CASIA-B

OpenDataLab2026-03-29 更新2024-05-09 收录

下载链接：

https://opendatalab.org.cn/OpenDataLab/CASIA-B

下载链接

链接失效反馈

资源简介：

Dataset B * (CASIA-B *) 是由Liang等人处理的CASIA-B的重新分割版本。CASIA-B * 的额外导入归因于CASIA-B用于生成轮廓数据的背景减法算法，该算法往往会产生很多噪声，并且已经过时了。当今世界应用。他们使用最新的预处理策略来重新分割原始视频，即深度行人轨迹和分割算法。结果，CASIA-B * 由裁剪的RGB图像，二进制轮廓和获得的边界框的高宽比组成。

Dataset B* (CASIA-B*) is a re-segmented version of the original CASIA-B dataset processed by Liang et al. The additional inclusion of CASIA-B* is attributed to the fact that the background subtraction algorithm used by the original CASIA-B to generate silhouette data tends to produce excessive noise and is outdated for modern real-world applications. The researchers adopted the latest preprocessing strategies, specifically deep pedestrian tracking and segmentation algorithms, to re-segment the original video data. Consequently, CASIA-B* consists of cropped RGB images, binary silhouettes, and the aspect ratios of the obtained bounding boxes.

提供机构：

OpenDataLab

创建时间：

2022-11-02

AI搜集汇总

数据集介绍

构建方式

CASIA-B数据集的构建基于多视角步态识别的需求，通过在不同视角下采集同一受试者的步态序列。该数据集包含124名受试者的步态数据，每个受试者在0°至180°的11个视角下进行步态录制，每个视角下有正常行走、背包行走和穿大衣行走三种条件。数据采集过程中，受试者被要求在特定环境下进行自然行走，确保数据的多样性和真实性。

使用方法

CASIA-B数据集主要用于步态识别算法的开发和评估。研究人员可以通过该数据集训练和测试步态识别模型，评估模型在不同视角和条件下的性能。使用时，通常将数据集分为训练集和测试集，采用交叉验证的方法进行模型训练和性能评估。此外，该数据集还可用于研究步态特征提取和步态序列分析等领域。

背景与挑战

背景概述

CASIA-B数据集，由中科院自动化研究所（CASIA）于2005年创建，是步态识别领域的重要资源。该数据集由张晓鹏教授领导的研究团队开发，旨在解决步态识别中的核心问题，即通过人体行走的动态特征进行身份识别。CASIA-B数据集包含了124个个体在不同行走条件下的步态序列，涵盖了正常行走、携带物品和穿着不同衣物等多种情况。这一数据集的推出，极大地推动了步态识别技术的发展，为后续研究提供了丰富的实验数据和基准。

当前挑战

尽管CASIA-B数据集在步态识别领域具有重要地位，但其构建和应用过程中仍面临诸多挑战。首先，数据集的多样性虽然丰富，但仍难以完全覆盖所有实际应用场景，如极端天气条件下的步态变化。其次，步态识别技术在处理遮挡、光照变化和视角差异等问题时表现不佳，这些因素均可能影响识别精度。此外，数据集的规模相对较小，限制了深度学习模型在步态识别中的应用效果。因此，如何进一步提升数据集的多样性和规模，以及开发更加鲁棒的步态识别算法，仍是当前研究的重要课题。

发展历史

创建时间与更新

CASIA-B数据集由中科院自动化研究所（CASIA）于2005年创建，旨在为步态识别研究提供一个标准化的数据集。该数据集在创建后经过多次更新，以适应不断发展的研究需求和技术进步。

重要里程碑

CASIA-B数据集的创建标志着步态识别领域的一个重要里程碑。它首次引入了多视角步态数据，涵盖了124个个体在11个不同视角下的步态序列，极大地丰富了步态识别研究的多样性和复杂性。此外，该数据集还包含了不同行走条件下的数据，如正常行走、携带物品和穿不同衣物，进一步提升了研究的实用性和挑战性。

当前发展情况

当前，CASIA-B数据集已成为步态识别领域的基础数据集之一，广泛应用于算法开发、模型评估和系统测试。其丰富的数据内容和多样的实验条件为研究人员提供了宝贵的资源，推动了步态识别技术的快速发展。随着深度学习和人工智能技术的进步，CASIA-B数据集的应用范围也在不断扩展，为新一代步态识别系统的研发提供了坚实的基础。

发展历程

CASIA-B数据集首次发表，由中科院自动化研究所（CASIA）发布，旨在为步态识别研究提供标准化的数据资源。
2006年
CASIA-B数据集首次应用于步态识别算法的研究与评估，成为该领域的重要基准数据集之一。
2007年
CASIA-B数据集被广泛应用于国际步态识别竞赛中，进一步提升了其在学术界的影响力。
2010年
随着深度学习技术的发展，CASIA-B数据集开始被用于训练和验证基于深度学习的步态识别模型。
2015年
CASIA-B数据集继续作为步态识别研究的重要资源，支持了多项前沿技术的开发与应用。
2020年

常用场景

经典使用场景

在计算机视觉领域，CASIA-B数据集以其丰富的步态特征和多视角采集方式，成为步态识别研究中的经典资源。该数据集包含了124个个体在11个不同视角下的步态序列，涵盖了多种行走状态，如正常行走、背包行走和穿外套行走。研究者常利用此数据集进行步态特征提取与识别算法的研究，特别是在多视角和多状态下的步态识别性能评估。

解决学术问题

CASIA-B数据集在步态识别领域解决了多视角和多状态下的识别难题。传统的步态识别方法往往受限于单一视角和单一状态，而CASIA-B通过提供多视角和多状态的步态数据，使得研究者能够开发和验证更具鲁棒性的识别算法。这不仅推动了步态识别技术的发展，也为其他多视角或多状态的生物特征识别研究提供了宝贵的参考。

实际应用

在实际应用中，CASIA-B数据集为安全监控、身份验证和医疗诊断等领域提供了重要的技术支持。例如，在安全监控系统中，利用CASIA-B数据集训练的步态识别模型可以有效识别和追踪特定个体，提高监控系统的准确性和效率。此外，在医疗诊断中，步态分析可以帮助医生评估患者的运动功能和康复进展，为个性化治疗方案提供依据。

数据集最近研究