CityFlow数据集行人标注实战指南：从数据清洗到模型训练

1次阅读

没有评论

共计 1547 个字符，预计需要花费 4 分钟才能阅读完成。

CityFlow 是交通场景分析的重要数据集，包含大量城市交叉路口的监控视频。与 MOT17、UA-DETRAC 等数据集相比，CityFlow 更侧重于车辆轨迹分析，行人标注存在以下问题：

原始标注以车辆 ID 为主，行人标注覆盖率不足 30%
部分行人被标记为 ”other” 类别，难以直接用于模型训练
低光照和遮挡情况下的行人标注缺失严重

这种标注不完整性会导致行人检测模型出现大量漏检，尤其在密集场景下准确率下降明显。MOT17 等数据集虽然行人标注完整，但场景多样性不如 CityFlow，直接迁移训练会导致过拟合。

基于 OpenCV 的差异度检测算法：
计算连续帧的 HSV 直方图距离
当差异超过阈值时保留关键帧
采用自适应阈值避免固定间隔采样
多进程优化方案：
将视频按时间分段处理
使用 Python multiprocessing 模块并行计算
共享内存存储中间结果

模型选择：
使用 yolov8x-pose.pt 预训练权重
保留 person 类别的输出
置信度阈值初始设为 0.6
标注后处理：
非极大值抑制 (NMS) 处理重叠框
过滤尺寸异常的检测框
人工校验界面显示原图与预测框
质量校验方法：
随机采样 5% 的标注结果
计算 IOU 指标评估一致性
建立误检 / 漏检案例库

import cv2
from multiprocessing import Pool

def frame_diff(hsv_prev, hsv_curr, threshold=0.5):
    hist_prev = cv2.calcHist([hsv_prev], [0,1], None, [180,256], [0,180,0,256])
    hist_curr = cv2.calcHist([hsv_curr], [0,1], None, [180,256], [0,180,0,256])
    return cv2.compareHist(hist_prev, hist_curr, cv2.HISTCMP_BHATTACHARYYA) > threshold

def process_segment(args):
    cap = cv2.VideoCapture(args['video_path'])
    cap.set(cv2.CAP_PROP_POS_FRAMES, args['start_frame'])
    # ... 完整处理逻辑

from ultralytics import YOLO

model = YOLO('yolov8x-pose.pt')
results = model.predict(
    source='frame.jpg',
    classes=[0],  # person class
    conf=0.6,
    iou=0.45
)