最近的研究人员提议使用事件摄像机进行人员重新识别(ReID),因为它们具有有希望的性能和在隐私保护方面的更好平衡,事件相机的人ReID引起了极大的关注。 目前,主流基于事件的人ReID算法主要侧重于融合可见光和事件流,以及保护隐私。 虽然取得了重大进展,但这些方法通常在小规模或模拟事件相机数据集上进行训练和评估,因此很难评估其真实的识别性能和概括能力。 为了解决数据稀缺问题,本文介绍了一个大规模基于RGB事件的人ReID数据集,称为EvReID。 该数据集包含118,988个图像对,涵盖1200个行人身份,数据在多个季节,场景和照明条件下收集。 我们还评估了15种最先进的ReID算法,为数据和基准测试的未来研究奠定了坚实的基础。 基于我们新建的数据集,本文进一步提出了一个行人属性引导的对比学习框架,以增强人员重新识别的特征学习,称为TriPro-ReID。 这个框架不仅有效地探索了RGB帧和事件流的视觉特征,而且还充分利用了行人属性作为中级语义特征。 EvReID数据集和MARS数据集上的大量实验充分验证了我们提议的RGB-Event人ReID框架的有效性。 基准数据集和源代码将在https://github.com/Event-AHU/Neuromorphic_ReID上发布。