摘要：商店行窃视频检测数据集是一个专门用于零售安防和异常行为识别的视频序列数据集，由印度MNNIT Allahabad大学计算机视觉实验室创建。
数据集简介
数据集概述
商店行窃视频检测数据集是一个专门用于零售安防和异常行为识别的视频序列数据集，由印度MNNIT Allahabad大学计算机视觉实验室创建。数据集使用32百万像素摄像头录制，视频分辨率为640×480，帧率为30fps，包含两个清晰区分的行为类别：正常购物行为（Normal）和盗窃行为（Shoplifting）。正常类别包含顾客行走、检查商品、浏览货架等日常购物活动的视频片段；盗窃类别则包含顾客将商品藏入衣物、塞入背包、遮挡盗取等典型盗窃动作的视频片段。数据集在实验室环境下合成录制，确保了行为动作的典型性和可识别性，为零售商店、超市和商场提供智能安防系统开发的训练数据，助力商业损失预防和安全管理自动化。
数据结构与关键特征
数据集采用视频序列格式，每个视频片段对应一个行为类别标签（正常或盗窃），按照时间序列记录完整的人体动作过程。关键特征包括：清晰的行为时序特征（从接近商品到完成盗窃的完整动作链）、多样化的盗窃手法（藏入衣物内侧、放入背包、用身体遮挡等）、不同的人物姿态和角度（正面、侧面、背面视角）、以及真实零售环境模拟（货架布局、商品陈列、购物场景）。视频以30fps的流畅帧率捕捉动作细节，640×480的分辨率确保了人物动作和关键细节的可见性。数据集特别注重正常行为与盗窃行为的边界区分，如正常的”拿起商品查看”与”将商品藏入衣物”之间的细微差异，要求模型能够捕捉关键的动作转折点和异常行为特征。所有视频均在受控实验室环境下录制，参与者按照预设脚本执行动作，确保了数据标注的准确性和行为表现的典型性。
应用价值与研究方向
该数据集在智能零售安防、商业损失预防和异常行为检测领域具有重要应用价值，可用于构建实时盗窃行为预警系统、智能视频监控平台、商店损失预防管理系统以及零售安全分析工具。研究方向包括：基于时序特征的异常行为检测算法、3D卷积神经网络与时空特征提取、双流网络架构（结合RGB图像和光流信息）、注意力机制在关键帧识别中的应用、早期盗窃意图预测模型、误报抑制技术（区分正常试穿与藏匿商品）、以及轻量级实时检测模型设计。此外，该数据集还可支持人体动作识别、异常行为分析、视频理解等通用计算机视觉研究，并可扩展至其他异常行为检测场景（如暴力行为识别、可疑徘徊检测、摔倒检测等）。在零售业年均损失数千亿美元的背景下，该数据集为推动智能安防技术在零售行业的应用、降低商业盗窃损失、提升安保效率提供了重要的数据基础和技术支撑。
数据集来源
由印度MNNIT Allahabad大学计算机视觉实验室创建。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-184
文件大小：720M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)