Nexdata/103282_Images_Driver_Behavior_Annotation_Data

---
license: cc-by-nc-nd-4.0
---
## Description
103,282-Images Driver Behavior Annotation Data. The data includes multiple ages, multiple time periods and behaviors (Dangerous behaviors, Fatigue behaviors, Visual movement behaviors). In terms of annotation, 72 facial landmarks (including pupils), face attributes, gesture bounding boxes, seatbelt bounding boxes, pupil landmarks and behavior categories were annotated in the data. This data can be used for tasks such as driver behavior analysis.

For more details, please refer to the link: https://www.nexdata.ai/dataset/1033?source=Huggingface

## Data size
103,282 images

## Population
gender distribution: male, female, race distribution: Asian, age distribution: 18~30 years old, 31~45 years old, 46~60 years old

## Collection environment
In-car Cameras

## Collection diversity
multiple ages, multiple time periods and behaviors(Dangerous behaviors, Fatigue behaviors, Visual movement behaviors)

## Collection device
binocular camera of RGB and infrared channels, the resolutions are 640x480

## Collection time
daytime, evening and night

## Image parameter
the image format is .jpeg, the annotated file format is .json

## Annotation
72 facial landmarks (including pupils), face attributes, gesture bounding boxes, seatbelt bounding boxes, pupil landmarks, behavior categories

## Desensitization
no sensitive information

## Accuracy
the accuracy of facial landmarks annotation is not less than 95%; the accuracies of gesture bounding box, seatbelt bounding box, face attribute and driver behavior label are not less than 95%

# Licensing Information
Commercial License

---
许可协议：知识共享署名-非商业性使用-禁止演绎4.0国际许可协议（CC BY-NC-ND 4.0）
---
## 数据集描述
本数据集为包含103282张图像的驾驶员行为标注数据集。数据集涵盖不同年龄段、多时段及多种行为类型（危险行为、疲劳行为、视觉动作行为）。在标注环节中，数据集已完成72个面部关键点（facial landmarks，含瞳孔）、面部属性、手势边界框（bounding box）、安全带边界框（bounding box）、瞳孔关键点以及行为类别的标注工作。该数据集可用于驾驶员行为分析等相关任务。
如需了解更多细节，请访问以下链接：https://www.nexdata.ai/dataset/1033?source=Huggingface

## 数据集规模
103282张图像

## 人群分布
性别涵盖男性、女性；种族涵盖亚洲人群；年龄分布覆盖18~30岁、31~45岁、46~60岁三个区间。

## 采集环境
车载拍摄场景

## 采集多样性
覆盖不同年龄段、多时段及多种行为类型（危险行为、疲劳行为、视觉动作行为）

## 采集设备
采用RGB与红外双通道双目相机，分辨率为640×480

## 采集时段
日间、傍晚及夜间

## 图像参数
图像格式为JPEG（.jpeg），标注文件格式为JSON（.json）

## 标注内容
72个面部关键点（facial landmarks，含瞳孔）、面部属性、手势边界框（bounding box）、安全带边界框（bounding box）、瞳孔关键点以及行为类别

## 脱敏处理
无敏感信息

## 标注精度
面部关键点标注精度不低于95%；手势边界框、安全带边界框、面部属性以及驾驶员行为标签的标注精度均不低于95%

# 许可信息
商业许可

原始信息汇总

数据集概述

数据集描述

• 名称: 103,282-Images Driver Behavior Annotation Data
• 内容: 包含多种年龄、多个时间段及行为（危险行为、疲劳行为、视觉运动行为）的驾驶员行为标注数据。
• 标注: 包括72个面部特征点（含瞳孔）、面部属性、手势边界框、安全带边界框、瞳孔特征点及行为类别。
• 用途: 适用于驾驶员行为分析等任务。

数据集大小

• 图像数量: 103,282张

数据集人口统计

• 性别分布: 男性、女性
• 种族分布: 亚洲人
• 年龄分布: 18~30岁, 31~45岁, 46~60岁

采集环境

• 设备: 车内摄像头

采集多样性

• 年龄多样性: 多个年龄段
• 时间多样性: 白天、傍晚和夜晚
• 行为多样性: 危险行为、疲劳行为、视觉运动行为

采集设备

• 摄像头: 双目摄像头，支持RGB和红外通道，分辨率为640x480

图像参数

• 图像格式: JPEG
• 标注文件格式: JSON

标注细节

• 面部特征点: 72个（含瞳孔）
• 面部属性: 包含
• 手势边界框: 包含
• 安全带边界框: 包含
• 瞳孔特征点: 包含
• 行为类别: 包含

去敏化

• 敏感信息: 无

准确性

• 面部特征点标注准确率: 不低于95%
• 手势边界框、安全带边界框、面部属性和驾驶员行为标签的准确率: 不低于95%

许可证信息

• 许可证: 商业许可证

搜集汇总

数据集介绍

构建方式

在智能交通与驾驶安全研究领域，数据采集的严谨性至关重要。该数据集通过车载摄像头系统，在真实驾驶环境中捕捉了超过十万张图像，覆盖了白天、傍晚及夜间多种光照条件。数据采集采用了配备RGB与红外通道的双目相机，分辨率统一为640x480，确保了图像质量的稳定性。样本群体涵盖了18至60岁不同年龄段的亚洲男性和女性，从而在人口统计学维度上实现了多样性。每张图像均以.jpeg格式存储，并辅以详细的JSON标注文件，为后续分析提供了结构化基础。

特点

该数据集在驾驶行为分析领域展现出显著的多维特性。其核心优势在于丰富的标注层次，不仅包含了72个面部关键点（含瞳孔）的精确定位，还提供了手势边界框、安全带检测框以及面部属性等多重注释。行为类别标注细致区分了危险行为、疲劳行为及视觉移动行为，为深入研究驾驶员状态提供了细粒度标签。数据在时间分布上覆盖全天多个时段，且在年龄、性别等人口学变量上均衡分布，增强了模型的泛化能力。标注精度均保持在95%以上，确保了数据的可靠性。

使用方法

该数据集适用于计算机视觉领域的多项研究任务，尤其在驾驶员行为分析方向具有直接应用价值。研究人员可利用其多层次标注，开发面部关键点检测、疲劳状态识别或危险行为预警模型。使用前需依据JSON文件解析标注信息，将图像与对应的行为类别、边界框及属性标签进行关联。鉴于数据已进行脱敏处理，可直接用于模型训练与评估。需要注意的是，完整数据集为商业授权，使用时应遵守相关许可协议，并可通过指定链接获取详细资源。

背景与挑战

背景概述

随着智能驾驶技术的快速发展，驾驶员行为分析成为保障交通安全的核心研究方向。Nexdata/103282_Images_Driver_Behavior_Annotation_Data数据集由Nexdata机构构建，专注于通过视觉数据解析驾驶员的多维行为模式。该数据集采集于2020年代，利用车载摄像头捕捉了超过十万张图像，涵盖不同年龄、性别及种族群体，旨在系统识别危险行为、疲劳状态及视觉移动行为等关键特征。其精细的标注体系包括72个人脸关键点、姿态边界框及安全带检测，为行为识别算法提供了高精度训练基础，显著推动了驾驶监控系统的实证研究进展。

当前挑战

在驾驶员行为分析领域，核心挑战在于如何从复杂车内环境中准确捕捉并分类细微的行为变化，例如疲劳时的眼部微动或危险驾驶中的手势变换。该数据集的构建面临多重困难：采集过程需协调不同光照条件（白天、傍晚、夜晚）及多样行为场景，确保数据时空分布的均衡性；标注工作涉及多模态信息融合，如红外与RGB通道的同步处理，以及高精度人脸关键点与行为标签的联合标注，这对标注一致性与算法鲁棒性提出了严峻考验。

常用场景

经典使用场景

在智能交通与驾驶安全领域，驾驶员行为分析是提升道路安全的关键研究方向。Nexdata/103282_Images_Driver_行为_Annotation_Data数据集通过涵盖多种年龄、时段及行为类别的图像，为研究者提供了丰富的视觉资料。该数据集最经典的使用场景在于训练和评估计算机视觉模型，以自动识别危险驾驶、疲劳状态及视觉分心行为，从而实现对驾驶员状态的实时监控与预警。

解决学术问题

该数据集有效解决了驾驶行为识别研究中数据多样性不足的学术难题。通过提供包含面部关键点、手势边界框、安全带检测及行为类别等多维度标注信息，它支持了跨年龄、跨时段的行为模式分析。其高精度标注（不低于95%）为模型训练提供了可靠基准，推动了驾驶监控算法在鲁棒性与泛化能力方面的进步，对预防交通事故具有深远意义。

衍生相关工作

围绕该数据集，学术界衍生了一系列经典研究工作。例如，基于其多模态标注特征，研究者开发了融合面部与手势信息的深度学习模型，用于精细化行为分类。同时，该数据也促进了跨域行为识别、实时异常检测等算法的优化，为智能交通领域的模型创新与标准制定提供了重要参考。