Objekt Re-Identifizierung (Re-ID)

Die Objekt-Re-Identifizierung (Re-ID) ist eine spezielle Technik im Bereich der Computervision (CV), die sich darauf konzentriert, bestimmte Objekte oder Personen über unterschiedliche, sich nicht überschneidende Kameraansichten oder über längere Zeiträume hinweg miteinander in Verbindung zu bringen. Während die Standard-Objekterkennung die Klasse eines Objekts (z. B. „Person” oder „Auto”) innerhalb eines einzelnen Bildes identifiziert, bestimmt Re-ID, ob ein bestimmtes erkennbares Objekt genau dieselbe Identität hat wie ein zuvor gesehenes. Diese Fähigkeit ist entscheidend für ein zusammenhängendes Verständnis der Bewegung in großflächigen Umgebungen, in denen eine einzelne Kamera nicht den gesamten Bereich abdecken kann, und verbindet effektiv die Punkte zwischen isolierten visuellen Beobachtungen.

Wie die Re-Identifizierung funktioniert

Die grundlegende Herausforderung von Re-ID besteht darin, Identitäten trotz Veränderungen bei Beleuchtung, Pose, Kamerawinkel und Hintergrundunordnung abzugleichen. Um dies zu erreichen, geht das System über einfache Begrenzungsrahmenkoordinaten hinaus und analysiert den visuellen Inhalt des Objekts.

• Merkmalsextraktion: Wenn ein Objekt erkannt wird, verarbeitet ein Deep-Learning-Modell (DL) den Bildausschnitt, um einen Merkmalsvektor zu generieren, der oft als Einbettung bezeichnet wird. Dieser Vektor repräsentiert hochrangige visuelle Merkmale – wie die Textur von Kleidung oder die Farbe eines Fahrzeugs – in einem numerischen Format.
• Metrisches Lernen: Das System nutzt metrisches Lernen, um sicherzustellen, dass Einbettungen desselben Objekts mathematisch nahe beieinander liegen, während Einbettungen unterschiedlicher Objekte weit voneinander entfernt sind. Techniken wie siamesische neuronale Netze werden häufig für diesen Zweck trainiert.
• Ähnlichkeitsabgleich: Während der Inferenz berechnet das System die Kosinusähnlichkeit oder euklidische Distanz zwischen der Einbettung des Abfrageobjekts und einer „Galerie” zuvor gespeicherter Identitäten. Wenn der Ähnlichkeitswert einen bestimmten Schwellenwert überschreitet, wird eine Übereinstimmung festgestellt.

Re-ID vs. Objektverfolgung

Es ist wichtig, Re-ID von der Objektverfolgung zu unterscheiden, da sie komplementäre, aber unterschiedliche Rollen in einer Bildverarbeitungskette spielen.

• Objektverfolgung: Dieser Prozess, der häufig durch Algorithmen wie den Kalman-Filter unterstützt wird, sagt die Position eines Objekts von einem Videobild zum nächsten Bild voraus. Er stützt sich stark auf zeitliche Kontinuität und räumliche Überlappung, wie z. B. Intersection over Union (IoU).
• Re-Identifizierung: Re-ID kommt zum Einsatz, wenn die Verfolgung fehlschlägt – beispielsweise wenn ein Objekt vollständig durch eine Verdeckung verdeckt wird oder das Sichtfeld einer Kamera verlässt und in das einer anderen eintritt. Es stellt die Identität auf der Grundlage des Aussehens und nicht des Standortverlaufs wieder her und ermöglicht so eine robuste Multi-Objekt-Verfolgung (MOT) über verteilte Netzwerke hinweg.

Anwendungsfälle in der Praxis

Die Re-Identifizierung wandelt isolierte Erkennungen in verwertbare Bewegungsbahnen um und ermöglicht so anspruchsvolle Analysen in verschiedenen Branchen.

• Sicherheit in intelligenten Städten: Bei der überwachung in Städten ermöglicht Re-ID den Betreibern, track bestimmte Person oder ein bestimmtes Fahrzeug über ein stadtweites Netzwerk von Verkehrskameras zu track . Dies ist für die forensische Suche von entscheidender Bedeutung, da es den Behörden ermöglicht, ein vermisstes Kind oder einen Verdächtigen zu lokalisieren, ohne Tausende von Stunden an Filmmaterial manuell durchsehen zu müssen .
• Retail Analytics: In KI-gestützten Einzelhandelsumgebungen nutzen Geschäfte Re-ID, um die Customer Journey zu verstehen. Durch die erneute Identifizierung von Käufern, wenn sie sich zwischen Gängen oder Etagen bewegen, können Einzelhändler Heatmaps beliebter Wege erstellen und die Ladenausstattung optimieren , wobei die Privatsphäre gewahrt bleibt, da numerische Einbettungen anstelle von biometrischen Daten analysiert werden.

Implementierung von Tracking mit Re-ID-Funktionen

Moderne Modelle wie YOLO26 und YOLO11 können mit Trackern integriert werden, die Re-ID-Konzepte nutzen , um Identitäten auch unter schwierigen Bedingungen aufrechtzuerhalten. Der BoT-SORT-Tracker, der in der Ultral Ultralytics -Bibliothek verfügbar ist , kombiniert Bewegungshinweise mit Erscheinungsmerkmalen für eine robuste Leistung.

Das folgende Beispiel zeigt, wie diese Verfolgung auf eine Videodatei angewendet wird:

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()}")

Für eine weitere Untersuchung der Architektur, die diese Funktionen unterstützt, wird empfohlen, sich mit Convolutional Neural Networks (CNNs) und ResNet-Backbones zu befassen. Das Verständnis dieser Grundlagen hilft bei der Auswahl der richtigen Trainingsdaten, um benutzerdefinierte Re-ID-Modelle für bestimmte Umgebungen fein abzustimmen.