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 = PredictorWrapperPtr(new PredictorWrapper());
  22     predictor->load("./resources/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(Tracker::MaxPatch - 1, features); // TODO why is MaxPatch-1
  78     if (prob > ProbThreshold)
  79         return -log(prob);
  80     else
  81         return MaxCost;
  82 }
  83
  84 static float calc_iou_ratio(const Detection& d1, const Detection& d2)
  85 {
  86     return calc_iou_ratio(getRectInDetection(d1), getRectInDetection(d2));
  87 }
  88
  89 void MultiTracker::update(unsigned int total, const Detection* detections, const Mat& image)
  90 {
  91     // predict trackers, update trackers using kalman filter
  92     for (auto t : trackers){
  93         t->predict();
  94     }
  95
  96     // match the trackers with the detections using linear sum assignment (hungarian)
  97     int row = trackers.size();
  98     int col = total;
  99     Eigen::MatrixXi cost_matrix = Eigen::MatrixXi::Zero(row, col);
 100     for (int i = 0; i < row; i++){
 101         for (int j = 0; j < col; j++){
 102             if (calc_iou_ratio(trackers[i]->detection, detections[j]) < -0.1)
 103                 cost_matrix(i, j) = MaxCost;
 104             else
 105                 cost_matrix(i, j) = distance(trackers[i], image, detections[j]);
 106         }
 107     }
 108
 109     Eigen::VectorXi tracker_inds, bb_inds;
 110     linear_sum_assignment(cost_matrix, tracker_inds, bb_inds);
 111
 112     set<TrackerPtr> unmatched_trackers;
 113     set<int> unmatch_bbs_indices;
 114
 115     for(unsigned int i = 0; i < trackers.size(); i++){
 116         if (!(tracker_inds.array() == i).any()){
 117             unmatched_trackers.insert(trackers[i]);
 118         }
 119     }
 120     for (unsigned int j = 0; j < total; j++){
 121         if (!(bb_inds.array() == j).any()){
 122             unmatch_bbs_indices.insert(j);
 123         }
 124     }
 125
 126     // handle matched trackers
 127     for (unsigned int i = 0; i < tracker_inds.size(); i++){
 128         for (int j = 0; j < bb_inds.size(); j++){
 129             int rr = tracker_inds(i);
 130             int cc = bb_inds(j);
 131             TrackerPtr tracker = trackers[rr];
 132             const Detection& detect = detections[cc];
 133             if (cost_matrix(rr, cc) < MaxCost){
 134                 tracker->correct(image, detect);
 135                 tracker->addPatch(createPatch(image, detect));
 136             } else {
 137                 unmatched_trackers.insert(tracker);  // failed trackers
 138                 unmatch_bbs_indices.insert(cc);     // filed detection
 139             }
 140         }
 141     }
 142
 143     // handle unmatched trackers
 144     for (auto t : unmatched_trackers){
 145         t->updateState(image);
 146     }
 147
 148     // handle unmatched detections - Create new trackers
 149     vector<Person> inPersons;
 150     for (auto i : unmatch_bbs_indices){
 151         TrackerPtr new_tracker (new Tracker(image, detections[i]));
 152         new_tracker->addPatch(createPatch(image, detections[i]));
 153         this->trackers.push_back(new_tracker);
 154         Person test; // TODO
 155         inPersons.push_back(test);
 156     }
 157
 158     // callback and notify engine - persons in
 159     if (inPersons.size() > 0){
 160         if (auto e = engine.lock()){
 161             e->onPersonsIn(inPersons);
 162         }
 163     }
 164
 165     // Delete lost trackers
 166     vector<Person> outPersons;
 167     for (auto it = trackers.begin(); it < trackers.end(); it++){
 168         if ((*it)->status == TrackerStatus::Delete){
 169             Person test; // TODO
 170             outPersons.push_back(test);
 171             trackers.erase(it);
 172         }
 173     }
 174
 175     // callback and notify engine - persons out
 176     if (outPersons.size() > 0){
 177         if (auto e = engine.lock()){
 178             e->onPersonsOut(outPersons);
 179         }
 180     }
 181 }
 182
 183 static cv::Mat image_crop(const cv::Mat& image, const Detection& bb)
 184 {
 185     return image(getRectInDetection(bb));
 186 }
 187
 188 PatchPtr MultiTracker::createPatch(const Mat& image, const Detection& detect)
 189 {
 190     PatchPtr patch(new Patch());
 191
 192     // calculate hog descriptors, size is 3780
 193     Mat im, im2;
 194     im = image_crop(image, detect);
 195     resize(im, im2, PREFERRED_SIZE);
 196     vector<float> feature_hog;
 197     this->descriptor.compute(im2, feature_hog);
 198
 199     // calculate histogram, size is (64 x 45)
 200     Mat hsv, hist;
 201     cvtColor(im, hsv, COLOR_BGR2HSV);
 202     int channels[] = {0, 1};
 203     int histSize[] = {45, 64};
 204     float hranges[] = {0, 180};
 205     float sranges[] = {0, 256};
 206     const float* ranges[] = {hranges, sranges};
 207     calcHist(&hsv, 1, channels, Mat(), hist, 2, histSize, ranges, true, false);
 208
 209     patch->image_crop = im.clone();
 210     patch->detection = detect;
 211     std::vector<double> feature_hog_double (feature_hog.begin(), feature_hog.end()); // convert to double
 212     patch->features = std::make_pair(feature_hog_double, hist);
 213     return patch;
 214 }