overhead-traffic-anomalies

这是一个包含来自静态摄像头（如交叉口/环形交通岛）的交通异常数据集，共包含32个异常类别，并提供了严重性感知评估的相关性映射。数据集由三个摄像头场景组成，每个场景都提供了训练数据和测试数据，以及YOLOv8检测的对象、测试分割的异常标注、事件标签和相关性映射等。

This is a traffic anomaly dataset sourced from static cameras (e.g., intersections and roundabouts), which includes 32 anomaly categories and provides a relevance map for severity-aware assessment. The dataset consists of three camera scenarios, each offering training and testing data, as well as YOLOv8-detected objects, anomaly annotations for the test split, event labels, relevance maps, etc.

原始信息汇总

Overhead Traffic Anomalies (OTA) 数据集概述

数据集基本信息

• 许可证: CC BY-NC-SA 4.0
• 语言: 英文
• 标签: 交通、计算机视觉、异常检测、监控、轨迹、排序、NDCG
• 任务类别: 视频分类、时间序列预测、目标检测

数据集内容

• 来源: 静态俯视摄像头（交叉口/环岛）
• 异常类别: 32个类别，包含严重性感知评估的相关性映射
• 数据量: 3个摄像头场景，每个包含24小时训练视频和48小时测试视频，共1027个异常标注

数据文件

• 视频帧: WebDataset格式的.tar分片（frames-xxxxx.tar），分辨率320×180，附带全局index.csv
• 目标检测: object_detections.json文件，包含YOLOv8检测结果、跟踪ID和地理坐标
• 异常标注: anomaly-labels.csv（仅测试集）
• 标签字典: event_labels.txt
• 相关性映射: relevance_mapping.json

标注体系

• 标签值范围: -1到32
  • -1: 检测/跟踪伪影（不影响评估）
  • 0: 正常轨迹（未标注）
  • 1-32: 异常类别
• 相关性程度: 0-4级
  • 0: 误报/无意义
  • 1: 较无意义的异常
  • 2: 相关异常
  • 3: 高相关性
  • 4: 关键相关性（危险行为）

异常类别示例

• 逆向行驶 (ID: 22, 23)
• 快速驾驶 (ID: 11)
• 交通拥堵 (ID: 16)
• 截断其他车辆 (ID: 18, 19)
• 故障车辆 (ID: 25)
• 驶离道路 (ID: 28, 29)

预期用途

• 任务: 异常检测、严重性感知排序、检测/跟踪噪声鲁棒性
• 评估指标: NDCG（严重性感知排序）、AU-PR、AU-ROC

许可与引用

• 数据版权: © 2025 Starwit Technologies GmbH & Hanna Lichtenberg
• 引用文献: H. Lichtenberg, Anomaly Detection in Traffic Applications: A Probabilistic Forecasting Approach Based on Object Tracking, Master’s thesis, 2025
• 合作机构: Starwit Technologies GmbH
• 数据提供: 印第安纳州卡梅尔市

搜集汇总

数据集介绍

构建方式

在智能交通监控领域，Overhead Traffic Anomalies数据集通过静态高空摄像头系统采集了交叉口与环岛场景的交通流数据。该数据集整合了三个独立监控视角，每个视角包含24小时训练视频与48小时测试视频，总计标注1027个异常事件。数据预处理采用YOLOv8模型进行目标检测与跟踪，生成带有地理坐标的轨迹数据，并通过人工校验构建32类异常标签体系，同时引入主观严重性映射机制实现多维度评估。

使用方法

研究者可通过HuggingFace Hub接口下载完整数据集或按场景选择子集，利用index.csv时间戳实现视频帧、检测数据与异常标签的时序对齐。典型工作流包括：解析anomaly-labels.csv获取异常时间窗口，通过object_detections.json提取轨迹特征，结合relevance_mapping.json实现严重性加权评估。评估指标推荐采用NDCG@50衡量排名质量，辅以AU-PR和AU-ROC评估检测性能，WebDataset库可支持流式帧数据加载。

背景与挑战

背景概述

交通异常检测作为智能交通系统的核心研究方向，旨在通过计算机视觉技术识别道路场景中的异常事件。2025年由汉娜·利希滕贝格与Starwit Technologies GmbH联合创建的Overhead Traffic Anomalies数据集，采用静态俯拍视角捕捉交叉口与环岛场景，涵盖32类精细标注的异常行为。该数据集通过引入严重程度映射机制，为智能监控系统提供了多维评估基准，显著推动了交通场景理解与异常检测算法的协同发展。

当前挑战

该数据集需解决动态交通场景下异常行为的细粒度分类挑战，包括逆行驾驶、紧急避让等32类复杂事件的精准识别。构建过程中面临多维度难题：俯拍视角下车辆轨迹跟踪的稳定性保障，异常标注中主观判断与客观标准的平衡，以及海量视频数据与检测结果的时空对齐。此外，地理坐标映射与检测噪声过滤仍需克服传感器误差与算法局限性的双重干扰。

常用场景

经典使用场景

在智能交通监控领域，该数据集通过静态高空摄像头捕捉交叉口和环岛的交通异常事件，为计算机视觉算法提供了丰富的训练和测试素材。其经典应用场景包括基于轨迹分析的异常行为识别，如逆向行驶、超速驾驶和交通堵塞等32类异常模式的检测，支持研究者开发能够理解复杂交通场景的智能系统。

解决学术问题

该数据集有效解决了交通异常检测中标注稀缺和评估标准不统一的学术难题。通过提供精确的时间戳标注、轨迹级别的异常标签以及严重程度映射，它使研究者能够开发出具有实际应用价值的异常检测模型，推动了智能交通系统在准确性和可解释性方面的研究进展。

实际应用

在实际城市交通管理中，该数据集支撑的算法可部署于智能交通监控系统，实时检测危险驾驶行为和交通异常事件。这些技术能够帮助交通管理部门快速响应事故，优化交通流，提高道路安全性，并为智慧城市建设提供数据支持。

数据集最近研究

最新研究方向

随着智慧城市建设的深入推进，交通异常检测领域正从传统的二分类检测向细粒度严重度感知评估转型。Overhead Traffic Anomalies数据集通过引入32类精细化异常标注及五级严重度映射，为基于轨迹分析的智能交通系统提供了重要基准。该数据集支撑的前沿研究集中在多模态时空异常检测、基于NDCG指标的严重度排序算法优化，以及检测跟踪噪声下的模型鲁棒性增强。其提供的地理坐标信息与连续轨迹数据，正推动交通异常预测与城市规划决策的深度融合，为自动驾驶系统提供关键的路侧感知补充。