Reidentificación de objetos (Re-ID)

La reidentificación de objetos (Re-ID) es una técnica especializada en visión artificial (CV) centrada en asociar objetos o individuos específicos a través de vistas de cámara distintas y no superpuestas o durante períodos de tiempo prolongados. Mientras que la detección de objetos estándar identifica la clase de un objeto (por ejemplo, «persona» o «coche») dentro de una sola imagen, la Re-ID determina si un objeto detectado específico es exactamente el mismo que uno visto anteriormente. Esta capacidad es fundamental para crear una comprensión coherente del movimiento en entornos a gran escala en los que una sola cámara no puede cubrir toda la zona, conectando eficazmente los puntos entre observaciones visuales aisladas.

Cómo funciona la reidentificación

El reto fundamental de Re-ID es hacer coincidir identidades a pesar de los cambios en la iluminación, la pose, el ángulo de la cámara y el desorden del fondo. Para lograrlo, el sistema va más allá de las simples coordenadas del cuadro delimitador y analiza el contenido visual del objeto.

• Extracción de características: Cuando se detecta un objeto, un modelo de aprendizaje profundo (DL) procesa el recorte de la imagen para generar un vector de características, a menudo denominado incrustación. Este vector representa rasgos visuales de alto nivel , como la textura de la ropa o el color de un vehículo, en formato numérico.
• Aprendizaje métrico: El sistema utiliza el aprendizaje métrico para garantizar que las incrustaciones del mismo objeto estén matemáticamente cerca unas de otras, mientras que las incrustaciones de diferentes objetos estén muy separadas. Técnicas como las redes neuronales siamesas se entrenan comúnmente para este propósito.
• Coincidencia por similitud: durante la inferencia, el sistema calcula la similitud coseno o la distancia euclidiana entre la incrustación del objeto de consulta y una «galería» de identidades almacenadas previamente. Si la puntuación de similitud supera un determinado umbral, se declara una coincidencia.

Re-ID vs. Seguimiento de objetos

Es importante distinguir el Re-ID del seguimiento de objetos, ya que cumplen funciones complementarias pero distintas en un proceso de visión.

• Seguimiento de objetos: este proceso, a menudo impulsado por algoritmos como el filtro de Kalman, predice la posición de un objeto de un fotograma de vídeo al siguiente fotograma inmediato. Se basa en gran medida en la continuidad temporal y la superposición espacial , como la intersección sobre la unión (IoU).
• Reidentificación: La reidentificación entra en juego cuando falla el seguimiento, por ejemplo, cuando un objeto queda totalmente oculto por una obstrucción o sale del campo de visión de una cámara y entra en otra. Restablece la identidad basándose en la apariencia en lugar del historial de ubicación, lo que permite un sólido seguimiento multiobjeto (MOT) a través de redes distribuidas.

Aplicaciones en el mundo real

La reidentificación transforma detecciones aisladas en trayectorias procesables, lo que permite realizar análisis sofisticados en diversos sectores.

• Seguridad en ciudades inteligentes: en la vigilancia urbana, Re-ID permite a los operadores track persona o vehículo específico a través de una red de cámaras de tráfico que cubre toda la ciudad. Esto es vital para la búsqueda forense, ya que permite a las autoridades localizar a un niño desaparecido o a un sospechoso sin tener que revisar manualmente miles de horas de grabaciones.
• Análisis minorista: en entornos minoristas impulsados por la IA, las tiendas utilizan Re-ID para comprender los recorridos de los clientes. Al volver a identificar a los compradores mientras se desplazan entre pasillos o plantas, los minoristas pueden generar mapas de calor de las rutas más populares y optimizar la distribución de las tiendas , todo ello manteniendo la privacidad mediante el análisis de incrustaciones numéricas en lugar de datos biométricos.

Implementación del seguimiento con funciones de reidentificación

Modelos modernos como YOLO26 y YOLO11 pueden integrarse con rastreadores que utilizan conceptos de Re-ID para mantener las identidades en condiciones difíciles. El rastreador BoT-SORT, disponible en la biblioteca Ultralytics , combina señales de movimiento con características de apariencia para obtener un rendimiento robusto.

El siguiente ejemplo muestra cómo aplicar este seguimiento a un archivo de vídeo:

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()}")

Para profundizar en la arquitectura que sustenta estas capacidades, se recomienda revisar las redes neuronales convolucionales (CNN) y las estructuras ResNet. Comprender estos fundamentos ayuda a seleccionar los datos de entrenamiento adecuados para ajustar los modelos Re-ID personalizados a entornos específicos.