# import the necessary packages
from scipy.spatial import distance as dist
from collections import OrderedDict
import numpy as np

class CentroidTracker():
? ? def __init__(self, maxDisappeared=50):

? ? ? ? self.nextObjectID = 0
? ? ? ? self.objects = OrderedDict()
? ? ? ? self.disappeared = OrderedDict()
? ? ? ? # 存儲(chǔ)給定對(duì)象被允許標(biāo)記為“消失”的最大連續(xù)幀數(shù)，直到我們需要從跟蹤中注銷該對(duì)象
? ? ? ? self.maxDisappeared = maxDisappeared

def register(self, centroid):
? ? ? ? # 注冊(cè)對(duì)象時(shí)，我們使用下一個(gè)可用的對(duì)象ID來存儲(chǔ)質(zhì)心
? ? ? ? self.objects[self.nextObjectID] = centroid
? ? ? ? self.disappeared[self.nextObjectID] = 0
? ? ? ? self.nextObjectID += 1

? ? def deregister(self, objectID):
? ? ? ? # 要注銷注冊(cè)對(duì)象ID，我們從兩個(gè)字典中都刪除了該對(duì)象ID
? ? ? ? del self.objects[objectID]
? ? ? ? del self.disappeared[objectID]

?def update(self, rects):
? ? ? ? # 檢查輸入邊界框矩形的列表是否為空
? ? ? ? if len(rects) == 0:
? ? ? ? ? ? # 遍歷任何現(xiàn)有的跟蹤對(duì)象并將其標(biāo)記為消失
? ? ? ? ? ? for objectID in list(self.disappeared.keys()):
? ? ? ? ? ? ? ? self.disappeared[objectID] += 1
? ? ? ? ? ? ? ? # 如果達(dá)到給定對(duì)象被標(biāo)記為丟失的最大連續(xù)幀數(shù)，請(qǐng)取消注冊(cè)
? ? ? ? ? ? ? ? if self.disappeared[objectID] > self.maxDisappeared:
? ? ? ? ? ? ? ? ? ? self.deregister(objectID)
? ? ? ? ? ? # 由于沒有質(zhì)心或跟蹤信息要更新，請(qǐng)盡早返回
? ? ? ? ? ? return self.objects

? ? ? ? # 初始化當(dāng)前幀的輸入質(zhì)心數(shù)組
? ? ? ? inputCentroids = np.zeros((len(rects), 2), dtype="int")
? ? ? ? # 在邊界框矩形上循環(huán)
? ? ? ? for (i, (startX, startY, endX, endY)) in enumerate(rects):
? ? ? ? ? ? # use the bounding box coordinates to derive the centroid
? ? ? ? ? ? cX = int((startX + endX) / 2.0)
? ? ? ? ? ? cY = int((startY + endY) / 2.0)
? ? ? ? ? ? inputCentroids[i] = (cX, cY)

? ? ? ? # 如果我們當(dāng)前未跟蹤任何對(duì)象，請(qǐng)輸入輸入質(zhì)心并注冊(cè)每個(gè)質(zhì)心
? ? ? ? if len(self.objects) == 0:
? ? ? ? ? ? for i in range(0, len(inputCentroids)):
? ? ? ? ? ? ? ? self.register(inputCentroids[i])
? ? ? ? # 否則，當(dāng)前正在跟蹤對(duì)象，因此我們需要嘗試將輸入質(zhì)心與現(xiàn)有對(duì)象質(zhì)心進(jìn)行匹配
? ? ? ? else:
? ? ? ? ? ? # 抓取一組對(duì)象ID和相應(yīng)的質(zhì)心
? ? ? ? ? ? objectIDs = list(self.objects.keys())
? ? ? ? ? ? objectCentroids = list(self.objects.values())
? ? ? ? ? ? # 分別計(jì)算每對(duì)對(duì)象質(zhì)心和輸入質(zhì)心之間的距離-我們的目標(biāo)是將輸入質(zhì)心與現(xiàn)有對(duì)象質(zhì)心匹配
? ? ? ? ? ? D = dist.cdist(np.array(objectCentroids), inputCentroids)
? ? ? ? ? ? # 為了執(zhí)行此匹配，我們必須（1）在每行中找到最小值，然后（2）根據(jù)行索引的最小值對(duì)行索引進(jìn)行排序，以使具有最小值的行位于索引列表的* front *處
? ? ? ? ? ? rows = D.min(axis=1).argsort()
? ? ? ? ? ? # 接下來，我們?cè)诹猩蠄?zhí)行類似的過程，方法是在每一列中找到最小值，然后使用先前計(jì)算的行索引列表進(jìn)行排序
? ? ? ? ? ? cols = D.argmin(axis=1)[rows]
? ? ? ? ? ? # 為了確定是否需要更新，注冊(cè)或注銷對(duì)象，我們需要跟蹤已經(jīng)檢查過的行索引和列索引
? ? ? ? ? ? usedRows = set()
? ? ? ? ? ? usedCols = set()

? ? ? ? ? ? # 循環(huán)遍歷（行，列）索引元組的組合
? ? ? ? ? ? for (row, col) in zip(rows, cols):
? ? ? ? ? ? ? ? # 如果我們之前已經(jīng)檢查過行或列的值，請(qǐng)忽略它
? ? ? ? ? ? ? ? if row in usedRows or col in usedCols:
? ? ? ? ? ? ? ? ? ? continue
? ? ? ? ? ? ? ? # 否則，獲取當(dāng)前行的對(duì)象ID，設(shè)置其新的質(zhì)心，然后重置消失的計(jì)數(shù)器
? ? ? ? ? ? ? ? objectID = objectIDs[row]
? ? ? ? ? ? ? ? self.objects[objectID] = inputCentroids[col]
? ? ? ? ? ? ? ? self.disappeared[objectID] = 0
? ? ? ? ? ? ? ? # 表示我們已經(jīng)分別檢查了行索引和列索引
? ? ? ? ? ? ? ? usedRows.add(row)
? ? ? ? ? ? ? ? usedCols.add(col)
? ? ? ? ? ? # 計(jì)算我們尚未檢查的行和列索引
? ? ? ? ? ? unusedRows = set(range(0, D.shape[0])).difference(usedRows)
? ? ? ? ? ? unusedCols = set(range(0, D.shape[1])).difference(usedCols)
? ? ? ? ? ? # 如果對(duì)象質(zhì)心的數(shù)量等于或大于輸入質(zhì)心的數(shù)量
? ? ? ? ? ? # 我們需要檢查一下其中的某些對(duì)象是否已潛在消失
? ? ? ? ? ? if D.shape[0] >= D.shape[1]:
? ? ? ? ? ? ? ? # loop over the unused row indexes
? ? ? ? ? ? ? ? for row in unusedRows:
? ? ? ? ? ? ? ? ? ? # 抓取相應(yīng)行索引的對(duì)象ID并增加消失的計(jì)數(shù)器
? ? ? ? ? ? ? ? ? ? objectID = objectIDs[row]
? ? ? ? ? ? ? ? ? ? self.disappeared[objectID] += 1
? ? ? ? ? ? ? ? ? ? # 檢查是否已將該對(duì)象標(biāo)記為“消失”的連續(xù)幀數(shù)以用于注銷該對(duì)象的手令
? ? ? ? ? ? ? ? ? ? if self.disappeared[objectID] > self.maxDisappeared:
? ? ? ? ? ? ? ? ? ? ? ? self.deregister(objectID)
? ? ? ? ? ? # 否則，如果輸入質(zhì)心的數(shù)量大于現(xiàn)有對(duì)象質(zhì)心的數(shù)量，我們需要將每個(gè)新的輸入質(zhì)心注冊(cè)為可跟蹤對(duì)象
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? for col in unusedCols:
? ? ? ? ? ? ? ? ? ? self.register(inputCentroids[col])

? ? ? ? # return the set of trackable objects
? ? ? ? return self.objects

from Model.centroidtracker import CentroidTracker
import numpy as np
import imutils
import time
import cv2

# 定義最低置信度
confidence_t=0.5
# 初始化質(zhì)心跟蹤器和框架尺寸
ct = CentroidTracker()
(H, W) = (None, None)
# 加載檢測(cè)人臉的模型
print("[INFO] loading model...")
net = cv2.dnn.readNetFromCaffe("deploy.prototxt", "res10_300x300_ssd_iter_140000_fp16.caffemodel")
# 初始化視頻流并允許相機(jī)傳感器預(yù)熱
print("[INFO] starting video stream...")
vs = cv2.VideoCapture('11.mp4')
time.sleep(2.0)
fps = 30 ? ?#保存視頻的FPS，可以適當(dāng)調(diào)整
size=(600,1066)#寬高，根據(jù)frame的寬和高確定。
fourcc = cv2.VideoWriter_fourcc(*"mp4v")
videoWriter = cv2.VideoWriter('3.mp4',fourcc,fps,size)#最后一個(gè)是保存圖片的尺寸

# 循環(huán)播放圖像流中的幀
while True:
? ? # 從視頻流中讀取下一幀并調(diào)整其大小
? ? (grabbed, frame) ?= vs.read()
? ? if not grabbed:
? ? ? ? break
? ? frame = imutils.resize(frame, width=600)
? ? print(frame.shape)
? ? # 如果幀中尺寸為“無”，則抓住它們
? ? if W is None or H is None:
? ? ? ? (H, W) = frame.shape[:2]
? ? # 從幀中構(gòu)造一個(gè)Blob，將其通過網(wǎng)絡(luò)，
? ? # 獲取輸出預(yù)測(cè)，并初始化邊界框矩形的列表
? ? blob = cv2.dnn.blobFromImage(frame, 1.0, (W, H),
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(104.0, 177.0, 123.0))
? ? net.setInput(blob)
? ? detections = net.forward()
? ? rects = []
? ? # 循環(huán)檢測(cè)
? ? for i in range(0, detections.shape[2]):
? ? ? ? # 通過確保預(yù)測(cè)的概率大于最小閾值來過濾掉弱檢測(cè)
? ? ? ? if detections[0, 0, i, 2] >0.5:
? ? ? ? ? ? # 計(jì)算對(duì)象邊界框的（x，y）坐標(biāo)，然后更新邊界框矩形列表
? ? ? ? ? ? box = detections[0, 0, i, 3:7] * np.array([W, H, W, H])
? ? ? ? ? ? rects.append(box.astype("int"))
? ? ? ? ? ? # 在對(duì)象周圍畫一個(gè)邊界框，以便我們可視化它
? ? ? ? ? ? (startX, startY, endX, endY) = box.astype("int")
? ? ? ? ? ? cv2.rectangle(frame, (startX, startY), (endX, endY),
? ? ? ? ? ? ? ? ? ? ? ? ? (0, 255, 0), 2)
? ? # 使用邊界框矩形的計(jì)算集更新質(zhì)心跟蹤器
? ? objects = ct.update(rects)
? ? # 循環(huán)跟蹤對(duì)象
? ? for (objectID, centroid) in objects.items():
? ? ? ? # 在輸出幀上繪制對(duì)象的ID和對(duì)象的質(zhì)心
? ? ? ? text = "ID {}".format(objectID)
? ? ? ? cv2.putText(frame, text, (centroid[0] - 10, centroid[1] - 10),
? ? ? ? ? ? ? ? ? ? cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
? ? ? ? cv2.circle(frame, (centroid[0], centroid[1]), 4, (0, 255, 0), -1)
? ? # 顯示輸出畫面
? ? cv2.imshow("Frame", frame)
? ? videoWriter.write(frame)
? ? key = cv2.waitKey(1) & 0xFF
? ? # 如果按下“ q”鍵，則退出循環(huán)
? ? if key == ord("q"):
? ? ? ? break
videoWriter.release()
cv2.destroyAllWindows()
vs.release()