VIPeR, ETH1,2,3, QMUL iLIDS, GRID, CAVIAR4ReID, 3DPeS, PRID2011, V47, WARD, SAIVT-Softbio, CUHK01, CUHK02, CUHK03

这是一个收集公共可用的人员再识别数据集的仓库，包含多个数据集，每个数据集都有详细的发布时间、身份数量、摄像头数量、图像数量等信息。

This repository aggregates publicly available datasets for person re-identification, encompassing multiple datasets. Each dataset is accompanied by detailed information such as release dates, the number of identities, the number of cameras, and the quantity of images.

原始信息汇总

数据集概述

数据集列表

Dataset	Release time	# identities	# cameras	# images	Label method	Crop size	Multi-shot	Tracking sequences	Full frames availability
VIPeR	2007	632	2	1264	Hand	128X48
ETH1,2,3	2007	85, 35, 28	1	8580	Hand	Vary	✔	✔	✔
QMUL iLIDS	2009	119	2	476	Hand	Vary	✔
GRID	2009	1025	8	1275	Hand	Vary
CAVIAR4ReID	2011	72	2	1220	Hand	Vary	✔
3DPeS	2011	192	8	1011	Hand	Vary	✔		✔*
PRID2011	2011	934	2	24541	Hand	128X64	✔	✔	✔*
V47	2011	47	2	752	Hand	Vary	✔		✔
WARD	2012	70	3	4786	Hand	128X48	✔	✔
SAIVT-Softbio	2012	152	8	64472	Hand	Vary	✔	✔	✔
CUHK01	2012	971	2	3884	Hand	160X60	✔
CUHK02	2013	1816	10(5 pairs)	7264	Hand	160X60	✔
CUHK03	2014	1467	10(5 pairs)	13164	Hand/DPM	Vary	✔
RAiD	2014	43	4	6920	Hand	128X64	✔
iLIDS-VID	2014	300	2	42495	Hand	Vary	✔	✔
MPR Drone	2014	84	1		Pyramid Features(ACF)	Vary	✔		✔
HDA Person Dataset	2014	53	13	2976	Hand/Pyramid Features(ACF)	Vary	✔	✔	✔
Shinpuhkan Dataset	2014	24	16		Hand	128X48	✔	✔
CASIA Gait Database B	2015(*see below)	124	11		Background subtraction	Vary	✔	✔	✔
Market1501	2015	1501	6	32217	Hand/DPM	128X64	✔
PKU-Reid	2016	114	2	1824	Hand	128X64
PRW	2016	932	6	34304	Hand	vary	✔		✔
Large scale person search	2016	11934s	-	34574	Hand	vary			✔
MARS	2016	1261	6	1191003	DPM+GMMCP	256X128	✔	✔
DukeMTMC-reID	2017	1812	8	36441	Hand	Vary	✔		✔
DukeMTMC4ReID	2017	1852	8	46261	Doppia	Vary	✔		✔
Airport	2017	9651	6	39902	ACF	128X64	✔
MSMT17	2018	4101	15	126441	Faster RCNN	Vary	✔
RPIfield	2018	112	12	601,581	ACF	Vary	✔	✔
LPW	2018	2,731	3,4,4	592,438	Detector+NN+Hand	-	✔	✔
PKU SketchRe-ID	2018	200	2	400	Hand	-
ThermalWorld	2018	516	20	15,118	Hand	-

数据集更新

• LPW, PKU Sketch-ReID, and ThermalWorld added.
• Moved to Github.
• RPIfield added.
• MSMT17 data added.
• Airport dataset added.

搜集汇总

数据集介绍

构建方式

该数据集集合了多个公开的行人重识别数据集，涵盖了从2007年至2018年间发布的多个经典数据集。每个数据集均通过多摄像头系统采集，涵盖了不同场景下的行人图像，包括室内、室外、机场、购物中心等复杂环境。数据集的构建主要依赖于手动标注和自动检测技术，如DPM（Deformable Part Models）和Faster RCNN等，确保了数据的多样性和挑战性。

使用方法

该数据集的使用方法主要围绕行人重识别算法的训练和评估展开。研究人员可以通过下载数据集并按照提供的协议进行实验，通常包括图像预处理、特征提取、模型训练和性能评估等步骤。数据集中的多摄像头设置和复杂场景使得其适用于测试算法在不同条件下的鲁棒性。此外，部分数据集还提供了评估工具和基准代码，便于研究人员进行对比实验和结果分析。

背景与挑战

背景概述

VIPeR、ETH1,2,3、QMUL iLIDS等数据集是计算机视觉领域中行人重识别（Person Re-Identification, ReID）任务的重要基准数据集。这些数据集自2007年起陆续发布，涵盖了从静态图像到视频序列的多种数据形式，旨在解决跨摄像头行人识别问题。VIPeR作为早期代表性数据集，由UCSC的研究团队于2007年发布，包含632个行人在两个摄像头下的图像，成为行人重识别算法评估的重要基准。随后，ETH1,2,3、QMUL iLIDS等数据集进一步扩展了数据规模和应用场景，推动了行人重识别技术的发展。这些数据集的研究背景源于视频监控、公共安全等领域对跨摄像头行人追踪的迫切需求，其影响力不仅体现在算法性能的提升上，还促进了深度学习在行人重识别中的应用。

当前挑战

行人重识别数据集面临的挑战主要体现在两个方面。首先，数据集的构建过程中存在诸多技术难题，例如图像采集环境的复杂性、摄像头视角的多样性以及光照、遮挡等外部因素的干扰。以VIPeR为例，尽管其数据规模较小，但由于视角变化和光照差异，仍被视为极具挑战性的数据集。其次，行人重识别任务本身具有较高的技术难度，包括跨摄像头行人特征匹配的鲁棒性、大规模数据下的计算效率以及低质量图像的处理等问题。例如，CUHK03数据集虽然提供了大规模数据，但其检测框的质量参差不齐，影响了算法的性能评估。此外，随着深度学习技术的发展，如何设计更具泛化能力的模型以应对复杂场景下的行人重识别任务，仍是当前研究的主要挑战之一。

常用场景

经典使用场景

VIPeR、ETH1,2,3、QMUL iLIDS等数据集在行人重识别领域中被广泛用于算法验证和性能评估。这些数据集通过多摄像头捕捉的行人图像，提供了丰富的视角变化、光照差异和遮挡场景，成为研究行人重识别算法的经典基准。例如，VIPeR数据集因其视角变化大、图像质量高，常被用于测试算法在复杂环境下的鲁棒性。ETH1,2,3数据集则因其动态摄像头捕捉的特点，成为研究光照和尺度变化的理想选择。

解决学术问题

这些数据集解决了行人重识别领域中的多个核心学术问题，包括跨摄像头行人匹配、视角不变性特征提取以及遮挡处理等。例如，CUHK03数据集通过提供大规模的行人图像和多种检测框标注，推动了深度学习在行人重识别中的应用。Market1501数据集则通过引入大量干扰样本，模拟了真实场景中的复杂情况，帮助研究者开发更具鲁棒性的算法。这些数据集为行人重识别算法的性能提升提供了重要的实验基础。

实际应用

在实际应用中，这些数据集为智能监控系统、安防领域以及无人驾驶技术提供了重要的技术支持。例如，GRID数据集通过模拟地铁站的多摄像头场景，帮助开发了适用于复杂公共环境的行人重识别系统。MPR Drone数据集则通过无人机采集的图像，推动了无人机监控系统中行人追踪技术的发展。这些数据集的应用不仅提升了监控系统的智能化水平，也为公共安全提供了有力保障。

数据集最近研究

最新研究方向

近年来，行人重识别（Person Re-Identification, ReID）领域的研究逐渐从传统的基于手工特征的方法转向深度学习方法，尤其是基于卷积神经网络（CNN）和生成对抗网络（GAN）的模型。VIPeR、CUHK03、Market1501等经典数据集在这一转变中发挥了重要作用，推动了跨摄像头行人匹配技术的进步。当前的研究热点包括跨模态行人重识别（如可见光与红外图像的匹配）、无监督学习和域自适应方法，这些方法旨在减少对大量标注数据的依赖，并提升模型在真实场景中的泛化能力。此外，随着无人机和智能监控系统的普及，基于无人机视角的行人重识别也逐渐成为研究焦点，MPR Drone等数据集为这一方向提供了重要的实验基础。这些研究不仅提升了行人重识别的准确性和鲁棒性，也为智能安防、智慧城市等应用场景提供了技术支持。