Car Crash Dataset (CCD)|交通意外分析数据集|自动驾驶安全数据集

Car Crash Dataset (CCD) 是为交通意外分析收集的数据集。它包含由安装在行驶车辆上的行车记录仪捕捉的真实交通意外视频，这对开发保证安全性的自动驾驶系统至关重要。CCD与现有数据集的区别在于其多样化的意外标注，包括环境属性（白天/夜晚，雪天/雨天/良好天气条件）、是否涉及自车、事故参与者和事故原因描述。

The Car Crash Dataset (CCD) is a collection specifically gathered for traffic accident analysis. It comprises real traffic accident videos captured by dashcams installed in moving vehicles, which are crucial for developing safety-assured autonomous driving systems. What sets CCD apart from existing datasets is its diverse accident annotations, including environmental attributes (day/night, snowy/rainy/good weather conditions), whether the host vehicle is involved, participants in the accident, and descriptions of the causes of accidents.

原始信息汇总

CarCrashDataset 概述

数据集内容

数据集描述

Car Crash Dataset (CCD) 是一个专为交通意外分析收集的数据集。该数据集包含由安装在行驶车辆上的行车记录仪捕捉的真实交通意外视频。CCD 的特点在于其多样化的意外标注，包括环境属性（如白天/夜晚、雪天/雨天/晴朗天气条件）、是否涉及自车、事故参与者及事故原因描述。

数据集下载

CCD 数据集可通过 Google Drive 下载。

数据集结构

文件结构

CarCrash ├── codes # 用于分析数据集的有用代码 ├── vgg16_features │ ├── positive # 正面（事故）视频的特征文件 │ │ ├── 000001.npz │ │ ├── ... │ │ └── 001500.npz │ ├── negative # 负面（正常）视频的特征文件 │ │ ├── 000001.npz │ │ ├── ... │ │ └── 003000.npz │ ├── train.txt # 训练分割的列表文件 │ └── test.txt # 测试分割的列表文件 ├── videos │ ├── Normal # 正常驾驶视频 │ │ ├── 000001.mp4 │ │ ├── ... │ │ └── 003000.mp4 │ ├── Crash-1500 # 碰撞事故视频 │ │ ├── 000001.mp4 │ │ ├── ... │ │ └── 001500.mp4 │ └── Crash-1500.txt # 碰撞事故的标注文件 └── README.md

视频和特征

• 视频: 收集自 YouTube 频道的交通意外视频，共 1,500 个修剪后的视频，每个视频包含 50 帧，每秒 10 帧。另外，3,000 个正常视频是从 BDD100K 数据集随机抽样得到。
• 特征: vgg16_features/ 文件夹中的特征文件包含所有帧和检测到的边界框的 VGG-16 特征。每个特征文件（如 000001.npz）包含以下数据：
  • data: 提取的 4096 维特征，形状为 (50, 20, 4096)。
  • det: 检测到的边界框，形状为 (50, 19, 6)。
  • labels: 视频标签，指示视频是否包含事故。
  • ID: 当前特征文件的视频名称。

标注格式

1,500 个事故视频的标注保存在文件 CarCrash/videos/Crash-1500.txt 中。每行提供以下信息：

• vidname: 每个事故视频的名称。
• binlabels: 每个视频所有 50 帧的二进制标签。
• startframe: 原始未修剪 YouTube 视频中的起始帧。
• youtubeID: 原始 YouTube 视频的数字 ID。
• timing: 时间条件，如 Day 和 Night。
• weather: 天气条件，如 Normal, Snowy, 和 Rainy。
• egoinvolve: 指示自车是否参与该视频中的事故的布尔标识。

注意: 当前版本的 CCD 仅提供上述时间标注和环境属性。更详细的标注如交通意外原因和轨迹，将很快发布。

引用信息

如需引用此数据集，请使用以下引用格式：

@InProceedings{BaoMM2020, author = {Bao, Wentao and Yu, Qi and Kong, Yu}, title = {Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal Relational Learning}, booktitle = {ACM Multimedia Conference}, month = {May}, year = {2020} }

AI搜集汇总

数据集介绍

构建方式

Car Crash Dataset (CCD) 的构建基于真实交通事故视频，这些视频由安装在行驶车辆上的行车记录仪捕捉。数据集的收集过程包括从YouTube频道获取事故视频，并将其剪辑成1500个片段，每个片段包含50帧，帧率为10帧每秒。此外，3000个正常驾驶视频从BDD100K数据集中随机抽取。为了增强数据集的分析能力，研究人员使用VGG-16模型提取了所有帧和检测到的边界框的特征，这些特征存储在vgg16_features文件夹中。通过使用MMDetection代码库训练的Cascade R-CNN模型，结合ResNeXt-101骨干网络和FPN颈部结构，对KITTI 2D检测数据集进行对象检测，从而提取出每个视频的前19个边界框的特征。

特点

CCD数据集的显著特点在于其多样化的注释，包括环境属性（如白天/夜晚、雪天/雨天/良好天气条件）、是否涉及自车、事故参与者以及事故原因描述。这些注释不仅提供了时间上的标记，还涵盖了环境因素，为研究交通事故的复杂性提供了丰富的信息。此外，数据集中的视频和特征文件结构清晰，便于研究人员进行分析和处理。每个特征文件不仅包含提取的4096维特征，还提供了检测到的边界框和视频标签，这些信息对于构建安全保障的自动驾驶系统至关重要。

使用方法

使用CCD数据集时，研究人员应首先确保下载的文件结构符合README文件中的描述。数据集的文件夹结构包括代码、视频和特征文件，其中视频文件夹包含正常驾驶和事故视频，而特征文件夹则包含从这些视频中提取的VGG-16特征。研究人员可以通过train.txt和test.txt文件进行训练和测试集的划分。对于特征文件，每个文件提供了帧级和边界框级的特征，以及检测到的边界框和视频标签。此外，Crash-1500.txt文件提供了1500个事故视频的详细注释，包括视频名称、帧标签、起始帧、YouTube视频ID、时间条件、天气条件和是否涉及自车等信息。

背景与挑战

背景概述

在自动驾驶和交通安全领域，Car Crash Dataset (CCD) 的创建标志着对交通事故分析和预防研究的重要进展。该数据集由Wentao Bao、Qi Yu和Kong Yu等研究人员于2020年开发，旨在为交通意外的预测提供丰富的数据支持。CCD包含了由行车记录仪捕捉的真实交通事故视频，这些视频不仅记录了事故发生的瞬间，还详细标注了环境属性、是否涉及自车、事故参与者及事故原因等多元化信息。这些详尽的标注为开发安全保障型自动驾驶系统提供了关键数据，极大地推动了该领域的研究进展。

当前挑战

尽管CCD在交通事故分析方面提供了丰富的数据资源，但其构建和应用过程中仍面临诸多挑战。首先，数据集的构建涉及从YouTube等平台收集和筛选视频，这一过程需要确保数据的准确性和代表性。其次，视频的标注工作复杂且耗时，特别是对事故原因和参与者等细节的标注，需要专业知识和严格的质量控制。此外，数据集的使用也面临技术挑战，如如何高效地提取和利用视频中的特征信息，以及如何处理和分析大规模的标注数据，这些都是当前研究中需要克服的重要问题。

常用场景

经典使用场景

在自动驾驶和交通安全领域，Car Crash Dataset (CCD) 数据集被广泛用于交通意外预测模型的开发与验证。该数据集通过收集真实驾驶环境中的碰撞视频，为研究人员提供了丰富的视觉和环境信息，从而支持构建更为精准的碰撞预测算法。通过分析视频中的视觉特征和环境属性，研究人员能够训练模型以识别潜在的碰撞风险，进而提升自动驾驶系统的安全性。

实际应用

在实际应用中，CCD 数据集为自动驾驶系统的开发提供了重要的支持。通过分析数据集中的碰撞视频，自动驾驶系统能够学习识别潜在的碰撞风险，并在实际驾驶中采取预防措施。此外，该数据集还可用于训练和验证交通管理系统的算法，帮助交通管理部门更有效地监控和预防交通事故，从而提升道路交通的整体安全性。

衍生相关工作

基于 CCD 数据集，研究人员已开展了一系列相关工作，包括但不限于碰撞预测模型的优化、环境感知算法的改进以及多模态数据融合技术的探索。例如，有研究利用该数据集开发了基于时空关系学习的碰撞预测模型，显著提升了预测的准确性。此外，CCD 数据集还激发了关于如何更有效地利用视觉和环境信息的研究，推动了自动驾驶和交通安全领域的技术进步。