إعادة تحديد هوية الكائن (إعادة تحديد الهوية)

إعادة تحديد الكائن (Re-ID) هي مهمة متخصصة في الرؤية الحاسوبية (CV) مصممة لمطابقة كائن أو فرد معين عبر مشاهدات كاميرا مختلفة غير متداخلة أو على مدى فترات طويلة. في حين أن الكشف عن الكائنات القياسي على التعرف على فئة الكيان - تحديد أن الصورة تحتوي على "شخص" أو "سيارة" - فإن إعادة التعريف تذهب إلى أبعد من ذلك من خلال تحديد الشخص أو السيارة المحددة بناءً على المظهر البصري. هذه القدرة ضرورية لإنشاء سرد متماسك للحركة في البيئات واسعة النطاق حيث لا يمكن لكاميرا واحدة تغطية المنطقة بأكملها ، مما يربط بشكل فعال بين النقاط بين الملاحظات البصرية المعزولة.

كيف تعمل إعادة تحديد الهوية

يتمثل التحدي الأساسي لـ Re-ID في الحفاظ على اتساق الهوية على الرغم من الاختلافات في الإضاءة وزوايا الكاميرا والوضعية وفوضى الخلفية. لتحقيق ذلك، يستخدم النظام عادةً خط أنابيب متعدد الخطوات يتضمن شبكات عصبية عميقة .

• استخراج الميزات: بمجرد اكتشاف كائن ما، تقوم شبكة عصبية تلافيفية (CNN) بتحليل قصاصة الصورة لإنشاء متجه ميزات، يُعرف عادةً باسم التضمين. هذا المتجه هو تمثيل رقمي كثيف للسمات البصرية الفريدة للكائن، مثل نسيج الملابس أو لون السيارة.
• التعلم المتري: يتم تدريب النماذج الأساسية باستخدام تقنيات التعلم المتري. والهدف من ذلك هو ضمان أن تكون تضمينات الكائن نفسه قريبة من بعضها رياضيًا في الفضاء المتجهي، بينما يتم دفع تضمينات الكائنات المختلفة بعيدًا عن بعضها. غالبًا ما تستخدم بنى متخصصة مثل الشبكات العصبية السيامية لتعلم هذه العلاقات.
• مطابقة التشابه: أثناء النشر، يقارن النظام تضمين كائن الاستعلام بمجموعة من الهويات المخزنة. تتضمن هذه المقارنة عادةً حساب تشابه جيب التمام أو المسافة الأوقليدية. إذا تجاوزت درجة التشابه الحد المحدد مسبقًا، يؤكد النظام وجود تطابق.

إعادة تحديد الهوية مقابل تتبع الكائنات

من المهم التمييز بين إعادة تحديد الهوية وتتبع الكائنات، حيث إنهما يؤديان أدوارًا تكميلية ولكنها متميزة في مسار الرؤية.

• تتبع الكائنات: تعتمد هذه العملية على الاستمرارية الزمنية. تتنبأ خوارزميات مثل مرشح كالمان بموقع الكائن المستقبلي في الإطار التالي بناءً على سرعته ومساره الحاليين. وغالبًا ما تستخدم تقاطع الاتحاد (IoU) لربط عمليات الكشف في الإطارات المجاورة.
• إعادة تحديد الهوية: تعتبر إعادة تحديد الهوية أمرًا بالغ الأهمية عندما تنقطع الاستمرارية الزمنية. يحدث هذا أثناء الانسداد — عندما يكون الكائن مخفيًا خلف عائق — أو عندما يغادر الكائن مجال رؤية إحدى الكاميرات ويدخل مجال رؤية كاميرا أخرى. تعيد إعادة تحديد الهوية تأسيس الهوية بناءً على المظهر بدلاً من سجل الموقع، مما يتيح تتبعًا قويًا لعدة كائنات (MOT).

تطبيقات واقعية

تتيح القدرة على الحفاظ على الهوية عبر وجهات النظر المتباينة إجراء تحليلات متطورة في مختلف الصناعات.

• إدارة حركة المرور في المدن الذكية: في سياق الذكاء الاصطناعي في المدن الذكية، تتيح تقنية Re-ID للأنظمة البلدية track أثناء تحركها عبر شبكة التقاطعات في جميع أنحاء المدينة. وهذا يساعد في حساب متوسط أوقات السفر وتحسين توقيت إشارات المرور دون الاعتماد فقط على التعرف على لوحات الترخيص.
• تحليلات العملاء بالتجزئة: يستخدم تجار التجزئة Re-ID لفهم سلوك المتسوقين. من خلال ربط مشاهدات العميل عبر الممرات المختلفة، يمكن للمتاجر إنشاء خرائط حرارية للمسارات الشائعة. وهذا يساعد في تحسين تخطيط المتاجر ومستويات التوظيف، وتوفير رؤى حول رحلة العميل بأكملها بدلاً من مجرد تفاعلات منفصلة.

تنفيذ التتبع باستخدام ميزات إعادة التعريف

غالبًا ما تجمع سير عمل الرؤية الحديثة بالذكاء الاصطناعي بين أجهزة الكشف عالية الأداء وأجهزة التتبع التي تستخدم مفاهيم إعادة التعريف. يمكن دمج نموذج YOLO26 بسلاسة مع أجهزة التتبع مثل BoT-SORT، التي تستفيد من ميزات المظهر للحفاظ على track . بالنسبة للمستخدمين الذين يرغبون في إدارة مجموعات البيانات وخطوط التدريب بكفاءة، توفر Ultralytics واجهة موحدة للتعليق التوضيحي والنشر.

يوضح المثال التالي كيفية إجراء تتبع الكائنات باستخدامPython Ultralytics Python ، التي تدير استمرارية الهوية تلقائيًا:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

للحصول على أداء قوي، يتطلب تدريب هذه النماذج بيانات تدريب عالية الجودة . غالبًا ما يتم استخدام تقنيات مثل خسارة الثلاثيات أثناء تدريب وحدات فرعية محددة من Re-ID لتحسين القدرة التمييزية للدمج. كما أن فهم الفروق الدقيقة في الدقة والاسترجاع أمر بالغ الأهمية عند تقييم مدى نجاح نظام Re-ID في تجنب المطابقات الخاطئة.