Повторная идентификация объекта (Re-ID)

Повторная идентификация объектов (Re-ID) — это специализированная задача в области компьютерного зрения (CV), предназначенная для сопоставления конкретного объекта или человека на разных неперекрывающихся кадрах камеры или в течение длительного периода времени. В то время как стандартная обнаружение объектов сосредоточено на распознавании класса объекта — определении того, что изображение содержит «человека» или «автомобиль», — Re-ID идет дальше, определяя, какой именно человек или автомобиль это, на основе визуального внешнего вида. Эта способность необходима для создания связного описания движения в крупномасштабных средах, где одна камера не может охватить всю область, эффективно соединяя точки между изолированными визуальными наблюдениями.

Как работает повторная идентификация

Основная задача Re-ID заключается в поддержании идентичности личности, несмотря на изменения освещения, углов камеры, позы и фонового беспорядка. Для достижения этой цели система обычно использует многоступенчатый конвейер, включающий глубокие нейронные сети.

• Извлечение признаков: после обнаружения объекта сверточная нейронная сеть (CNN) анализирует фрагмент изображения для генерации вектора признаков, обычно называемого вложением. Этот вектор представляет собой плотное числовое отображение уникальных визуальных характеристик объекта, таких как текстура одежды или цвет транспортного средства.
• Метрическое обучение: базовые модели обучаются с использованием методов метрического обучения. Цель состоит в том, чтобы вложения одного и того же объекта были математически близки друг к другу в векторном пространстве, а вложения разных объектов были максимально удалены друг от друга. Для обучения этим взаимосвязям часто используются специализированные архитектуры, такие как сиамские нейронные сети.
• Сравнение по схожести: во время развертывания система сравнивает вложение объекта запроса с галереей сохраненных идентификаторов. Это сравнение обычно включает в себя вычисление косинусной схожести или евклидова расстояния. Если оценка схожести превышает заданный порог, система подтверждает совпадение.

Повторная идентификация по сравнению с отслеживанием объектов

Важно отличать Re-ID от отслеживания объектов, поскольку они выполняют взаимодополняющие, но различные роли в конвейере обработки изображений.

• Отслеживание объектов: этот процесс основан на временной непрерывности. Алгоритмы, такие как фильтр Калмана, прогнозируют будущее местоположение объекта в следующем кадре на основе его текущей скорости и траектории. Часто используется пересечение над объединением (IoU) для связывания обнаружений в соседних кадрах.
• Повторная идентификация: Повторная идентификация имеет решающее значение, когда нарушается временная непрерывность. Это происходит во время окклюзии — когда объект скрыт за препятствием — или когда объект покидает поле зрения одной камеры и попадает в поле зрения другой. Повторная идентификация восстанавливает идентичность на основе внешнего вида, а не истории местоположения, что обеспечивает надежное отслеживание нескольких объектов (MOT).

Применение в реальном мире

Возможность сохранять идентичность в разрозненных представлениях позволяет проводить сложные аналитические исследования в различных отраслях.

• Управление дорожным движением в «умных» городах: в контексте искусственного интеллекта в «умных» городах, Re-ID позволяет муниципальным системам track , когда оно движется по сети перекрестков по всему городу. Это помогает рассчитывать среднее время в пути и оптимизировать синхронизацию светофоров, не полагаясь исключительно на распознавание номерных знаков.
• Аналитика розничных покупателей: Розничные продавцы используют Re-ID для понимания поведения покупателей. Связывая места появления покупателя в разных отделах, магазины могут создавать тепловые карты популярных маршрутов. Это помогает оптимизировать планировку магазина и уровень укомплектованности персоналом, предоставляя информацию о всем пути покупателя, а не только об отдельных взаимодействиях.

Реализация отслеживания с помощью функций Re-ID

Современные рабочие процессы искусственного интеллекта в области зрения часто сочетают в себе высокопроизводительные детекторы с трекерами, использующими концепции Re-ID. Модель YOLO26 может быть легко интегрирована с трекерами, такими как BoT-SORT, которые используют характеристики внешнего вида для поддержания track . Для пользователей, которые хотят эффективно управлять своими наборами данных и конвейерами обучения, Ultralytics предлагает унифицированный интерфейс для аннотирования и развертывания.

Следующий пример демонстрирует, как выполнять отслеживание объектов с помощьюPython Ultralytics Python , который автоматически управляет сохранением идентичности:

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()}")

Для обеспечения надежной работы при обучении этих моделей требуются высококачественные обучающие данные. Такие методы, как потеря триплетов, часто используются при обучении конкретных подмодулей Re-ID для уточнения дискриминационной способности встраиваний. Понимание нюансов точности и воспроизведения также имеет решающее значение при оценке того, насколько хорошо система Re-ID избегает ложных совпадений.