Charlotte Anomaly Dataset (CHAD)

Charlotte Anomaly Dataset (CHAD)是由北卡罗来纳大学夏洛特分校创建的一个高分辨率、多摄像头异常检测数据集，专门设计用于商业停车场环境。CHAD包含超过1.15百万帧的视频数据，首次在异常检测数据集中引入了边界框、身份和姿态标注，特别适用于基于骨架的异常检测。数据集通过四个摄像头的视角捕捉同一场景，支持智能视频监控应用。CHAD不仅规模庞大，还包含了超过1百万帧的正常行为数据，适用于无监督学习方法。数据集的创建过程考虑了实际环境的真实性，确保训练数据能准确代表目标应用场景。CHAD的应用领域主要集中在视频异常检测，旨在解决停车场等场景中的异常行为识别问题。

Charlotte Anomaly Dataset (CHAD) is a high-resolution, multi-camera anomaly detection dataset created by the University of North Carolina at Charlotte, specifically designed for commercial parking lot environments. CHAD contains over 1.15 million video frames, and for the first time introduces bounding box, identity and pose annotations into anomaly detection datasets, making it particularly suitable for skeleton-based anomaly detection. The dataset captures the same scene from four camera perspectives, supporting intelligent video surveillance applications. Beyond its large scale, CHAD also includes over 1 million frames of normal behavior data, which is applicable to unsupervised learning methods. The dataset was developed with consideration of the realism of real-world environments, ensuring that the training data can accurately represent the target application scenario. The main application field of CHAD is video anomaly detection, aiming to solve the problem of abnormal behavior recognition in scenarios such as parking lots.

搜集汇总

数据集介绍

构建方式

在视频异常检测领域，数据集的构建需紧密贴合实际应用场景。Charlotte Anomaly Dataset (CHAD) 的构建过程充分体现了这一原则，其数据采集于商业停车场环境，通过四台高清摄像头从不同视角连续录制同一场景，总帧数超过115万。数据标注采用多层次策略，不仅包含帧级异常标签，还创新性地集成了人物边界框、身份标识及人体关键点注释。这些注释基于YOLOv4、DeepSORT和HRNet等先进算法自动生成，并通过线性插值平滑技术处理缺失帧，确保了标注的连贯性与真实性，为骨架基和外观基异常检测方法提供了统一且贴近实际的基准。

使用方法

CHAD 数据集支持监督、无监督及半监督等多种学习范式。针对无监督学习，数据集提供了专门的划分，训练集仅包含正常行为帧，测试集则混合了正常与异常帧，便于模型学习正常模式并检测偏差。对于监督学习，正常与异常帧按比例均匀分配至训练与测试集。研究人员可利用其提供的边界框、身份ID及关键点注释，直接开发或评估骨架基异常检测模型，无需额外预处理步骤。数据集中包含的22类异常行为，如打架、盗窃、跌倒等，覆盖了现实监控中的常见场景，使得模型评估更具实际意义。同时，CHAD 鼓励采用AUC-ROC、AUC-PR和EER三项指标综合评估性能，以全面反映模型在真实世界中的分类能力与错误平衡。

背景与挑战

背景概述

视频异常检测作为计算机视觉领域的关键研究方向，旨在识别监控视频中的异常行为，对智能安防等现实应用具有深远意义。然而，该领域长期受限于高质量数据集的匮乏，现有数据集往往在场景多样性、标注完整性及数据规模上存在不足。在此背景下，北卡罗来纳大学夏洛特分校的研究团队于2023年推出了夏洛特异常数据集（CHAD），专注于停车场场景下的多视角高分辨率视频采集。该数据集包含超过115万帧连续视频，首次提供了边界框、身份标识与人体姿态标注，为基于骨架的异常检测方法建立了统一基准。CHAD通过其大规模单场景数据与丰富注释，显著推动了无监督与骨架驱动方法的发展，成为该领域最具代表性的数据集之一。

当前挑战

视频异常检测领域面临的核心挑战在于模型对特定场景的依赖性与现实应用的泛化需求之间的冲突。现有算法常在有限场景数据上表现优异，却难以适应真实监控环境中光照、视角及行为模式的动态变化。CHAD的构建过程同样遭遇多重挑战：其一，在数据采集阶段需协调多摄像头同步录制，确保视角重叠与时间对齐；其二，标注工程面临大规模视频中人体检测、跟踪与姿态估计的精度平衡问题，团队采用YOLOv4、DeepSORT与HRNet等算法生成注释，并通过线性插值平滑处理缺失帧，以在标注效率与数据噪声之间取得妥协。这些挑战凸显了高质量异常检测数据集构建的技术复杂性，也为后续研究提供了重要参考。

常用场景

经典使用场景

在智能视频监控领域，异常行为检测是保障公共安全的关键技术。Charlotte Anomaly Dataset (CHAD) 作为高分辨率、多视角的停车场场景数据集，其经典使用场景集中于训练和评估基于骨架的异常检测模型。通过提供超过115万帧连续视频及详尽的人物边界框、身份标识与姿态标注，CHAD 使得研究人员能够直接在清洗后的骨架上开发算法，避免了额外数据预处理带来的噪声干扰，从而专注于行为模式的学习与异常判别。

解决学术问题

CHAD 针对视频异常检测领域长期存在的若干学术难题提供了解决方案。其一，它弥补了现有数据集中正常帧数量不足的缺陷，以超百万正常帧支撑无监督方法的稳健训练；其二，首次引入多相机同一场景的视角，模拟真实监控环境中的空间覆盖需求；其三，通过统一提供人物检测、跟踪与姿态标注，消除了骨架方法因外部算法差异导致的性能评估偏差，为模型比较建立了标准化基准。这些贡献显著提升了算法在复杂现实场景中的泛化能力与可解释性。

实际应用

在实际应用层面，CHAD 直接服务于智能安防系统的开发与优化。其停车场场景与标注设计紧密贴合商业监控需求，可有效检测打架、盗窃、晕倒等22类异常行为。基于 CHAD 训练的模型能够部署于真实监控网络，通过低计算成本的骨架分析实现实时预警，降低误报率并提升响应效率。此外，数据集包含的昼夜多样性与人口统计学多样性，确保了算法在不同光照条件与人群中的适应性，为城市安全、交通管理等领域提供了可靠的技术支撑。

数据集最近研究

最新研究方向

在智能视频监控领域，异常检测作为保障公共安全的关键技术，其性能高度依赖于数据集的代表性与标注质量。Charlotte Anomaly Dataset (CHAD) 以其高分辨率、多视角的停车场场景设置，为视频异常检测研究提供了前所未有的数据基础。该数据集不仅包含帧级异常标签，还首次集成了边界框、身份标识与人体姿态注释，为基于骨架的异常检测方法建立了统一基准，显著推动了低计算需求下实时监控算法的发展。前沿研究聚焦于利用CHAD的多摄像头协同视角，探索时空图神经网络与自监督学习在复杂环境中的泛化能力，同时结合其丰富的注释信息，致力于解决真实场景中噪声干扰与细微异常行为的识别难题。CHAD的发布亦促进了异常检测评估标准的革新，强调综合运用AUC-ROC、AUC-PR与EER指标，以更全面衡量模型在实际部署中的可靠性。

相关研究论文

• CHAD: Charlotte Anomaly Dataset

  北卡罗来纳大学夏洛特分校 · 2023年