Object Re-identification (Re-ID)

A reidentificação de objetos (Re-ID) é uma tarefa especializada de visão computacional (CV) concebida para associar um objeto ou indivíduo específico entre diferentes vistas de câmaras não sobrepostas ou ao longo de períodos prolongados. Enquanto a deteção de objetos padrão se concentra em reconhecer a classe de uma entidade — identificando que uma imagem contém uma "pessoa" ou um "carro" —, a Re-ID vai mais longe ao determinar qual pessoa ou carro específico é, com base na aparência visual. Esta capacidade é essencial para criar uma narrativa coesa do movimento em ambientes de grande escala, onde uma única câmara não consegue cobrir toda a área, ligando eficazmente os pontos entre observações visuais isoladas.

Como funciona a reidentificação#

O principal desafio da Re-ID é manter a consistência da identidade apesar das variações na iluminação, nos ângulos da câmara, na pose e na desordem do fundo. Para o conseguir, o sistema utiliza normalmente um pipeline de várias etapas que envolve redes neuronais profundas.

• Extração de características: Depois de um objeto ser detetado, uma rede neural convolucional (CNN) analisa o recorte da imagem para gerar um vetor de características, normalmente conhecido como embedding. Este vetor é uma representação numérica densa das características visuais únicas do objeto, como a textura da roupa ou a cor do veículo.
• Aprendizagem métrica: Os modelos subjacentes são treinados utilizando técnicas de aprendizagem métrica. O objetivo é garantir que os embeddings do mesmo objeto ficam matematicamente próximos no espaço vetorial, enquanto os embeddings de objetos diferentes são afastados. Arquiteturas especializadas, como as redes neurais siamesas, são frequentemente utilizadas para aprender estas relações.
• Correspondência por similaridade: Durante a implementação, o sistema compara o embedding de um objeto de consulta com uma galeria de identidades armazenadas. Esta comparação envolve normalmente o cálculo da similaridade do cosseno ou da distância euclidiana. Se a pontuação de similaridade ultrapassar um limiar predefinido, o sistema confirma a correspondência.

Re-ID vs. rastreamento de objetos#

É importante distinguir a Re-ID do rastreamento de objetos, pois desempenham funções complementares, mas distintas, num pipeline de visão.

• Rastreamento de objetos: Este processo baseia-se na continuidade temporal. Algoritmos como o filtro de Kalman preveem a localização futura de um objeto no frame imediatamente seguinte, com base na sua velocidade e trajetória atuais. Frequentemente, utiliza a Interseção sobre União (IoU) para associar deteções em frames adjacentes.
• Reidentificação: A Re-ID é crucial quando a continuidade temporal é interrompida. Isto ocorre durante uma oclusão — quando um objeto fica oculto atrás de um obstáculo — ou quando um objeto sai do campo de visão de uma câmara e entra no de outra. A Re-ID restabelece a identidade com base na aparência, em vez do histórico de localização, permitindo um rastreamento robusto de múltiplos objetos (MOT).

Aplicações no mundo real#

A capacidade de manter a identidade entre vistas desconexas permite realizar análises sofisticadas em vários setores.

• Gestão inteligente do tráfego urbano: No contexto da IA em cidades inteligentes, a Re-ID permite que os sistemas municipais acompanhem um veículo à medida que este percorre uma rede urbana de interseções. Isto ajuda a calcular os tempos médios de viagem e a otimizar a temporização dos semáforos sem depender exclusivamente do reconhecimento de matrículas.
• Análise de clientes no retalho: Os retalhistas utilizam a Re-ID para compreender o comportamento dos compradores. Ao associar as aparições de um cliente em diferentes corredores, as lojas podem gerar mapas de calor dos percursos mais populares. Isto ajuda a otimizar os layouts das lojas e os níveis de pessoal, fornecendo informações sobre toda a jornada do cliente, em vez de apenas sobre interações isoladas.

Implementação de rastreamento com características de Re-ID#

Os fluxos de trabalho modernos de IA para visão combinam frequentemente detetores de alto desempenho com rastreadores que utilizam conceitos de Re-ID. O modelo YOLO26 pode ser integrado facilmente com rastreadores como o BoT-SORT, que utiliza características de aparência para manter a consistência do rastreamento. Para utilizadores que pretendem gerir os seus conjuntos de dados e pipelines de treino de forma eficiente, a Ultralytics Platform oferece uma interface unificada para anotação e implementação.

O exemplo seguinte demonstra como realizar o rastreamento de objetos utilizando o pacote Ultralytics Python, que gere automaticamente a persistência das identidades:

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()}")

Para obter um desempenho robusto, o treino destes modelos requer dados de treino de alta qualidade. Técnicas como a perda tripla são frequentemente utilizadas durante o treino de submódulos específicos de Re-ID para aperfeiçoar o poder discriminativo dos embeddings. Compreender as nuances da precisão e revocação também é fundamental ao avaliar a eficácia com que um sistema de Re-ID evita correspondências falsas.