UNISV-Dataset

介绍了一个包含1,200个样本的夜间红外监控视频行为识别数据集。该数据集使用录制的、未经编辑的原始视频数据作为样本，涵盖10种不同的行为动作。每个动作类别包含120个样本。数据集中的视频样本命名遵循UCF-101数据集的格式，例如，视频样本名可能是v_DoubleWave_g01_c01，其中v_DoubleWave表示双挥手的行为类别，g01表示该视频样本是在位置01录制的，c01表示在位置01的第一个双挥手行为类别的视频样本。所有视频样本均在户外环境中录制，场景选择基于现实监控摄像头的关键位置，如停车场、花园、小巷等。所有视频样本的录制时间均为夜间，数据集编译涉及15名身高和体型各异的实验参与者。A dataset for nighttime infrared surveillance video behavior recognition, comprising 1,200 samples, is introduced. The dataset utilizes raw, unedited recorded video data as samples, encompassing 10 distinct behavioral actions. Each action category includes 120 samples. The video samples in the dataset are named following the UCF-101 dataset format; for example, a video sample might be named v_DoubleWave_g01_c01, where 'v_DoubleWave' denotes the behavior category of double waving, 'g01' indicates that the video sample was recorded at location 01, and 'c01' signifies the first video sample of the double waving behavior category at location 01. All video samples were recorded in outdoor environments, with scene selections based on key locations typical of real surveillance cameras, such as parking lots, gardens, and alleys. All video samples were recorded at night, and the dataset compilation involved 15 experimental participants of varying heights and body types.

原始信息汇总

UNISV-Dataset 概述

数据集描述

• 样本数量：包含1,200个样本。
• 行为类别：涵盖10种不同的行为动作，每个类别包含120个样本。
• 视频特性：所有视频均为未编辑或随机编辑的原始视频，大部分视频不包含人物。视频命名遵循UCF-101格式，例如"v_DoubleWave_g01_c01"，其中"v_DoubleWave"表示行为类别，"g01"和"c01"分别代表地点和样本编号。
• 场景设置：所有视频均在户外夜间录制，场景选择基于实际监控摄像头的关键位置，如停车场、花园、小巷等。
• 参与者：数据集涉及15名实验参与者，具有不同的身高和体型。

行为类别

• 类别列表："Double Wave," "Wave Hand," "Walk," "Jump," "Squat," "Jogging," "Push People," "Shake Hands," "Embrace," 和 "Fight"。
• 参与者数量：每个行为类别涉及6名参与者，总共15名参与者。
• 视频样本数：每个行为类别有120个视频样本，总计1200个视频样本。
• 视频规格：视频帧率为10帧每秒，分辨率为480 x 248像素。

引用信息

若使用此数据集进行研究，请引用：

Feng Z, Wang X, Zhou J, et al. MDJ: A Multi-Scale Difference Joint Keyframe Extraction Algorithm for Infrared Surveillance Video Action Recognition[J]. Digital Signal Processing, 2024: 104469. https://doi.org/10.1016/j.dsp.2024.104469.

搜集汇总

数据集介绍

构建方式

UNISV-Dataset的构建基于夜间红外监控视频，涵盖了10种不同的行为动作，共计1200个样本。数据集的构建过程中，采用了未编辑或随机编辑的视频样本，并考虑了样本类型和场景复杂性等因素。视频样本的命名遵循UCF-101数据集的格式，记录了不同场景下的行为类别。所有视频样本均在户外环境中录制，场景选择基于现实生活中的监控摄像头关键位置，如停车场、花园、小巷等。录制时间均为夜间，数据集涉及15名不同身高和体型的实验参与者。

特点

UNISV-Dataset包含10种行为类别，如“双挥手”、“挥手”、“行走”、“跳跃”等，涵盖了单人动作和双人互动动作。每个行为类别涉及6名参与者，共计15名参与者参与视频拍摄。每个行为类别包含120个视频样本，总计1200个样本。视频的帧率为每秒10帧，分辨率为480 x 248像素。数据集的特点在于其多样化的行为类别和场景变化，能够有效反映夜间红外监控下的行为识别需求。

使用方法

UNISV-Dataset适用于夜间红外监控视频行为识别的研究。使用该数据集时，用户可以通过视频样本的命名格式快速定位特定行为类别和场景。数据集中的视频样本可直接用于训练和测试行为识别模型，尤其适用于多尺度差异联合关键帧提取算法等研究。使用该数据集进行科研工作时，需引用相关文献以尊重数据集的原创性。

背景与挑战

背景概述

UNISV-Dataset是一个专注于夜间红外监控视频行为识别的数据集，由1,200个样本组成，涵盖了10种不同的行为动作。该数据集由Feng Zhiqiang等人于2024年创建，旨在为红外监控视频中的行为识别提供高质量的数据支持。数据集中的视频样本均为未编辑或随机编辑的原始数据，记录了夜间户外场景中的行为动作，场景包括停车场、花园、小巷等关键监控区域。UNISV-Dataset的构建考虑了样本类型和场景复杂性，反映了不同场景下的行为类别变化。该数据集的研究成果已发表在《Digital Signal Processing》期刊上，对红外监控视频行为识别领域具有重要的推动作用。

当前挑战

UNISV-Dataset在解决夜间红外监控视频行为识别问题时面临多重挑战。首先，夜间红外视频的成像质量较低，光照不足和噪声干扰使得行为特征的提取和识别变得复杂。其次，数据集中的视频样本包含大量无人的场景，这增加了行为识别的难度，尤其是在区分背景与行为动作时。此外，固定摄像头位置和背景的局限性可能导致模型在泛化能力上的不足。在数据集构建过程中，研究人员还需应对样本多样性、场景复杂性以及参与者行为一致性的挑战，以确保数据集的代表性和实用性。这些挑战为红外监控视频行为识别算法的开发提供了重要的研究方向和测试基准。

常用场景

经典使用场景

UNISV数据集在夜间红外监控视频行为识别领域具有广泛的应用。该数据集通过包含10种不同行为动作的1200个样本，为研究者提供了一个丰富的实验平台。其经典使用场景包括在低光照条件下进行人体行为识别，特别是在停车场、花园和小巷等关键监控区域。数据集中的视频样本均为夜间录制，且场景选择基于实际监控需求，使得其在模拟真实监控环境时具有较高的实用价值。

解决学术问题

UNISV数据集解决了夜间红外监控视频中行为识别的关键学术问题。由于夜间环境光照不足，传统视频分析方法往往难以准确识别行为。该数据集通过提供多样化的行为类别和场景变化，帮助研究者开发更鲁棒的行为识别算法。此外，数据集中的视频样本涵盖了单人和双人交互行为，进一步扩展了行为识别的研究范围，为复杂场景下的行为分析提供了有力支持。

衍生相关工作

UNISV数据集衍生了一系列经典研究工作，特别是在红外监控视频行为识别领域。基于该数据集，研究者提出了多尺度差异联合关键帧提取算法（MDJ），该算法在行为识别任务中表现出色。此外，数据集还被用于开发基于深度学习的夜间行为识别模型，进一步推动了该领域的技术进步。这些研究工作不仅验证了数据集的实用价值，也为后续研究提供了宝贵的经验和参考。