04/2021: DTLD v2.0 ist online!
Korrigierte Datensatzannotationen sind online verfügbar. Das bisherige .yml Format wurde durch .json ersetzt!
Korrigierte Datensatzannotationen sind online verfügbar. Das bisherige .yml Format wurde durch .json ersetzt!
Herzlich Willkommen auf der Homepage des DriveU Traffic Light Datasets (DTLD). Wir präsentieren einen handannotierten Datensatz, welcher an Forscher im Bereich der Erkennung von Lichtsignalanlagen adressiert ist. Die Hauptbeiträge des Datensatzes zum Stand der Technik sind:
DTLD enthält mehr als 230 000 annotierte Lichtsignalanlagen in Kamerabildern mit 2 Megapixeln Auflösung. Der Datensatz wurde in 11 deutschen Städten mit einer Bildfrequenz von 15 Hz aufgenommen. Durch eine Vielzahl an annotierten Lichtsignalattributen wie Orientierung, Relevanz, Zustand oder Piktogramm existieren insgesamt 344 unterschiedliche Labelklassen. Zusätzlich zu den Kamerabildern werden Disparitätsbilder veröffentlicht, durch welche eine tiefenbasierte Detektion und tiefenabhängige Auswertungen möglich sind.
Das verwendete Annotationstool ermöglicht eine Annotation von Objekten der Breite 5 Pixel oder weniger. Aus diesem Grund besteht DTLD aus einer sehr hohen Anzahl an sehr kleinen Objekten (siehe Abbildung 2). Daher ist der Datensatz auch für Forschungen im Bereich der Objekterkennung bei sehr geringen Auflösungen gut geeignet.
Im Datensatz gbt es eine Vielzahl an annotierten Lichtsignalanlagen mit einer, zwei (z.B. Fußgängerpiktogramm), drei oder vier (Bus/Tram) aktiven Lichtelementen. Dadurch ist die Seitenverhältnisvarianz wesentlich höher als in bisherigen Stichproben, welche sich meist auf Lichtsignalanlagen mit 3 aktiven Lichtelementen fokussiert haben.
Eine bedeutende Eigenschaft von DTLD ist die hohe örtliche Varianz (siehe Bild 4). Örtliche Varianz beschreibt die örtliche Verteilung (Position) der Annotationen im Kamerabild. Dies konnte durch Herausfiltern von statischen Szenen erreicht werden. Es wurden nur statische Szenen hinzugefügt, in denen sich der Zustand von mindestens einer Ampel geändert hat.
Es werden Annotationen in Form von Bounding Box Koordinaten (linke obere Ecke, Breite, Höhe) aber auch weitere Attribute veröffentlicht, wie:
Diese Attribute werden durch eine sechsstellige Klassenidentitätsnummer zusammengefasst (Anmerkung 04/21: nur DTLD v1.0!). Ab 04/21, DTLD v2.0, wird die Klassenidentitätsnummer durch ein Attribut-Dictionary ersetzt. Zusätzlich zu den bislang annotierten Attributen wird Reflektion beigefügt. Dies gibt an, ob das Lichtsignal lediglich eine Reflektion, z. B. in Schaufenstern, ist Darüber hinaus besitzt jedes Label eine Trackidentitätsnummer (nützlich für die Auswertung von Trackingverfahren). Für jedes Bild exisiert ein Zeitstempel und einige Fahrzeugdaten (GPS Position, Geschwindigkeit, Gierrate).
Digit I: Perspektivische Orientierung
Beschreibt die Orientierung einer Lichtsignalanlage im Bezug auf das Ego-Fahrzeug. Es gibt vier verschiedene Klassen:
Digit II: Relevanz/Verdeckung
Digit III: Orientierung
Digit IV: Anzahl an Leuchteinheiten
Selbsterklärend.
Digit V: Zustand
Selbsterklärend.
Digit VI: Piktogramm
Beschreibt die Maske des aktiven Lichts (kreisförmig, pfeilförmig, Fußgänger, Fahrrad ...).
Jede Instanz einer Lichtsignalanlage erhält eine Trackidentitätsnummer während einer Sequenz. Eine Sequenz besteht aus allen Bildern einer Kreuzungsanfahrt bis zum Passieren der Haltelinie.
DTLD stellt zeitliche Informationen in Form eines Zeitstempels sowie örtliche Informationen in Form von GPS zur Verfügung. Geschwindigkeit und Gierrate sind jedem Bild beigefügt.
Wir stellen Tools und Skripte in C++, Python und MATLAB zur Nutzung des Datensatzes zur Verfügung. Eine Dokumentation ist beigelegt.
Klicken Sie hier zum Download der Daten
Falls Sie das DTLD für Ihre wissenschaftliche Arbeit genutzt haben, zitieren Sie bitte unsere Veröffentlichung auf der ICRA2018.
2016:
Fregin et al.: A closer look an traffic light detection evaluation metrics, ITSC 2016
2017:
Fregin et al.: Three ways using stereo vision for traffic light recognition, IV 2017
Fregin et al.: Feature detectors for traffic light recognition, ITSC 2017
2018:
Müller et al.: Detecting Traffic Lights by Single Shot Detection, arXiv preprint 2018
Feedback? Fragen? Probleme rund um/mit dem Datensatz? Kontaktieren Sie uns!