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辆车辆的图像，这些图像由20个摄像头在24小时内覆盖1.0平方公里区域捕获。数据集的图像是在真实世界不受约束的监控场景中捕获的，并标有多种属性，如边界框、类型、颜色和品牌。每辆车由2至18个不同视角、光照、分辨率和遮挡的摄像头捕获，提供了车辆再识别在实际监控环境中的高重现率。此外，数据集还标有充足的牌照和时空信息，如牌照边界框、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 multiple attributes such as bounding boxes, type, color, and brand. Each vehicle is captured by 2 to 18 cameras with varying perspectives, lighting conditions, resolutions, and occlusions, providing a high recurrence rate for vehicle re-identification in practical surveillance environments. Additionally, the dataset is richly annotated with license plate and spatio-temporal 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：包含超过50,000张图像，涉及776辆车辆。
• 覆盖范围：由20个摄像头在24小时内覆盖1.0平方公里区域。
• 场景：图像在真实世界的非受限监控场景中捕获。
• 标注：图像带有多种属性标注，包括边界框（BBoxes）、类型、颜色和品牌。
• 视角和条件：每辆车由2至18个不同视角、光照、分辨率和遮挡情况的摄像头捕获。
• 额外信息：包含丰富的车牌和时空信息，如车牌边界框、车牌字符串、车辆时间戳及相邻摄像头间的距离。

数据集用途

• 用于车辆再识别（Re-Id）及其他相关研究。

数据集下载

• 需通过电子邮件向联系人提供全名和单位信息以获取数据集，确保非商业用途。

引用信息

• 使用该数据集时，应引用以下论文：
  • Xinchen Liu, Wu Liu, Tao Mei, Huadong Ma: A Deep Learning-Based Approach to Progressive Vehicle Re-identification for Urban Surveillance. ECCV (2) 2016: 869-884
  • Xinchen Liu, Wu Liu, Tao Mei, Huadong Ma: PROVID: Progressive and Multimodal Vehicle Reidentification for Large-Scale Urban Surveillance. IEEE Trans. Multimedia 20(3): 645-658 (2018)

数据集性能指标

• 提供了多个参考文献在VeRi数据集上的Rank-1、Rank-5和mAP性能指标，展示了不同年份的研究成果。

搜集汇总

数据集介绍

构建方式

VeRi数据集的构建旨在推动车辆重识别（Re-Id）领域的研究，特别是在真实城市监控场景中的应用。该数据集通过20个摄像头在24小时内覆盖1.0平方公里的区域，采集了776辆车辆的超过50,000张图像。每辆车被2至18个摄像头从不同视角、光照条件和分辨率下捕捉，确保了数据的高重复率和多样性。此外，数据集还标注了丰富的属性信息，包括车辆的边界框、类型、颜色、品牌、车牌信息以及时空数据，如时间戳和相邻摄像头之间的距离。

特点

VeRi数据集的特点在于其大规模和高多样性。数据集中的图像均来自真实世界的无约束监控场景，涵盖了多种复杂的视觉条件，如不同的光照、分辨率和遮挡情况。每辆车的多视角捕捉为车辆重识别提供了高重复率，使得模型能够在实际监控环境中得到有效训练和评估。此外，数据集还提供了详细的车牌信息和时空数据，进一步增强了其在车辆重识别及相关研究中的实用性。

使用方法

使用VeRi数据集时，研究人员可以通过邮件联系数据集提供方获取数据，并需提供个人信息以确保数据仅用于非商业用途。数据集的使用方法包括车辆搜索评估，通过计算查询图像与测试图像之间的距离矩阵，结合不同的特征提取方法（如SIFT-BOW、CN-BOW和CNN特征），最终得到综合距离矩阵。随后，通过读取真实标签和无效图像索引，计算平均精度（AP）并生成CMC曲线，从而评估模型的性能。数据集还提供了示例代码和预训练模型，便于研究人员快速上手。

背景与挑战

背景概述

VeRi数据集由北京邮电大学的研究团队于2016年创建，旨在推动车辆重识别（Vehicle Re-Identification, Re-Id）领域的研究。该数据集包含超过50,000张图像，涵盖776辆车辆，由20个摄像头在1.0平方公里的区域内24小时不间断拍摄。VeRi数据集的特点在于其真实世界无约束的监控场景，图像标注了多种属性，如边界框、车辆类型、颜色和品牌等。此外，每辆车在不同视角、光照条件和分辨率下被多次拍摄，提供了高重复率，适用于实际监控环境中的车辆重识别任务。VeRi数据集的出现极大地推动了车辆重识别算法的研究，尤其是在复杂城市监控场景中的应用。

当前挑战

VeRi数据集在车辆重识别领域面临的主要挑战包括：1) 车辆外观的高度相似性，尤其是在同一品牌或型号的车辆之间，增加了识别的难度；2) 监控场景中的复杂环境因素，如光照变化、遮挡和低分辨率，进一步加剧了识别任务的复杂性；3) 数据集的构建过程中，研究人员需要处理大量的图像数据，并确保标注的准确性和一致性，这对数据清洗和标注工作提出了极高的要求。此外，如何在多摄像头系统中有效利用时空信息进行车辆追踪和重识别，也是该领域亟待解决的关键问题。

常用场景

经典使用场景

VeRi数据集在车辆重识别（Re-Id）领域具有广泛的应用，尤其是在城市监控场景中。该数据集通过提供超过50,000张图像，涵盖了776辆车辆在不同摄像头、光照条件和视角下的多模态数据，为车辆重识别算法的训练和评估提供了丰富的素材。其经典使用场景包括车辆追踪、跨摄像头车辆匹配以及基于时空信息的车辆行为分析。

解决学术问题

VeRi数据集解决了车辆重识别领域中的多个关键学术问题，尤其是在复杂城市环境下的车辆识别挑战。通过提供多视角、多光照条件下的车辆图像，数据集帮助研究者开发出能够应对遮挡、视角变化和光照差异的鲁棒算法。此外，数据集中的车牌信息和时空标签为车辆重识别提供了额外的上下文信息，推动了基于多模态融合的车辆识别技术的发展。

衍生相关工作

VeRi数据集催生了一系列经典研究工作，推动了车辆重识别领域的快速发展。例如，Liu等人提出的PROVID算法通过渐进式多模态融合显著提升了车辆重识别的准确率。此外，基于VeRi数据集的深度学习模型，如Triplet Embedding和Adversarial Learning，也在车辆重识别任务中取得了显著的性能提升。这些工作不仅验证了数据集的实用性，也为后续研究提供了重要的技术参考。