RGBD People Counting DataSet (PCDS)

RGBD People Counting DataSet (PCDS)是由长安大学信息工程学院创建的大型公共数据集，包含4689个视频，记录了公交车门在正常和复杂条件下的乘客进出情况。数据集涵盖了不同时间和光照条件下的多个公交线路，用于评估和开发复杂场景中的人员计数技术。PCDS数据集的创建旨在解决智能交通系统中的人员计数问题，特别是在拥挤和复杂环境中的实时计数需求。The RGBD People Counting DataSet (PCDS) is a large-scale public dataset created by the School of Information Engineering of Chang'an University. It contains 4,689 videos that record passenger ingress and egress at bus doors under both normal and complex conditions. The dataset covers multiple bus routes under different time and lighting conditions, and is used for evaluating and developing people counting technologies in complex scenarios. The PCDS was developed to address the issue of people counting in intelligent transportation systems, especially the real-time counting demands in crowded and complex environments.

搜集汇总

数据集介绍

构建方式

在智能交通与公共安全领域，人群计数技术面临真实场景中遮挡、光照变化与噪声干扰等严峻挑战。为填补大规模公开基准数据集的空白，研究者构建了RGBD People Counting DataSet (PCDS)。该数据集利用Kinect V1深度传感器，在中国三条公交线路（25路、301路、106路）的前后门处采集了超过4500段视频，覆盖了从清晨到傍晚的不同时段及4至6个不同日期。视频场景依据噪声水平（N+为强光照噪声，N-为柔和光照）与拥挤程度（C+为高峰期多人同时通行，C-为正常顺序通行）细分为四类子集，总计包含30种不同场景，并提供了每段视频中上下车人数的精确标注。

特点

PCDS数据集以其真实世界复杂性与大规模标注而独具特色。其视频采集时相机安装于公交车门顶部，俯仰角非垂直于地面，这更贴近实际部署场景。数据集囊括了强光照噪声、部分遮挡、人群排队等多种复杂情况，如佩戴大帽子或携带行李的行人、传感器数据噪声等。深度视频流以320×240分辨率、25帧/秒记录，同时提供RGB视频用于验证。标注信息不仅包含总人数，还区分了上车与下车方向，为算法评估提供了细致维度。总计超过21000人次的通行记录，使得PCDS成为深度视频人群计数领域最具挑战性的基准之一。

使用方法

PCDS数据集的使用方法遵循典型的深度视频分析流程。研究者可利用深度帧通过背景移除（基于最远背景模型）和3D点云正交投影至地面，生成归一化的高度图像以分离个体。随后，结合3D人体模型与种子填充算法生成头部候选区域，并利用包含几何特征（形状、对称性、零像素率、扩展比）与最近邻差异特征（NRDF）的复合特征向量，通过SVM分类器精炼头部检测。在连续帧中，通过匹配头部候选框的中心与种子值进行轨迹跟踪，并利用轨迹特征（均值、方差、更新次数、速度等）训练另一SVM分类器以过滤非头部轨迹，最终通过统计离开场景的轨迹数实现精准计数。数据集公开下载于GitHub，便于研究社区复现与比较。

背景与挑战

背景概述

在智能交通系统与公共安全领域，实时、准确的人流量统计是优化调度与提升运营效率的关键技术。然而，现有方法多受限于理想实验环境，缺乏真实场景下的基准数据集。为填补这一空白，2018年，由长安大学与西澳大学联合团队构建了RGBD人群计数数据集（PCDS），该数据集包含超过4500段在公交车门处采集的深度与彩色视频，覆盖了正常与拥挤、不同光照及噪声水平的复杂场景，为评估真实世界人群计数算法提供了首个大规模公开基准。PCDS的发布不仅推动了基于深度传感器的人群计数研究，还促进了相关方法在智能公共交通中的实际部署。

当前挑战

PCDS所应对的核心挑战在于真实场景下的高精度实时人群计数，具体包括：1）复杂环境干扰：强光照导致深度传感器噪声剧增，拥挤场景中人体严重遮挡，且相机安装角度非垂直地面，造成深度信息畸变与个体分割困难；2）算法性能瓶颈：现有方法在混杂背景中易将背包、肩部等类头物体误检为头部，且光照变化与阴影干扰严重制约传统RGB方法的鲁棒性；3）构建过程难题：数据集需在多个公交线路、不同时段采集，同步标注进出人数，并克服传感器噪声与场景多样性带来的标注一致性挑战，确保数据真实反映实际运营条件。

常用场景

经典使用场景

在智能交通与公共安全领域，RGB-D People Counting DataSet (PCDS) 作为首个大规模真实场景人群计数基准数据集，专为评估和优化基于深度传感器的行人计数算法而设计。该数据集收录了超过4,500段在公交车门处采集的RGB-D视频，涵盖了正常与拥挤、光照变化、遮挡及传感器噪声等复杂环境。其经典使用场景聚焦于线路兴趣点（LOI）计数，即通过分析深度视频流中行人头部轨迹，精确统计进出公交车门的人数，为无人驾驶公交调度、客流动态规划及安防监控提供关键数据支撑。

解决学术问题

PCDS 的提出有效填补了现有研究中缺乏大规模真实场景公开数据集的空白，解决了传统RGB视频在光照变化、阴影和遮挡条件下计数精度低的问题。该数据集推动了基于深度信息的人群计数研究，特别是针对杂波场景中头部检测与轨迹追踪的鲁棒性挑战。通过提供标准化的评估平台，PCDS 使研究者能够系统比较回归法、聚类法与检测法的性能，并催生了结合3D人体模型与复合特征的高效计数方法，显著提升了实时性与准确性。

衍生相关工作

PCDS 的发布催生了一系列经典后续工作，包括基于深度学习的行人计数方法，如利用卷积神经网络（CNN）结合时空上下文模型提升检测精度；以及融合RGB与深度信息的混合方法，通过训练SVM分类器优化头部候选区域。此外，研究者还开发了基于点云重投影与3D人体模型的自适应背景去除算法，以及针对轨迹分类的复合特征设计。这些工作均以PCDS为基准进行验证，进一步推动了实时、鲁棒的人群计数技术在复杂场景中的演进。