src/MultiTracker.cpp

   1 #include "MultiTracker.h"
   2 #include "Metrics.h"
   3 #include <algorithm>
   4 #include "hungarian.h"
   5 #include "Logger.h"
   6
   7 using namespace suanzi;
   8 using namespace cv;
   9 using namespace std;
  10
  11 static const std::string TAG = "MultiTracker";
  12 static const cv::Size PREFERRED_SIZE = Size(64, 128);
  13
  14 #define MaxCost  100000
  15
  16 MultiTracker::MultiTracker()
  17 {
  18     LOG_DEBUG(TAG, "init - loading model.pkl");
  19     predictor = PredictorWrapper::create("./python/model.pkl");
  20     predictor->dump();
  21     this->descriptor = {Size(64, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9};
  22
  23     std::vector<double> ff (40, 1);
  24     double prob = predictor->predict(4, ff);
  25 }
  26
  27 MultiTracker::~MultiTracker()
  28 {
  29     predictor.reset();
  30     trackers.clear();
  31 }
  32
  33
  34 static std::vector<double> similarity(const PatchPtr p1, const PatchPtr p2)
  35 {
  36     std::vector<double> feature;
  37     cv::Mat im1(PREFERRED_SIZE, p1->image_crop.type());
  38     cv::Mat im2(PREFERRED_SIZE, p2->image_crop.type());
  39     cv::resize(p1->image_crop, im1, im1.size());
  40     cv::resize(p2->image_crop, im2, im2.size());
  41     cv::Mat result;
  42     cv::matchTemplate(im1, im2, result, CV_TM_CCOEFF_NORMED);
  43     feature.push_back(result.at<double>(0, 0));
  44     cv::matchTemplate(im1, im2, result, CV_TM_CCORR_NORMED);
  45     feature.push_back(result.at<double>(0, 0));
  46
  47
  48     vector<double>& f1_hog = p1->features.first; Mat f1_hue = p1->features.second;
  49     vector<double>& f2_hog = p1->features.first; Mat f2_hue = p1->features.second;
  50     feature.push_back(distance_cosine(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(distance_euclidean(Eigen::Map<Eigen::VectorXd>(f1_hog.data(), f1_hog.size()),
  53                                     Eigen::Map<Eigen::VectorXd>(f2_hog.data(), f2_hog.size())));
  54     feature.push_back(compareHist(f1_hue, f2_hue, HISTCMP_CORREL));
  55     feature.push_back(compareHist(f1_hue, f2_hue, HISTCMP_HELLINGER));
  56
  57     Detection& d1 = p1->detection;
  58     Detection& d2 = p2->detection;
  59
  60     double center_distance = sqrt(pow((d1.center_x - d2.center_x), 2) + pow((d1.center_y - d2.center_y), 2));
  61     feature.push_back(center_distance / (d1.width + d1.height + d2.width + d2.height) * 4);
  62
  63     //TODO
  64     double iou_ratio = 0.03;
  65     feature.push_back(iou_ratio);
  66
  67     return feature;
  68 }
  69
  70
  71 double MultiTracker::distance(TrackerPtr tracker, const cv::Mat& image, const Detection& d)
  72 {
  73     PatchPtr patch = createPatch(image, d);
  74     std::vector<double> features;
  75
  76     std::vector<double> ss;
  77     for (auto i : tracker->patches){
  78         ss = similarity(i, patch);
  79         features.insert(features.end(),  ss.begin(), ss.end());
  80     }
  81     double prob = predictor->predict(4, features);
  82     return prob;
  83 }
  84
  85 void MultiTracker::update(unsigned int total, const Detection* detections, const Mat& image)
  86 {
  87     int row = trackers.size();
  88     int col = total;
  89     Eigen::MatrixXi cost_matrix = Eigen::MatrixXi::Zero(row, col);
  90     for (int i = 0; i < row; i++){
  91         for (int j = 0; j < col; j++){
  92             // TODO
  93             cost_matrix(i, j) = distance(trackers[i], image, detections[j]);
  94         }
  95     }
  96
  97     // assignment
  98     Eigen::VectorXi tracker_inds, bb_inds;
  99     linear_sum_assignment(cost_matrix, tracker_inds, bb_inds);
 100
 101     // handle unmatched trackers
 102     vector<TrackerPtr> unmatched_trackers;
 103     for (int i = 0; i < row; i++){
 104         if (!(tracker_inds.array() == i).any()){
 105             unmatched_trackers.push_back(trackers[i]);
 106         }
 107     }
 108     for (auto t : unmatched_trackers){
 109         t->updateState(image);
 110     }
 111
 112     // handle unmatched detections
 113     vector<int> unmatched_detection;
 114     for(int j = 0; j < col; j++){
 115         if (!(bb_inds.array() == j).any()){
 116             unmatched_detection.push_back(j);
 117         }
 118     }
 119     // create new trackers for new detections
 120     for (auto i : unmatched_detection){
 121         TrackerPtr t (new Tracker(image));
 122         this->trackers.push_back(t);
 123     }
 124
 125     Detection dd;
 126
 127     PatchPtr pp = createPatch(image, dd);
 128 }
 129
 130 // Get image crop from input image within given bounding box - Detecinon
 131 static cv::Mat image_crop(const cv::Mat& image, const Detection& bb)
 132 {
 133     // RECT
 134     // TODO;
 135     return image.clone();
 136 }
 137
 138 PatchPtr MultiTracker::createPatch(const Mat& image, const Detection& detect)
 139 {
 140     PatchPtr patch(new Patch());
 141
 142     // calculate hog descriptors, size is 3780
 143     Mat im, im2;
 144     im = image_crop(image, detect);
 145     resize(im, im2, PREFERRED_SIZE);
 146     vector<float> feature_hog;
 147     this->descriptor.compute(im2, feature_hog);
 148
 149     // calculate histogram, size is (64 x 45)
 150     Mat hsv, hist;
 151     cvtColor(im, hsv, COLOR_BGR2HSV);
 152     int channels[] = {0, 1};
 153     int histSize[] = {45, 64};
 154     float hranges[] = {0, 180};
 155     float sranges[] = {0, 256};
 156     const float* ranges[] = {hranges, sranges};
 157     calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false);
 158     Size sm = hist.size();
 159
 160     patch->image_crop = im.clone();
 161     patch->detection = detect;
 162     std::vector<double> feature_hog_double (feature_hog.begin(), feature_hog.end()); // convert to double
 163     patch->features = std::make_pair(feature_hog_double, hist);
 164     return patch;
 165 }