OfficeBuildingREIDDataset

OfficeBuilding数据集包含两个摄像头视角（室外和室内视角），记录了人们在单个工作日进出建筑物的情况。室外摄像头的图像用于画廊和同摄像头查询。为了确保同摄像头查询和画廊没有来自同一时间的个人帧，我们将一个人首次进入建筑物（通常是清晨）的所有帧作为同摄像头查询图像。离开建筑物和在室外摄像头上重新进入建筑物的任何人被用作画廊的一部分。室内摄像头视角中的所有个人用于跨摄像头视角查询图像。

The OfficeBuilding dataset comprises two camera perspectives (outdoor and indoor), documenting the movement of individuals entering and exiting a building during a single workday. Images from the outdoor camera are utilized for gallery and same-camera queries. To ensure that same-camera queries and the gallery do not contain individual frames from the same time period, all frames of a person's first entry into the building (typically in the early morning) are designated as same-camera query images. Any individuals leaving the building and re-entering on the outdoor camera are included as part of the gallery. All individuals captured by the indoor camera perspective are used for cross-camera perspective query images.

原始信息汇总

OfficeBuildingREIDDataset 概述

数据集描述

• 场景描述：OfficeBuilding 数据集包含两个摄像头视角（室外和室内），记录了人们在一个工作日内进出建筑的情况。
• 数据用途：用于人物再识别（REID）研究。

数据组成

• 摄像头视角：
  • 室外摄像头：用于生成画廊（Gallery）和同摄像头查询（within-camera query）。
  • 室内摄像头：用于生成跨摄像头查询（across-camera view query）。
• 数据集结构：
  • GalleryOutdoor：包含室外摄像头的画廊图像。
  • ProbeIndoor：包含室内摄像头的查询图像。
  • ProbeOutdoor：包含室外摄像头的查询图像，与 GalleryOutdoor 中的图像无重叠。

图像文件命名规则

• 格式：PersonID_Time_FrameNUM.png
  • ID：每个个体的唯一标识。
  • Time：个体被摄像头捕捉的时间。
  • NUM：视频中的帧号。

数据采集与处理

• 检测方法：使用 ACF 检测器获取人物检测结果，并进行手动筛选以避免误检和质量差的检测。
• 帧采样：每个个体的跟踪最多采样20帧，导致帧号不连续。

引用信息

• 参考文献：[1] P. Marchwica, M. Jamieson, and P. Siva. An Evaluation of Deep CNN Baselines for Scene-Independent Person Re-Identification. Proceedings of the Canadian Conference on Computer and Robot Vision (CRV), Toronto, 2018.

搜集汇总

数据集介绍

构建方式

OfficeBuildingREIDDataset数据集的构建，是基于对某一工作日中，人们进出办公大楼的图像进行采集。该数据集包括两个摄像头视角，一个是户外视角，另一个是室内视角。户外视角的图像被用作图库，以及同摄像头视角下的查询图像。为了保证查询图像和图库中不含同一个人同一时间的帧，研究者们选取了一个人第一次进入大楼时的所有帧作为同摄像头视角下的查询图像。而离开大楼的人，以及再次进入大楼的人，被用作图库的一部分。室内摄像头视角下的所有人被用作跨摄像头视角下的查询图像。

特点

OfficeBuildingREIDDataset数据集的特点在于，它提供了两种不同视角下的图像，能够用于研究跨摄像头的行人重识别问题。此外，该数据集的图像被标记有独特的人ID、时间戳和帧数，便于追踪和分析个体。图像的命名格式也使得时间序列的分析成为可能。同时，该数据集的构建过程中，对每个个体的轨迹进行了均匀采样，避免了帧数的连续性对分析造成干扰。

使用方法

在使用OfficeBuildingREIDDataset数据集时，用户需要先解压数据集，其中包含三个文件夹：户外图库、室内探头（查询）图像和户外探头（查询）图像。这些图像均以特定的命名格式存储，其中包含个体ID、时间戳和帧数。用户可以根据这些信息进行数据预处理和标注，进而用于行人重识别的相关研究。在使用数据集进行研究时，请引用相关文献，以尊重研究者的贡献。

背景与挑战

背景概述

OfficeBuildingREIDDataset是用于行人重识别（REID）领域的一个数据集，由P. Marchwica、M. Jamieson和P. Siva等研究人员于2018年在加拿大计算机与机器人视觉会议（CRV）上发表的相关工作中提出。该数据集采集自一栋办公楼内外的两个摄像头，记录了单个工作日内人们进入和离开建筑物的情景。其独特之处在于，它提供了跨摄像头的查询图像，以及确保查询与图库中个体时间上不重叠的设置，为研究场景无关的行人重识别问题提供了宝贵的资源。该数据集的提出对推动行人重识别技术的发展和对场景无关识别算法的评估具有显著影响。

当前挑战

在数据集构建过程中，研究人员面临着如何有效区分同一人不同时间段的图像以及如何在保证数据质量的前提下避免错误和糟糕的检测等挑战。此外，行人重识别领域的问题挑战包括：如何在不同的摄像头视图和光照条件下准确识别同一人，以及如何处理由于遮挡、姿态变化等因素引起的识别困难。OfficeBuildingREIDDataset在提供解决这些问题的实验基础的同时，也揭示了当前算法在面对实际应用时的局限性。

常用场景

经典使用场景

在计算机视觉领域，OfficeBuildingREIDDataset被广泛用于评估场景独立的人员重识别（REID）算法的性能。该数据集包含两个摄像头视角，分别捕捉人们在单个工作日进入和离开建筑物的图像。经典使用场景包括，研究者利用户外摄像头捕获的图像作为图库（gallery），以及室内和室外摄像头捕获的图像分别作为跨摄像头查询（across-camera query）和同摄像头查询（within-camera query），以此来训练和测试REID系统的准确性和鲁棒性。

实际应用

在实际应用中，OfficeBuildingREIDDataset的应用场景广泛，例如在办公楼、商场等公共场所的安全监控系统中，通过该数据集训练出的REID模型能够有效辅助安保人员追踪特定个体，提升公共安全水平。

衍生相关工作

基于OfficeBuildingREIDDataset的研究衍生出了许多相关工作，包括但不限于改进的深度学习模型、更为精确的图像检测与跟踪算法，以及针对不同场景的适应性研究。这些工作进一步扩展了REID技术的应用边界，推动了计算机视觉和机器学习领域的创新发展。