18、OpenMPD数据集：自动驾驶数据的深度分析与实验

OpenMPD数据集：自动驾驶数据的深度分析与实验

1. 数据特征分析

在自动驾驶领域，对数据的深入分析至关重要。下面将从遮挡、尺度和位置三个方面对相关数据进行详细分析。

1.1 遮挡分析

遮挡问题给目标检测和分割带来了挑战，尤其是严重遮挡情况。在交通高峰期，行人与车辆之间会出现遮挡现象。考虑到相机的深度信息，离相机近的物体可能会遮挡离相机远的物体。
为了分析遮挡情况，我们将遮挡程度进行划分，并通过不同物体的交并比（IoU）来定义。具体划分如下：
- IoU为0时，表示物体未被遮挡。
- IoU在0到0.5之间时，表明物体部分被遮挡。
- IoU大于0.5时，认为物体严重被遮挡。

经过统计，数据集中超过29.07%的物体严重被遮挡，51.48%的物体部分被遮挡，其余物体未被遮挡。

1.2 尺度分析

汽车和行人是交通场景中最常见的对象，我们通过分析它们边界框的大小来评估安全驾驶距离下的驾驶条件。安全距离受驾驶速度影响，驾驶速度越高，刹车所需的距离就越长。物体的尺度代表了我们与该物体的距离。
为了确定尺度，我们借鉴KAIST的方法，通过观察每个边界框的高度来进行分析。因为物体的面积会受到长度和宽度的共同影响，而边界框的高度更能准确反映物体的尺度信息。
经过计算，我们得到行人边界框的中等高度为43，汽车边界框的中等高度为47。行人边界框高度的范围是5到180，汽车边界框高度的范围是5到200。当行人高度在图像中显示为40像素时，该行人距离相机约30米。
假设在北京城市道路中汽车的平均行驶速度为35 km/h到60 km/h，汽车的刹车距离约为23米到45米，那么前方