Nexdata/208914_Bounding_Boxes_Human_Body_Attributes_Data_in_Surveillance_Scenes

---
license: cc-by-nc-nd-4.0
---
## Description
208,914 Bounding Boxes – Human Body Attributes Data in Surveillance Scenes. The data includes indoor (shopping mall) and outdoor (street, the gate of shopping mall and square) scenes. The data includes males and females and the age distribution is from children to the elderly. In this dataset, the rectangular bounding boxes and 19 attributes of human body were annotated. The data can be used for person attributes recognition.

For more details, please refer to the link: https://www.nexdata.ai/dataset/966?source=Huggingface

# Specifications

## Data size
206,290 human body bounding boxes, 2,624 appendage bounding boxes
## Environment
indoor (shopping mall) and outdoor (street, the gate of shopping mall and square) scenes
## Population
the race distribution is yellow race, the gender distribution is male and female, the age distribution is from children to the elderly
## Diversity
multiple age groups, multiple scenes, different poses
## Device
surveillance camera, the resolution is 1,920*1,080
## Photographic angles
looking down angle
## Format
.jpg, .json
## Annotation
the rectangular bounding boxes of human bodies, and 19 human body attributes
## Accuracy
annotation accuracy of bounding boxes is over 95%; annotation accuracy of attributes is over 95%
# Licensing Information
Commercial License

---
许可证：CC BY-NC-ND 4.0
---
## 数据集描述
208,914个边界框（bounding box）——监控场景下的人体属性数据集。本数据集覆盖室内（商场）与室外（街道、商场入口及广场）多种场景，涵盖男性与女性人群，年龄跨度从儿童至老年群体。数据集已标注人体矩形边界框与19项人体属性，可用于人体属性识别任务。如需了解更多详情，请访问链接：https://www.nexdata.ai/dataset/966?source=Huggingface

# 规格参数
## 数据规模
206,290个人体边界框，2,624个肢体边界框
## 拍摄环境
室内（商场）及室外（街道、商场入口、广场）场景
## 人群特征
人群以黄种人为主，性别涵盖男性与女性，年龄覆盖儿童至老年全年龄段
## 数据多样性
包含多年龄组别、多场景类型及多样化人体姿态
## 采集设备
监控摄像机，分辨率为1,920×1,080
## 拍摄角度
俯拍视角
## 数据格式
.jpg、.json
## 标注内容
人体矩形边界框与19项人体属性
## 标注准确率
边界框标注准确率超过95%；属性标注准确率超过95%

# 许可信息
商业许可

原始信息汇总

数据集概述

基本信息

• 数据集名称: 208,914 Bounding Boxes – Human Body Attributes Data in Surveillance Scenes
• 许可证: CC-BY-NC-ND-4.0

数据内容

• 数据规模: 包含206,290个人体边界框和2,624个肢体边界框。
• 环境场景: 室内（购物中心）和室外（街道、购物中心门口和广场）。
• 人口特征: 种族分布为黄色人种，性别分布为男性和女性，年龄分布从儿童到老年人。
• 多样性: 包含多个年龄组，多种场景，不同姿势。
• 设备: 使用监控摄像头，分辨率为1,920*1,080。
• 摄影角度: 俯视角度。
• 文件格式: .jpg图像文件和.json标注文件。
• 标注内容: 人体矩形边界框和19个人体属性。
• 标注准确性: 边界框标注准确率超过95%，属性标注准确率超过95%。

应用领域

• 主要用途: 用于人体属性识别。

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，针对监控场景下人体属性识别的需求，该数据集通过系统化采集与标注流程构建而成。数据源自真实监控摄像头拍摄的室内外场景，涵盖商场、街道及广场等多种环境，确保了场景的多样性与真实性。采用俯视角度捕捉了从儿童到老年不同年龄段、男女两性的人群图像，通过专业标注团队对每张图像中的人体边界框及19项关键属性进行精细化标注，边界框与属性标注准确率均超过95%，为模型训练提供了高质量的基础数据。

特点

该数据集的核心特点体现在其广泛覆盖与精细标注上。数据规模庞大，包含超过20万个标注边界框，覆盖室内购物中心与室外街道、广场等多类监控场景，有效模拟了真实世界复杂环境。人群多样性显著，囊括了黄种人不同性别与年龄段的分布，且人体姿态丰富多变。技术规格上，图像分辨率统一为1920*1080，采用俯拍视角，契合典型监控应用条件。标注信息不仅提供人体位置边界框，还延伸至19项详细属性，如衣着、配饰等，为细粒度属性识别研究提供了结构化支持。

使用方法

该数据集主要应用于监控场景下的人体属性识别模型开发与评估。研究人员可借助其提供的图像与对应JSON格式标注文件，训练深度学习模型进行人体检测与多属性分类任务。使用前需遵循CC-BY-NC-ND 4.0许可协议，注意其商业使用限制。典型流程包括加载图像、解析标注文件中边界框坐标及属性标签，进而构建数据加载管道。模型训练时可利用场景与人群多样性增强泛化能力，并通过高精度标注验证模型性能，推动智能监控、行人分析等实际应用的发展。

背景与挑战

背景概述

在智能监控与计算机视觉领域，人体属性识别作为细粒度视觉理解的关键任务，对于公共安全、商业分析及人机交互具有深远意义。Nexdata/208914_Bounding_Boxes_Human_Body_Attributes_Data_in_Surveillance_Scenes数据集由Nexdata机构创建，聚焦于监控场景下多属性人体标注。该数据集采集于室内购物中心与室外街道、广场等复杂环境，涵盖从儿童至老年的广泛年龄分布，并针对黄色人种男女人群进行标注。其核心研究问题在于解决真实监控视角下的人体多属性识别，通过提供超过二十万个人体边界框及十九类属性标注，为属性识别模型的训练与评估奠定了数据基础，推动了监控视觉分析技术的实用化进程。

当前挑战

该数据集致力于应对监控场景中人体属性识别的核心挑战，包括复杂光照变化、人群遮挡、低分辨率图像以及多样化姿态所导致的识别精度下降问题。在构建过程中，数据采集面临监控摄像头俯视角度单一、场景动态性高以及隐私保护约束，增加了标注一致性与数据代表性的难度。同时，十九类细粒度属性的标注需克服主观判断差异，确保年龄、服饰等属性在真实环境中的标注准确率超过百分之九十五，这对标注协议的设计与质量控制提出了较高要求。

常用场景

经典使用场景

在智能监控与计算机视觉领域，人体属性识别是提升场景理解能力的关键任务。该数据集通过提供大量标注了边界框和19种人体属性的监控场景图像，为研究人员构建和优化属性识别模型奠定了数据基础。其经典使用场景集中于训练深度学习模型，如卷积神经网络或视觉Transformer，以实现对行人性别、年龄、服装等属性的自动分类，广泛应用于行人重识别、行为分析等下游任务中。

解决学术问题

该数据集有效应对了监控场景下人体属性识别所面临的数据稀缺与多样性不足的学术挑战。通过涵盖室内外多场景、多年龄段及不同姿态的标注数据，它支持了模型泛化能力的研究，解决了传统数据集在真实复杂环境中表现不佳的问题。其高精度标注促进了属性识别算法的公平评估与性能提升，对推动细粒度视觉理解研究具有显著意义。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在多标签属性识别模型的创新上。例如，结合注意力机制与图卷积网络的方法被提出以更好地建模属性间关联；同时，一些工作利用该数据探索了跨场景自适应学习，以减少域差异对识别性能的影响。这些进展不仅丰富了人体属性识别的技术体系，也为后续大规模监控数据分析提供了参考框架。