60 GHz FMCW雷达人脸数据集

该数据集由慕尼黑工业大学的研究团队创建，主要用于基于60 GHz FMCW雷达的人脸识别和分布外检测研究。数据集包含80964个分布内（ID）样本和22458个分布外（OOD）样本，总条数为103422。数据采集自不同环境和时间，确保了数据的多样性和鲁棒性。数据集的应用领域主要集中在智能家居环境中的人脸识别系统，旨在解决分布外检测问题，确保系统的安全性和可靠性。

This dataset was developed by a research team at the Technical University of Munich, primarily for research on face recognition and out-of-distribution (OOD) detection based on 60 GHz FMCW radar. It comprises 80,964 in-distribution (ID) samples and 22,458 out-of-distribution (OOD) samples, with a total of 103,422 samples in all. The data was collected across various environments and time periods, ensuring the diversity and robustness of the dataset. This dataset is mainly applied to face recognition systems in smart home environments, aiming to address out-of-distribution detection issues and improve the security and reliability of such systems.

搜集汇总

数据集介绍

构建方式

60 GHz FMCW雷达人脸数据集的构建基于Infineon的BGT60TR13C 60 GHz FMCW雷达传感器。数据采集过程中，参与者被要求在距离传感器25厘米的固定位置进行记录，每次记录持续2分钟。为了确保数据的多样性和真实性，参与者在不同日期、不同时间段以及不同环境背景下进行记录，且不佩戴任何面部饰品。数据集包含来自四名男性和一名女性的ID样本，以及来自九名男性和两名女性的OOD样本，总计80964帧ID数据和22458帧OOD数据。

特点

该数据集的特点在于其高分辨率的60 GHz FMCW雷达数据，能够捕捉到人脸的细微运动特征。数据集不仅包含丰富的ID样本，还特别设计了大量的OOD样本，以支持OOD检测任务。此外，数据集涵盖了多种环境背景，增强了模型的鲁棒性。通过使用Range-Doppler图像和微Range-Doppler图像，数据集能够提供多模态的特征表示，进一步提升人脸识别和OOD检测的准确性。

使用方法

该数据集的使用方法主要分为两个阶段：首先，使用ID样本训练主路径（PP），通过三重损失函数优化人脸分类任务；其次，冻结主路径，使用中间路径（IPs）进行OOD检测训练，IPs采用简单的线性自编码器网络，通过重构误差来识别OOD样本。在测试阶段，样本首先通过IPs进行OOD检测，若被判定为ID样本，则继续通过PP进行分类。该方法在ID分类和OOD检测任务上均表现出色，ID分类准确率达到99.30%，OOD检测的AUROC达到96.91%。

背景与挑战

背景概述

60 GHz FMCW雷达人脸数据集由慕尼黑工业大学媒体技术实验室的研究团队于2025年创建，旨在通过短距离调频连续波（FMCW）雷达技术实现人脸识别与分布外（OOD）检测。该数据集的核心研究问题在于如何利用雷达信号在隐私敏感的环境中实现高效的人脸识别，同时有效检测并排除不属于训练数据分布的样本。相较于传统光学传感器，FMCW雷达具有成本低、隐私保护性强以及对环境条件鲁棒性高的优势，因此在智能家居、安防监控等领域具有广泛的应用前景。该数据集的提出不仅推动了雷达技术在生物识别领域的应用，还为分布外检测这一深度学习中的关键问题提供了新的解决方案。

当前挑战

60 GHz FMCW雷达人脸数据集在构建和应用过程中面临多重挑战。首先，雷达信号的处理与光学图像存在显著差异，如何从雷达信号中提取有效的面部特征是一个技术难点。其次，分布外检测要求模型能够准确区分训练数据分布内外的样本，这对模型的鲁棒性和泛化能力提出了极高要求。此外，数据集的构建需要克服雷达信号采集中的噪声干扰、多径效应以及环境变化带来的影响。在模型训练方面，如何平衡人脸分类与分布外检测的性能，同时避免过拟合，也是一个亟待解决的问题。这些挑战不仅影响了数据集的构建质量，也限制了其在实际应用中的推广。

常用场景

经典使用场景

60 GHz FMCW雷达人脸数据集在短距离雷达人脸识别和分布外检测（OOD）领域具有广泛的应用。该数据集通过生成Range-Doppler图像和微Range-Doppler图像，为深度学习模型提供了丰富的输入数据。其经典使用场景包括在隐私敏感环境中的面部认证，如智能家居系统、安全监控和个性化服务。通过该数据集，研究人员能够训练出高精度的面部识别模型，并有效检测出不属于训练数据分布的异常样本。

衍生相关工作

基于60 GHz FMCW雷达人脸数据集的研究衍生了一系列经典工作。例如，FARE框架通过结合主路径（PP）和中间路径（IPs）实现了高精度的人脸识别和分布外检测。此外，该数据集还推动了多类别雷达分布外检测（MCROOD）和实时人类活动分类与分布外检测（HAROOD）等技术的发展。这些工作进一步扩展了雷达技术在智能感知领域的应用范围，为未来的研究提供了重要参考。

数据集最近研究

最新研究方向

60 GHz FMCW雷达人脸数据集在深度学习领域的最新研究方向主要集中在基于雷达的人脸识别与分布外（OOD）检测的结合。随着短距离雷达技术在隐私保护和环境鲁棒性方面的优势，其在智能家居、安防等领域的应用日益广泛。FARE框架通过引入主路径（PP）和中间路径（IPs）的双路径架构，实现了高精度的人脸分类与OOD检测。PP负责分布内（ID）人脸的分类，而IPs则通过线性自编码器网络进行OOD检测，显著提升了系统的安全性与可靠性。实验结果表明，FARE在ID分类准确率上达到99.30%，OOD检测的AUROC达到96.91%，超越了现有技术。这一研究不仅推动了雷达技术在生物识别领域的应用，还为智能家居等场景提供了更可靠的隐私保护解决方案。

相关研究论文

• FARE: A Deep Learning-Based Framework for Radar-based Face Recognition and Out-of-distribution Detection

  慕尼黑工业大学 · 2025年