إعادة تحديد هوية الكائن (إعادة تحديد الهوية)

إعادة تحديد الكائنات (Re-ID) هي تقنية متخصصة في الرؤية الحاسوبية (CV) تركز على ربط كائنات أو أفراد معينين عبر مشاهدات كاميرا متميزة وغير متداخلة أو على مدى فترات زمنية طويلة. بينما يحدد الكشف القياسي عن الكائنات فئة الكائن (مثل "شخص" أو "سيارة") داخل صورة واحدة، فإن إعادة التعريف تحدد ما إذا كان كائن معين تم الكشف عنه هو نفسه بالضبط الذي شوهد سابقًا. هذه القدرة مهمة للغاية لخلق فهم متماسك للحركة في البيئات واسعة النطاق حيث لا تستطيع كاميرا واحدة تغطية المنطقة بأكملها، مما يربط بشكل فعال النقاط بين الملاحظات البصرية المعزولة.

كيف تعمل إعادة تحديد الهوية

التحدي الأساسي لـ Re-ID هو مطابقة الهويات على الرغم من التغييرات في الإضاءة والوضعية وزاوية الكاميرا وفوضى الخلفية. لتحقيق ذلك، يتجاوز النظام إحداثيات المربع المحيط البسيطة ويحلل المحتوى البصري للكائن.

• استخراج الميزات: عند اكتشاف كائن ما، يقوم نموذج التعلم العميق (DL) بمعالجة الصورة المقصوصة لإنشاء متجه ميزات، يُسمى غالبًا التضمين. يمثل هذا المتجه السمات البصرية عالية المستوى —مثل نسيج الملابس أو لون السيارة—في شكل رقمي.
• التعلم المتري: يستخدم النظام التعلم المتري لضمان أن تكون التضمينات لنفس الكائن قريبة من بعضها البعض من الناحية الحسابية، في حين أن التضمينات لكائنات مختلفة تكون بعيدة عن بعضها البعض. عادةً ما يتم تدريب تقنيات مثل الشبكات العصبية السيامية لهذا الغرض.
• مطابقة التشابه: أثناء الاستدلال، يحسب النظام تشابه جيب التمام أو المسافة الأوقليدية بين كائن الاستعلام و"معرض" للهويات المخزنة مسبقًا. إذا تجاوزت درجة التشابه حدًا معينًا ، يتم الإعلان عن 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: هذه العملية، التي غالبًا ما تعتمد على خوارزميات مثل مرشح كالمان، تتنبأ بموقع كائن من إطار فيديو إلى الإطار التالي مباشرة. وهي تعتمد بشكل كبير على الاستمرارية الزمنية والتداخل المكاني ، مثل التقاطع فوق الاتحاد (IoU).
• إعادة التعريف: يتم استخدام إعادة التعريف عند فشل التتبع — على سبيل المثال، عندما يكون الكائن محجوبًا تمامًا بسبب حاجز أو يغادر مجال رؤية إحدى الكاميرات ويدخل مجال رؤية كاميرا أخرى. يعيد إعادة التعريف تحديد الهوية بناءً على المظهر بدلاً من سجل الموقع، مما يتيح تتبعًا قويًا للكائنات المتعددة (MOT) عبر الشبكات الموزعة.

تطبيقات واقعية

تحول إعادة تحديد الهوية عمليات الكشف المنعزلة إلى مسارات قابلة للتنفيذ، مما يتيح إجراء تحليلات متطورة في مختلف القطاعات.

• أمن المدن الذكية: في المراقبة الحضرية، تتيح تقنية Re-ID للمشغلين track أو مركبة معينة عبر شبكة كاميرات مراقبة المرور في جميع أنحاء المدينة. وهذا أمر حيوي للبحث الجنائي، حيث يتيح للسلطات تحديد مكان طفل مفقود أو مشتبه به دون الحاجة إلى مراجعة آلاف الساعات من لقطات الفيديو يدويًا.
• تحليلات البيع بالتجزئة: في بيئات البيع بالتجزئة المدعومة بالذكاء الاصطناعي، تستخدم المتاجر تقنية Re-ID لفهم مسارات العملاء. من خلال إعادة تحديد هوية المتسوقين أثناء تنقلهم بين الممرات أو الطوابق، يمكن لتجار التجزئة إنشاء خرائط حرارية للمسارات الشائعة وتحسين تخطيطات المتاجر ، مع الحفاظ على الخصوصية من خلال تحليل التضمينات الرقمية بدلاً من البيانات البيومترية.

تنفيذ التتبع باستخدام ميزات إعادة التعريف

نماذج حديثة مثل YOLO26 و YOLO11 يمكن دمجها مع أجهزة التتبع التي تستخدم مفاهيم Re-ID للحفاظ على الهويات في الظروف الصعبة. جهاز التتبع BoT-SORT، المتوفر في مكتبة Ultral Ultralytics ، يجمع بين إشارات الحركة وخصائص المظهر للحصول على أداء قوي.

يوضح المثال التالي كيفية تطبيق هذا التتبع على ملف فيديو:

from ultralytics import YOLO

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

# Track objects in a video using BoT-SORT
# BoT-SORT uses appearance features to help re-identify objects after occlusions
results = model.track(source="path/to/video.mp4", tracker="botsort.yaml", persist=True)

# Process results
for result in results:
    if result.boxes.id is not None:
        print(f"Tracked IDs: {result.boxes.id.cpu().numpy()}")

لمزيد من الاستكشاف للبنية التي تدعم هذه القدرات، يوصى بمراجعة الشبكات العصبية التلافيفية (CNNs) وResNet backbones. فهم هذه الأسس يساعد في اختيار بيانات التدريب المناسبة لضبط نماذج Re-ID المخصصة لبيئات محددة.