自动驾驶——车道线检测相关数据集整理

自动驾驶视觉方向的分支车道线检测需要的相关数据集
暂时没有好好整理，先作个记录：

1.KITTI
KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，主要于算法评测。

KITTI数据采集平台包括2个灰度摄像机，2个彩色摄像机，一个Velodyne 3D激光雷达，4个光学镜头，以及1个GPS导航系统。一共细分为Road, ’City’, ’Residential’, ’Campus’ 和 ’Person’五类数据；包含市区、乡村高速公路的数据，每张图像最多15辆车及30个行人，而且还包含不同程度的遮挡。整个数据集由389对立体图像和光流图，39.2 公里视觉测距序列以及超过200,000 3D标注物体的图像组成。

KITTI数据集中，目标检测包括了车辆检测、行人检测、自行车三个单项，目标追踪包括车辆追踪、行人追踪两个单项，道路分割包括urban unmarked、urban marked、urban multiple marked三个场景及前三个场景的平均值urban road等四个单项；

数据集大小超过200G。KITTI数据集是无人驾驶学术圈使用最广泛的数据集之一了。

项目主页：

http://www.cvlibs.net/datasets/kitti/index.php 。

The road and lane estimation benchmark consists of 289 training and 290 test images. It contains three different categories of road scenes:
uu - urban unmarked (98/100)
um - urban marked (95/96)
umm - urban multiple marked lanes (96/94)
urban - combination of the three above

道路（road）分割和ego-road(lane)分割，并不是车道线标记分割：？？

Related Datasets
Multi-Lane-Detection-Dataset: Dataset for multiple lane detection.
Road Scene Layout from a Single Image: Dataset for road area estimation.
MIT Street Scenes: Dataset for semantic road scene understanding.
Cambridge-driving Labeled Video Database (CamVid): Dataset for semantic road scene understanding.
Daimler Scene Labeling Dataset: Dataset for semantic road scene understanding including stereo images.
ROMA (ROad MArkings): Dataset for performance evaluation of road marking extraction algorithms.（Evaluation dataset）

2. Cityscapes

与KITTI不同的是，Cityscapes专注于城市的街景主义理解，其本质就是一个计算机视觉语义分割数据集。提供的下载数据集中测试集和验证集有标注，测试集提供原图，无标注，可以把结果上传到项目主页，然后验证你算法。

Cityscapes包含50个城市不同场景、不同背景、不同季节的街景，提供5000张精细标注的图像、20000张粗略标注的图像、30类标注物体。

https://pan.baidu.com/s/1fsbavgeEWZnrCRZlRHoVNg ；

项目主页：

https://www.cityscapes-dataset.com/ 。

没有车道线标注信息

3. ApolloScape

数据介绍：ApolloScape的标注精细度上超过同类型的KITTI，Cityscapes数据集，也超过UC Berkley最新发布的BDD100K，ApolloScape不仅开放了比Cityscapes等同类数据集大10倍以上的数据量，还包括感知、仿真场景、路网数据等数十万帧逐像素语义分割标注的高分辨率图像数据，进一步涵盖更复杂的环境、天气和交通状况等。

数据集演示视频：

项目主页：

http://apolloscape.auto/

**有车道线标注信息** Lane segmentation:http://apolloscape.auto/lane_segmentation.html

4. Mapillary

数据集介绍：共包含25,000个高分辨率图像（分为18,000个用于训练，2,000个验证，5,000个测试;平均分辨率约为900万像素），具有从200万个手动绘制的多边形的像素点注释；100个对象类别，其中60个实例特定（即枚举对象）；涵盖北美和南美，欧洲，非洲，亚洲和大洋洲的全球地理覆盖；天气条件（太阳，雨，雪，雾，阴霾）和捕获时间（黎明，白天，黄昏甚至夜晚）的高度变异性；相机传感器范围广泛，焦距变化，图像宽高比以及不同类型的相机噪音；不同的拍摄观点（从道路，人行道和越野）。

注册后下载数据集。数据集演示视频：

项目主页：

https://www.mapillary.com

**含有车道线标记数据**

5. BDD100K

数据集介绍：UC Berkeley 发布，包括以下几方面数据：

1. 视频数据：100,000高清视频，累计时长超过1,100个小时，包含GPS位置，IMU数据和时间戳；

2. 马路目标检测数据：标注超过100,000张图像，类别包含公共汽车，交通灯，交通标志，行人，自行车，卡车，摩托车，小汽车，火车和骑手；

3. 马路目标分类数据：超过10,000张像素级道路目标标注的图片；

4. 可行驶区域：提供了100,000张带有像素级可行驶区域的图片；

5车道标记多个城市的100,000张带有标注的图片。。

数据集大小： 1.8TB，需要简单注册并进行邮箱验证之后可以下载。

项目主页：

五大自动驾驶数据集比较

6.Tusimple
http://benchmark.tusimple.ai/#/t/1/dataset
https://www.cnblogs.com/oftenlin/p/10670534.html
https://github.com/TuSimple/tusimple-benchmark/issues/3
http://benchmark.tusimple.ai/#/t/1

7.CULane
https://xingangpan.github.io/projects/CULane.html

8.Caltech Lanes
http://www.mohamedaly.info/datasets/caltech-lanes

未完待续。。。

参考：https://cloud.tencent.com/developer/news/339575
https://blog.csdn.net/Julialove102123/article/details/80568202