编辑推荐：
为解决无人机在复杂环境中因遮挡导致的失踪人员检测难题，的研究人员开展了基于无人机红外热成像的部分遮挡人体目标检测（POP）数据集构建研究。该研究构建了包含8768张红外热成像图像的数据集，训练多种目标检测网络后，发现其在遮挡率不超过70%时仍能保持高精度检测。这一成果为复杂环境下的搜索与救援任务提供了新的技术支持，也为相关领域研究提供了重要数据资源，值得科研读者关注。
在当今科技飞速发展的时代，无人机（UAV）技术已经广泛应用于各个领域，而其在复杂环境下的搜索与救援任务中更是展现出了巨大的潜力。然而，尽管无人机搭载的光学设备能够提供丰富的图像信息，但在实际应用中，由于自然环境中的遮挡物（如树木、建筑物等），无人机在检测失踪人员时的表现并不尽如人意。尤其是在野外环境中，失踪人员往往会被树木等物体部分遮挡，这使得现有的光学设备难以准确识别。此外，目前用于训练无人机识别目标的公开数据集大多缺乏对部分遮挡人体目标的标注，这进一步限制了无人机在复杂环境下的搜索能力。为了解决这一问题，研究人员迫切需要一个专门针对部分遮挡人体目标的数据集，以提高无人机在复杂环境下的搜索效率和准确性。
为了应对这一挑战，中国某研究团队在《期刊原文名称》上发表了一篇题为《论文原文标题》的论文，提出了一种基于无人机红外热成像的部分遮挡人体目标检测数据集（POP）。该研究团队通过收集大量不同环境场景下的红外热成像图像，并对其进行标注，构建了一个包含8768张图像的数据集，旨在提高无人机在复杂遮挡环境下的失踪人员检测能力。研究结果表明，该数据集在训练流行的目标检测网络后，能够稳定地实现部分遮挡人体目标的高精度检测，并且在遮挡率不超过70%的情况下，检测精度并未显著下降。这一成果不仅为无人机搜索与救援任务提供了新的技术支持，也为相关领域的研究提供了重要的数据资源。
为了构建这一数据集，研究人员采用了多种关键技术方法。首先，他们使用了DJI Matrice 30T无人机，该无人机配备了宽相机、变焦相机、热相机和激光模块，能够同时拍摄可见光图像和红外热成像图像。其次，为了模拟真实野外环境中的遮挡情况，研究人员在不同的飞行高度（30米、50米和70米）和天气条件下（多云、阴天、雾天和晴天）进行了数据采集，并选择了不同类型的植物（如雪松、女贞和垂柳）作为遮挡物。此外，为了确保数据集的准确性和可靠性，研究人员邀请了专业的数据标注工程师对图像进行标注，并采用了多种统计分析方法来评估数据集的性能。
研究背景与问题
在野外环境中，人员失踪或受伤的情况时有发生，尤其是在自然灾害、旅行或战争等情况下。传统的搜索与救援方法，如使用动物或人工搜索，不仅成本高昂，而且效率低下，难以在大面积区域内快速定位失踪人员。无人机技术因其自由飞行视角、低维护成本和便捷部署等优势，被认为在搜索失踪人员方面具有巨大潜力。然而，现有的无人机搜索方法在面对部分遮挡的目标时，往往难以准确识别。这是因为自然环境中的遮挡物（如树木）会模糊目标的特征，使得基于可见光图像的目标检测变得困难。相比之下，红外热成像技术能够在一定程度上克服这一问题，因为它可以检测到人体的热信号，即使在部分遮挡的情况下也能识别出人体的存在。
数据集构建与技术方法
为了构建POP数据集，研究人员选择了DJI Matrice 30T无人机作为数据采集平台。该无人机配备了多种传感器，能够同时拍摄可见光图像和红外热成像图像。研究人员在不同的飞行高度和天气条件下进行了数据采集，并选择了不同类型的植物作为遮挡物，以模拟真实野外环境中的遮挡情况。为了确保数据集的准确性和可靠性，研究人员邀请了专业的数据标注工程师对图像进行标注，并采用了多种统计分析方法来评估数据集的性能。通过这些方法，研究人员成功构建了一个包含8768张图像的数据集，其中包含25811个标注框，涵盖了多种复杂环境下的部分遮挡人体目标。
研究结果
数据集性能评估
研究人员使用POP数据集训练了多种流行的目标检测网络，包括RTMDet、PP-YOLOE+s、YOLOv5s、YOLOv8s和DINO。这些网络在训练后均表现出较高的检测精度和快速的响应时间。具体而言，这些网络在部分遮挡人体目标检测任务中的平均精度（mAP@0.5）均超过0.74，平均响应时间低于0.04秒。这表明POP数据集能够有效地支持无人机在复杂环境下的失踪人员检测任务。
现有数据集的局限性
为了验证现有数据集在部分遮挡环境下的性能，研究人员将YOLOv8s网络分别在COCO数据集和HIT-UAV数据集上进行训练，并在POP测试集上进行评估。结果表明，这些现有数据集在部分遮挡人体目标检测任务中的表现远低于POP数据集。例如，YOLO-COCO-COCO模型在POP测试集上的mAP@0.5仅为0.05，而YOLO-HIT-HIT模型的mAP@0.5也仅为0.10。这表明现有数据集在处理部分遮挡目标时存在明显的局限性。
遮挡率对检测性能的影响
研究人员进一步分析了遮挡率对检测性能的影响。通过实验，他们发现当遮挡率低于70%时，POP数据集训练的YOLOv8s网络能够保持较高的检测精度（mAP@0.5超过0.78）。然而，当遮挡率超过70%时，检测精度显著下降。当遮挡率达到90%时，检测精度接近随机水平，表明此时人体目标的特征已经难以被网络识别。这一结果表明，遮挡率是影响部分遮挡人体目标检测性能的关键因素。
结论与讨论
本研究成功构建了一个基于无人机红外热成像的部分遮挡人体目标检测数据集（POP），并验证了其在复杂环境下的有效性。该数据集不仅能够支持多种流行的目标检测网络，还能在遮挡率不超过70%的情况下保持较高的检测精度。这一成果为无人机在复杂环境下的搜索与救援任务提供了新的技术支持，并为相关领域的研究提供了重要的数据资源。然而，该研究也存在一些局限性。例如，数据集的图像数量相对较少，且遮挡场景相对单一。此外，数据采集的飞行高度较低，缺乏高海拔数据。未来的研究将致力于扩大数据集的规模，增加遮挡场景的多样性，并探索更高海拔下的数据采集技术，以进一步提高无人机在复杂环境下的搜索能力。
