交通灯目标检测训练数据集

交通灯目标检测训练数据集

背景介绍：
1、为什么要研究这个？
近年来自动驾驶技术的蓬勃发展，使得交通场景中的目标检测成为研究的热点。
目标检测不仅对自动驾驶有用，普通的驾驶过程也有很大的重要，帮助驾驶员安全行驶、实时检测、速度要快、多变的天气和复杂的照明条件。目标的位置、行动、形状和背景等不确定性。

2、面临的挑战？
Multiple objects：交通场景下的目标检测通常涉及多个目标，目标的分类不同，大大增加了检测的难度。单目标检测，如人脸检测，只需要提取一类特征(信息)。但是，当场景中包含多个物体时，需要分别提取它们的特征，从而实现分类。除了多目标检测本身，不同类别的目标在交通场景中也带来了其他的困难。针对不同对象的检测方法不同，检测输出形式也不同。例如，对于车辆或行人，在检测结果中只需要标记位置和类别。换句话说，此类对象的检测结果是带有注释类别的包围框。然而，对于其他物体，如交通信号灯和标志，不仅需要检测灯和标志本身，而且还需要检测它们所代表的具体信息。例如，交通灯的颜色显示的时刻是红色或绿色，交通标志指示的是限速还是停止。这种信息是非常重要的，因为如果没有发现，就会发生严重的事故。此外，交通场景还涉及到像车道检测这样的像素级检测，这实际上是一个分割级任务。需要实现像素级精细检测，并给出每条道路线的详细描述，以允许车辆在正确的车道上行驶。

Low-quality Images：从交通场景中获取的图像由于其复杂性，往往质量较低。外部环境和流量对象本身都带来或增加了这种复杂性。图像质量对于基于视觉的检测器来说至关重要，因为低质量的图像通常会导致不好的检测结果。在交通场景中，图像通常是在恶劣的天气条件下获取的，如雨、雪、雾和刺眼的光线。有时即使是人眼也很难识别目标物体，因为在这样的环境下它们是模糊的或看不见的。在使用这类图像时，直接进行检测尤其困难。因此，需要额外的操作，如图像预处理技术，这使得任务更加复杂。除了上述外部环境外，交通场景中的目标对象往往处于恶劣的状态。例如，道路车道/标记模糊使其难以执行像素级检测，因为它不是连续的。一种选择是预测车道方向，以便将不连续的部分连接起来，然后执行检测任务。夜间拍摄的照片质量也很低，比如一些完全黑暗的照片。此外，后车在夜间看到的前景充满了前车尾灯的反射，因此有些区域是看不见的。另外，对向车辆的前灯也会产生一定的影响。被损坏的交通标志会造成错误的信息，尤其是当重要部分被损坏的时候。例如，如果限速标志上的数字被打破，其含义将变得难以辨认。交通拥堵是一种常见的交通场景，经常会带来物体的遮挡。当实例相互重叠时，提取的特征可能不足以进行检测和分类，从而无法成功识别对象。

3、演变过程
传统方法：（滑动窗口结合不同的分类器进行检测）
使用不同比例和长宽比的窗口来遍历整个图像以选择区域
昂贵的时间消耗和冗余窗口严重影响后续任务的速度和性能，当对长宽比浮动范围较大的多类别目标进行检测时，即使滑动窗口遍历也不能生成完美区域。
传统的特征提取SIFT或者HOG。（方法的缺点是:一是属于浅层学习，对特征的表达能力有限。如果选择的特征不具有足够的代表性，那么模型的准确性就会大大降低。第二个缺点是需要手动反复调整模型参数，时间复杂度高。此外，由于目标形态多样性、光照变化、背景多样性等因素，难以设计出稳健的特征。），感知机（perceptron），支持向量机（Support Vector Machines），K最近邻，逻辑回归，AdaBoost。

4、深度学习的方法
两阶段：(1)使用选择性搜索或区域建议网络(RPN)提出候选区域，(2)将建议发送到后续网络进行分类和回归。两级检测器通常具有较高的准确率，但速度较慢。例如，R-CNN，Fast R-CNN， Faster R-CNN，SPPNet，R-FCN。

单阶段：跳过区域建议步骤，该任务被视为一个回归问题。这类检测器可以直接生成类可能性和位置坐标，并对采样的可能区域进行检测，得到最终结果。单级检测器可以实现实时性，但牺牲了精度。例如，yolo系列，SSD

5、应用的领域
车辆检测
应用：交通流量检测，自动驾驶，轨迹预测
挑战：汽车的外观或形状的变化，导致视点的变化，遮挡和截断；天气，低分辨率，模糊
车道线检测
现有研究分为两大类:道路区域分割和交通线路检测。前一种方法将道路从背景中分离出来，并将边缘标记为车道，以确定汽车可以在哪里行驶。后者通过收集像素点来显示精确的车道位置，可以决定一条可行驶的路径，也可以指示道路中间的双线等交通规则。
应用：汽车导航，车道偏离预警，车道保持
挑战：天气（下雪导致车道线不可见）；照明条件，例如来自对面车道的照明会改变车道条件；有些车道是直的，但有些是弯的；车道线可以是连续的，也可以是虚线；车道线的合并或分离经常发生；
交通灯检测
挑战：不仅需要图像中信号灯的位置，还需要检测信号灯的颜色；一些交通灯还包括箭头来指示方向和标记，比如人或自行车；天气，低分辨率，模糊；由前车的尾灯引起的判定错误；实时性要求高，延迟检测会导致误判；即使所有的交通灯都被正确检测到，选择与当前车道相对应的交通灯也是一个难点
交通标志检测
应用：高级驾驶辅助系统（Advanced Driver Assistance Systems），自动驾驶，移动地图
挑战：标志较小；现实生活中的交通标志种类繁多，有上百种精细分类；天气或光线的影响；交通标志被破坏
行人检测
挑战：不同的姿态和观察点往往导致不同的行人外观；人聚集在一起（人群）；天气，低分辨率，模糊

数据集介绍
本数据集是来自车载影像实时环境感知的数据，内含298张含有标签的图像数据，已转换为标准的coco格式，可用于交通灯目标检测项目的模型效果评估。

交通灯图片截图

数据下载地址
https://download.csdn.net/download/weixin_44906759/85752953