FLIR红外目标识别数据集

目标识别计算机视觉机器学习深度学习模型训练

￥20

已售 0

15.46GB

数据标识：D17358105516046223

发布时间：2025/01/02

数据描述

产品应用场景

1、工业设备智能监测：可用于电力设备巡检，通过红外通道检测变压器等设备的过热故障，结合可见光通道观察设备外观，精准定位异常区域；在石油化工领域，能同步监测管道温度分布与泄漏情况，提升隐患排查效率。
2、安防监控与应急搜救：适用于夜间或烟雾等复杂环境下的安防工作，利用红外通道的穿透性与可见光通道的细节呈现，实现人员与目标的检测定位；也可用于无人机搭载，在山林等区域快速锁定体温异常目标，辅助搜救工作。
3、自动驾驶与智能交通：为自动驾驶系统提供双模态数据支持，红外通道可在夜间、雨雾等恶劣条件下识别热源目标，可见光通道补充目标几何特征，增强复杂环境下的障碍物检测能力，提升自动驾驶安全性。

产品信息

● 数据规模：包含 10,000 对未对准的可见光 - 红外图像，涵盖 person、bicycle、car、dog 四类目标，训练集与测试集按 8:2 划分。
● 图像规格：红外图像分辨率 640×512，可见光图像分辨率 1920×1080，均为 8 位灰度 / 彩色格式。
● 标注方式：采用 COCO 标准进行边界框标注，明确目标类别与像素坐标信息。
● 采集条件：覆盖室内外多场景，温度采集范围 - 10℃~80℃，光照强度 50~10,000 lux ，数据多样性高。

使用方法

1、图像配准处理：先读取双模态图像，通过检测标定板圆心获取红外与可见光图像上的坐标点，计算尺度因子与偏移量，对红外图像进行 resize 和位置调整，最后将处理后的红外图像与可见光图像加权融合。
2、模型训练操作：可选用 U-Net 架构训练图像配准模型，损失函数结合 L1 距离与感知损失；融合模型根据需求选择，轻量级选 DenseFuse 网络，高精度选 DeepFusionNet，并对数据进行增强处理，如对红外图像添加温度偏移，可见光图像添加雨雾噪声。
3、应用部署流程：在工业检测场景，双光摄像头实时采集图像后，经配准融合、目标检测，标记温度异常区域并推送报警；在安防监控场景，对视频流抽帧后进行多尺度配准，结合热区联动跟踪与异常行为识别。

相似应用场景下的相似产品

无人机目标检测

矿区数据集目标检测

行人道路检测

注意事项

1、严格控制配准误差，当目标距离偏离标定距离 1.5m 时，需依据公式动态调整偏移参数，确保目标在特定距离下的误差符合要求。
2、注意硬件设备兼容性，红外与可见光相机基线长度应≥10cm ，以保证视差精度，推荐使用双光一体化模组；同时商业使用需注意版权问题，对含有人脸、车牌的街景图像进行模糊处理。

　　红外/可见光图像配准融合
根据文献【1】，对于平行光轴的红外可见光双目配置进行图像配准，主要的限制是图像配准只是对特定的目标距离（Dtarget）有效。配准误差 x（以像素单位）的数学表达式为：

　　其中f为焦距，lpix为像素大小，dc为基线长度。Doptimal是目标距离，即图像对齐误差为0。如果光轴平行，即Doptimal=无穷远，只有目标物体在相对相机很远的位置将会精确对齐，对于距离较近（Dtarget<无穷远）将会出现配准误差。
图像融合流程：
图像融合框架如下图：


　　其中标定方法采用的是OpenCV中的标定方法，只是标定板有所不同。需要注意的是图像尺度因子及红外相对可见光图像的偏移。
（1）图像尺度因子
　　由于红外和可见光的焦距不一样，导致空间物体在两种图像上成像大小不一样，同时，使用的红外/可见光硬件系统光心在Y方向上存在偏差，即使根据焦距大小对图像进行缩放也并不能使得同一物体在不同图像上的成像大小相同。

                                                     　　

　　本次采用的方法是计算标定板两两圆心之间的在红外和可见光图像间的像素差，得到图像的缩放比例，将空间物体在两种图像上的尺寸统一。


　　其中ThermalPoint和VisiblePoint为圆心n红外和可见光图像上的x或者y像素坐标值。根据求得的缩放因子，即可将空间物体在红外和可见光图像的尺寸统一，测试结果将在融合部分给出。

（2）红外相对可见光图像的偏移
　　本次红外和可见光的原始大小分别为：640*512,1920*1080，将红外和可见光图像缩放到统一大小之后，将小尺寸的红外图像移动到可见光图像上需要知道偏移距离（x，y）。采用的方法为：根据标定板中圆形的坐标位置在红外和可见光图像的像素坐标位置，计算对应点的像素差，则可将红外与可见光像素对齐，公式如下。

　　X和Y分别为同一个圆心分别在红外和可见光图像中的像素坐标值。但是由于缺少深度信息，上述求出的偏移数据只能将空间距离与标定板距离接近的物体对齐，即假设标定板是在1.5m处求出的偏移距离，则使用该参数对于处于同样距离的空间物体，对齐误差为0，而对于大于或小于1.5m距离的物体，存在偏差，根据参考文献，当最佳对齐（对齐误差为0）位置为50m时，位于其他位置的物体的对齐误差如下表所示：

　　从表中可以看出，当在50m处的对齐误差为0时，对于物体在0~20m范围内，误差从4pixel到小于1piexl。而对于20m到无穷远处的物体，对齐误差始终在1piexl以内。
（3）对齐精度分析
硬件平台参数：

　　对于该硬件平台，根据公式（1），当Doptimal=50m，对距离相机25m处的物体在图像上的对齐误差：

　　即如果应用场景的可接受对齐误差为±1piexl，对于该设备的有效目标距离为25m到无限远。匹配误差的数学表达式（公式1）表明，除了目标距离和最佳匹配距离，匹配误差还与双目的基线（dc），像素大小（lpix）和焦距（f）有关。上述表明，对于相同的目标距离，将相机配置为大的视场角（短焦距）对齐误差将会变小。
（4）测试结果
　　由于对于远距离下利用标定板求图像的偏移距离存在难度，为了简化测试，本次测试采集了一组人在相对相机不同距离下的一组图片，对其进行图像对齐，下表为测试结果：

　　测试数据中，人与相机的距离从6m~48m之间，每6m采集一组图像，之后通过手动的方法将红外和可见光图像进行对齐，在通过反复调整偏移参数后，获取了在上述偏移距离参数。从中可以看出，当物体距离大于12m之后，x方向的偏移基本保持不变，而y方向上，偏移参数的变化区间为[325,322](篇幅所限，给出少量测试结果)。

实验结果：

　　　　　　　　　　　　　　　　　　　　　         实验结果（1）