Re-identificação de objectos (Re-ID)

A reidentificação de objetos (Re-ID) é uma técnica especializada em visão computacional (CV) focada em associar objetos ou indivíduos específicos em imagens de câmaras distintas e não sobrepostas ou ao longo de períodos prolongados de tempo. Enquanto a deteção padrão de objetos identifica a classe de um objeto (por exemplo, «pessoa» ou «carro») dentro de uma única imagem, a Re-ID determina se um objeto específico detetado é exatamente a mesma identidade que um visto anteriormente. Essa capacidade é fundamental para criar uma compreensão coesa do movimento em ambientes de grande escala, onde uma única câmara não pode cobrir toda a área, conectando efetivamente os pontos entre observações visuais isoladas.

Como funciona a reidentificação

O desafio fundamental da Re-ID é corresponder identidades, apesar das mudanças na iluminação, pose, ângulo da câmara e desordem do fundo. Para conseguir isso, o sistema vai além das simples coordenadas da caixa delimitadora e analisa o conteúdo visual do objeto.

• Extração de características: Quando um objeto é detetado, um modelo de aprendizagem profunda (DL) processa o recorte da imagem para gerar um vetor de características, frequentemente chamado de incorporação. Esse vetor representa características visuais de alto nível — como a textura da roupa ou a cor de um veículo — em um formato numérico.
• Aprendizagem métrica: O sistema utiliza aprendizagem métrica para garantir que as incorporações do mesmo objeto sejam matematicamente próximas umas das outras, enquanto as incorporações de objetos diferentes sejam distantes. Técnicas como redes neurais siamesas são comumente treinadas para esse fim.
• Correspondência de similaridade: Durante a inferência, o sistema calcula a similaridade coseno ou distância euclidiana entre a incorporação do objeto de consulta e uma «galeria» de identidades previamente armazenadas. Se a pontuação de similaridade exceder um determinado limiar, é declarada uma correspondência.

Re-ID vs. Seguimento de objectos

É importante distinguir Re-ID de rastreamento de objetos, pois eles desempenham funções complementares, mas distintas em um pipeline de visão.

• Rastreamento de objetos: esse processo, frequentemente alimentado por algoritmos como o Filtro de Kalman, prevê a posição de um objeto de um quadro de vídeo para o quadro imediatamente seguinte. Ele depende muito da continuidade temporal e da sobreposição espacial , como a Intersecção sobre União (IoU).
• Reidentificação: a reidentificação entra em ação quando o rastreamento falha — por exemplo, quando um objeto é totalmente obscurecido por uma oclusão ou sai do campo de visão de uma câmara e entra em outro. Ela restabelece a identidade com base na aparência, em vez do histórico de localização, permitindo um rastreamento robusto de múltiplos objetos (MOT) em redes distribuídas.

Aplicações no Mundo Real

A reidentificação transforma detecções isoladas em trajetórias acionáveis, permitindo análises sofisticadas em vários setores.

• Segurança em cidades inteligentes: Na vigilância urbana, o Re-ID permite que os operadores track pessoa ou veículo específico em uma rede de câmaras de trânsito em toda a cidade. Isso é vital para buscas forenses, permitindo que as autoridades localizem uma criança desaparecida ou um suspeito sem precisar revisar manualmente milhares de horas de filmagens.
• Análise de retalho: Em ambientes de retalho alimentados por IA, as lojas utilizam Re-ID para compreender as jornadas dos clientes. Ao reidentificar os compradores à medida que se deslocam entre corredores ou andares, os retalhistas podem gerar mapas de calor de percursos populares e otimizar o layout das lojas , tudo isso mantendo a privacidade ao analisar incorporações numéricas em vez de dados biométricos.

Implementação do rastreamento com recursos de reidentificação

Modelos modernos como YOLO26 e YOLO11 podem ser integrados com rastreadores que utilizam conceitos de Re-ID para manter identidades em condições difíceis. O rastreador BoT-SORT, disponível na biblioteca Ultralytics , combina sinais de movimento com características de aparência para um desempenho robusto.

O exemplo a seguir demonstra como aplicar esse rastreamento em um ficheiro 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 uma exploração mais aprofundada da arquitetura que suporta esses recursos, recomenda-se a revisão das redes neurais convolucionais (CNNs) e das estruturas ResNet. Compreender esses fundamentos ajuda na seleção dos dados de treino corretos para ajustar modelos Re-ID personalizados para ambientes específicos.