Ré-identification des objets (Re-ID)

La réidentification d'objets (Re-ID) est une technique spécialisée en vision par ordinateur (CV) qui consiste à associer des objets ou des individus spécifiques à travers des vues distinctes et non superposées de caméras ou sur de longues périodes. Alors que la détection standard d'objets identifie la classe d'un objet (par exemple, « personne » ou « voiture ») dans une seule image, la Re-ID détermine si un objet spécifique détecté est exactement le même que celui vu précédemment. Cette capacité est essentielle pour créer une compréhension cohérente des mouvements dans des environnements à grande échelle où une seule caméra ne peut pas couvrir toute la zone, en reliant efficacement les points entre des observations visuelles isolées.

Comment fonctionne la réidentification

Le défi fondamental de la Re-ID consiste à faire correspondre les identités malgré les changements d'éclairage, de pose, d'angle de caméra et d' encombrement de l'arrière-plan. Pour y parvenir, le système va au-delà des simples coordonnées du cadre de sélection et analyse le contenu visuel de l'objet.

• Extraction de caractéristiques : lorsqu'un objet est détecté, un modèle d'apprentissage profond (DL) traite le recadrage de l'image pour générer un vecteur de caractéristiques, souvent appelé « embedding ». Ce vecteur représente des traits visuels de haut niveau, tels que la texture d'un vêtement ou la couleur d'un véhicule, sous forme numérique.
• Apprentissage métrique : le système utilise l' apprentissage métrique pour garantir que les intégrations d'un même objet sont mathématiquement proches les unes des autres, tandis que les intégrations d'objets différents sont éloignées les unes des autres. Des techniques telles que les réseaux neuronaux siamois sont couramment utilisées à cette fin .
• Correspondance par similarité : lors de l'inférence, le système calcule la similarité cosinus ou la distance euclidienne entre l'intégration de l'objet recherché et une « galerie » d'identités précédemment enregistrées. Si le score de similarité dépasse un certain seuil, une correspondance est déclarée.

Re-ID vs. Object Tracking

Il est important de distinguer la Re-ID du suivi d'objets, car ils jouent des rôles complémentaires mais distincts dans un pipeline de vision.

• Suivi d'objet : ce processus, souvent alimenté par des algorithmes tels que le filtre de Kalman, prédit la position d'un objet d'une image vidéo à l'image suivante. Il repose fortement sur la continuité temporelle et le chevauchement spatial , tel que l' intersection sur l'union (IoU).
• Réidentification : la réidentification intervient lorsque le suivi échoue, par exemple lorsqu'un objet est entièrement masqué par une occlusion ou quitte le champ de vision d'une caméra pour entrer dans celui d'une autre. Elle rétablit l'identité en se basant sur l'apparence plutôt que sur l'historique de localisation, permettant ainsi un suivi multi-objets (MOT) robuste sur des réseaux distribués .

Applications concrètes

La réidentification transforme les détections isolées en trajectoires exploitables, permettant des analyses sophistiquées dans divers secteurs.

• Sécurité des villes intelligentes : dans le domaine de la surveillance urbaine, la technologie Re-ID permet aux opérateurs de track personne ou un véhicule spécifique à travers un réseau de caméras de circulation couvrant l'ensemble de la ville. Cela est essentiel pour les recherches judiciaires, car cela permet aux autorités de localiser un enfant disparu ou un suspect sans avoir à visionner manuellement des milliers d' heures d'images.
• Analyse du commerce de détail : dans les environnements de vente au détail basés sur l'IA, les magasins utilisent la technologie Re-ID pour comprendre le parcours des clients. En réidentifiant les acheteurs lorsqu'ils se déplacent entre les rayons ou les étages, les détaillants peuvent générer des cartes thermiques des chemins les plus fréquentés et optimiser l'agencement des magasins , tout en préservant la confidentialité des données grâce à l'analyse d'intégrations numériques plutôt que de données biométriques.

Mise en œuvre du suivi avec les fonctionnalités Re-ID

Les modèles modernes tels que YOLO26 et YOLO11 peuvent être intégrés à des trackers qui utilisent des concepts de Re-ID pour conserver les identités dans des conditions difficiles. Le tracker BoT-SORT, disponible dans la bibliothèque Ultralytics , combine des indices de mouvement avec des caractéristiques d'apparence pour des performances robustes.

L'exemple suivant montre comment appliquer ce suivi à un fichier vidéo :

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()}")

Pour approfondir vos connaissances sur l'architecture qui sous-tend ces capacités, nous vous recommandons de vous familiariser avec les réseaux neuronaux convolutifs (CNN) et les backbones ResNet. La compréhension de ces principes fondamentaux vous aidera à sélectionner les données d'entraînement appropriées afin d'ajuster les modèles Re-ID personnalisés à des environnements spécifiques.