add m

xuepengqiang

2020-05-26 bb5cb224c9abe4216aaa49a8287b06d9f05dab60

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
3  
<ñ»]ã@s>dd
lZ
dd„Zd dd„
Zdd„Zd    d
„ZGdd„deƒZd
S)éNcCs´tj
|ƒ
tj
|
ƒ
}}
t|ƒ
d
ks.t|
ƒ
d
krDtjt|ƒ
t|
ƒ
fƒ
Stj|ƒ
jdd
tj|
ƒ
jdd
}}dtj||
jƒ|dd…df|ddd…f}tj|dt    tj
ƒ
ƒ}|S)a¬
Compute pair-wise squared distance between points in `a` and `b`.
 
    Parameters
    ----------
    a : array_like
        An NxM matrix of N samples of dimensionality M.
    b : array_like
        An LxM matrix of L samples of dimensionality M.
 
    Returns
    -------
    ndarray
        Returns a matrix of size len(a), len(b) such that eleement (i, j)
        contains the squared distance between `a[i]` and `b[j]`.
 
    r
é
)
Úaxisg@NggÀ)ÚnpÚasarrayÚlenÚzerosÚsquareÚsumÚdotÚ
TÚclipÚfloatÚinf)Ú
aÚ
bÚa2Úb2Zr2©rúLD:\project\07_tracking_Re-id\04_s_yolo_tracking\lib\deep_sort\nn_matching.pyÚ_pdist    s


&
2

rFcCsN|s<tj
|ƒ
tjj|d
dd}tj
|
ƒ
tjj|
d
dd}
dtj||
jƒS)aWCompute pair-wise cosine distance between points in `a` and `b`.
 
    Parameters
    ----------
    a : array_like
        An NxM matrix of N samples of dimensionality M.
    b : array_like
        An LxM matrix of L samples of dimensionality M.
    data_is_normalized : Optional[bool]
        If True, assumes rows in a and b are unit length vectors.
        Otherwise, a and b are explicitly normalized to lenght 1.
 
    Returns
    -------
    ndarray
        Returns a matrix of size len(a), len(b) such that eleement (i, j)
        contains the squared distance between `a[i]` and `b[j]`.
 
    rT)rÚkeepdimsgð?)rrÚlinalgÚnormr
r)rrZdata_is_normalizedrrrÚ_cosine_distance#s


rcCst||
ƒ}t
jd
|jdd
ƒS)aŽ
 Helper function for nearest neighbor distance metric (Euclidean).
 
    Parameters
    ----------
    x : ndarray
        A matrix of N row-vectors (sample points).
    y : ndarray
        A matrix of M row-vectors (query points).
 
    Returns
    -------
    ndarray
        A vector of length M that contains for each entry in `y` the
        smallest Euclidean distance to a sample in `x`.
 
    gr
)
r)rrÚmaximumÚmin)Ú
xÚ
yÚ    distancesrrrÚ_nn_euclidean_distance<s

rcCst||
ƒ}|j
d
d
S)aˆ
 Helper function for nearest neighbor distance metric (cosine).
 
    Parameters
    ----------
    x : ndarray
        A matrix of N row-vectors (sample points).
    y : ndarray
        A matrix of M row-vectors (query points).
 
    Returns
    -------
    ndarray
        A vector of length M that contains for each entry in `y` the
        smallest cosine distance to a sample in `x`.
 
    r
)
r)rr)rrrrrrÚ_nn_cosine_distanceQs

r c@s*eZ
dZd
Zd    dd„
Zdd„Zdd„ZdS)
ÚNearestNeighborDistanceMetricaÈ
    A nearest neighbor distance metric that, for each target, returns
    the closest distance to any sample that has been observed so far.
 
    Parameters
    ----------
    metric : str
        Either "euclidean" or "cosine".
    matching_threshold: float
        The matching threshold. Samples with larger distance are considered an
        invalid match.
    budget : Optional[int]
        If not None, fix samples per class to at most this number. Removes
        the oldest samples when the budget is reached.
 
    Attributes
    ----------
    samples : Dict[int -> List[ndarray]]
        A dictionary that maps from target identities to the list of samples
        that have been observed so far.
 
    NcCs>|
d
krt|_
n|
dkr t|_
ntdƒ
‚
||_||_i|_dS)NZ    euclideanÚcosinez6Invalid metric; must be either 'euclidean' or 'cosine')rÚ_metricr Ú
ValueErrorÚmatching_thresholdÚbudgetÚsamples)ÚselfÚmetricr%r&rrrÚ__init__~s






z&NearestNeighborDistanceMetric.__init__csjxPt|
|ƒD]B\}}ˆj
j|gƒj|ƒ

ˆjd
k    rˆj
|ˆjd
…ˆj
|<qW‡f
dd„|Dƒ
ˆ_
d
S)at
Update the distance metric with new data.
 
        Parameters
        ----------
        features : ndarray
            An NxM matrix of N features of dimensionality M.
        targets : ndarray
            An integer array of associated target identities.
        active_targets : List[int]
            A list of targets that are currently present in the scene.
 
        Nc
si|]}
ˆj|
|
“qSr)
r')Ú.0Ú
k)
r(rrú
<dictcomp>sz=NearestNeighborDistanceMetric.partial_fit.<locals>.<dictcomp>)Úzipr'Ú
setdefaultÚappendr&)r(ÚfeaturesÚtargetsZactive_targetsÚfeatureÚtargetr)
r(rÚpartial_fitŒs
 

 
z)NearestNeighborDistanceMetric.partial_fitcCsNtj
t|ƒ
t|
ƒ
fƒ
}x2t|ƒ
D]&\}}|j|j||
ƒ||d
d
…f<q W|S)aCompute distance between features and targets.
 
        Parameters
        ----------
        features : ndarray
            An NxM matrix of N features of dimensionality M.
        targets : List[int]
            A list of targets to match the given `features` against.
 
        Returns
        -------
        ndarray
            Returns a cost matrix of shape len(targets), len(features), where
            element (i, j) contains the closest squared distance between
            `targets[i]` and `features[j]`.
 
        N)rrrÚ    enumerater#r')r(r1r2Zcost_matrixÚ
ir4rrrÚdistanceŸs

"
z&NearestNeighborDistanceMetric.distance)
N)Ú__name__Ú
__module__Ú__qualname__Ú__doc__r*r5r8rrrrr!fs
r!)
F)Únumpyrrrrr Úobjectr!rrrrÚ<module>s