Re-identificazione degli oggetti (Re-ID)

La reidentificazione degli oggetti (Re-ID) è una tecnica specializzata nella visione artificiale (CV) incentrata sull'associazione di oggetti o individui specifici attraverso viste della telecamera distinte e non sovrapposte o per periodi di tempo prolungati. Mentre il rilevamento standard degli oggetti identifica la classe di un oggetto (ad esempio, "persona" o "auto") all'interno di una singola immagine, la Re-ID determina se un oggetto specifico rilevato è esattamente lo stesso visto in precedenza. Questa capacità è fondamentale per creare una comprensione coerente del movimento in ambienti di grandi dimensioni in cui una singola telecamera non è in grado di coprire l'intera area, collegando efficacemente i punti tra osservazioni visive isolate.

Come funziona la reidentificazione

La sfida fondamentale del Re-ID è quella di abbinare le identità nonostante i cambiamenti di illuminazione, posa, angolazione della telecamera e disordine dello sfondo. Per ottenere questo risultato, il sistema va oltre le semplici coordinate del riquadro di delimitazione e analizza il contenuto visivo dell'oggetto.

• Estrazione delle caratteristiche: quando viene rilevato un oggetto, un modello di deep learning (DL) elabora il ritaglio dell'immagine per generare un vettore di caratteristiche, spesso chiamato embedding. Questo vettore rappresenta le caratteristiche visive di alto livello , come la trama degli indumenti o il colore di un veicolo, in formato numerico.
• Apprendimento metrico: il sistema utilizza l' apprendimento metrico per garantire che gli embedding dello stesso oggetto siano matematicamente vicini tra loro, mentre quelli di oggetti diversi siano distanti. Tecniche come le reti neurali siamesi vengono comunemente addestrate a questo scopo.
• Corrispondenza di similarità: durante l'inferenza, il sistema calcola la similarità coseno o la distanza euclidea tra l'incorporamento dell'oggetto della query e una "galleria" di identità precedentemente memorizzate. Se il punteggio di similarità supera una certa soglia, viene dichiarata una corrispondenza.

Re-ID vs. tracciamento dell'oggetto

È importante distinguere il Re-ID dal tracciamento degli oggetti, poiché svolgono ruoli complementari ma distinti in una pipeline di visione.

• Tracciamento degli oggetti: questo processo, spesso basato su algoritmi come il filtro di Kalman, prevede la posizione di un oggetto da un fotogramma video al fotogramma immediatamente successivo. Si basa in larga misura sulla continuità temporale e sulla sovrapposizione spaziale , come l' Intersection over Union (IoU).
• Re-identificazione: la re-identificazione entra in gioco quando il tracciamento fallisce, ad esempio quando un oggetto è completamente oscurato da un'occlusione o esce dal campo visivo di una telecamera ed entra in quello di un'altra. Ristabilisce l'identità in base all'aspetto piuttosto che alla cronologia delle posizioni, consentendo un solido tracciamento multi-oggetto (MOT) su reti distribuite.

Applicazioni nel mondo reale

La reidentificazione trasforma i rilevamenti isolati in traiettorie utilizzabili, consentendo analisi sofisticate in vari settori.

• Sicurezza nelle smart city: nella sorveglianza urbana, il Re-ID consente agli operatori di track persona o un veicolo specifico attraverso una rete di telecamere di traffico che copre l'intera città. Ciò è fondamentale per le ricerche forensi, in quanto consente alle autorità di localizzare un bambino scomparso o un sospetto senza dover esaminare manualmente migliaia di ore di filmati.
• Analisi dei dati di vendita al dettaglio: negli ambienti di vendita al dettaglio basati sull'intelligenza artificiale, i negozi utilizzano il Re-ID per comprendere il percorso dei clienti. Riconoscendo nuovamente gli acquirenti mentre si spostano tra i corridoi o i piani, i rivenditori possono generare mappe di calore dei percorsi più popolari e ottimizzare la disposizione dei negozi , il tutto mantenendo la privacy grazie all'analisi di incorporamenti numerici anziché dati biometrici.

Implementazione del tracciamento con funzionalità Re-ID

Modelli moderni come YOLO26 e YOLO11Ultralytics possono essere integrati con tracker che utilizzano concetti di Re-ID per mantenere le identità in condizioni difficili. Il tracker BoT-SORT, disponibile nella libreria Ultralytics , combina segnali di movimento con caratteristiche di aspetto per prestazioni robuste.

L'esempio seguente mostra come applicare questo tracciamento a un file video:

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()}")

Per approfondire l'architettura che supporta queste funzionalità, si consiglia di esaminare le reti neurali convoluzionali (CNN) e le backbone ResNet. Comprendere questi fondamenti aiuta a selezionare i dati di addestramento giusti per mettere a punto modelli Re-ID personalizzati per ambienti specifici.