src/MultiTracker.cpp

   1 #include "MultiTracker.h"
   2 #include "Metrics.h"
   3 #include <algorithm>
   4 #include "hungarian.h"
   5 #include "Logger.h"
   6 #include "Utils.h"
   7
   8 using namespace suanzi;
   9 using namespace cv;
  10 using namespace std;
  11
  12 static const std::string TAG = "MultiTracker";
  13 static const cv::Size PREFERRED_SIZE = Size(64, 128);
  14 static const double MaxCost  = 100000;
  15 static const double ProbThreshold = 0.05;
  16
  17 MultiTracker::MultiTracker(EngineWPtr e)
  18 : engine(e)
  19 {
  20     LOG_DEBUG(TAG, "init - loading model.pkl");
  21     predictor = PredictorWrapper::create("./python", "./python/model.pkl");
  22     predictor->dump();
  23     this->descriptor = {Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9};
  24 }
  25
  26 MultiTracker::~MultiTracker()
  27 {
  28     predictor.reset();
  29     trackers.clear();
  30 }
  31
  32 static std::vector<double> similarity(const PatchPtr p1, const PatchPtr p2)
  33 {
  34     std::vector<double> feature;
  35     cv::Mat im1(PREFERRED_SIZE, p1->image_crop.type());
  36     cv::Mat im2(PREFERRED_SIZE, p2->image_crop.type());
  37     cv::resize(p1->image_crop, im1, im1.size());
  38     cv::resize(p2->image_crop, im2, im2.size());
  39     cv::Mat result;
  40     cv::matchTemplate(im1, im2, result, CV_TM_CCOEFF_NORMED);
  41     feature.push_back(result.at<double>(0, 0));
  42     cv::matchTemplate(im1, im2, result, CV_TM_CCORR_NORMED);
  43     feature.push_back(result.at<double>(0, 0));
  44
  45
  46     vector<double>& f1_hog = p1->features.first; Mat f1_hue = p1->features.second;
  47     vector<double>& f2_hog = p1->features.first; Mat f2_hue = p1->features.second;
  48     feature.push_back(distance_cosine(Eigen::Map<Eigen::VectorXd>(f1_hog.data(), f1_hog.size()),
  49                                     Eigen::Map<Eigen::VectorXd>(f2_hog.data(), f2_hog.size())));
  50     feature.push_back(distance_euclidean(Eigen::Map<Eigen::VectorXd>(f1_hog.data(), f1_hog.size()),
  51                                     Eigen::Map<Eigen::VectorXd>(f2_hog.data(), f2_hog.size())));
  52     feature.push_back(compareHist(f1_hue, f2_hue, HISTCMP_CORREL));
  53     feature.push_back(compareHist(f1_hue, f2_hue, HISTCMP_HELLINGER));
  54
  55     Detection& d1 = p1->detection;
  56     Detection& d2 = p2->detection;
  57
  58     double center_distance = sqrt(pow((d1.center_x - d2.center_x), 2) + pow((d1.center_y - d2.center_y), 2));
  59     feature.push_back(center_distance / (d1.width + d1.height + d2.width + d2.height) * 4);
  60
  61     feature.push_back(calc_iou_ratio(getRectInDetection(d1), getRectInDetection(d2)));
  62
  63     return feature;
  64 }
  65
  66 double MultiTracker::distance(TrackerPtr tracker, const cv::Mat& image, const Detection& d)
  67 {
  68     PatchPtr patch = createPatch(image, d);
  69     std::vector<double> features;
  70
  71     std::vector<double> ss;
  72     for (auto i : tracker->patches){
  73         ss = similarity(i, patch);
  74         features.insert(features.end(),  ss.begin(), ss.end());
  75     }
  76     double prob = predictor->predict(Tracker::MaxPatch - 1, features); // TODO why is MaxPatch-1
  77     if (prob > ProbThreshold)
  78         return -log(prob);
  79     else
  80         return MaxCost;
  81 }
  82
  83 static float calc_iou_ratio(const Detection& d1, const Detection& d2)
  84 {
  85     return calc_iou_ratio(getRectInDetection(d1), getRectInDetection(d2));
  86 }
  87
  88 void MultiTracker::update(unsigned int total, const Detection* detections, const Mat& image)
  89 {
  90     // predict trackers, update trackers using kalman filter
  91     for (auto t : trackers){
  92         t->predict();
  93     }
  94
  95     // match the trackers with the detections using linear sum assignment (hungarian)
  96     int row = trackers.size();
  97     int col = total;
  98     Eigen::MatrixXi cost_matrix = Eigen::MatrixXi::Zero(row, col);
  99     for (int i = 0; i < row; i++){
 100         for (int j = 0; j < col; j++){
 101             if (calc_iou_ratio(trackers[i]->detection, detections[j]) < -0.1)
 102                 cost_matrix(i, j) = MaxCost;
 103             else
 104                 cost_matrix(i, j) = distance(trackers[i], image, detections[j]);
 105         }
 106     }
 107
 108     Eigen::VectorXi tracker_inds, bb_inds;
 109     linear_sum_assignment(cost_matrix, tracker_inds, bb_inds);
 110
 111     set<TrackerPtr> unmatched_trackers;
 112     set<int> unmatch_bbs_indices;
 113
 114     for(unsigned int i = 0; i < trackers.size(); i++){
 115         if (!(tracker_inds.array() == i).any()){
 116             unmatched_trackers.insert(trackers[i]);
 117         }
 118     }
 119     for (unsigned int j = 0; j < total; j++){
 120         if (!(bb_inds.array() == j).any()){
 121             unmatch_bbs_indices.insert(j);
 122         }
 123     }
 124
 125     // handle matched trackers
 126     for (unsigned int i = 0; i < tracker_inds.size(); i++){
 127         for (int j = 0; j < bb_inds.size(); j++){
 128             int rr = tracker_inds(i);
 129             int cc = bb_inds(j);
 130             TrackerPtr tracker = trackers[rr];
 131             const Detection& detect = detections[cc];
 132             if (cost_matrix(rr, cc) < MaxCost){
 133                 tracker->correct(image, detect);
 134                 tracker->addPatch(createPatch(image, detect));
 135             } else {
 136                 unmatched_trackers.insert(tracker);  // failed trackers
 137                 unmatch_bbs_indices.insert(cc);     // filed detection
 138             }
 139         }
 140     }
 141
 142     // handle unmatched trackers
 143     for (auto t : unmatched_trackers){
 144         t->updateState(image);
 145     }
 146
 147     // handle unmatched detections - Create new trackers
 148     vector<Person> inPersons;
 149     for (auto i : unmatch_bbs_indices){
 150         TrackerPtr new_tracker (new Tracker(image, detections[i]));
 151         new_tracker->addPatch(createPatch(image, detections[i]));
 152         this->trackers.push_back(new_tracker);
 153         Person test; // TODO
 154         inPersons.push_back(test);
 155     }
 156
 157     // callback and notify engine - persons in
 158     if (inPersons.size() > 0){
 159         if (auto e = engine.lock()){
 160             e->onPersonsIn(inPersons);
 161         }
 162     }
 163
 164     // Delete lost trackers
 165     vector<Person> outPersons;
 166     for (auto it = trackers.begin(); it < trackers.end(); it++){
 167         if ((*it)->status == TrackerStatus::Delete){
 168             Person test; // TODO
 169             outPersons.push_back(test);
 170             trackers.erase(it);
 171         }
 172     }
 173
 174     // callback and notify engine - persons out
 175     if (outPersons.size() > 0){
 176         if (auto e = engine.lock()){
 177             e->onPersonsOut(outPersons);
 178         }
 179     }
 180 }
 181
 182 static cv::Mat image_crop(const cv::Mat& image, const Detection& bb)
 183 {
 184     return image(getRectInDetection(bb));
 185 }
 186
 187 PatchPtr MultiTracker::createPatch(const Mat& image, const Detection& detect)
 188 {
 189     PatchPtr patch(new Patch());
 190
 191     // calculate hog descriptors, size is 3780
 192     Mat im, im2;
 193     im = image_crop(image, detect);
 194     resize(im, im2, PREFERRED_SIZE);
 195     vector<float> feature_hog;
 196     this->descriptor.compute(im2, feature_hog);
 197
 198     // calculate histogram, size is (64 x 45)
 199     Mat hsv, hist;
 200     cvtColor(im, hsv, COLOR_BGR2HSV);
 201     int channels[] = {0, 1};
 202     int histSize[] = {45, 64};
 203     float hranges[] = {0, 180};
 204     float sranges[] = {0, 256};
 205     const float* ranges[] = {hranges, sranges};
 206     calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false);
 207
 208     patch->image_crop = im.clone();
 209     patch->detection = detect;
 210     std::vector<double> feature_hog_double (feature_hog.begin(), feature_hog.end()); // convert to double
 211     patch->features = std::make_pair(feature_hog_double, hist);
 212     return patch;
 213 }