PDIWS

PDIWS是一个合成的热成像数据集，用于入侵警告系统中的人员检测。该数据集包含2000张训练图像和500张测试图像，每张图像通过修改的泊松图像编辑方法将主体（入侵者）与背景合成。数据集包含50种不同的背景和近1000个主体，分为五个类别，根据五种人体姿势：潜行、爬行、弯腰、攀爬和其他。如果检测到前四种姿势，则确认存在入侵者。该数据集已实现高级对象检测算法，并取得了较高的平均精度（mAP）值。

PDIWS is a synthetic thermal imaging dataset developed for human detection in intrusion warning systems. This dataset includes 2000 training images and 500 test images, each of which composites the target subject (intruder) with the background using a modified Poisson image editing method. The dataset covers 50 distinct background scenes and nearly 1000 human subjects, which are classified into five categories based on five human postures: sneaking, crawling, bending, climbing, and others. Detection of any of the first four postures confirms the presence of an intruder. Advanced object detection algorithms have been evaluated on this dataset, yielding high mean average precision (mAP) values.

原始信息汇总

PDIWS: Thermal Imaging Dataset for Person Detection in Intrusion Warning Systems

数据集描述

• 数据组成：每个图像由一个对象图像和一个背景通过泊松图像编辑方法合成。

• 子集：

  • train：包含2,000张.JPG格式的图像，每张图像仅包含一个对象。
  • test：包含500张.JPG格式的图像，每张图像仅包含一个对象。

• 标签：标签存储在train.json和test.json文件中，每个文件包含一个遵循以下格式的注释列表： json {"image_id": i, "bbox": [x, y, w, h], "class": c}

  其中，i是图像索引（文件名），bbox是边界框，class（0-4）是位置类型（0: 潜行，1: 爬行，2: 弯腰，3: 攀爬，4: 其他）。

示例数据

• 提供了12张示例图像，每张图像展示了不同的对象和背景组合。

搜集汇总

数据集介绍

构建方式

在热成像监控领域，构建高质量数据集是推动入侵检测算法发展的关键。PDIWS数据集采用合成数据生成策略，通过Testo 875-2i热像仪采集了1000张包含不同姿态入侵者的主体图像和50张多样化的背景图像。数据预处理阶段，利用labelImg工具对主体进行标注，并依据温度范围校准公式将主体与背景的温度域统一。随后，采用改进的泊松图像编辑方法，在梯度域中实现主体与背景的自然融合，最终生成了包含2500张合成热成像图像的数据集，其中训练集2000张、测试集500张，有效模拟了真实监控场景下的入侵者检测任务。

特点

该数据集专注于入侵预警系统中的姿态特异性检测，其核心特征体现在类别设计的针对性上。数据集依据人体姿态将入侵者划分为匍匐、爬行、弯腰、攀爬及其他五类，其中前四类被明确界定为入侵行为，这种细粒度分类为姿态感知的入侵检测模型提供了训练基础。图像分辨率为320×240像素，涵盖了住宅区、学校、公园等多种监控场景背景，确保了场景多样性。作为首个面向入侵检测的合成热成像数据集，它弥补了现有数据集中缺乏典型入侵姿态的空白，为算法在低光照、恶劣天气条件下的鲁棒性评估提供了专用基准。

使用方法

PDIWS数据集主要用于训练和评估基于深度学习的入侵检测模型。研究者可将数据集按8:2的比例划分为训练集与测试集，利用Faster-RCNN、SSD、YOLOv3及FCOS等主流目标检测算法进行模型训练。在实验配置上，建议采用SGD优化器，批量大小设置为32，训练周期约300轮，并可根据算法特性调整学习率。评估时采用平均精度均值作为核心指标，重点关注交并比阈值为0.5和0.75时的性能表现。数据集已公开于GitHub平台，便于研究者下载并使用PyTorch等框架进行算法开发与性能验证。

背景与挑战

背景概述

随着人工智能技术的飞速发展，深度学习算法在安防监控领域的应用日益广泛，尤其是在入侵预警系统中。然而，传统可见光摄像头在低光照或恶劣天气条件下性能受限，热成像技术因其不受光照影响而成为关键解决方案。在此背景下，河内科学技术大学的研究团队于近年创建了PDIWS数据集，专门针对入侵预警系统中的人员检测任务。该数据集包含2500张合成热成像图像，涵盖爬行、匍匐、弯腰、攀爬等多种入侵姿态，旨在填补热成像入侵检测领域的数据空白，为相关算法的训练与评估提供了重要基础。

当前挑战

PDIWS数据集面临的挑战主要体现在两个方面：在领域问题层面，热成像入侵检测需应对复杂环境下的姿态识别难题，例如入侵者与背景温度相近导致的融合现象，以及多姿态类别间的细微差异，这些因素增加了模型准确检测的难度。在构建过程中，数据集采用合成方法生成，需确保合成图像的真实性，这涉及温度范围校准、泊松图像编辑技术的优化，以及背景与主体图像的协调融合，同时还需克服数据多样性不足和标注完整性等挑战，以提升模型的泛化能力。

常用场景

经典使用场景

在安防监控领域，热成像技术因其在低光照和恶劣天气条件下的卓越性能而备受关注。PDIWS数据集专为入侵预警系统设计，其经典使用场景聚焦于通过热成像图像检测具有特定姿态的入侵者。该数据集通过合成方法生成了包含匍匐、爬行、弯腰、攀爬等五种人体姿态的图像，为训练和评估目标检测算法提供了标准化的测试平台。研究人员通常利用该数据集来开发和优化深度学习模型，以实现在复杂环境下的精准入侵检测，从而提升监控系统的自动化水平和响应能力。

解决学术问题

该数据集有效解决了热成像监控领域长期存在的数据稀缺问题。传统热成像数据集多集中于行人检测，缺乏针对入侵行为的特定姿态标注，难以满足入侵预警系统的研究需求。PDIWS通过提供姿态分类的合成热成像数据，为学术界探索基于姿态的入侵检测算法奠定了数据基础。它使得研究人员能够系统性地研究模型在不同入侵姿态下的泛化能力和鲁棒性，推动了热成像目标检测从通用行人识别向特定安全场景应用的范式转变。

衍生相关工作

围绕PDIWS数据集，衍生出了一系列专注于提升热成像入侵检测性能的经典研究工作。这些工作主要沿两个方向展开：一是算法优化，研究者基于该数据集对比了Faster R-CNN、SSD、YOLOv3和FCOS等主流检测框架的性能，并探索了不同骨干网络架构的影响，为模型选型提供了实证依据；二是数据增强与合成方法改进，后续研究受其采用的改进泊松图像编辑技术启发，进一步探索了更逼真的热成像数据合成方案，以解决真实数据采集成本高昂的难题，持续推动该领域的技术进步。