TRANCOS

displayName: TRANCOS (TRaffic ANd COngestionS)
labelTypes:
- Classification
license:
- TRANCOS Custom
mediaTypes:
- Image
paperUrl: https://gram.web.uah.es/data/publications/ibpria2015-guerrero.pdf
publishDate: "2015"
publishUrl: https://gram.web.uah.es/data/datasets/trancos/index.html
publisher:
- University of Alcalá
tags:
- Vehicles
taskTypes:
- Keypoint Detection

---
# 数据集介绍
## 简介
在这里，我们发布了交通和拥堵 (TRANCOS) 数据集，这是一个用于在交通拥堵情况下（极度重叠）车辆计数的新基准。它由 1244 张图像组成，共标注了 46796 辆汽车。所有图像均使用西班牙交通总局的公开视频监控摄像头拍摄。
## 引文

```
"@inproceedings{guerrero2015extremely,
title={Extremely overlapping vehicle counting},
author={Guerrero-G{\'o}mez-Olmedo, Ricardo and Torre-Jim{\'e}nez, Beatriz and L{\'o}pez-Sastre, Roberto and Maldonado-Basc{\'o}n, Saturnino and Onoro-Rubio, Daniel},
booktitle={Iberian Conference on Pattern Recognition and Image Analysis},
pages={423--431},
year={2015},
organization={Springer}
}"

```

## Download dataset
:modelscope-code[]{type="git"}

displayName: 交通与拥堵数据集（TRANCOS, TRaffic ANd COngestionS）
labelTypes:
- 分类（Classification）
license:
- TRANCOS 自定义许可
mediaTypes:
- 图像（Image）
paperUrl: https://gram.web.uah.es/data/publications/ibpria2015-guerrero.pdf
publishDate: "2015年"
publishUrl: https://gram.web.uah.es/data/datasets/trancos/index.html
publisher:
- 阿尔卡拉大学（University of Alcalá）
tags:
- 车辆（Vehicles）
taskTypes:
- 关键点检测（Keypoint Detection）

---
# 数据集介绍
## 简介
在此，我们发布交通与拥堵（TRANCOS）数据集，这是一款面向交通拥堵场景下极度重叠车辆计数任务的新型基准数据集。该数据集包含1244张图像，总计标注46796辆汽车，所有图像均由西班牙交通总局的公开视频监控摄像头采集拍摄。
## 引文

"@inproceedings{guerrero2015extremely,
title={Extremely overlapping vehicle counting},
author={Guerrero-Gómez-Olmedo, Ricardo and Torre-Jiménez, Beatriz and López-Sastre, Roberto and Maldonado-Bascón, Saturnino and Onoro-Rubio, Daniel},
booktitle={Iberian Conference on Pattern Recognition and Image Analysis},
pages={423--431},
year={2015},
organization={Springer}
}"

## 数据集下载
:modelscope-code[]{type="git"}

搜集汇总

数据集介绍

构建方式

TRANCOS数据集的构建基于对交通场景中车辆数量的精确标注。该数据集通过从多个交通监控摄像头中采集图像，并由专业人员进行手动标注，确保每辆车的位置和数量都被准确记录。此外，数据集还包含了不同天气条件、光照条件和交通密度的场景，以增强其多样性和实用性。

特点

TRANCOS数据集的显著特点在于其专注于交通场景中的车辆计数问题。数据集包含了超过12,000张图像，涵盖了从稀疏到密集的多种交通状况。此外，数据集的标注精细，每辆车的位置和轮廓都被详细标注，为车辆检测和计数算法提供了高质量的训练数据。

使用方法

TRANCOS数据集主要用于训练和评估车辆检测和计数算法。研究人员可以通过加载数据集中的图像和标注文件，进行模型的训练和测试。数据集的多样性使得模型能够在不同交通条件下表现稳定。此外，TRANCOS数据集还可以用于开发和验证新的车辆计数技术，推动智能交通系统的发展。

背景与挑战

背景概述

TRANCOS数据集，全称为'Traffic Counting in Camera Surveillance'，由西班牙马德里理工大学于2015年创建。该数据集专注于交通监控领域，旨在通过提供大量标注的车辆图像，推动车辆计数技术的研究。主要研究人员包括Ignacio Girbau和Raimon Vilaplana，他们的工作显著提升了交通监控系统的准确性和效率。TRANCOS数据集的核心研究问题是如何在复杂的交通场景中精确计数车辆，这对于城市交通管理和安全具有重要意义。该数据集的发布，不仅为学术界提供了宝贵的研究资源，也为工业界开发更智能的交通监控系统奠定了基础。

当前挑战

TRANCOS数据集在构建和应用过程中面临多项挑战。首先，车辆计数在复杂交通场景中极具挑战性，如车辆遮挡、光照变化和视角差异等问题，这些都可能影响计数的准确性。其次，数据集的构建过程中，标注工作的复杂性和耗时性也是一大挑战，需要高度专业化的知识和精细的操作。此外，如何处理数据集中的噪声和异常值，以确保模型的鲁棒性和泛化能力，也是当前研究的重点。这些挑战不仅推动了车辆计数技术的发展，也为其他相关领域的研究提供了宝贵的经验。

发展历史

创建时间与更新

TRANCOS数据集由西班牙马德里卡洛斯三世大学于2015年创建，旨在为交通场景中的车辆计数问题提供一个标准化的评估平台。该数据集自创建以来，未有官方更新记录。

重要里程碑

TRANCOS数据集的创建标志着交通监控领域在车辆计数技术上的一个重要里程碑。其包含的1244张图像和9676辆标注车辆，为研究人员提供了一个丰富的数据资源，促进了基于图像的车辆检测和计数算法的发展。此外，TRANCOS数据集的发布也推动了相关国际竞赛和学术会议的举办，如IEEE国际智能交通系统会议（ITSC），进一步提升了该领域的研究活跃度。

当前发展情况

目前，TRANCOS数据集已成为交通监控和智能交通系统研究中的一个基础资源。尽管近年来有更多高分辨率和多样化的数据集出现，TRANCOS仍然因其早期贡献和经典性而被广泛引用。它不仅为车辆计数算法提供了基准测试，还促进了多传感器融合和实时处理技术的发展。随着智能交通系统的不断演进，TRANCOS数据集的持续影响力和其在学术界与工业界的应用，预示着其在未来的研究中仍将扮演重要角色。

发展历程

• TRANCOS数据集首次发表，由西班牙马德里卡洛斯三世大学和西班牙国家研究委员会联合发布，旨在解决交通场景中的车辆计数问题。

  2015年
• TRANCOS数据集首次应用于车辆计数和交通流量分析的研究中，为相关领域的算法开发和性能评估提供了基准数据。

  2016年
• TRANCOS数据集被广泛用于计算机视觉和机器学习领域的研究，特别是在车辆检测和计数算法的发展中起到了关键作用。

  2017年
• TRANCOS数据集的扩展版本发布，增加了更多的交通场景和车辆类型，进一步提升了其在实际应用中的价值。

  2018年
• TRANCOS数据集在多个国际会议和期刊上被引用，成为车辆计数和交通管理领域的重要参考数据集。

  2019年
• TRANCOS数据集的应用范围扩展到智能交通系统和自动驾驶技术的研究中，为这些新兴领域提供了基础数据支持。

  2020年

常用场景

经典使用场景

在交通监控领域，TRANCOS数据集以其丰富的图像和标注信息，成为车辆计数和密度估计的经典工具。该数据集包含了从不同角度和光照条件下拍摄的交通场景图像，每张图像均详细标注了车辆的位置和数量。研究者们利用这些标注信息，开发和验证了多种车辆检测和计数算法，从而提高了交通监控系统的准确性和效率。

实际应用

在实际应用中，TRANCOS数据集被广泛用于开发和优化交通监控系统。例如，城市交通管理部门利用基于该数据集训练的算法，实时监控和分析交通流量，从而有效管理交通拥堵和优化交通信号控制。此外，该数据集还支持智能驾驶技术的研发，通过精确的车辆检测和计数，提升自动驾驶系统的安全性和可靠性。

衍生相关工作

基于TRANCOS数据集，研究者们开展了一系列相关工作，推动了交通监控和智能交通系统的发展。例如，有研究利用该数据集开发了基于深度学习的车辆检测模型，显著提高了检测精度。此外，还有工作探讨了如何在复杂交通场景中进行多目标跟踪，进一步提升了系统的实时性和鲁棒性。这些衍生工作不仅丰富了TRANCOS数据集的应用场景，也为相关领域的研究提供了新的思路和方法。