CRPS-D

CRPS-D数据集是迄今为止最大的真实世界停车检测基准数据集，包含各种照明分布、多样化的天气条件和具有挑战性的停车位变体。与现有数据集相比，CRPS-D拥有更大的数据规模、更高的停车位密度，尤其是更多的斜停车位。此外，数据集还包括室内外低/亮光、白天、雨天、阴影、夜间、斜向和损坏等场景，以及从视频序列中提取的子集。

搜集汇总

数据集介绍

构建方式

在自动驾驶技术蓬勃发展的背景下，环绕视觉系统为停车位检测提供了鸟瞰视角的全面环境感知。CRPS-D数据集的构建过程严谨而系统，通过侧视鱼眼摄像头采集原始图像，并转换为512×512像素的鸟瞰图，覆盖10米×10米区域。数据采集跨越多种真实场景，包括地上停车场、地下车库和街边停车区，涵盖不同时段和天气条件，如白天、夜晚、晴天、阴雨等。为确保数据多样性，采用基于停车场标识和时段的划分策略，避免数据泄漏，并通过大间隔帧采样减少视频序列中的重复样本。

特点

CRPS-D数据集在规模与复杂性上显著超越现有基准，图像总量达35,379张，停车位标注数量高达142,081个，其停车位密度达到3.98，远高于ps2.0的0.96。该数据集包含八类典型场景，如室内低光、室外阴影、夜间及损坏车位等，真实反映了复杂环境下的视觉挑战。特别值得注意的是，倾斜停车位比例提升至11.75%，有效解决了传统数据集中类别不平衡问题，为算法在狭窄街道等现实场景中的泛化能力提供了有力支撑。

使用方法

该数据集支持基于关键点检测的停车位识别范式，通过16×16网格预测包含坐标、角度、形状和类型的9维特征向量，再经模板匹配验证几何约束以确定有效车位。为降低标注成本，配套提出的SS-PSD半监督基线采用师生框架，结合置信度引导掩码一致性约束与自适应特征扰动机制，充分利用未标注数据提升模型性能。实验表明，在仅使用1/12标注数据时，该方法在CRPS-D上相较全监督基线提升达12.91%，显著推进了现实场景下的停车位检测技术发展。

背景与挑战

背景概述

随着自动泊车系统的演进，精确检测停车位已成为关键技术需求。CRPS-D数据集由北京交通大学团队于2021年构建，旨在解决现有停车位检测数据集规模有限、场景单一的问题。该数据集通过环视摄像头采集鸟瞰图像，涵盖室内外多种光照条件、天气状况及复杂停车位变体，其数据规模达到现有公开数据集的2.94倍，停车位密度提升至3.98，显著推动了真实场景下自动驾驶泊车系统的技术发展。

当前挑战

在领域问题层面，真实场景中停车位检测需应对光照突变、遮挡干扰、标线磨损等复杂环境因素，传统基于几何特征的方法难以保持稳定性。构建过程中，大规模数据标注面临人工成本高昂、标注一致性难以保障的挑战，特别是倾斜停车位占比达11.75%的样本增加了标注复杂度。此外，半监督基线SS-PSD需突破关键点几何约束下的伪标签生成难题，通过置信度引导掩码一致性机制应对未标注数据的有效利用。

常用场景

经典使用场景

在自动驾驶技术领域，CRPS-D数据集作为大规模真实世界停车位检测的基准工具，其经典应用场景聚焦于复杂环境下的停车位识别。该数据集通过集成多种光照分布、天气条件和倾斜停车位变体，为深度学习模型提供了丰富的训练样本。研究人员利用其鸟瞰视角图像，能够系统评估算法在低光照、雨雪天气及遮挡场景中的鲁棒性，推动自动泊车系统在真实道路环境中的实用化进程。

解决学术问题

CRPS-D数据集有效解决了传统停车位检测研究中数据规模有限、场景单一的核心问题。通过提供超过14万个标注停车位和3.5万张图像，该数据集显著缓解了因几何特征不足导致的检测失效困境。其引入的倾斜停车位高比例样本（11.75%）突破了现有数据集对复杂空间结构的表征局限，为研究严格几何约束下的关键点检测提供了标准化实验平台，推动了半监督学习在停车位检测领域的首次系统性探索。

衍生相关工作

CRPS-D数据集的发布催生了多项创新性研究，其中最具代表性的是基于该数据集构建的首个半监督停车位检测基准SS-PSD。该工作通过教师-学生框架与自适应特征扰动机制，开创了无标注数据在停车位检测中的高效利用范式。后续研究在此基础上发展了基于Transformer的锚点检测方法、融合视觉大模型的零样本检测框架，并推动了多传感器融合技术在复杂停车场景中的交叉应用，形成了从纯视觉到多模态协同的技术演进路径。