ext/opencv/gstsegmentation.cpp

   1 /*
   2  * GStreamer
   3  * Copyright (C) 2013 Miguel Casas-Sanchez <miguelecasassanchez@gmail.com>
   4  * Except: Parts of code inside the preprocessor define CODE_FROM_OREILLY_BOOK,
   5  *  which are downloaded from O'Reilly website
   6  *  [http://examples.oreilly.com/9780596516130/]
   7  *  and adapted. Its license reads:
   8  *  "Oct. 3, 2008
   9  *   Right to use this code in any way you want without warrenty, support or
  10  *   any guarentee of it working. "
  11  *
  12  *
  13  * Permission is hereby granted, free of charge, to any person obtaining a
  14  * copy of this software and associated documentation files (the "Software"),
  15  * to deal in the Software without restriction, including without limitation
  16  * the rights to use, copy, modify, merge, publish, distribute, sublicense,
  17  * and/or sell copies of the Software, and to permit persons to whom the
  18  * Software is furnished to do so, subject to the following conditions:
  19  *
  20  * The above copyright notice and this permission notice shall be included in
  21  * all copies or substantial portions of the Software.
  22  *
  23  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  24  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  25  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  26  * AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  27  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
  28  * FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
  29  * DEALINGS IN THE SOFTWARE.
  30  *
  31  * Alternatively, the contents of this file may be used under the
  32  * GNU Lesser General Public License Version 2.1 (the "LGPL"), in
  33  * which case the following provisions apply instead of the ones
  34  * mentioned above:
  35  *
  36  * This library is free software; you can redistribute it and/or
  37  * modify it under the terms of the GNU Library General Public
  38  * License as published by the Free Software Foundation; either
  39  * version 2 of the License, or (at your option) any later version.
  40  *
  41  * This library is distributed in the hope that it will be useful,
  42  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  43  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  44  * Library General Public License for more details.
  45  *
  46  * You should have received a copy of the GNU Library General Public
  47  * License along with this library; if not, write to the
  48  * Free Software Foundation, Inc., 51 Franklin St, Fifth Floor,
  49  * Boston, MA 02110-1301, USA.
  50  */
  51 #define CODE_FROM_OREILLY_BOOK
  52
  53 /**
  54  * SECTION:element-segmentation
  55  *
  56  * This element creates and updates a fg/bg model using one of several approaches.
  57  * The one called "codebook" refers to the codebook approach following the opencv
  58  * O'Reilly book [1] implementation of the algorithm described in K. Kim,
  59  * T. H. Chalidabhongse, D. Harwood and L. Davis [2]. BackgroundSubtractorMOG [3],
  60  * or MOG for shorts, refers to a Gaussian Mixture-based Background/Foreground
  61  * Segmentation Algorithm. OpenCV MOG implements the algorithm described in [4].
  62  * BackgroundSubtractorMOG2 [5], refers to another Gaussian Mixture-based
  63  * Background/Foreground segmentation algorithm. OpenCV MOG2 implements the
  64  * algorithm described in [6] and [7].
  65  *
  66  * [1] Learning OpenCV: Computer Vision with the OpenCV Library by Gary Bradski
  67  * and Adrian Kaehler, Published by O'Reilly Media, October 3, 2008
  68  * [2] "Real-time Foreground-Background Segmentation using Codebook Model",
  69  * Real-time Imaging, Volume 11, Issue 3, Pages 167-256, June 2005.
  70  * [3] http://opencv.itseez.com/modules/video/doc/motion_analysis_and_object_tracking.html#backgroundsubtractormog
  71  * [4] P. KadewTraKuPong and R. Bowden, "An improved adaptive background
  72  * mixture model for real-time tracking with shadow detection", Proc. 2nd
  73  * European Workshop on Advanced Video-Based Surveillance Systems, 2001
  74  * [5] http://opencv.itseez.com/modules/video/doc/motion_analysis_and_object_tracking.html#backgroundsubtractormog2
  75  * [6] Z.Zivkovic, "Improved adaptive Gausian mixture model for background
  76  * subtraction", International Conference Pattern Recognition, UK, August, 2004.
  77  * [7] Z.Zivkovic, F. van der Heijden, "Efficient Adaptive Density Estimation
  78  * per Image Pixel for the Task of Background Subtraction", Pattern Recognition
  79  * Letters, vol. 27, no. 7, pages 773-780, 2006.
  80  *
  81  * <refsect2>
  82  * <title>Example launch line</title>
  83  * |[
  84  * gst-launch-1.0  v4l2src device=/dev/video0 ! videoconvert ! video/x-raw,width=320,height=240 ! videoconvert ! segmentation test-mode=true method=2 ! videoconvert ! ximagesink
  85  * ]|
  86  * </refsect2>
  87  */
  88
  89 #ifdef HAVE_CONFIG_H
  90 #include <config.h>
  91 #endif
  92
  93 #include <gst/gst.h>
  94
  95 #include "gstsegmentation.h"
  96 #include <opencv2/video/background_segm.hpp>
  97
  98 GST_DEBUG_CATEGORY_STATIC (gst_segmentation_debug);
  99 #define GST_CAT_DEFAULT gst_segmentation_debug
 100
 101 /* Filter signals and args */
 102 enum
 103 {
 104   /* FILL ME */
 105   LAST_SIGNAL
 106 };
 107
 108 enum
 109 {
 110   PROP_0,
 111   PROP_TEST_MODE,
 112   PROP_METHOD,
 113   PROP_LEARNING_RATE
 114 };
 115 typedef enum
 116 {
 117   METHOD_BOOK,
 118   METHOD_MOG,
 119   METHOD_MOG2
 120 } GstSegmentationMethod;
 121
 122 #define DEFAULT_TEST_MODE FALSE
 123 #define DEFAULT_METHOD  METHOD_MOG2
 124 #define DEFAULT_LEARNING_RATE  0.01
 125
 126 #define GST_TYPE_SEGMENTATION_METHOD (gst_segmentation_method_get_type ())
 127 static GType
 128 gst_segmentation_method_get_type (void)
 129 {
 130   static GType etype = 0;
 131   if (etype == 0) {
 132     static const GEnumValue values[] = {
 133       {METHOD_BOOK, "Codebook-based segmentation (Bradski2008)", "codebook"},
 134       {METHOD_MOG, "Mixture-of-Gaussians segmentation (Bowden2001)", "mog"},
 135       {METHOD_MOG2, "Mixture-of-Gaussians segmentation (Zivkovic2004)", "mog2"},
 136       {0, NULL, NULL},
 137     };
 138     etype = g_enum_register_static ("GstSegmentationMethod", values);
 139   }
 140   return etype;
 141 }
 142
 143 G_DEFINE_TYPE (GstSegmentation, gst_segmentation, GST_TYPE_VIDEO_FILTER);
 144 static GstStaticPadTemplate sink_factory = GST_STATIC_PAD_TEMPLATE ("sink",
 145     GST_PAD_SINK,
 146     GST_PAD_ALWAYS,
 147     GST_STATIC_CAPS (GST_VIDEO_CAPS_MAKE ("RGBA")));
 148
 149 static GstStaticPadTemplate src_factory = GST_STATIC_PAD_TEMPLATE ("src",
 150     GST_PAD_SRC,
 151     GST_PAD_ALWAYS,
 152     GST_STATIC_CAPS (GST_VIDEO_CAPS_MAKE ("RGBA")));
 153
 154
 155 static void gst_segmentation_set_property (GObject * object, guint prop_id,
 156     const GValue * value, GParamSpec * pspec);
 157 static void gst_segmentation_get_property (GObject * object, guint prop_id,
 158     GValue * value, GParamSpec * pspec);
 159
 160 static GstFlowReturn gst_segmentation_transform_ip (GstVideoFilter * btrans,
 161     GstVideoFrame * frame);
 162
 163 static gboolean gst_segmentation_stop (GstBaseTransform * basesrc);
 164 static gboolean gst_segmentation_set_info (GstVideoFilter * filter,
 165     GstCaps * incaps, GstVideoInfo * in_info,
 166     GstCaps * outcaps, GstVideoInfo * out_info);
 167 static void gst_segmentation_release_all_pointers (GstSegmentation * filter);
 168
 169 /* Codebook algorithm + connected components functions*/
 170 static int update_codebook (unsigned char *p, codeBook * c,
 171     unsigned *cbBounds, int numChannels);
 172 static int clear_stale_entries (codeBook * c);
 173 static unsigned char background_diff (unsigned char *p, codeBook * c,
 174     int numChannels, int *minMod, int *maxMod);
 175 static void find_connected_components (IplImage * mask, int poly1_hull0,
 176     float perimScale, CvMemStorage * mem_storage, CvSeq * contours);
 177
 178 /* MOG (Mixture-of-Gaussians functions */
 179 static int initialise_mog (GstSegmentation * filter);
 180 static int run_mog_iteration (GstSegmentation * filter);
 181 static int run_mog2_iteration (GstSegmentation * filter);
 182 static int finalise_mog (GstSegmentation * filter);
 183
 184 /* initialize the segmentation's class */
 185 static void
 186 gst_segmentation_class_init (GstSegmentationClass * klass)
 187 {
 188   GObjectClass *gobject_class;
 189   GstElementClass *element_class = GST_ELEMENT_CLASS (klass);
 190   GstBaseTransformClass *basesrc_class = GST_BASE_TRANSFORM_CLASS (klass);
 191   GstVideoFilterClass *video_class = (GstVideoFilterClass *) klass;
 192
 193   gobject_class = (GObjectClass *) klass;
 194
 195   gobject_class->set_property = gst_segmentation_set_property;
 196   gobject_class->get_property = gst_segmentation_get_property;
 197
 198   basesrc_class->stop = gst_segmentation_stop;
 199
 200   video_class->transform_frame_ip = gst_segmentation_transform_ip;
 201   video_class->set_info = gst_segmentation_set_info;
 202
 203   g_object_class_install_property (gobject_class, PROP_METHOD,
 204       g_param_spec_enum ("method",
 205           "Segmentation method to use",
 206           "Segmentation method to use",
 207           GST_TYPE_SEGMENTATION_METHOD, DEFAULT_METHOD,
 208           (GParamFlags) (G_PARAM_READWRITE | G_PARAM_STATIC_STRINGS)));
 209
 210   g_object_class_install_property (gobject_class, PROP_TEST_MODE,
 211       g_param_spec_boolean ("test-mode", "test-mode",
 212           "If true, the output RGB is overwritten with the calculated foreground (white color)",
 213           DEFAULT_TEST_MODE, (GParamFlags)
 214           (GParamFlags) (G_PARAM_READWRITE | G_PARAM_STATIC_STRINGS)));
 215
 216   g_object_class_install_property (gobject_class, PROP_LEARNING_RATE,
 217       g_param_spec_float ("learning-rate", "learning-rate",
 218           "Speed with which a motionless foreground pixel would become background (inverse of number of frames)",
 219           0, 1, DEFAULT_LEARNING_RATE, (GParamFlags) (G_PARAM_READWRITE)));
 220
 221   gst_element_class_set_static_metadata (element_class,
 222       "Foreground/background video sequence segmentation",
 223       "Filter/Effect/Video",
 224       "Create a Foregound/Background mask applying a particular algorithm",
 225       "Miguel Casas-Sanchez <miguelecasassanchez@gmail.com>");
 226
 227   gst_element_class_add_pad_template (element_class,
 228       gst_static_pad_template_get (&src_factory));
 229   gst_element_class_add_pad_template (element_class,
 230       gst_static_pad_template_get (&sink_factory));
 231
 232 }
 233
 234 /* initialize the new element
 235  * instantiate pads and add them to element
 236  * set pad calback functions
 237  * initialize instance structure
 238  */
 239 static void
 240 gst_segmentation_init (GstSegmentation * filter)
 241 {
 242   filter->method = DEFAULT_METHOD;
 243   filter->test_mode = DEFAULT_TEST_MODE;
 244   filter->framecount = 0;
 245   filter->learning_rate = DEFAULT_LEARNING_RATE;
 246   gst_base_transform_set_in_place (GST_BASE_TRANSFORM (filter), TRUE);
 247 }
 248
 249
 250 static void
 251 gst_segmentation_set_property (GObject * object, guint prop_id,
 252     const GValue * value, GParamSpec * pspec)
 253 {
 254   GstSegmentation *filter = GST_SEGMENTATION (object);
 255
 256   switch (prop_id) {
 257     case PROP_METHOD:
 258       filter->method = g_value_get_enum (value);
 259       break;
 260     case PROP_TEST_MODE:
 261       filter->test_mode = g_value_get_boolean (value);
 262       break;
 263     case PROP_LEARNING_RATE:
 264       filter->learning_rate = g_value_get_float (value);
 265       break;
 266     default:
 267       G_OBJECT_WARN_INVALID_PROPERTY_ID (object, prop_id, pspec);
 268       break;
 269   }
 270 }
 271
 272 static void
 273 gst_segmentation_get_property (GObject * object, guint prop_id,
 274     GValue * value, GParamSpec * pspec)
 275 {
 276   GstSegmentation *filter = GST_SEGMENTATION (object);
 277
 278   switch (prop_id) {
 279     case PROP_METHOD:
 280       g_value_set_enum (value, filter->method);
 281       break;
 282     case PROP_TEST_MODE:
 283       g_value_set_boolean (value, filter->test_mode);
 284       break;
 285     case PROP_LEARNING_RATE:
 286       g_value_set_float (value, filter->learning_rate);
 287       break;
 288     default:
 289       G_OBJECT_WARN_INVALID_PROPERTY_ID (object, prop_id, pspec);
 290       break;
 291   }
 292 }
 293
 294 /* GstElement vmethod implementations */
 295 /* this function handles the link with other elements */
 296 static gboolean
 297 gst_segmentation_set_info (GstVideoFilter * filter,
 298     GstCaps * incaps, GstVideoInfo * in_info,
 299     GstCaps * outcaps, GstVideoInfo * out_info)
 300 {
 301   GstSegmentation *segmentation = GST_SEGMENTATION (filter);
 302   CvSize size;
 303
 304   size = cvSize (in_info->width, in_info->height);
 305   segmentation->width = in_info->width;
 306   segmentation->height = in_info->height;
 307   /*  If cvRGB is already allocated, it means there's a cap modification, */
 308   /*  so release first all the images. */
 309   if (NULL != segmentation->cvRGBA)
 310     gst_segmentation_release_all_pointers (segmentation);
 311
 312   segmentation->cvRGBA = cvCreateImageHeader (size, IPL_DEPTH_8U, 4);
 313
 314   segmentation->cvRGB = cvCreateImage (size, IPL_DEPTH_8U, 3);
 315   segmentation->cvYUV = cvCreateImage (size, IPL_DEPTH_8U, 3);
 316
 317   segmentation->cvFG = cvCreateImage (size, IPL_DEPTH_8U, 1);
 318   cvZero (segmentation->cvFG);
 319
 320   segmentation->ch1 = cvCreateImage (size, IPL_DEPTH_8U, 1);
 321   segmentation->ch2 = cvCreateImage (size, IPL_DEPTH_8U, 1);
 322   segmentation->ch3 = cvCreateImage (size, IPL_DEPTH_8U, 1);
 323
 324   /* Codebook method */
 325   segmentation->TcodeBook = (codeBook *)
 326       g_malloc (sizeof (codeBook) *
 327       (segmentation->width * segmentation->height + 1));
 328   for (int j = 0; j < segmentation->width * segmentation->height; j++) {
 329     segmentation->TcodeBook[j].numEntries = 0;
 330     segmentation->TcodeBook[j].t = 0;
 331   }
 332   segmentation->learning_interval = (int) (1.0 / segmentation->learning_rate);
 333
 334   /* Mixture-of-Gaussians (mog) methods */
 335   initialise_mog (segmentation);
 336
 337   return TRUE;
 338 }
 339
 340 /* Clean up */
 341 static gboolean
 342 gst_segmentation_stop (GstBaseTransform * basesrc)
 343 {
 344   GstSegmentation *filter = GST_SEGMENTATION (basesrc);
 345
 346   if (filter->cvRGBA != NULL)
 347     gst_segmentation_release_all_pointers (filter);
 348
 349   return TRUE;
 350 }
 351
 352 static void
 353 gst_segmentation_release_all_pointers (GstSegmentation * filter)
 354 {
 355   cvReleaseImage (&filter->cvRGBA);
 356   cvReleaseImage (&filter->cvRGB);
 357   cvReleaseImage (&filter->cvYUV);
 358   cvReleaseImage (&filter->cvFG);
 359   cvReleaseImage (&filter->ch1);
 360   cvReleaseImage (&filter->ch2);
 361   cvReleaseImage (&filter->ch3);
 362
 363   g_free (filter->TcodeBook);
 364   finalise_mog (filter);
 365 }
 366
 367 static GstFlowReturn
 368 gst_segmentation_transform_ip (GstVideoFilter * btrans, GstVideoFrame * frame)
 369 {
 370   GstSegmentation *filter = GST_SEGMENTATION (btrans);
 371   int j;
 372
 373   /*  get image data from the input, which is RGBA */
 374   filter->cvRGBA->imageData = (char *) GST_VIDEO_FRAME_COMP_DATA (frame, 0);
 375   filter->cvRGBA->widthStep = GST_VIDEO_FRAME_COMP_STRIDE (frame, 0);
 376   filter->framecount++;
 377
 378   /*  Image preprocessing: color space conversion etc */
 379   cvCvtColor (filter->cvRGBA, filter->cvRGB, CV_RGBA2RGB);
 380   cvCvtColor (filter->cvRGB, filter->cvYUV, CV_RGB2YCrCb);
 381
 382   /* Create and update a fg/bg model using a codebook approach following the
 383    * opencv O'Reilly book [1] implementation of the algo described in [2].
 384    *
 385    * [1] Learning OpenCV: Computer Vision with the OpenCV Library by Gary
 386    * Bradski and Adrian Kaehler, Published by O'Reilly Media, October 3, 2008
 387    * [2] "Real-time Foreground-Background Segmentation using Codebook Model",
 388    * Real-time Imaging, Volume 11, Issue 3, Pages 167-256, June 2005. */
 389   if (METHOD_BOOK == filter->method) {
 390     unsigned cbBounds[3] = { 10, 5, 5 };
 391     int minMod[3] = { 20, 20, 20 }, maxMod[3] = {
 392     20, 20, 20};
 393
 394     if (filter->framecount < 30) {
 395       /* Learning background phase: update_codebook on every frame */
 396       for (j = 0; j < filter->width * filter->height; j++) {
 397         update_codebook ((unsigned char *) filter->cvYUV->imageData + j * 3,
 398             (codeBook *) & (filter->TcodeBook[j]), cbBounds, 3);
 399       }
 400     } else {
 401       /*  this updating is responsible for FG becoming BG again */
 402       if (filter->framecount % filter->learning_interval == 0) {
 403         for (j = 0; j < filter->width * filter->height; j++) {
 404           update_codebook ((uchar *) filter->cvYUV->imageData + j * 3,
 405               (codeBook *) & (filter->TcodeBook[j]), cbBounds, 3);
 406         }
 407       }
 408       if (filter->framecount % 60 == 0) {
 409         for (j = 0; j < filter->width * filter->height; j++)
 410           clear_stale_entries ((codeBook *) & (filter->TcodeBook[j]));
 411       }
 412
 413       for (j = 0; j < filter->width * filter->height; j++) {
 414         if (background_diff
 415             ((uchar *) filter->cvYUV->imageData + j * 3,
 416                 (codeBook *) & (filter->TcodeBook[j]), 3, minMod, maxMod)) {
 417           filter->cvFG->imageData[j] = 255;
 418         } else {
 419           filter->cvFG->imageData[j] = 0;
 420         }
 421       }
 422     }
 423
 424     /* 3rd param is the smallest area to show: (w+h)/param , in pixels */
 425     find_connected_components (filter->cvFG, 1, 10000,
 426         filter->mem_storage, filter->contours);
 427
 428   }
 429   /* Create the foreground and background masks using BackgroundSubtractorMOG [1],
 430    *  Gaussian Mixture-based Background/Foreground segmentation algorithm. OpenCV
 431    * MOG implements the algorithm described in [2].
 432    *
 433    * [1] http://opencv.itseez.com/modules/video/doc/motion_analysis_and_object_tracking.html#backgroundsubtractormog
 434    * [2] P. KadewTraKuPong and R. Bowden, "An improved adaptive background
 435    * mixture model for real-time tracking with shadow detection", Proc. 2nd
 436    * European Workshop on Advanced Video-Based Surveillance Systems, 2001
 437    */
 438   else if (METHOD_MOG == filter->method) {
 439     run_mog_iteration (filter);
 440   }
 441   /* Create the foreground and background masks using BackgroundSubtractorMOG2
 442    * [1], Gaussian Mixture-based Background/Foreground segmentation algorithm.
 443    * OpenCV MOG2 implements the algorithm described in [2] and [3].
 444    *
 445    * [1] http://opencv.itseez.com/modules/video/doc/motion_analysis_and_object_tracking.html#backgroundsubtractormog2
 446    * [2] Z.Zivkovic, "Improved adaptive Gausian mixture model for background
 447    * subtraction", International Conference Pattern Recognition, UK, Aug 2004.
 448    * [3] Z.Zivkovic, F. van der Heijden, "Efficient Adaptive Density Estimation
 449    * per Image Pixel for the Task of Background Subtraction", Pattern
 450    * Recognition Letters, vol. 27, no. 7, pages 773-780, 2006.   */
 451   else if (METHOD_MOG2 == filter->method) {
 452     run_mog2_iteration (filter);
 453   }
 454
 455   /*  if we want to test_mode, just overwrite the output */
 456   if (filter->test_mode) {
 457     cvCvtColor (filter->cvFG, filter->cvRGB, CV_GRAY2RGB);
 458
 459     cvSplit (filter->cvRGB, filter->ch1, filter->ch2, filter->ch3, NULL);
 460   } else
 461     cvSplit (filter->cvRGBA, filter->ch1, filter->ch2, filter->ch3, NULL);
 462
 463   /*  copy anyhow the fg/bg to the alpha channel in the output image */
 464   cvMerge (filter->ch1, filter->ch2, filter->ch3, filter->cvFG, filter->cvRGBA);
 465
 466
 467   return GST_FLOW_OK;
 468 }
 469
 470 /* entry point to initialize the plug-in
 471  * initialize the plug-in itself
 472  * register the element factories and other features
 473  */
 474 gboolean
 475 gst_segmentation_plugin_init (GstPlugin * plugin)
 476 {
 477   GST_DEBUG_CATEGORY_INIT (gst_segmentation_debug, "segmentation",
 478       0, "Performs Foreground/Background segmentation in video sequences");
 479
 480   return gst_element_register (plugin, "segmentation", GST_RANK_NONE,
 481       GST_TYPE_SEGMENTATION);
 482 }
 483
 484
 485
 486 #ifdef CODE_FROM_OREILLY_BOOK   /* See license at the beginning of the page */
 487 /*
 488   int update_codebook(uchar *p, codeBook &c, unsigned cbBounds)
 489   Updates the codebook entry with a new data point
 490
 491   p Pointer to a YUV or HSI pixel
 492   c Codebook for this pixel
 493   cbBounds Learning bounds for codebook (Rule of thumb: 10)
 494   numChannels Number of color channels we¡¯re learning
 495
 496   NOTES:
 497   cvBounds must be of length equal to numChannels
 498
 499   RETURN
 500   codebook index
 501 */
 502 int
 503 update_codebook (unsigned char *p, codeBook * c, unsigned *cbBounds,
 504     int numChannels)
 505 {
 506 /* c->t+=1; */
 507   unsigned int high[3], low[3];
 508   int n, i;
 509   int matchChannel;
 510
 511   for (n = 0; n < numChannels; n++) {
 512     high[n] = *(p + n) + *(cbBounds + n);
 513     if (high[n] > 255)
 514       high[n] = 255;
 515     low[n] = *(p + n) - *(cbBounds + n);
 516     if (low[n] < 0)
 517       low[n] = 0;
 518   }
 519
 520 /*  SEE IF THIS FITS AN EXISTING CODEWORD */
 521   for (i = 0; i < c->numEntries; i++) {
 522     matchChannel = 0;
 523     for (n = 0; n < numChannels; n++) {
 524       if ((c->cb[i]->learnLow[n] <= *(p + n)) &&
 525 /* Found an entry for this channel */
 526           (*(p + n) <= c->cb[i]->learnHigh[n])) {
 527         matchChannel++;
 528       }
 529     }
 530     if (matchChannel == numChannels) {  /* If an entry was found */
 531       c->cb[i]->t_last_update = c->t;
 532 /* adjust this codeword for the first channel */
 533       for (n = 0; n < numChannels; n++) {
 534         if (c->cb[i]->max[n] < *(p + n)) {
 535           c->cb[i]->max[n] = *(p + n);
 536         } else if (c->cb[i]->min[n] > *(p + n)) {
 537           c->cb[i]->min[n] = *(p + n);
 538         }
 539       }
 540       break;
 541     }
 542   }
 543 /*  OVERHEAD TO TRACK POTENTIAL STALE ENTRIES */
 544   for (int s = 0; s < c->numEntries; s++) {
 545 /*  Track which codebook entries are going stale: */
 546     int negRun = c->t - c->cb[s]->t_last_update;
 547     if (c->cb[s]->stale < negRun)
 548       c->cb[s]->stale = negRun;
 549   }
 550 /*  ENTER A NEW CODEWORD IF NEEDED */
 551   if (i == c->numEntries) {     /* if no existing codeword found, make one */
 552     code_element **foo =
 553         (code_element **) g_malloc (sizeof (code_element *) *
 554         (c->numEntries + 1));
 555     for (int ii = 0; ii < c->numEntries; ii++) {
 556       foo[ii] = c->cb[ii];      /* copy all pointers */
 557     }
 558     foo[c->numEntries] = (code_element *) g_malloc (sizeof (code_element));
 559     if (c->numEntries)
 560       g_free (c->cb);
 561     c->cb = foo;
 562     for (n = 0; n < numChannels; n++) {
 563       c->cb[c->numEntries]->learnHigh[n] = high[n];
 564       c->cb[c->numEntries]->learnLow[n] = low[n];
 565       c->cb[c->numEntries]->max[n] = *(p + n);
 566       c->cb[c->numEntries]->min[n] = *(p + n);
 567     }
 568     c->cb[c->numEntries]->t_last_update = c->t;
 569     c->cb[c->numEntries]->stale = 0;
 570     c->numEntries += 1;
 571   }
 572 /*  SLOWLY ADJUST LEARNING BOUNDS */
 573   for (n = 0; n < numChannels; n++) {
 574     if (c->cb[i]->learnHigh[n] < high[n])
 575       c->cb[i]->learnHigh[n] += 1;
 576     if (c->cb[i]->learnLow[n] > low[n])
 577       c->cb[i]->learnLow[n] -= 1;
 578   }
 579   return (i);
 580 }
 581
 582
 583
 584
 585
 586 /*
 587  int clear_stale_entries(codeBook &c)
 588   During learning, after you've learned for some period of time,
 589   periodically call this to clear out stale codebook entries
 590
 591   c Codebook to clean up
 592
 593   Return
 594   number of entries cleared
 595 */
 596 int
 597 clear_stale_entries (codeBook * c)
 598 {
 599   int staleThresh = c->t >> 1;
 600   int *keep = (int *) g_malloc (sizeof (int) * (c->numEntries));
 601   int keepCnt = 0;
 602   code_element **foo;
 603   int k;
 604   int numCleared;
 605 /*  SEE WHICH CODEBOOK ENTRIES ARE TOO STALE */
 606   for (int i = 0; i < c->numEntries; i++) {
 607     if (c->cb[i]->stale > staleThresh)
 608       keep[i] = 0;              /* Mark for destruction */
 609     else {
 610       keep[i] = 1;              /* Mark to keep */
 611       keepCnt += 1;
 612     }
 613   }
 614   /*  KEEP ONLY THE GOOD */
 615   c->t = 0;                     /* Full reset on stale tracking */
 616   foo = (code_element **) g_malloc (sizeof (code_element *) * keepCnt);
 617   k = 0;
 618   for (int ii = 0; ii < c->numEntries; ii++) {
 619     if (keep[ii]) {
 620       foo[k] = c->cb[ii];
 621       /* We have to refresh these entries for next clearStale */
 622       foo[k]->t_last_update = 0;
 623       k++;
 624     }
 625   }
 626   /*  CLEAN UP */
 627   g_free (keep);
 628   g_free (c->cb);
 629   c->cb = foo;
 630   numCleared = c->numEntries - keepCnt;
 631   c->numEntries = keepCnt;
 632   return (numCleared);
 633 }
 634
 635
 636
 637 /*
 638   uchar background_diff( uchar *p, codeBook &c,
 639   int minMod, int maxMod)
 640   Given a pixel and a codebook, determine if the pixel is
 641   covered by the codebook
 642
 643   p Pixel pointer (YUV interleaved)
 644   c Codebook reference
 645   numChannels Number of channels we are testing
 646   maxMod Add this (possibly negative) number onto
 647
 648   max level when determining if new pixel is foreground
 649   minMod Subract this (possibly negative) number from
 650   min level when determining if new pixel is foreground
 651
 652   NOTES:
 653   minMod and maxMod must have length numChannels,
 654   e.g. 3 channels => minMod[3], maxMod[3]. There is one min and
 655   one max threshold per channel.
 656
 657   Return
 658   0 => background, 255 => foreground
 659 */
 660 unsigned char
 661 background_diff (unsigned char *p, codeBook * c, int numChannels,
 662     int *minMod, int *maxMod)
 663 {
 664   int matchChannel;
 665 /*  SEE IF THIS FITS AN EXISTING CODEWORD */
 666   int i;
 667   for (i = 0; i < c->numEntries; i++) {
 668     matchChannel = 0;
 669     for (int n = 0; n < numChannels; n++) {
 670       if ((c->cb[i]->min[n] - minMod[n] <= *(p + n)) &&
 671           (*(p + n) <= c->cb[i]->max[n] + maxMod[n])) {
 672         matchChannel++;         /* Found an entry for this channel */
 673       } else {
 674         break;
 675       }
 676     }
 677     if (matchChannel == numChannels) {
 678       break;                    /* Found an entry that matched all channels */
 679     }
 680   }
 681   if (i >= c->numEntries)
 682     return (255);
 683   return (0);
 684 }
 685
 686
 687
 688
 689 /*
 690  void find_connected_components(IplImage *mask, int poly1_hull0,
 691  float perimScale, int *num,
 692  CvRect *bbs, CvPoint *centers)
 693  This cleans up the foreground segmentation mask derived from calls
 694  to backgroundDiff
 695
 696  mask Is a grayscale (8-bit depth) â€œrawâ€\9d mask image that
 697  will be cleaned up
 698
 699  OPTIONAL PARAMETERS:
 700  poly1_hull0 If set, approximate connected component by
 701  (DEFAULT) polygon, or else convex hull (0)
 702  perimScale Len = image (width+height)/perimScale. If contour
 703  len < this, delete that contour (DEFAULT: 4)
 704  num Maximum number of rectangles and/or centers to
 705  return; on return, will contain number filled
 706  (DEFAULT: NULL)
 707  bbs Pointer to bounding box rectangle vector of
 708  length num. (DEFAULT SETTING: NULL)
 709  centers Pointer to contour centers vector of length
 710  num (DEFAULT: NULL)
 711 */
 712
 713 /* Approx.threshold - the bigger it is, the simpler is the boundary */
 714 #define CVCONTOUR_APPROX_LEVEL 1
 715 /* How many iterations of erosion and/or dilation there should be */
 716 #define CVCLOSE_ITR 1
 717 static void
 718 find_connected_components (IplImage * mask, int poly1_hull0, float perimScale,
 719     CvMemStorage * mem_storage, CvSeq * contours)
 720 {
 721   CvContourScanner scanner;
 722   CvSeq *c;
 723   int numCont = 0;
 724   /* Just some convenience variables */
 725   const CvScalar CVX_WHITE = CV_RGB (0xff, 0xff, 0xff);
 726   const CvScalar CVX_BLACK = CV_RGB (0x00, 0x00, 0x00);
 727
 728   /* CLEAN UP RAW MASK */
 729   cvMorphologyEx (mask, mask, 0, 0, CV_MOP_OPEN, CVCLOSE_ITR);
 730   cvMorphologyEx (mask, mask, 0, 0, CV_MOP_CLOSE, CVCLOSE_ITR);
 731   /* FIND CONTOURS AROUND ONLY BIGGER REGIONS */
 732   if (mem_storage == NULL) {
 733     mem_storage = cvCreateMemStorage (0);
 734   } else {
 735     cvClearMemStorage (mem_storage);
 736   }
 737
 738   scanner = cvStartFindContours (mask, mem_storage, sizeof (CvContour),
 739       CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, cvPoint (0, 0));
 740
 741   while ((c = cvFindNextContour (scanner)) != NULL) {
 742     double len = cvContourArea (c, CV_WHOLE_SEQ, 0);
 743     /* calculate perimeter len threshold: */
 744     double q = (mask->height + mask->width) / perimScale;
 745     /* Get rid of blob if its perimeter is too small: */
 746     if (len < q) {
 747       cvSubstituteContour (scanner, NULL);
 748     } else {
 749       /* Smooth its edges if its large enough */
 750       CvSeq *c_new;
 751       if (poly1_hull0) {
 752         /* Polygonal approximation */
 753         c_new =
 754             cvApproxPoly (c, sizeof (CvContour), mem_storage, CV_POLY_APPROX_DP,
 755             CVCONTOUR_APPROX_LEVEL, 0);
 756       } else {
 757         /* Convex Hull of the segmentation */
 758         c_new = cvConvexHull2 (c, mem_storage, CV_CLOCKWISE, 1);
 759       }
 760       cvSubstituteContour (scanner, c_new);
 761       numCont++;
 762     }
 763   }
 764   contours = cvEndFindContours (&scanner);
 765
 766   /* PAINT THE FOUND REGIONS BACK INTO THE IMAGE */
 767   cvZero (mask);
 768   /* DRAW PROCESSED CONTOURS INTO THE MASK */
 769   for (c = contours; c != NULL; c = c->h_next)
 770     cvDrawContours (mask, c, CVX_WHITE, CVX_BLACK, -1, CV_FILLED, 8, cvPoint (0,
 771             0));
 772 }
 773 #endif /*ifdef CODE_FROM_OREILLY_BOOK */
 774
 775
 776 int
 777 initialise_mog (GstSegmentation * filter)
 778 {
 779   filter->img_input_as_cvMat = (void *) new cv::Mat (filter->cvYUV, false);
 780   filter->img_fg_as_cvMat = (void *) new cv::Mat (filter->cvFG, false);
 781
 782   filter->mog = (void *) new cv::BackgroundSubtractorMOG ();
 783   filter->mog2 = (void *) new cv::BackgroundSubtractorMOG2 ();
 784
 785   return (0);
 786 }
 787
 788 int
 789 run_mog_iteration (GstSegmentation * filter)
 790 {
 791   ((cv::Mat *) filter->img_input_as_cvMat)->data =
 792       (uchar *) filter->cvYUV->imageData;
 793   ((cv::Mat *) filter->img_fg_as_cvMat)->data =
 794       (uchar *) filter->cvFG->imageData;
 795
 796   /*
 797      BackgroundSubtractorMOG [1], Gaussian Mixture-based Background/Foreground
 798      Segmentation Algorithm. OpenCV MOG implements the algorithm described in [2].
 799
 800      [1] http://opencv.itseez.com/modules/video/doc/motion_analysis_and_object_tracking.html#backgroundsubtractormog
 801      [2] P. KadewTraKuPong and R. Bowden, "An improved adaptive background
 802      mixture model for real-time tracking with shadow detection", Proc. 2nd
 803      European Workshop on Advanced Video-Based Surveillance Systems, 2001
 804    */
 805
 806   (*((cv::BackgroundSubtractorMOG *) filter->mog)) (*((cv::Mat *) filter->
 807           img_input_as_cvMat), *((cv::Mat *) filter->img_fg_as_cvMat),
 808       filter->learning_rate);
 809
 810   return (0);
 811 }
 812
 813 int
 814 run_mog2_iteration (GstSegmentation * filter)
 815 {
 816   ((cv::Mat *) filter->img_input_as_cvMat)->data =
 817       (uchar *) filter->cvYUV->imageData;
 818   ((cv::Mat *) filter->img_fg_as_cvMat)->data =
 819       (uchar *) filter->cvFG->imageData;
 820
 821   /*
 822      BackgroundSubtractorMOG2 [1], Gaussian Mixture-based Background/Foreground
 823      segmentation algorithm. OpenCV MOG2 implements the algorithm described in
 824      [2] and [3].
 825
 826      [1] http://opencv.itseez.com/modules/video/doc/motion_analysis_and_object_tracking.html#backgroundsubtractormog2
 827      [2] Z.Zivkovic, "Improved adaptive Gausian mixture model for background
 828      subtraction", International Conference Pattern Recognition, UK, August, 2004.
 829      [3] Z.Zivkovic, F. van der Heijden, "Efficient Adaptive Density Estimation per
 830      Image Pixel for the Task of Background Subtraction", Pattern Recognition
 831      Letters, vol. 27, no. 7, pages 773-780, 2006.
 832    */
 833
 834   (*((cv::BackgroundSubtractorMOG *) filter->mog2)) (*((cv::Mat *) filter->
 835           img_input_as_cvMat), *((cv::Mat *) filter->img_fg_as_cvMat),
 836       filter->learning_rate);
 837
 838   return (0);
 839 }
 840
 841 int
 842 finalise_mog (GstSegmentation * filter)
 843 {
 844   delete (cv::Mat *) filter->img_input_as_cvMat;
 845   delete (cv::Mat *) filter->img_fg_as_cvMat;
 846   delete (cv::BackgroundSubtractorMOG *) filter->mog;
 847   delete (cv::BackgroundSubtractorMOG2 *) filter->mog2;
 848   return (0);
 849 }