Raw_2D_MIMO_radar_dataset_for_carry_object_detection

该数据集提供了用于携带物体检测的2D-MIMO MMWave雷达的原始ADC数据。主要收集了个人携带的三种主要物体：手机、笔记本电脑和刀具的数据，以适应携带物体检测场景。

This dataset provides raw ADC (Analog-to-Digital Converter) data from a 2D-MIMO MMWave radar for the purpose of carried object detection. It primarily includes data on three main objects carried by individuals: mobile phones, laptops, and knives, tailored to scenarios involving the detection of carried objects.

原始信息汇总

数据集概述

数据集名称： Raw Radar ADC Dataset for Carry Object Detection

数据集目的： 用于2D-MIMO MMWave雷达的原始ADC数据记录，主要收集了个人携带的三种主要对象：手机、笔记本电脑、刀具，以适应携带对象检测场景。

数据集内容：

• 数据类型： 包含约3000帧的雷达数据、同步的相机图像和标签。
• 雷达数据维度： 每个雷达帧的原始数据有4个维度：样本（256）、脉冲（61）、接收器（16）、发射器（12）。
• 雷达配置： 使用TI cascaded-chip TIDEP-01012板，具有12个发射天线和16个接收天线，形成192元素的2D-MIMO虚拟阵列，实现精细的方位分辨率（1.35°）和额外的仰角分辨率（19°）。
• 对象类型： 手机、笔记本电脑、刀具（包括金属黄油刀和切割刀）。
• 数据收集环境： 建筑大厅和实验室房间。

数据集结构：

• 每个序列包含图像文件夹（"images_0"）、雷达数据文件夹（"radar_raw_frame"）和标签文件（"labels.txt"）。
• 雷达数据格式为.mat，相机图像格式为.jpg，标签格式为.txt。

数据集下载：

• 可通过Google Drive链接或IEEE Dataport下载。

数据集标签格式：

• 每个标签行包含格式为[frame_id, uid, px, py, wid, len, class]的数据，其中class表示携带对象的类别，如laptop: 5, phone: 1, knife: 2等。

数据集更新：

• 初始发布日期为2022年12月11日。

数据集引用

• Gao, Xiangyu, et al. "Learning to Detect Open Carry and Concealed Object With 77 GHz Radar." IEEE Journal of Selected Topics in Signal Processing, 2022.
• Gao, Xiangyu, et al. "Raw ADC Data of 2D-MIMO MMWave radar for Carry Object Detection." IEEE Dataport, 2022.

搜集汇总

数据集介绍

构建方式

该数据集通过77GHz毫米波雷达采集原始ADC数据，专为携带物体检测场景设计。数据采集过程中，实验雷达由TI级联芯片TIDEP-01012板组装而成，配备12个发射天线和16个接收天线，形成一个包含192个元素的2D-MIMO虚拟阵列。数据采集在大楼大厅和实验室房间进行，主要关注个体携带的三种物体：手机、笔记本电脑和刀具。每个物体可以是公开携带或隐藏携带，数据采集时，受试者以正常速度在测试台前随机路径上行走10秒，以增加数据的多样性。

使用方法

该数据集的使用方法包括下载数据集文件，数据集可从Google Drive或IEEE Dataport获取。数据集结构包含多个序列文件夹，每个文件夹下包含图像文件夹、雷达数据文件夹和标签文件。用户可以通过Python 3.6环境加载和处理数据，利用提供的工具进行雷达信号处理和携带物体检测。数据集中的雷达数据可通过MATLAB或Python进行解析，标签文件可用于训练和评估物体检测模型。通过结合雷达数据和相机图像，用户可以实现多模态的携带物体检测任务。

背景与挑战

背景概述

Raw_2D_MIMO_radar_dataset_for_carry_object_detection数据集由Xiangyu Gao等研究人员于2022年发布，旨在解决毫米波雷达在携带物体检测中的应用问题。该数据集基于77 GHz的2D-MIMO毫米波雷达，采集了手机、笔记本电脑和刀具等三种主要携带物体的原始ADC数据。数据集包含约3000帧雷达数据，并同步记录了相机图像和标签信息。该研究由华盛顿大学的FUNLAB实验室支持，相关成果发表在IEEE Journal of Selected Topics in Signal Processing上，为毫米波雷达在安防和智能感知领域的应用提供了重要数据支持。

当前挑战

该数据集在构建和应用中面临多重挑战。首先，携带物体检测任务本身具有复杂性，尤其是在物体被隐藏或遮挡的情况下，雷达信号的特征提取和目标识别难度显著增加。其次，数据采集过程中需要确保雷达与相机数据的精确同步，这对硬件和软件系统的协同提出了高要求。此外，毫米波雷达信号的高维数据处理和噪声抑制也是技术难点，尤其是在多目标场景下，如何有效分离和识别不同物体的信号特征成为关键问题。最后，数据集的多样性和泛化能力仍需进一步提升，以应对不同环境和携带方式的复杂变化。

常用场景

经典使用场景

在毫米波雷达技术领域，Raw_2D_MIMO_radar_dataset_for_carry_object_detection数据集为研究者提供了一个丰富的实验平台，用于开发和测试携带物品检测算法。该数据集通过记录77GHz毫米波雷达的原始ADC数据，结合同步的相机图像和标签，为研究者提供了一个多模态的数据环境，特别适用于研究如何在复杂环境中准确检测和识别携带物品。

解决学术问题

该数据集解决了毫米波雷达在携带物品检测中的关键学术问题，如如何在低信噪比环境下提高检测精度、如何处理多径效应以及如何实现实时检测。通过提供高分辨率的2D-MIMO雷达数据和详细的实验配置，研究者能够深入分析雷达信号的特征，并开发出更加鲁棒的检测算法，从而推动毫米波雷达技术在安全监控和智能交通等领域的应用。

实际应用

在实际应用中，Raw_2D_MIMO_radar_dataset_for_carry_object_detection数据集为安全监控系统提供了重要的技术支持。例如，在机场、车站等公共场所，该数据集可以帮助开发出能够实时检测携带危险物品的系统，从而提高公共安全。此外，该数据集还可用于智能交通系统中，帮助识别行人携带的物品，优化交通流量管理。

数据集最近研究

最新研究方向

在毫米波雷达领域，2D-MIMO技术的应用正逐渐成为研究热点，尤其是在携带物体检测方面。Raw_2D_MIMO_radar_dataset_for_carry_object_detection数据集提供了77GHz毫米波雷达的原始ADC数据，涵盖了手机、笔记本电脑和刀具等三种主要携带物体的检测场景。该数据集不仅包含了雷达数据，还同步记录了相机图像和标签信息，为研究者提供了丰富的多模态数据资源。近年来，基于该数据集的研究主要集中在深度学习算法的优化与多传感器融合技术的应用上，旨在提高携带物体检测的准确性和鲁棒性。特别是在复杂环境下的隐蔽物体检测方面，该数据集为算法验证和性能评估提供了重要支持，推动了毫米波雷达在安防、智能交通等领域的实际应用。