当前计算机视觉技术的应用场景已经非常广泛，行业聚焦视觉AI技术，陆续在工业、医疗、教育、金融等行业输出AI能力。从 AI 的人脸识别能力超越人类以来，学术界和产业界的目光逐渐转向另一个更具科研意义和应用价值的课题——行人重识别（Person Re-identification，ReID）

在交通运输、工业制造和城市规划等实际场景下，99% 的图像都是不含人脸的——即使出现了人脸部分也极其模糊，仅有几个像素大小，这时候人脸识别的作用较为有限。

行人重识别（ReID，也称「行人再识别」），是指在多摄像设备网络下对行人进行检索，利用步态动作、身体特征等更为全面的信息来识别人物，无论单独使用还是与人脸识别相结合，都能发挥更大的应用价值。

除了智能零售、智慧交通、智能城市等经常提及的应用场景，ReID 技术的应用也将使日常生活更加便捷：游乐园更易寻找走失儿童、宠物/家庭机器人可以凭背影准确识别主人或顾客并提供相应服务。

然而，由于 ReID 需要从不同摄像机拍摄的图像或视频中找出同一个人物，而这些摄像机所覆盖的范围彼此并不重叠，导致缺乏连贯的信息，而且不同画面中人物的姿态、行为甚至外观（比如: 正身、侧身、背身）会发生较大变化，不同时间、场景的光照、背景和遮挡物各不相同（背景中常还有体型、衣着相似的其他人物干扰），摄像机的分辨率也有高有低，人物在画面中出现的位置有远有进, 这些都对 ReID 技术提出了极大的挑战。

数据堂自制版权的系列数据集产品为“Re-ID”这一技术路径的实现提供了强有力的支持。

10,000人监控场景下Re-ID数据

该数据包括室内场景和室外场景。数据涵盖男性女性，年龄分布为儿童至老人。数据多样性包括不同年龄段、不同时间段、不同拍摄角度、不同人体朝向和姿态、不同季节服饰。在标注方面，标注人体矩形框和15种人体属性信息。10,000人监控场景下Re-ID数据可用于Re-ID等任务。

行人重识别算法能够实现跨越时间和空间对目标人体(人群)进行跟踪、匹配与身份鉴定，也是近年来计算机视觉的研究热点之一。行人重识别可以简单理解为是对不同的、没有视野重叠覆盖的摄像机拍摄的行人图像建立对应关系的处理过程。它着力的是在跨摄像机的视频中对特定行人进行检索，弥补现有人脸识别系统中的不足之处，通过深度学习算法可以在人的背面、侧面或在人脸模糊不清的条件下，将一个人的行为轨迹还原，实现对目标人物的识别、检索和追踪。

随着行人重识别技术的不断成熟，其正在展现出巨大的应用价值。行人重识别算法能够对人体特征进行建模的特性，与部分行业对于对人体图像检索的需求相契合，以智能交通领域为例，相关系统的成功实施也依赖于鲁棒、高性能的行人重识别算法。