CCTV-Gun

CCTV-Gun是由石溪大学精心构建和标注的基准数据集，专注于从闭路电视（CCTV）图像中检测手枪。该数据集包含7767张来自不同CCTV摄像头和场景的图像，主要关注手枪，这是枪支犯罪中最常用的类型。数据集的创建过程涉及从三个公开可用的数据集（Monash Gun Dataset, US Real-time Gun detection dataset, UCF Crime Scene dataset）中精选图像，并提供详细的边界框标注，包括人物、手枪及其持有者。此外，每张图像都标有挑战因素，如模糊和遮挡，以帮助分析检测算法的性能。CCTV-Gun数据集的应用领域主要集中在提高公共安全，通过自动快速检测CCTV图像中的手枪，预防枪支相关暴力事件的发生。

CCTV-Gun is a benchmark dataset carefully constructed and annotated by Stony Brook University, dedicated to pistol detection from closed-circuit television (CCTV) images. This dataset comprises 7767 images sourced from diverse CCTV cameras and scenarios, with a primary focus on pistols, the most commonly utilized type of firearm in gun-related criminal activities. The dataset was developed by curating images from three publicly available datasets: the Monash Gun Dataset, the US Real-time Gun Detection Dataset, and the UCF Crime Scene Dataset, and provides detailed bounding box annotations for individuals, pistols and their holders. Additionally, each image is labeled with challenging factors such as blurriness and occlusion to facilitate performance analysis of detection algorithms. The core application of the CCTV-Gun dataset is to improve public safety by automatically and rapidly detecting pistols in CCTV images to prevent gun-related violent incidents.

搜集汇总

数据集介绍

构建方式

在公共安全监控领域，针对枪支暴力事件的实时预警需求日益迫切，CCTV-Gun数据集的构建旨在填补真实监控场景下手枪检测任务的空白。该数据集从三个公开数据源中精心筛选图像：Monash Gun Dataset（MGD）、US Real-time Gun detection dataset（USRT）以及UCF Crime Scene dataset（UCF）。构建过程中，研究者剔除了非监控视角的库存图像与无目标背景帧，最终整合了7,767张标注图像。每张图像均通过labelImg工具进行了边界框标注，涵盖手枪、持枪者及其配对关系，并额外标注了模糊、遮挡及相似物体干扰等挑战性属性，从而构建了一个多层次、多场景的评估基准。

特点

CCTV-Gun数据集的核心特点在于其高度贴近真实监控场景的复杂性。图像分辨率跨度大，从低清320×240到高清1920×1080不等，且手枪目标通常仅占数像素面积，形态细微且常被持枪者手部遮挡。数据集中包含了大量负样本图像，即有人物但无手枪的场景，增强了模型对干扰因素的鲁棒性。此外，数据集首次引入了持枪者与手枪的配对标注，为后续人机交互研究提供了基础。挑战性属性的系统标注，使得算法在模糊、遮挡及相似物体混淆等极端条件下的性能得以量化评估。

使用方法

该数据集支持两种评估协议：数据集内评估与跨数据集评估。数据集内评估遵循标准流程，即在单一数据集的训练集上训练模型，并在其测试集上验证性能。跨数据集评估则更具实践意义，模型在任意两个数据集上训练后，直接在第三个数据集上测试，以检验其泛化能力。研究者还可进一步在目标数据集上微调预训练模型，比较基于枪支检测数据预训练与通用COCO预训练的效果差异。数据集的标注格式兼容主流检测框架，用户可通过MMDetection等工具快速部署实验，全面评估各类经典与前沿目标检测算法在真实监控场景下的性能极限。

背景与挑战

背景概述

在计算机视觉领域，针对公共安全监控的实时武器检测一直是极具挑战性的研究方向。CCTV-Gun数据集由石溪大学等机构的研究团队于2023年构建，旨在解决真实监控场景中手枪检测的核心难题。该数据集从MGD、USRT和UCF-Crime三个现有监控数据源中精选图像，通过精细化标注构建了包含手枪、持枪者及挑战属性的多维度基准。其创新性在于首次系统化整合了真实犯罪场景与模拟演练数据，并引入跨数据集评估协议，为监控场景下的小目标检测算法研究提供了关键基础设施，对智能安防领域的算法研发具有里程碑意义。

当前挑战

该数据集主要应对两大层面挑战：在领域问题层面，监控场景中的手枪检测面临目标尺寸微小（最低仅占16像素）、外观特征不显著、严重遮挡及光照条件复杂等固有难题，传统检测模型极易受相似物体干扰。在构建过程中，研究团队需克服真实犯罪数据稀缺、模拟场景与真实场景分布差异、跨数据源标注标准统一等技术障碍，同时需平衡隐私保护与数据可用性，并通过挑战属性标注体系量化评估模型在模糊、遮挡等极端场景下的鲁棒性。

常用场景

经典使用场景

在公共安全监控领域，CCTV-Gun数据集为评估和开发针对闭路电视监控图像的手枪检测算法提供了基准。该数据集精心整合了来自模拟犯罪场景和真实犯罪录像的图像，涵盖了不同分辨率、光照条件和遮挡程度的复杂情况。其经典应用场景在于为研究者提供了一个标准化的测试平台，用以衡量各类目标检测模型在极具挑战性的小目标、低分辨率及严重遮挡环境下的性能表现，从而推动监控场景下手枪自动检测技术的算法创新与性能突破。

衍生相关工作

CCTV-Gun数据集的发布催生并衔接了多项围绕监控场景下危险物品检测的经典研究工作。它本身建立在对Monash Gun Dataset、US Real-time Gun detection dataset和UCF Crime dataset等先前数据集的批判性整合与深化标注之上。基于该基准，后续研究广泛评估了包括Faster R-CNN、Deformable DETR、DetectoRS、Swin Transformer和ConvNeXt在内的多种前沿目标检测架构，深入分析了它们在跨域泛化、小目标检测及应对模糊遮挡等挑战上的性能边界。这些系统的实验与分析为领域内模型选择、算法改进及未来研究方向提供了坚实的实证基础与深刻洞察。

数据集最近研究

最新研究方向

在公共安全监控领域，CCTV-Gun数据集的推出标志着针对真实场景下枪支检测研究迈入了系统化与标准化阶段。该数据集聚焦于闭路电视图像中手枪的识别，其前沿探索主要围绕小目标检测的算法优化展开，鉴于手枪在监控画面中常呈现像素稀少、外观非显著且易受遮挡等特性，研究者正致力于提升模型在低分辨率、模糊及遮挡条件下的鲁棒性。跨数据集评估协议的引入成为热点，旨在检验模型从模拟场景到真实犯罪现场的泛化能力，这直接关联到实际部署中的预警效能。当前，基于Transformer的检测架构如Deformable DETR与ConvNeXt-T等先进方法正被广泛测试，以应对复杂环境下的检测挑战。这一基准的建立不仅推动了计算机视觉在安防领域的深度应用，也为预防枪支暴力事件提供了技术支撑，具有重要的社会意义。

相关研究论文

• CCTV-Gun: Benchmarking Handgun Detection in CCTV Images

  石溪大学 · 2023年