Interstate-24 3D Dataset

arXiv2023-08-29 更新2024-08-06 收录

下载链接：

http://arxiv.org/abs/2308.14833v1

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集包含从城市州际公路上的重叠交通摄像头录制的视频，旨在支持交通监控背景下的多摄像头3D物体跟踪。数据来自3个场景，每个场景至少有16个摄像头，总时长57分钟。为每个摄像头视野内的877,000个3D边界框和相应的物体轨迹进行了完整且准确的标注，并整合成每个场景中空间和时间上连续的车辆轨迹。

This dataset comprises videos captured by overlapping traffic cameras deployed on urban interstate highways, and is developed to support multi-camera 3D object tracking in the context of traffic monitoring. The data is collected from 3 distinct scenarios, each equipped with no fewer than 16 cameras, with a total duration of 57 minutes. A total of 877,000 3D bounding boxes and their corresponding object trajectories within each camera's field of view have been fully and accurately annotated, and these annotations are integrated into spatially and temporally continuous vehicle trajectories for each scenario.

创建时间：

2023-08-29

搜集汇总

数据集介绍

构建方式

在智能交通系统研究领域，高精度三维多相机车辆追踪数据集的构建对于推动自动驾驶技术及交通流分析至关重要。Interstate-24 3D Dataset（I24-3D）通过部署于田纳西州纳什维尔市附近州际公路沿线的重叠交通监控摄像头网络，采集了总计57分钟、覆盖约2000英尺路段的视频数据。该数据集包含三个独立场景，每个场景涉及16至17台4K分辨率、30帧/秒的同步摄像机，通过人工精细标注了877,000个三维边界框，对应720辆独特车辆的连续轨迹。标注过程采用道路坐标系系统，结合单应性变换将车辆三维坐标精确映射至各相机视角，并经过严格的时间戳同步与几何校正，确保了跨相机视角间空间与时间的一致性。

特点

该数据集的核心特点在于其开创性地提供了交通监控场景下的三维多相机车辆追踪基准。相较于现有数据集，I24-3D首次实现了在密集相机网络中对车辆进行三维边界框标注，支持车辆重识别、三维检测与追踪及跨相机轨迹融合等多种计算机视觉任务。数据集中包含多样化的交通条件，如自由流、拥堵及雪天低速场景，涵盖了高速度跨相机匹配、严重遮挡及长时轨迹中断等复杂挑战。此外，标注数据提供了车辆精确的尺寸、类别及连续运动轨迹，并附有相机掩码、变换矩阵及时间戳校正信息，为算法开发与评估提供了丰富而可靠的底层支持。

使用方法

研究人员可利用该数据集进行三维多相机车辆追踪算法的开发与验证。典型使用流程包括：首先，基于提供的道路坐标系标注及相机变换参数，将三维边界框投影至各相机视角，生成单相机检测与追踪输入；随后，可结合检测融合或轨迹融合策略，实现跨相机视角的车辆身份关联与连续轨迹重建。数据集中已划分训练与验证时段，支持模型训练与性能评估。评估时可采用HOTA、MOTA等标准指标，并需注意处理跨相机标注对齐误差及时间同步问题。数据集文件包含视频序列、标注CSV、变换矩阵及掩码图像，便于集成至现有算法框架进行多任务学习与基准测试。

背景与挑战

背景概述

Interstate-24 3D Dataset（I24-3D）由范德堡大学的研究团队于2023年发布，旨在为交通监控场景下的多相机三维车辆追踪提供基准数据。该数据集依托I-24 MOTION开放道路测试平台，采集自田纳西州纳什维尔市附近一段长约2000英尺的州际公路，通过16至17个重叠部署的高清摄像头，记录了总计57分钟的视频数据，并手工标注了超过87.7万个三维边界框及720辆独特车辆的连续轨迹。其核心研究问题是推动高精度、自动化的车辆轨迹提取算法发展，以深入理解自动驾驶技术对交通流安全与效率的宏观影响，填补了交通监控领域缺乏多相机三维追踪标注数据的空白，为智能交通系统与车路协同研究提供了关键数据支撑。

当前挑战

该数据集致力于解决交通监控中三维多相机车辆追踪的复杂问题，其核心挑战在于跨相机高速运动物体的精准匹配与长时间严重遮挡下的持续跟踪。在稠密交通流中，车辆可能被遮挡数百帧，导致身份标识切换频繁，而相机间视角重叠有限、物体运动速度快，加剧了跨视图关联的难度。构建过程中，研究团队面临标注一致性保障、多相机时间同步校正、以及大规模三维边界框手工标注的繁重工作量等挑战。现有算法在该数据集上的最佳性能仅达到44.8%的HOTA分数，表明当前技术尚未满足细粒度交通分析所需的高精度与高鲁棒性要求。

常用场景

经典使用场景

在智能交通系统与自动驾驶研究领域，多摄像头三维车辆追踪是提升交通监控精度的核心挑战。Interstate-24 3D Dataset通过覆盖纳什维尔州际公路长达2000英尺路段、包含16至17个重叠视角的高清视频，为三维多摄像头车辆追踪提供了首个交通监控场景下的基准数据集。其经典使用场景集中于开发与评估能够在复杂交通流中实现连续、精确车辆轨迹提取的算法，尤其在处理高速跨摄像头目标匹配、严重遮挡以及密集车流等现实难题方面，为算法性能提供了严格的测试环境。

衍生相关工作

自Interstate-24 3D Dataset发布以来，已衍生出一系列聚焦于多摄像头三维追踪算法改进的经典研究工作。例如，基于该数据集的基准测试催生了多种检测与追踪管线的组合优化，包括单目三维检测器与跨摄像头轨迹融合方法的创新结合。相关研究进一步探索了利用时序信息的多帧检测架构，以及针对严重遮挡场景的裁剪基追踪策略。这些工作不仅提升了在复杂交通条件下的追踪鲁棒性，也为后续研究设立了明确的性能标杆，持续推动着三维多摄像头追踪技术在学术与工程领域的协同演进。

数据集最近研究