Object Re-identification (Re-ID)

Реидентификация объектов (Re-ID) — специализированная задача в области компьютерного зрения (CV), предназначенная для сопоставления конкретного объекта или человека на разных неперекрывающихся изображениях с камер или в течение длительных периодов времени. В то время как стандартное обнаружение объектов сосредоточено на распознавании класса сущности — определении того, что на изображении есть «человек» или «автомобиль», — Re-ID идёт дальше и определяет, какой именно это человек или автомобиль, основываясь на визуальном облике. Эта возможность необходима для создания целостной картины перемещений в крупных пространствах, где одна камера не может охватить всю территорию, эффективно связывая разрозненные визуальные наблюдения.

Как работает реидентификация#

Основная сложность Re-ID заключается в сохранении согласованности идентичности несмотря на различия в освещении, ракурсах камер, позах и визуальном шуме фона. Для этого система обычно использует многоэтапный конвейер на основе глубоких нейронных сетей.

• Извлечение признаков: после обнаружения объекта свёрточная нейронная сеть (CNN) анализирует фрагмент изображения и создаёт вектор признаков, обычно называемый эмбеддингом. Этот вектор представляет собой плотное числовое описание уникальных визуальных характеристик объекта, таких как текстура одежды или цвет автомобиля.
• Метрическое обучение: базовые модели обучаются с использованием методов метрического обучения. Цель заключается в том, чтобы эмбеддинги одного и того же объекта были математически близки друг к другу в векторном пространстве, а эмбеддинги разных объектов, наоборот, находились далеко друг от друга. Для изучения этих взаимосвязей часто применяются специализированные архитектуры, такие как сиамские нейронные сети.
• Сопоставление по сходству: во время работы система сравнивает эмбеддинг целевого объекта с галереей сохранённых идентификаторов. Обычно для этого вычисляется косинусное сходство или евклидово расстояние. Если показатель сходства превышает заданный порог, система подтверждает совпадение.

Re-ID и отслеживание объектов#

Важно отличать Re-ID от отслеживания объектов, поскольку они выполняют взаимодополняющие, но разные функции в конвейере компьютерного зрения.

• Отслеживание объектов: этот процесс опирается на временную непрерывность. Алгоритмы, такие как фильтр Калмана, прогнозируют положение объекта в следующем кадре на основе его текущей скорости и траектории. Для связывания обнаружений в соседних кадрах часто используется пересечение над объединением (IoU).
• Реидентификация: Re-ID крайне важна, когда временная непрерывность нарушается. Это происходит при окклюзии — когда объект скрыт за препятствием, — или когда объект покидает поле зрения одной камеры и попадает в поле зрения другой. Re-ID повторно устанавливает идентичность на основе внешнего вида, а не истории местоположения, обеспечивая надёжное отслеживание нескольких объектов (MOT).

Практические применения#

Возможность сохранять идентичность в разрозненных изображениях позволяет выполнять сложную аналитику в различных отраслях.

• Управление движением в умных городах: в контексте ИИ в умных городах Re-ID позволяет муниципальным системам отслеживать автомобиль при его перемещении по городской сети перекрёстков. Это помогает рассчитывать среднее время поездки и оптимизировать работу светофоров без опоры исключительно на распознавание номерных знаков.
• Аналитика поведения покупателей в розничной торговле: продавцы используют Re-ID для изучения поведения покупателей. Связывая наблюдения за клиентом в разных проходах, магазины могут создавать тепловые карты популярных маршрутов. Это помогает оптимизировать планировку магазинов и численность персонала, позволяя анализировать весь путь клиента, а не только отдельные взаимодействия.

Реализация отслеживания с использованием признаков Re-ID#

Современные рабочие процессы с ИИ для компьютерного зрения часто объединяют высокопроизводительные детекторы с трекерами, использующими концепции Re-ID. Модель YOLO26 можно без проблем интегрировать с такими трекерами, как BoT-SORT, которые используют признаки внешнего вида для сохранения согласованности треков. Пользователям, которым необходимо эффективно управлять наборами данных и конвейерами обучения, Ultralytics Platform предоставляет единый интерфейс для аннотирования и развёртывания.

В следующем примере показано, как выполнять отслеживание объектов с помощью пакета Ultralytics для Python, который автоматически сохраняет идентичность объектов:

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 надёжной работы обучение этих моделей требует высококачественных обучающих данных. При обучении специализированных подмодулей Re-ID часто применяются такие методы, как триплетная потеря, чтобы повысить различающую способность эмбеддингов. Понимание особенностей точности и полноты также критически важно при оценке того, насколько хорошо система Re-ID избегает ложных совпадений.