VIPeR, ETH1,2,3, QMUL iLIDS, GRID, CAVIAR4ReID, 3DPeS, PRID2011, V47, WARD, SAIVT-Softbio, CUHK01, CUHK02, CUHK03|人重新识别数据集|计算机视觉数据集

这是一个收集公共可用的人重新识别数据集的仓库，包含多个数据集，每个数据集都有详细的描述，如发布时间、身份数量、摄像机数量、图像数量等。

This repository aggregates publicly available datasets for person re-identification, encompassing multiple datasets. Each dataset is accompanied by detailed descriptions, including release dates, the number of identities, the number of cameras, and the quantity of images, among other specifics.

原始信息汇总

数据集概述

本数据集页面收集了所有公开的用于人员再识别（Person Re-Identification）算法测试的数据集。以下是各数据集的关键信息概览：

数据集列表

数据集	发布时间	身份数量	摄像头数量	图像数量	标签方法	裁剪尺寸	多镜头	跟踪序列	全帧可用性
VIPeR	2007	632	2	1264	手工	128X48
ETH1,2,3	2007	85, 35, 28	1	8580	手工	变化	✔	✔	✔
QMUL iLIDS	2009	119	2	476	手工	变化	✔
GRID	2009	1025	8	1275	手工	变化
CAVIAR4ReID	2011	72	2	1220	手工	变化	✔
3DPeS	2011	192	8	1011	手工	变化	✔		✔*
PRID2011	2011	934	2	24541	手工	128X64	✔	✔	✔*
V47	2011	47	2	752	手工	变化	✔		✔
WARD	2012	70	3	4786	手工	128X48	✔	✔
SAIVT-Softbio	2012	152	8	64472	手工	变化	✔	✔	✔
CUHK01	2012	971	2	3884	手工	160X60	✔
CUHK02	2013	1816	10(5 pairs)	7264	手工	160X60	✔
CUHK03	2014	1467	10(5 pairs)	13164	手工/DPM	变化	✔
RAiD	2014	43	4	6920	手工	128X64	✔
iLIDS-VID	2014	300	2	42495	手工	变化	✔	✔
MPR Drone	2014	84	1		金字塔特征(ACF)	变化	✔		✔
HDA Person Dataset	2014	53	13	2976	手工/金字塔特征(ACF)	变化	✔	✔	✔
Shinpuhkan Dataset	2014	24	16		手工	128X48	✔	✔
CASIA Gait Database B	2015	124	11		背景减法	变化	✔	✔	✔
Market1501	2015	1501	6	32217	手工/DPM	128X64	✔
PKU-Reid	2016	114	2	1824	手工	128X64
PRW	2016	932	6	34304	手工	变化	✔		✔
Large scale person search	2016	11934s	-	34574	手工	变化			✔
MARS	2016	1261	6	1191003	DPM+GMMCP	256X128	✔	✔
DukeMTMC-reID	2017	1812	8	36441	手工	变化	✔		✔
DukeMTMC4ReID	2017	1852	8	46261	Doppia	变化	✔		✔
Airport	2017	9651	6	39902	ACF	128X64	✔
MSMT17	2018	4101	15	126441	Faster RCNN	变化	✔
RPIfield	2018	112	12	601,581	ACF	变化	✔	✔
LPW	2018	2,731	3,4,4	592,438	Detector+NN+Hand	-	✔	✔
PKU SketchRe-ID	2018	200	2	400	手工	-
ThermalWorld	2018	516	20	15,118	手工	-
SoccerNet-ReID	2022	243,432	-	340,993	手工	变化		✔
DeepSportradar-ReID	2022	486	-	9529	手工	变化	✔
LaST	2022	10862	-	228k	Detector+Hand	变化
MALS	2023	1,510,330	合成	1,510,330	BLIP	变化

数据集详情

• VIPeR: 包含两个摄像头，每个摄像头捕捉一个人的图像，提供视角角度。
• ETH1,2,3: 收集自移动摄像头，具有较大的光照和尺度变化。
• QMUL iLIDS: 基于机场繁忙时间的CCTV系统数据，具有重遮挡和姿态变化。
• GRID: 由8个非重叠摄像头在繁忙的地下车站收集。
• CAVIAR4ReID: 从购物中心的两个监控摄像头提取，具有视场重叠。
• 3DPeS: 由8个非重叠户外摄像头收集，提供3D环境和摄像头校准数据。
• PRID2011: 包含385个摄像头A的轨迹和749个摄像头B的轨迹，仅有200人在两个摄像头中都出现。
• V47: 使用两个室内摄像头收集，每个身份在不同方向上被捕捉。
• WARD: 由三个非重叠摄像头收集，每个身份在每个摄像头中有多张图像。
• SAIVT-Softbio: 由八个现有监控摄像头收集，提供全视频帧和标记的边界框。
• CUHK01: 包含每个身份在每个摄像头中的两张图像，图像质量相对较好。
• CUHK02: 是CUHK01的扩展，增加了四个额外的摄像头对设置。
• CUHK03: 第一个足够大的深度学习人员再识别数据集，提供DPM检测和手工标记的边界框。
• RAiD: 每个身份在所有四个非重叠摄像头中都有图像，光照变化大。
• iLIDS-VID: 从iLIDS MCTS数据集中提取600个轨迹，具有极重的遮挡。
• MPR Drone: 由飞行无人机在室内外环境中收集，使用金字塔特征检测。
• HDA Person Dataset: 旨在尽可能接近真实的人员再识别系统，提供紧密的边界框和遮挡标志。
• Shinpuhkan Dataset: 最初用于测试多摄像头跟踪方法，每个身份有多个跟踪片段。
• CASIA Gait Database B: 最初用于测试步态识别算法，由11个重叠摄像头收集，提供原始视频帧和轮廓。
• Market1501: 提供DPM检测和手工标记的边界框，用于深度学习。
• PKU-Reid: 由两个摄像头收集，每个身份有两张图像。
• PRW: 由六个摄像头收集，每个身份有多张图像，图像质量变化。
• Large scale person search: 用于大规模人员搜索，全帧可用。
• MARS: 提供DPM+GMMCP标记，用于深度学习。
• DukeMTMC-reID: 由八个摄像头收集，每个身份有多张图像。
• DukeMTMC4ReID: 使用Doppia标记，每个身份有多张图像。
• Airport: 使用ACF标记，每个身份有多张图像。
• MSMT17: 使用Faster RCNN标记，用于深度学习。
• RPIfield: 由12个摄像头收集，每个身份有多张图像。
• LPW: 使用Detector+NN+Hand标记，每个身份有多张图像。
• PKU SketchRe-ID: 由两个摄像头收集，每个身份有两张图像。
• ThermalWorld: 由20个摄像头收集，每个身份有多张图像。
• SoccerNet-ReID: 用于足球场景中的人员再识别，全帧可用。
• DeepSportradar-ReID: 用于体育场景中的人员再识别，每个身份有多张图像。
• LaST: 使用Detector+Hand标记，用于深度学习。
• MALS: 使用BLIP标记，每个身份有多张图像。

以上数据集为人员再识别领域的研究提供了丰富的资源和多样化的场景，有助于推动该领域的技术发展。

AI搜集汇总

数据集介绍

构建方式

这些数据集的构建方式主要通过在不同场景和条件下，使用多个摄像头捕捉行人图像。每个数据集都详细记录了摄像头的数量、图像的分辨率、以及是否有多视角或多时间点的图像。例如，VIPeR数据集通过两个摄像头捕捉每个行人的图像，而ETH1,2,3数据集则通过移动摄像头捕捉图像，以模拟实际监控环境中的视角和光照变化。这些数据集的标签主要由人工标注完成，确保了数据的准确性和一致性。

特点

这些数据集的主要特点在于其多样性和复杂性。它们涵盖了从室内到室外、从单摄像头到多摄像头的多种场景，且每个数据集都有其独特的挑战，如光照变化、视角差异、遮挡和姿态变化等。例如，QMUL iLIDS数据集在机场繁忙时段收集，具有较高的遮挡和姿态变化，而PRID2011数据集则包含了不同摄像头之间的行人轨迹，增加了时间同步的挑战。这些特点使得这些数据集成为评估和提升行人再识别算法性能的理想选择。

使用方法

这些数据集主要用于评估和训练行人再识别算法。研究者可以根据数据集的特性选择合适的子集进行实验，如选择具有特定光照或视角变化的图像进行训练。使用这些数据集时，通常需要遵循数据集提供的标签和使用协议，确保实验的公平性和可重复性。此外，数据集的多样性也允许研究者进行跨数据集的泛化能力测试，以评估算法的鲁棒性和适应性。

背景与挑战

背景概述

在计算机视觉领域，行人重识别（Person Re-Identification, ReID）技术近年来受到了广泛关注。该技术旨在跨不同摄像头识别同一行人，广泛应用于安防监控、智能交通等领域。上述数据集，如VIPeR、ETH1,2,3、QMUL iLIDS等，均是行人重识别研究中的经典数据集。这些数据集由不同研究机构在不同时间和场景下创建，涵盖了从2007年到2024年的多个版本，主要研究人员包括David Gray、H. Tao、W. Li等。这些数据集的核心研究问题是如何在多摄像头环境下准确识别和匹配同一行人，对提升行人重识别算法的鲁棒性和准确性具有重要影响。

当前挑战

行人重识别数据集在构建和应用过程中面临多重挑战。首先，数据集的多样性和复杂性要求算法能够处理不同光照、视角和遮挡条件下的行人图像。其次，数据集的标注和采集过程复杂，需要大量人工和时间成本，且标注质量直接影响算法性能。此外，数据集的规模和覆盖场景有限，难以完全模拟真实世界的复杂情况。最后，随着深度学习技术的发展，如何有效利用大规模数据集进行模型训练和验证，同时避免过拟合，也是当前研究的重要挑战。

常用场景

经典使用场景

在计算机视觉领域，行人重识别（Person Re-Identification, ReID）数据集如VIPeR、ETH1,2,3、QMUL iLIDS等，常用于评估和提升算法在不同摄像头视角下识别同一行人的能力。这些数据集通过模拟真实世界中的多摄像头监控环境，提供了丰富的视角、光照和姿态变化，使得研究人员能够开发和测试具有鲁棒性的行人重识别算法。

实际应用

在实际应用中，行人重识别数据集如GRID、PRID2011和CUHK03等，被广泛应用于智能监控系统、公共安全、交通管理和犯罪侦查等领域。通过这些数据集训练的算法，能够有效地在多摄像头网络中识别和追踪目标行人，提高了监控系统的效率和准确性。此外，这些数据集也为跨摄像头追踪和身份验证等实际应用提供了技术支持。

衍生相关工作

基于这些行人重识别数据集，研究人员开发了多种经典算法和模型，如基于深度学习的ReID模型、多视角特征融合方法和遮挡处理技术等。例如，CUHK03数据集推动了深度学习在行人重识别中的应用，而PRID2011数据集则促进了多摄像头同步和轨迹匹配技术的研究。这些衍生工作不仅提升了行人重识别的准确性，也为相关领域的技术进步提供了重要参考。