NKUP, NKUP+

NKUP数据集是一个用于行人再识别的新基准数据集，包含来自南开大学开放环境中的15个摄像头（8个室内和7个室外）的视频，通过行人检测器从监控视频中裁剪行人图像，获得了超过200,000个带有ID的边界框。数据集包含5,336个训练图像，332个查询图像和4,070个图库图像，每个行人平均有2.2种衣服。NKUP+数据集是一个长期且公开可用的行人再识别数据集，包含来自南开大学29个室内和室外摄像头的超过40,000个行人图像，每个行人提供多种图像，测试集根据不同外观分为几个子集。

The NKUP dataset serves as a novel benchmark for pedestrian re-identification, comprising video footage from 15 cameras (8 indoor and 7 outdoor) in an open environment at Nankai University. Pedestrian images were cropped from surveillance videos using a pedestrian detector, yielding over 200,000 ID-labeled bounding boxes. The dataset includes 5,336 training images, 332 query images, and 4,070 gallery images, with an average of 2.2 clothing variations per pedestrian. The NKUP+ dataset is a long-term, publicly available pedestrian re-identification dataset, featuring over 40,000 pedestrian images from 29 indoor and outdoor cameras at Nankai University. Each pedestrian is represented by multiple images, and the test set is divided into several subsets based on varying appearances.

原始信息汇总

NKUP Dataset Description

• Purpose: To facilitate research on person re-identification (re-ID) with diverse clothing changes.
• Collection Environment: 15 cameras (8 indoor and 7 outdoor) at Nankai University.
• Data Details:
  • Total Bounding Boxes: Over 200,000.
  • Training Set: 5,336 images of 40 identities.
  • Query Set: 332 images.
  • Gallery Set: 4,070 images of 67 identities.
  • Average Clothing Variation: Each person has 2.2 kinds of clothes, excluding distractors.

NKUP+ Dataset Description

• Purpose: To address long-term person re-ID with cross-appearance changes.
• Collection Environment: 29 cameras (indoor and outdoor) at Nankai University.
• Data Details:
  • Total Images: More than 40,000 pedestrian images.
  • Test Set Structure: Divided into subsets based on appearance changes:
    • Same-appearance gallery.
    • Moderate cross-appearance gallery.
    • Dramatic cross-appearance gallery (images with a time interval of more than three months).

Dataset Contents

• NKUP Dataset:
  • Training Set: 5,336 images.
  • Testing Set: 4,070 images.
  • Query Set: 332 images.
• NKUP+ Dataset:
  • Training Set: 22,590 images.
  • Testing Set: Includes query, same appearance gallery, moderate appearance gallery, and dramatic appearance gallery.

Licensing

• Usage: For academic purposes only, no commercial use allowed.
• Copyright: © College of Computer Science, Nankai University.

搜集汇总

数据集介绍

构建方式

在计算机视觉领域，行人重识别（Person Re-identification, Re-ID）技术的研究日益受到重视。为了克服现有数据集在服装变化和环境约束方面的局限性，我们构建了NKUP数据集。该数据集通过在南开大学的开放环境中部署十五个摄像头（包括八个室内和七个室外摄像头），采集了大量的监控视频。通过行人检测器对视频中的行人进行裁剪，获取了超过200,000个带有ID的边界框。随后，我们从连续的行人图像中每25帧选取一张图像，最终形成了包含5,336张训练图像、332张查询图像和4,070张画廊图像的数据集。每个行人平均有2.2种服装变化，为研究提供了丰富的多样性。

使用方法

使用NKUP数据集时，用户可以从提供的链接下载数据集文件，包括训练集、测试集和查询集。训练集包含5,336张图像，测试集包含4,070张图像，查询集包含332张图像。对于NKUP+数据集，用户可以下载包含22,590张训练图像和多个测试子集的文件。每个子集根据行人外观变化的程度进行划分，包括相同外观、中等变化和剧烈变化。用户应确保仅将数据集用于学术目的，并遵守相关的版权和使用许可。

背景与挑战

背景概述

行人重识别（Person Re-identification, Re-ID）在计算机视觉领域引起了广泛关注，因其应用和研究的重要性。该技术旨在跨不同摄像头检索感兴趣的行人。然而，现有数据集大多假设行人在不同摄像头视角下服装不变或在受限环境中拍摄，这简化了Re-ID任务并促进了早期发展，但在现实生活中，行人更换服装的可能性极大。为解决这些问题，南开大学计算机科学学院的研究团队于2020年推出了NKUP数据集，该数据集是目前最为多样化的行人重识别基准数据集，涵盖视角、光照、分辨率、人体姿态、季节、背景和服装等多个变量。随后，为应对长期跨外观场景的Re-ID挑战，研究团队于2022年推出了NKUP+数据集，该数据集包含多个外观变化的行人图像，旨在训练模型在特征提取过程中关注更稳健的特征。

当前挑战

NKUP数据集面临的挑战主要在于如何处理行人服装变化带来的识别难题，以及如何在多样化的环境中保持识别精度。NKUP+数据集则进一步面临长期跨外观变化的挑战，包括数据集规模有限、图像采集方式可能导致领域适应问题、以及源视频采集时间间隔短导致外观变化不明显等问题。此外，NKUP+数据集在构建过程中遇到的挑战还包括如何组织大量人员进行长时间拍摄、如何确保数据集的多样性和真实性，以及如何划分测试集以全面评估模型的检索性能。

常用场景

经典使用场景

在计算机视觉领域，NKUP和NKUP+数据集因其对行人重识别（Person Re-identification, Re-ID）任务的独特贡献而备受瞩目。NKUP数据集通过捕捉行人在不同视角、光照、分辨率、姿态、季节、背景和服装变化下的图像，为研究者提供了一个多样化的基准。NKUP+数据集则进一步扩展了这一概念，特别关注长时间跨度内的外观变化，为模型提供了在实际应用中可能遇到的复杂场景下的训练数据。这些数据集的经典使用场景包括但不限于：开发和评估能够处理行人外观变化的Re-ID算法，以及研究如何在多摄像头监控系统中实现更精确的行人追踪。

解决学术问题

NKUP和NKUP+数据集解决了行人重识别领域中的一个关键学术问题：如何在行人外观发生显著变化的情况下，仍能准确识别和追踪目标。传统数据集通常假设行人在不同摄像头视角下保持相同的服装，或者在受限的环境中拍摄，这简化了Re-ID任务并促进了早期研究。然而，现实生活中的行人可能会频繁更换服装，这使得传统方法在实际应用中表现不佳。NKUP和NKUP+数据集通过提供包含多种外观变化的图像，帮助研究者开发和验证能够应对这些挑战的算法，从而推动了Re-ID技术的发展。

实际应用

在实际应用中，NKUP和NKUP+数据集为多摄像头监控系统提供了宝贵的资源。这些数据集的图像涵盖了行人在不同环境、不同时间点下的多种外观变化，使得训练出的模型能够在复杂的监控场景中更准确地识别和追踪目标。例如，在公共安全领域，这些数据集可以用于开发能够应对行人服装变化的监控系统，从而提高对可疑人员的追踪效率。此外，这些数据集还可以应用于零售业，通过分析顾客的外观变化来优化店内监控和顾客行为分析。

数据集最近研究

最新研究方向

在计算机视觉领域，行人重识别（Person Re-identification, Re-ID）技术因其广泛的应用和研究价值而备受关注。然而，现有数据集大多假设行人在不同摄像头视角下服装不变或在受限环境中拍摄，这简化了Re-ID任务并促进了早期发展，但在现实生活中，行人更换服装的情况极为常见。为此，NKUP和NKUP+数据集应运而生，旨在解决跨服装和长时间跨度的行人重识别问题。NKUP+数据集特别关注长时间跨度内的行人重识别，通过提供多种外观变化的图像，推动了模型在特征提取过程中关注更鲁棒的特征。这一研究方向不仅提升了Re-ID技术在实际应用中的可靠性，也为未来研究提供了新的基准和挑战。