通过实时监测行人流量和信号灯状态，提升交通效率和安全性。

数据集最近研究

最新研究方向

在智能交通系统领域，Pedestrian-Traffic-Lights (PTL) 数据集为行人交通灯和斑马线的检测提供了高质量图像资源，涵盖了多种天气、位置和交叉口类型的变化。近年来，基于该数据集的研究主要集中在提升轻量级卷积神经网络（如LytNet）的实时性和准确性，以支持视觉障碍者的出行辅助应用。LytNet V2相较于V1版本在精度和召回率上均有显著提升，尤其是在复杂环境下的交通灯状态识别和斑马线定位方面。此外，该数据集的应用还推动了移动端实时处理技术的发展，特别是在iOS平台上，通过优化网络结构和输入分辨率，实现了近实时的帧率处理。这些进展不仅为视觉障碍者提供了更为可靠的导航工具，也为智能交通系统的进一步研究奠定了坚实基础。