Object Re-identification (Re-ID)

객체 재식별(Re-ID)은 서로 겹치지 않는 여러 카메라 뷰 또는 장시간에 걸쳐 특정 객체나 개인을 매칭하도록 설계된 컴퓨터 비전(CV)의 전문 작업입니다. 일반적인 객체 탐지가 엔티티의 클래스를 인식하는 데 중점을 두어 이미지에 "사람" 또는 "자동차"가 포함되어 있음을 식별한다면, Re-ID는 시각적 외관을 기반으로 그것이 어떤 특정 사람 또는 자동차인지 한 단계 더 나아가 판별합니다. 이 기능은 단일 카메라로 전체 영역을 감시할 수 없는 대규모 환경에서 이동 상황을 일관된 흐름으로 파악하는 데 필수적이며, 서로 분리된 시각적 관측 결과 사이의 연결 고리를 효과적으로 만들어 줍니다.

재식별 작동 방식#

Re-ID의 핵심 과제는 조명, 카메라 각도, 자세 및 복잡한 배경의 변화에도 신원 일관성을 유지하는 것입니다. 이를 위해 시스템은 일반적으로 딥 뉴럴 네트워크를 포함하는 다단계 파이프라인을 사용합니다.

• 특징 추출: 객체가 탐지되면 합성곱 신경망(CNN)이 이미지 크롭을 분석하여 일반적으로 임베딩이라고 하는 특징 벡터를 생성합니다. 이 벡터는 의류의 질감이나 차량의 색상과 같은 객체 고유의 시각적 특성을 조밀한 수치 표현으로 나타냅니다.
• Metric Learning: 기본 모델은 metric learning 기법을 사용하여 학습됩니다. 목표는 동일한 객체의 임베딩이 벡터 공간에서 수학적으로 서로 가깝게 위치하도록 하는 동시에, 서로 다른 객체의 임베딩은 멀리 떨어지도록 하는 것입니다. 이러한 관계를 학습하기 위해 샴 신경망과 같은 특수 아키텍처가 자주 사용됩니다.
• 유사도 매칭: 배포 중에 시스템은 쿼리 객체의 임베딩을 저장된 신원 갤러리와 비교합니다. 이 비교에는 일반적으로 코사인 유사도 또는 유클리드 거리 계산이 사용됩니다. 유사도 점수가 사전 정의된 임계값을 넘으면 시스템은 일치하는 항목으로 확인합니다.

Re-ID와 객체 추적 비교#

Re-ID와 객체 추적은 비전 파이프라인에서 상호 보완적이지만 서로 다른 역할을 수행하므로 구분하는 것이 중요합니다.

• 객체 추적: 이 프로세스는 시간적 연속성에 의존합니다. 칼만 필터와 같은 알고리즘은 객체의 현재 속도와 궤적을 기반으로 바로 다음 프레임에서의 미래 위치를 예측합니다. 또한 인접한 프레임의 탐지 결과를 연결하기 위해 Intersection over Union(IoU)을 사용하는 경우가 많습니다.
• 재식별: 시간적 연속성이 끊어질 때 Re-ID가 중요합니다. 이는 가려짐으로 인해 객체가 장애물 뒤에 숨거나, 객체가 한 카메라의 시야를 벗어나 다른 카메라의 시야로 들어올 때 발생합니다. Re-ID는 위치 이력이 아니라 외관을 기반으로 신원을 다시 설정하여 견고한 다중 객체 추적(MOT)을 가능하게 합니다.

실제 적용 사례#

서로 연결되지 않은 뷰 전반에서 신원을 유지하는 기능을 통해 다양한 산업 분야에서 정교한 분석을 수행할 수 있습니다.

• 스마트 시티 교통 관리: 스마트 시티의 AI 환경에서 Re-ID를 사용하면 지방자치단체 시스템이 도시 전체의 교차로 네트워크를 이동하는 차량을 추적할 수 있습니다. 이를 통해 번호판 인식에만 의존하지 않고 평균 이동 시간을 계산하고 신호등 시간을 최적화할 수 있습니다.
• 소매 고객 분석: 소매업체는 Re-ID를 활용하여 쇼핑객의 행동을 파악합니다. 여러 통로에서 고객의 목격 정보를 연결하면 매장은 인기 이동 경로의 히트맵을 생성할 수 있습니다. 이를 통해 매장 레이아웃 최적화와 인력 수준 조정에 도움을 주며, 단편적인 상호작용을 넘어 전체 고객 여정에 대한 인사이트를 제공합니다.

Re-ID 특징을 활용한 추적 구현#

최신 비전 AI 워크플로에서는 고성능 detector와 Re-ID 개념을 활용하는 tracker를 함께 사용하는 경우가 많습니다. YOLO26 모델은 외관 특징을 활용하여 추적 일관성을 유지하는 BoT-SORT와 같은 tracker와 원활하게 통합할 수 있습니다. 데이터셋과 학습 파이프라인을 효율적으로 관리하려는 사용자를 위해 Ultralytics Platform은 어노테이션과 배포를 위한 통합 인터페이스를 제공합니다.

다음 예제에서는 신원 지속성을 자동으로 관리하는 Ultralytics Python 패키지를 사용하여 객체 추적을 수행하는 방법을 보여 줍니다:

from ultralytics import YOLO

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

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

견고한 성능을 구현하려면 이러한 모델을 학습할 때 고품질의 학습 데이터가 필요합니다. 특정 Re-ID 하위 모듈을 학습하는 동안 임베딩의 식별력을 개선하기 위해 triplet loss와 같은 기법을 자주 사용합니다. 또한 Re-ID 시스템이 잘못된 매칭을 얼마나 효과적으로 방지하는지 평가할 때 정밀도와 재현율의 세부적인 특성을 이해하는 것도 중요합니다.