Повторная идентификация объекта (Re-ID)

Повторная идентификация объектов (Re-ID) — это специализированная техника в области компьютерного зрения (CV), направленная на сопоставление конкретных объектов или лиц в разных, непересекающихся кадрах камеры или в течение длительного периода времени. В то время как стандартное обнаружение объектов идентифицирует класс объекта (например, «человек» или «автомобиль») в пределах одного изображения, Re-ID определяет, является ли конкретный обнаруженный объект точно таким же, как и ранее увиденный. Эта способность имеет решающее значение для создания целостного понимания 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 сопоставлении идентичностей, несмотря на изменения освещения, позы, угла камеры и загромождения фона. Для этого система выходит за рамки простых координат ограничивающей рамки и анализирует визуальное содержание объекта.

• Извлечение признаков: при обнаружении объекта модель глубокого обучения (DL) обрабатывает фрагмент изображения для генерации вектора признаков, часто называемого встраиванием. Этот вектор представляет высокоуровневые визуальные характеристики, такие как текстура одежды или цвет транспортного средства, в числовом формате.
• Метрическое обучение: система использует метрическое обучение, чтобы гарантировать, что вложения одного и того же объекта математически близки друг к другу, в то время как вложения разных объектов находятся далеко друг от друга. Для этой цели обычно используются такие методы, как сиамские нейронные сети.
• Сопоставление по схожести: во время вывода система вычисляет косинусную схожесть или евклидово расстояние между вложением объекта запроса и «галереей» ранее сохраненных идентичностей. Если оценка схожести превышает определенный порог, объявляется 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, часто основанный на алгоритмах, таких как фильтр Калмана, предсказывает положение объекта от одного кадра видео к следующему кадру. Он в значительной степени зависит от временной непрерывности и пространственного перекрытия, такого как пересечение над объединением (IoU).
• Повторная идентификация: Повторная идентификация используется в случае сбоя отслеживания — например, когда объект полностью закрыт препятствием или покидает поле зрения одной камеры и попадает в поле зрения другой. Она восстанавливает идентичность на основе внешнего вида, а не истории местоположения, обеспечивая надежное отслеживание нескольких объектов (MOT) в распределенных сетях.

Применение в реальном мире

Реидентификация преобразует изолированные обнаружения в траектории, на основе которых можно принимать решения, что позволяет проводить сложную аналитику в различных секторах.

• Безопасность в «умном городе»: в системах городского видеонаблюдения Re-ID позволяет операторам track конкретного человека или транспортное средство по всей городской сети дорожных камер. Это жизненно важно для криминалистического поиска, позволяя властям находить пропавших детей или подозреваемых без необходимости просматривать тысячи часов видеозаписей вручную.
• Аналитика розничной торговли: в средах розничной торговли, основанных на искусственном интеллекте, магазины используют Re-ID для понимания путей движения покупателей. Повторно идентифицируя покупателей, когда они перемещаются между рядами или этажами, розничные продавцы могут создавать тепловые карты популярных маршрутов и оптимизировать планировку магазина, при этом сохраняя конфиденциальность, анализируя числовые вложения, а не биометрические данные.

Реализация отслеживания с помощью функций Re-ID

Современные модели, такие как YOLO26 и YOLO11 могут быть интегрированы с трекерами, которые используют концепции Re-ID для сохранения идентичности в сложных условиях. Трекер BoT-SORT, доступный в библиотеке Ultralytics , сочетает в себе сигналы движения с характеристиками внешнего вида для обеспечения надежной работы.

Следующий пример демонстрирует, как применить это отслеживание к видеофайлу:

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()}")

Для более глубокого изучения архитектуры, поддерживающей эти возможности, рекомендуется ознакомиться с сверточными нейронными сетями (CNN) и базовыми структурами ResNet. Понимание этих основ помогает в выборе правильных учебных данных для тонкой настройки пользовательских моделей Re-ID для конкретных сред.