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
  15 static const double MaxCost  = 100000;
  16 static const int MaxPath = 5;
  17
  18 MultiTracker::MultiTracker(EngineWPtr e)
  19 : engine(e)
  20 {
  21     LOG_DEBUG(TAG, "init - loading model.pkl");
  22     predictor = PredictorWrapper::create("./python", "./python/model.pkl");
  23     predictor->dump();
  24     this->descriptor = {Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9};
  25 }
  26
  27 MultiTracker::~MultiTracker()
  28 {
  29     predictor.reset();
  30     trackers.clear();
  31 }
  32
  33 static std::vector<double> similarity(const PatchPtr p1, const PatchPtr p2)
  34 {
  35     std::vector<double> feature;
  36     cv::Mat im1(PREFERRED_SIZE, p1->image_crop.type());
  37     cv::Mat im2(PREFERRED_SIZE, p2->image_crop.type());
  38     cv::resize(p1->image_crop, im1, im1.size());
  39     cv::resize(p2->image_crop, im2, im2.size());
  40     cv::Mat result;
  41     cv::matchTemplate(im1, im2, result, CV_TM_CCOEFF_NORMED);
  42     feature.push_back(result.at<double>(0, 0));
  43     cv::matchTemplate(im1, im2, result, CV_TM_CCORR_NORMED);
  44     feature.push_back(result.at<double>(0, 0));
  45
  46
  47     vector<double>& f1_hog = p1->features.first; Mat f1_hue = p1->features.second;
  48     vector<double>& f2_hog = p1->features.first; Mat f2_hue = p1->features.second;
  49     feature.push_back(distance_cosine(Eigen::Map<Eigen::VectorXd>(f1_hog.data(), f1_hog.size()),
  50                                     Eigen::Map<Eigen::VectorXd>(f2_hog.data(), f2_hog.size())));
  51     feature.push_back(distance_euclidean(Eigen::Map<Eigen::VectorXd>(f1_hog.data(), f1_hog.size()),
  52                                     Eigen::Map<Eigen::VectorXd>(f2_hog.data(), f2_hog.size())));
  53     feature.push_back(compareHist(f1_hue, f2_hue, HISTCMP_CORREL));
  54     feature.push_back(compareHist(f1_hue, f2_hue, HISTCMP_HELLINGER));
  55
  56     Detection& d1 = p1->detection;
  57     Detection& d2 = p2->detection;
  58
  59     double center_distance = sqrt(pow((d1.center_x - d2.center_x), 2) + pow((d1.center_y - d2.center_y), 2));
  60     feature.push_back(center_distance / (d1.width + d1.height + d2.width + d2.height) * 4);
  61
  62     feature.push_back(calc_iou_ratio(getRectInDetection(d1), getRectInDetection(d2)));
  63
  64     return feature;
  65 }
  66
  67 double MultiTracker::distance(TrackerPtr tracker, const cv::Mat& image, const Detection& d)
  68 {
  69     PatchPtr patch = createPatch(image, d);
  70     std::vector<double> features;
  71
  72     std::vector<double> ss;
  73     for (auto i : tracker->patches){
  74         ss = similarity(i, patch);
  75         features.insert(features.end(),  ss.begin(), ss.end());
  76     }
  77     double prob = predictor->predict(4, features);
  78     return prob;
  79 }
  80
  81 static float calc_iou_ratio(const Detection& d1, const Detection& d2)
  82 {
  83     return calc_iou_ratio(getRectInDetection(d1), getRectInDetection(d2));
  84 }
  85
  86 void MultiTracker::update(unsigned int total, const Detection* detections, const Mat& image)
  87 {
  88     int row = trackers.size();
  89     int col = total;
  90     Eigen::MatrixXi cost_matrix = Eigen::MatrixXi::Zero(row, col);
  91     for (int i = 0; i < row; i++){
  92         for (int j = 0; j < col; j++){
  93             if (calc_iou_ratio(trackers[i]->detection, detections[j]) < -0.1)
  94                 cost_matrix(i, j) = MaxCost;
  95             else
  96                 cost_matrix(i, j) = distance(trackers[i], image, detections[j]);
  97         }
  98     }
  99
 100     Eigen::VectorXi tracker_inds, bb_inds;
 101     linear_sum_assignment(cost_matrix, tracker_inds, bb_inds);
 102
 103     // handle unmatched trackers
 104     //vector<TrackerPtr> unmatched_trackers;
 105     for (int i = 0; i < row; i++){
 106         if (!(tracker_inds.array() == i).any()){
 107             trackers[i]->updateState(image);
 108         }
 109     }
 110
 111     // handle unmatched detections
 112     vector<int> unmatched_detection;
 113     for(int j = 0; j < col; j++){
 114         if (!(bb_inds.array() == j).any()){
 115             unmatched_detection.push_back(j);
 116         }
 117     }
 118     // create new trackers for new detections
 119     for (auto i : unmatched_detection){
 120         TrackerPtr t (new Tracker(image));
 121         this->trackers.push_back(t);
 122     }
 123
 124     Detection dd;
 125
 126     PatchPtr pp = createPatch(image, dd);
 127 }
 128
 129 static cv::Mat image_crop(const cv::Mat& image, const Detection& bb)
 130 {
 131     return image(getRectInDetection(bb));
 132 }
 133
 134 PatchPtr MultiTracker::createPatch(const Mat& image, const Detection& detect)
 135 {
 136     PatchPtr patch(new Patch());
 137
 138     // calculate hog descriptors, size is 3780
 139     Mat im, im2;
 140     im = image_crop(image, detect);
 141     resize(im, im2, PREFERRED_SIZE);
 142     vector<float> feature_hog;
 143     this->descriptor.compute(im2, feature_hog);
 144
 145     // calculate histogram, size is (64 x 45)
 146     Mat hsv, hist;
 147     cvtColor(im, hsv, COLOR_BGR2HSV);
 148     int channels[] = {0, 1};
 149     int histSize[] = {45, 64};
 150     float hranges[] = {0, 180};
 151     float sranges[] = {0, 256};
 152     const float* ranges[] = {hranges, sranges};
 153     calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false);
 154
 155     patch->image_crop = im.clone();
 156     patch->detection = detect;
 157     std::vector<double> feature_hog_double (feature_hog.begin(), feature_hog.end()); // convert to double
 158     patch->features = std::make_pair(feature_hog_double, hist);
 159     return patch;
 160 }