VeRi

VeRi数据集是一个用于城市交通监控中车辆再识别的大型基准数据集。它包含超过50,000张776辆车的图像，这些图像由20个摄像头在24小时内覆盖1.0平方公里区域捕捉。数据集中的图像在真实世界不受约束的监控场景中捕捉，并标注了多种属性，如边界框、类型、颜色和品牌。每辆车被2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕捉，提供了高重复率以适应实际监控环境中的车辆再识别。此外，数据集还标注了充足的牌照和时空信息，如牌照框、牌照字符串、车辆时间戳以及相邻摄像头之间的距离。The VeRi dataset is a large-scale benchmark dataset designed for vehicle re-identification in urban traffic surveillance. It comprises over 50,000 images of 776 vehicles, captured by 20 cameras over a 24-hour period covering an area of 1.0 square kilometers. The images in the dataset were captured in real-world, unconstrained surveillance scenarios and are annotated with various attributes such as bounding boxes, type, color, and brand. Each vehicle is captured by 2 to 18 cameras with different perspectives, lighting conditions, resolutions, and occlusion levels, providing a high repetition rate to accommodate vehicle re-identification in actual surveillance environments. Additionally, the dataset is annotated with ample license plate and spatiotemporal information, including license plate bounding boxes, license plate strings, vehicle timestamps, and the distances between adjacent cameras.

原始信息汇总

VeRi数据集概述

数据集特性

• 规模与覆盖：包含超过50,000张图像，涉及776辆车辆，由20个摄像头在24小时内覆盖1.0平方公里区域。
• 场景与标注：图像在真实世界的非约束监控场景中捕获，并标注了多种属性，如边界框（BBoxes）、类型、颜色和品牌。
• 视角与条件：每辆车被2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕捉。
• 额外信息：数据集还标注了丰富的车牌和时空信息，包括车牌边界框、车牌字符串、车辆时间戳及相邻摄像头间的距离。

数据集使用

• 获取方式：需通过电子邮件向联系人提供全名和单位信息，以确保数据集用于非商业目的。

引用信息

• 参考文献：使用该数据集时，应引用以下论文：
  • Xinchen Liu, et al. "Large-scale vehicle re-identification in urban surveillance videos." ICME 2016.
  • Xinchen Liu, et al. "A deep learning-based approach to progressive vehicle re-identification for urban surveillance." ECCV 2016.
  • Xinchen Liu, et al. "PROVID: Progressive and multimodal vehicle reidentification for large-scale urban surveillance." IEEE Trans. Multimedia 20(3): 645-658 (2018).

性能评估

• 评估指标：数据集提供了多种评估指标，包括mAP、Rank-1、Rank-5等。
• 性能结果：展示了多个研究的年份和对应的性能结果，其中2019年的研究[22]在mAP上达到了最高值67.55%。

搜集汇总

数据集介绍

构建方式

VeRi数据集的构建旨在为车辆重识别研究提供大规模现实场景的基准。该数据集搜集了776辆车的超过50,000张图像，这些图像由20台相机在24小时内拍摄于一个1.0平方公里范围的都市监控场景。图像包含了车辆的各种属性标注，如边界框、类型、颜色和品牌等，以支持复杂模型的训练和评估。

特点

VeRi数据集的特点在于其规模化和现实性。它不仅提供了丰富的车辆视角、光照、分辨率和遮挡变化，从而保证了车辆重识别在实际监控环境中的高重现率，还标注了充足的牌照和时空信息，包括牌照的边界框、牌照字符串、车辆时间戳和相邻相机间的距离，为车辆重识别和相关研究提供了重要支撑。

使用方法

使用VeRi数据集，研究者需向指定邮箱提交姓名和所属机构信息，以获取数据集。该数据集的使用仅限于非商业研究目的。获取数据后，研究者可参照提供的样例代码进行车辆搜索评估，包括距离矩阵的计算、地面真实数据的读取以及平均精度等指标的运算。

背景与挑战

背景概述

VeRi数据集，构建于2016年，是由Xinchen Liu等研究人员精心打造的一个面向实际城市监控场景的大规模车辆重识别（Vehicle Re-Identification，简称Re-Id）基准数据集。该数据集包含了由20个摄像头在24小时内捕捉的776辆车的超过50,000张图像，覆盖了1.0平方公里区域，为车辆Re-Id及相关研究提供了可扩展的数据资源。VeRi数据集的图像采集于实际无约束监控场景，并标注有丰富的属性信息，如边界框、车型、颜色和品牌等，使得复杂数学模型的学习和评估成为可能。该数据集对车辆重识别领域产生了重要影响，引用次数众多，成为该领域研究的重要基准。

当前挑战

VeRi数据集在研究领域中解决的挑战主要包括：1) 在实际监控场景中，由于车辆图像受到不同角度、光照、分辨率和遮挡的影响，车辆重识别面临巨大挑战；2) 在数据集构建过程中，如何确保数据的多样性和质量，以及如何处理大规模数据集的标注问题，都是需要克服的难题。此外，数据集的泛化能力和在实际应用中的鲁棒性也是当前及未来研究的重点挑战。

常用场景

经典使用场景

在车辆重识别（Vehicle Re-Identification, Re-Id）领域，VeRi数据集的构建旨在提供一个大规模的基准数据集，其经典使用场景在于模拟真实世界城市监控环境下的车辆识别任务。该数据集通过其丰富的图像内容和多样的属性标注，使得研究者能够训练并评估复杂的模型，以实现车辆在不同视角、光照、分辨率和遮挡条件下的准确识别。

解决学术问题

VeRi数据集解决了车辆重识别领域中的多个学术研究问题，包括跨摄像头的车辆匹配、光照变化和遮挡带来的识别挑战等。其提供的大规模图像集合和详尽的属性标注，使得研究者能够设计出更加鲁棒的算法，提高车辆重识别的准确度和效率，对于推动该领域的发展具有重要的意义和影响。

衍生相关工作

基于VeRi数据集，研究者们衍生出了多项经典工作，如提出了多种车辆重识别算法、设计了有效的特征学习和度量学习策略，并在VeRi数据集上取得了当时领先的结果。这些研究不仅推动了车辆重识别技术的发展，也为相关领域的应用提供了方法论和实施范例。