IdentificacionIA/seguimiento2.py

import cv2
import numpy as np
import time
import threading
from scipy.optimize import linear_sum_assignment
from scipy.spatial.distance import cosine
from ultralytics import YOLO
import onnxruntime as ort
import os

# ──────────────────────────────────────────────────────────────────────────────
#  CONFIGURACIÓN DEL SISTEMA
# ──────────────────────────────────────────────────────────────────────────────
USUARIO, PASSWORD, IP_DVR = "admin", "TCA200503", "192.168.1.244"
SECUENCIA = [1, 7, 5, 8, 3, 6]
# 🛡️ RED ESTABILIZADA (Timeout de 3s para evitar congelamientos de FFmpeg)
os.environ["OPENCV_FFMPEG_CAPTURE_OPTIONS"] = "rtsp_transport;tcp|stimeout;3000000"
URLS = [f"rtsp://{USUARIO}:{PASSWORD}@{IP_DVR}:554/Streaming/Channels/{i}02" for i in SECUENCIA]
ONNX_MODEL_PATH = "osnet_x0_25_msmt17.onnx" 

VECINOS = {
    "1": ["7"], "7": ["1", "5"], "5": ["7", "8"],
    "8": ["5", "3"], "3": ["8", "6"], "6": ["3"]
}

ASPECT_RATIO_MIN  = 0.5   
ASPECT_RATIO_MAX  = 4.0   
AREA_MIN_CALIDAD  = 1200 
FRAMES_CALIDAD    = 2    
TIEMPO_MAX_AUSENCIA = 800.0  

UMBRAL_REID_MISMA_CAM      = 0.53  # Antes 0.65
UMBRAL_REID_VECINO         = 0.48  # Antes 0.53
UMBRAL_REID_NO_VECINO      = 0.67  # Antes 0.72
MAX_FIRMAS_MEMORIA         = 10     

C_CANDIDATO   = (150, 150, 150)  
C_LOCAL       = (0, 255, 0)      
C_GLOBAL      = (0, 165, 255)    
C_GRUPO       = (0, 0, 255)      
C_APRENDIZAJE = (255, 255, 0)   
FUENTE        = cv2.FONT_HERSHEY_SIMPLEX

# ──────────────────────────────────────────────────────────────────────────────
#  INICIALIZACIÓN OSNET
# ──────────────────────────────────────────────────────────────────────────────
print("Cargando cerebro de Re-Identificación (OSNet)...")
try:
    ort_session = ort.InferenceSession(ONNX_MODEL_PATH, providers=['CPUExecutionProvider'])
    input_name = ort_session.get_inputs()[0].name
    print("Modelo OSNet cargado exitosamente.")
except Exception as e:
    print(f"ERROR FATAL: No se pudo cargar {ONNX_MODEL_PATH}.")
    exit()

MEAN = np.array([0.485, 0.456, 0.406], dtype=np.float32).reshape(1, 3, 1, 1)
STD  = np.array([0.229, 0.224, 0.225], dtype=np.float32).reshape(1, 3, 1, 1)

# ──────────────────────────────────────────────────────────────────────────────
#  1. EXTRACCIÓN DE FIRMAS (Deep + Color + Textura)
# ──────────────────────────────────────────────────────────────────────────────
def analizar_calidad(box):
    x1, y1, x2, y2 = box
    w, h = x2 - x1, y2 - y1
    if w <= 0 or h <= 0: return False
    return (ASPECT_RATIO_MIN < (h / w) < ASPECT_RATIO_MAX) and ((w * h) > AREA_MIN_CALIDAD)

def preprocess_onnx(roi):
    img = cv2.resize(roi, (128, 256))
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = img.transpose(2, 0, 1).astype(np.float32) / 255.0 
    img = np.expand_dims(img, axis=0) 
    img = (img - MEAN) / STD 
    return img

def extraer_color_zonas(img):
    h_roi = img.shape[0]
    t1, t2 = int(h_roi * 0.15), int(h_roi * 0.55) 
    zonas = [img[:t1, :], img[t1:t2, :], img[t2:, :]]

    def hist_zona(z):
        if z.size == 0: return np.zeros(16 * 8)
        hsv = cv2.cvtColor(z, cv2.COLOR_BGR2HSV)
        hist = cv2.calcHist([hsv], [0, 1], None, [16, 8], [0, 180, 0, 256])
        cv2.normalize(hist, hist)
        return hist.flatten()
    return np.concatenate([hist_zona(z) for z in zonas])

def extraer_textura_rapida(roi):
    if roi.size == 0: return np.zeros(16)
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    gray_eq = cv2.equalizeHist(gray)
    gx = cv2.Sobel(gray_eq, cv2.CV_32F, 1, 0, ksize=3)
    gy = cv2.Sobel(gray_eq, cv2.CV_32F, 0, 1, ksize=3)
    mag, _ = cv2.cartToPolar(gx, gy)
    hist = cv2.calcHist([mag], [0], None, [16], [0, 256])
    cv2.normalize(hist, hist)
    return hist.flatten()

def extraer_firma_hibrida(frame_hd, box_480):
    try:
        h_hd, w_hd = frame_hd.shape[:2]
        escala_x = w_hd / 480.0
        escala_y = h_hd / 270.0
        
        x1, y1, x2, y2 = box_480
        x1_hd, y1_hd = int(x1 * escala_x), int(y1 * escala_y)
        x2_hd, y2_hd = int(x2 * escala_x), int(y2 * escala_y)
        
        x1_c, y1_c = max(0, x1_hd), max(0, y1_hd)
        x2_c, y2_c = min(w_hd, x2_hd), min(h_hd, y2_hd)
                    
        roi = frame_hd[y1_c:y2_c, x1_c:x2_c]
        if roi.size == 0 or roi.shape[0] < 40 or roi.shape[1] < 20: return None
        
        calidad_area = (x2_c - x1_c) * (y2_c - y1_c)

        blob = preprocess_onnx(roi)
        blob_16 = np.zeros((16, 3, 256, 128), dtype=np.float32)
        blob_16[0] = blob[0]
        deep_feat = ort_session.run(None, {input_name: blob_16})[0][0].flatten()
        norma = np.linalg.norm(deep_feat)
        if norma > 0: deep_feat = deep_feat / norma

        color_feat = extraer_color_zonas(roi)
        textura_feat = extraer_textura_rapida(roi)

        return {'deep': deep_feat, 'color': color_feat, 'textura': textura_feat, 'calidad': calidad_area}
    except Exception:
        return None

# ⚡ EL SECRETO: 100% IA entre cámaras. Textura solo en la misma cámara.
# ⚡ EL SECRETO: 100% IA entre cámaras. Textura solo en la misma cámara.
def similitud_hibrida(f1, f2, cross_cam=False):
    if f1 is None or f2 is None: return 0.0
    
    sim_deep = max(0.0, 1.0 - cosine(f1['deep'], f2['deep']))
    
    # 1. Calculamos SIEMPRE los histogramas de color por zonas
    if f1['color'].shape == f2['color'].shape and f1['color'].size > 1:
        L = len(f1['color']) // 3
        sim_head  = max(0.0, float(cv2.compareHist(f1['color'][:L].astype(np.float32), f2['color'][:L].astype(np.float32), cv2.HISTCMP_CORREL)))
        sim_torso = max(0.0, float(cv2.compareHist(f1['color'][L:2*L].astype(np.float32), f2['color'][L:2*L].astype(np.float32), cv2.HISTCMP_CORREL)))
        sim_legs  = max(0.0, float(cv2.compareHist(f1['color'][2*L:].astype(np.float32), f2['color'][2*L:].astype(np.float32), cv2.HISTCMP_CORREL)))
    else:
        sim_head, sim_torso, sim_legs = 0.0, 0.0, 0.0
        
    if cross_cam:
        # Si OSNet se confunde por la chamarra, revisamos las piernas.
        # Una similitud < 0.25 en HISTCMP_CORREL significa colores radicalmente distintos (Ej. Negro vs Gris/Blanco).
        if sim_legs < 0.25:
            sim_deep -= 0.15 # Castigo letal: Le tumbamos 15 puntos porcentuales a OSNet
            
        return max(0.0, sim_deep)
    
    # 2. Si está en la misma cámara, usamos la fórmula híbrida completa
    sim_color = (0.10 * sim_head) + (0.60 * sim_torso) + (0.30 * sim_legs)
    
    if 'textura' in f1 and 'textura' in f2 and f1['textura'].size > 1:
        sim_textura = max(0.0, float(cv2.compareHist(f1['textura'].astype(np.float32), f2['textura'].astype(np.float32), cv2.HISTCMP_CORREL)))
    else: sim_textura = 0.0
    
    return (sim_deep * 0.80) + (sim_color * 0.10) + (sim_textura * 0.10)

# ──────────────────────────────────────────────────────────────────────────────
#  2. KALMAN TRACKER
# ──────────────────────────────────────────────────────────────────────────────
class KalmanTrack:
    _count = 0
    def __init__(self, box, now):
        self.kf = cv2.KalmanFilter(7, 4)
        self.kf.measurementMatrix = np.array([[1,0,0,0,0,0,0], [0,1,0,0,0,0,0], [0,0,1,0,0,0,0], [0,0,0,1,0,0,0]], np.float32)
        self.kf.transitionMatrix = np.eye(7, dtype=np.float32)
        self.kf.transitionMatrix[0,4] = 1; self.kf.transitionMatrix[1,5] = 1; self.kf.transitionMatrix[2,6] = 1
        self.kf.processNoiseCov *= 0.03
        self.kf.statePost = np.zeros((7, 1), np.float32)
        self.kf.statePost[:4] = self._convert_bbox_to_z(box)
        self.local_id = KalmanTrack._count
        KalmanTrack._count += 1
        self.gid = None   
        self.origen_global = False  
        self.aprendiendo = False    
        self.box = list(box)
        self.ts_creacion = now
        self.ts_ultima_deteccion = now 
        self.time_since_update = 0 
        self.en_grupo = False
        self.frames_buena_calidad = 0   
        self.listo_para_id = False
        self.area_referencia = 0.0  

    def _convert_bbox_to_z(self, bbox):
        w = bbox[2] - bbox[0]; h = bbox[3] - bbox[1]; x = bbox[0] + w/2.; y = bbox[1] + h/2.
        return np.array([[x],[y],[w*h],[w/float(h+1e-6)]]).astype(np.float32)

    def _convert_x_to_bbox(self, x):
        cx, cy, s, r = float(x[0].item()), float(x[1].item()), float(x[2].item()), float(x[3].item())
        w = np.sqrt(s * r); h = s / (w + 1e-6)
        return [cx-w/2., cy-h/2., cx+w/2., cy+h/2.]

    def predict(self, turno_activo=True):
        if (self.kf.statePost[6] + self.kf.statePost[2]) <= 0: self.kf.statePost[6] *= 0.0
        self.kf.predict()
        if turno_activo: self.time_since_update += 1
        self.aprendiendo = False 
        self.box = self._convert_x_to_bbox(self.kf.statePre)
        return self.box

    def update(self, box, en_grupo, now):
        self.ts_ultima_deteccion = now
        self.time_since_update = 0
        self.box = list(box)
        self.en_grupo = en_grupo
        self.kf.correct(self._convert_bbox_to_z(box))

        if analizar_calidad(box) and not en_grupo:
            self.frames_buena_calidad += 1
            if self.frames_buena_calidad >= FRAMES_CALIDAD:
                self.listo_para_id = True
        elif self.gid is None:
            self.frames_buena_calidad = max(0, self.frames_buena_calidad - 1)

# ──────────────────────────────────────────────────────────────────────────────
#  3. MEMORIA GLOBAL (Anti-Robos y Físicas de Tiempo)
# ──────────────────────────────────────────────────────────────────────────────
class GlobalMemory:
    def __init__(self):
        self.db = {}
        self.next_gid = 100
        self.lock = threading.Lock()

    def _es_transito_posible(self, data, cam_destino, now):
        ultima_cam = str(data['last_cam'])
        cam_destino = str(cam_destino)
        dt = now - data['ts']
        
        if ultima_cam == cam_destino: return True 
        vecinos = VECINOS.get(ultima_cam, [])
        # Permite teletransportación mínima (-0.5s) para que no te fragmente en los pasillos conectados
        if cam_destino in vecinos: return dt >= -0.5 
        return dt >= 4.0

    def _sim_robusta(self, firma_nueva, firmas_guardadas, cross_cam=False):
        if not firmas_guardadas: return 0.0
        sims = sorted([similitud_hibrida(firma_nueva, f, cross_cam) for f in firmas_guardadas], reverse=True)
        if len(sims) == 1: return sims[0]
        elif len(sims) <= 4: return (sims[0] * 0.6) + (sims[1] * 0.4)
        else: return (sims[0] * 0.50) + (sims[1] * 0.30) + (sims[2] * 0.20)

    # ⚡ SE AGREGÓ 'en_borde' A LOS PARÁMETROS
    def identificar_candidato(self, firma_hibrida, cam_id, now, active_gids, en_borde=True):
        # 1. LIMPIEZA DE MEMORIA (El Recolector de Basura)
        # Esto asume que ya agregaste la función limpiar_fantasmas(self) a tu clase
        self.limpiar_fantasmas()
        
        with self.lock:
            candidatos = []
            vecinos = VECINOS.get(str(cam_id), [])

            for gid, data in self.db.items():
                if gid in active_gids: continue
                dt = now - data['ts']
                if dt > TIEMPO_MAX_AUSENCIA or not self._es_transito_posible(data, cam_id, now): continue
                if not data['firmas']: continue

                misma_cam = (str(data['last_cam']) == str(cam_id))
                es_cross_cam = not misma_cam
                es_vecino = str(data['last_cam']) in vecinos

                # ⚡ FÍSICA DE PUERTAS
                if es_vecino and not en_borde:
                    es_vecino = False 

                sim = self._sim_robusta(firma_hibrida, data['firmas'], cross_cam=es_cross_cam)

                if misma_cam: umbral = UMBRAL_REID_MISMA_CAM 
                elif es_vecino: umbral = UMBRAL_REID_VECINO 
                else: umbral = UMBRAL_REID_NO_VECINO

                # PROTECCIÓN VIP
                if data.get('nombre') is not None:
                    if misma_cam:
                        umbral += 0.04
                    else:
                        umbral += 0.03

                if sim > umbral:
                    # ⚡ MODIFICACIÓN: Guardamos también si es de la misma cam o vecino para el desempate final
                    candidatos.append((sim, gid, misma_cam, es_vecino))

            if not candidatos:
                nid = self.next_gid; self.next_gid += 1
                self._actualizar_sin_lock(nid, firma_hibrida, cam_id, now)
                return nid, False

            # Ordena por la similitud (el primer elemento de la tupla) de mayor a menor
            candidatos.sort(reverse=True)
            best_sim, best_gid, best_misma, best_vecino = candidatos[0]

            if len(candidatos) >= 2:
                segunda_sim, segundo_gid, seg_misma, seg_vecino = candidatos[1]
                margen = best_sim - segunda_sim
                
                # Si las chamarras son casi idénticas...
                if margen <= 0.02 and best_sim < 0.75:
                    
                    # ⚖️ DESEMPATE GEOGRÁFICO INTELLIGENTE
                    # Le damos un "peso" matemático extra a la lógica espacial
                    peso_1 = best_sim + (0.10 if (best_misma or best_vecino) else 0.0)
                    peso_2 = segunda_sim + (0.10 if (seg_misma or seg_vecino) else 0.0)
                    
                    if peso_1 > peso_2:
                        best_gid = best_gid # Gana el primero por lógica espacial
                    elif peso_2 > peso_1:
                        best_gid = segundo_gid # Gana el segundo por lógica espacial
                    else:
                        # Si empatan en TODO (ropa y espacio), entonces sí entramos en pánico seguro
                        print(f"\n[ ALERTA] Empate extremo entre ID {best_gid} ({best_sim:.2f}) y ID {segundo_gid} ({segunda_sim:.2f}). Se asigna temporal.")
                        nid = self.next_gid; self.next_gid += 1
                        self._actualizar_sin_lock(nid, firma_hibrida, cam_id, now)
                        return nid, False

            self._actualizar_sin_lock(best_gid, firma_hibrida, cam_id, now)
            return best_gid, True

    def _actualizar_sin_lock(self, gid, firma_dict, cam_id, now):
        if gid not in self.db: self.db[gid] = {'firmas': [], 'last_cam': cam_id, 'ts': now}
        if firma_dict is not None:
            firmas_list = self.db[gid]['firmas']
            if not firmas_list:
                firmas_list.append(firma_dict)
            else:
                if firma_dict['calidad'] > (firmas_list[0]['calidad'] * 1.50):
                    vieja_ancla = firmas_list[0]; firmas_list[0] = firma_dict; firma_dict = vieja_ancla 
                if len(firmas_list) >= MAX_FIRMAS_MEMORIA:
                    max_sim_interna = -1.0; idx_redundante = 1
                    for i in range(1, len(firmas_list)):
                        sims_con_otras = [similitud_hibrida(firmas_list[i], firmas_list[j]) for j in range(1, len(firmas_list)) if j != i]
                        sim_promedio = np.mean(sims_con_otras) if sims_con_otras else 0.0
                        if sim_promedio > max_sim_interna: max_sim_interna = sim_promedio; idx_redundante = i
                    firmas_list[idx_redundante] = firma_dict
                else:
                    firmas_list.append(firma_dict)
        self.db[gid]['last_cam'] = cam_id
        self.db[gid]['ts'] = now

    def actualizar(self, gid, firma, cam_id, now):
        with self.lock: self._actualizar_sin_lock(gid, firma, cam_id, now)

    def limpiar_fantasmas(self):
        """ Aniquila los IDs temporales que llevan más de 15 segundos sin verse """
        with self.lock:
            ahora = time.time()
            ids_a_borrar = []
            
            for gid, data in self.db.items():
                tiempo_inactivo = ahora - data.get('ts', ahora)
                
                # Si es un ID anónimo y lleva 15 segundos desaparecido, es basura
                if data.get('nombre') is None and tiempo_inactivo > 600.0:
                    ids_a_borrar.append(gid)
                
                # Si es un VIP (con nombre), le damos 5 minutos de memoria antes de borrarlo
                elif data.get('nombre') is not None and tiempo_inactivo > 900.0:
                    ids_a_borrar.append(gid)
                    
            for gid in ids_a_borrar:
                del self.db[gid]

    def confirmar_firma_vip(self, gid, ts):
        """ 
        ArcFace confirma la identidad con alta certeza (>0.55).
        Aniquila las firmas viejas y deja solo la más reciente como la firma VIP definitiva.
        """
        with self.lock:
            if gid in self.db and self.db[gid]['firmas']:
                # Tomamos la última firma que el hilo principal guardó (la ropa actual)
                firma_actual_pura = self.db[gid]['firmas'][-1]
                
                # Sobrescribimos el historial dejando solo esta firma confirmada
                self.db[gid]['firmas'] = [firma_actual_pura]
                self.db[gid]['ts'] = ts

# ──────────────────────────────────────────────────────────────────────────────
#  4. GESTOR LOCAL (Kalman Elasticity & Ghost Killer)
# ──────────────────────────────────────────────────────────────────────────────
def iou_overlap(boxA, boxB):
    xA, yA, xB, yB = max(boxA[0], boxB[0]), max(boxA[1], boxB[1]), min(boxA[2], boxB[2]), min(boxA[3], boxB[3])
    inter = max(0, xB-xA) * max(0, yB-yA)
    areaA = (boxA[2]-boxA[0]) * (boxA[3]-boxA[1]); areaB = (boxB[2]-boxB[0]) * (boxB[3]-boxB[1])
    return inter / (areaA + areaB - inter + 1e-6)

class CamManager:
    def __init__(self, cam_id, global_mem):
        self.cam_id, self.global_mem, self.trackers = cam_id, global_mem, []

    def update(self, boxes, frame_show, frame_hd, now, turno_activo):
        for trk in self.trackers: trk.predict(turno_activo=turno_activo)
        if not turno_activo: return self.trackers

        matched, unmatched_dets, unmatched_trks = self._asignar(boxes, now)

        for t_idx, d_idx in matched:
            trk = self.trackers[t_idx]; box = boxes[d_idx]
            en_grupo = any(other is not trk and iou_overlap(box, other.box) > 0.10 for other in self.trackers)
            trk.update(box, en_grupo, now) 
            
            active_gids = {t.gid for t in self.trackers if t.gid is not None}
            area_actual = (box[2] - box[0]) * (box[3] - box[1])

            # IGNORAMOS VECTORES MUTANTES DE GRUPOS
            if trk.gid is None and trk.listo_para_id and not trk.en_grupo:
                # ⚡ Usamos el frame_hd
                firma = extraer_firma_hibrida(frame_hd, box)
                if firma is not None:
                    # ⚡ DETECCIÓN DE ZONA DE NACIMIENTO
                    fh, fw = frame_hd.shape[:2]
                    bx1, by1, bx2, by2 = map(int, box)
                    # Si nace a menos de 40 píxeles del margen, entró por el pasillo
                    nace_en_borde = (bx1 < 25 or by1 < 25 or bx2 > fw - 25 or by2 > fh - 25)
                    
                    # Mandamos esa información al identificador
                    gid, es_reid = self.global_mem.identificar_candidato(firma, self.cam_id, now, active_gids, en_borde=nace_en_borde)
                    trk.gid, trk.origen_global, trk.area_referencia = gid, es_reid, area_actual
            
            elif trk.gid is not None and not trk.en_grupo:
                tiempo_ultima_firma = getattr(trk, 'ultimo_aprendizaje', 0)
                
                # ⚡ APRENDIZAJE RÁPIDO: Bajamos de 1.5s a 0.5s para que llene la memoria volando
                if (now - tiempo_ultima_firma) > 0.5 and analizar_calidad(box):
                    fh, fw = frame_hd.shape[:2]
                    x1, y1, x2, y2 = map(int, box)
                    en_borde = (x1 < 15 or y1 < 15 or x2 > fw - 15 or y2 > fh - 15)
                    
                    if not en_borde:
                        firma_nueva = extraer_firma_hibrida(frame_hd, box) 
                        if firma_nueva is not None:
                            with self.global_mem.lock:
                                if trk.gid in self.global_mem.db and self.global_mem.db[trk.gid]['firmas']:
                                    
                                    # ⚡ APRENDIZAJE EN CADENA: Comparamos contra la ÚLTIMA foto (-1), no contra la primera.
                                    # Esto permite que el sistema "entienda" cuando te estás dando la vuelta o mostrando la mochila.
                                    firma_reciente = self.global_mem.db[trk.gid]['firmas'][-1]
                                    sim_coherencia = similitud_hibrida(firma_nueva, firma_reciente)
                                    
                                    # Tolerancia relajada a 0.50 para permitir la transición de la espalda
                                    if sim_coherencia > 0.50:
                                        es_coherente = True
                                        for otro_gid, otro_data in self.global_mem.db.items():
                                            if otro_gid == trk.gid or not otro_data['firmas']: continue
                                            sim_intruso = similitud_hibrida(firma_nueva, otro_data['firmas'][0])
                                            if sim_intruso > sim_coherencia:  
                                                es_coherente = False
                                                break
                                        if es_coherente:
                                            self.global_mem._actualizar_sin_lock(trk.gid, firma_nueva, self.cam_id, now)
                                            trk.ultimo_aprendizaje = now
                                            trk.aprendiendo = True

        for d_idx in unmatched_dets: self.trackers.append(KalmanTrack(boxes[d_idx], now))
        
        vivos = []
        fh, fw = frame_show.shape[:2] # Usamos frame_show para evaluar los bordes de la caja 480
        for t in self.trackers:
            x1, y1, x2, y2 = t.box
            toca_borde = (x1 < 20 or y1 < 20 or x2 > fw - 20 or y2 > fh - 20)
            tiempo_oculto = now - t.ts_ultima_deteccion
            
            # ⚡ MUERTE JUSTA: Si es anónimo en el borde, muere rápido. 
            # Si ya tiene un ID asignado, le damos al menos 3 segundos de gracia.
            if t.gid is None and toca_borde:
                limite_vida = 1.0
            elif t.gid is not None and toca_borde:
                limite_vida = 3.0
            else:
                limite_vida = 10.0
                
            if tiempo_oculto < limite_vida:
                vivos.append(t)
                
        self.trackers = vivos
        return self.trackers

    def _asignar(self, boxes, now): 
        n_trk = len(self.trackers); n_det = len(boxes)
        if n_trk == 0: return [], list(range(n_det)), []
        if n_det == 0: return [], [], list(range(n_trk))
        
        cost_mat = np.zeros((n_trk, n_det), dtype=np.float32)
        TIEMPO_TURNO_ROTATIVO = len(SECUENCIA) * 0.035
        
        for t, trk in enumerate(self.trackers):
            for d, det in enumerate(boxes):
                iou = iou_overlap(trk.box, det)
                cx_t, cy_t = (trk.box[0]+trk.box[2])/2, (trk.box[1]+trk.box[3])/2
                cx_d, cy_d = (det[0]+det[2])/2, (det[1]+det[3])/2
                dist_norm = np.sqrt((cx_t-cx_d)**2 + (cy_t-cy_d)**2) / 550.0 
                
                area_trk = (trk.box[2] - trk.box[0]) * (trk.box[3] - trk.box[1])
                area_det = (det[2] - det[0]) * (det[3] - det[1])
                ratio_area = max(area_trk, area_det) / (min(area_trk, area_det) + 1e-6)
                castigo_tam = (ratio_area - 1.0) * 0.7 
                
                tiempo_oculto = now - trk.ts_ultima_deteccion
                if tiempo_oculto > (TIEMPO_TURNO_ROTATIVO * 2) and iou < 0.10:
                    fantasma_penalty = 5.0  
                else: fantasma_penalty = 0.0
                
                if iou >= 0.05 or dist_norm < 0.80:
                    cost_mat[t, d] = (1.0 - iou) + (dist_norm * 2.0) + fantasma_penalty + castigo_tam 
                else: cost_mat[t, d] = 100.0
                
        row_ind, col_ind = linear_sum_assignment(cost_mat)
        matched, unmatched_dets, unmatched_trks = [], [], []
        
        for r, c in zip(row_ind, col_ind):
            # ⚡ CAJAS PEGAJOSAS: 6.0 evita que suelte el ID si te mueves rápido
            if cost_mat[r, c] > 7.0: 
                unmatched_trks.append(r); unmatched_dets.append(c)
            else: matched.append((r, c))
            
        for t in range(n_trk):
            if t not in [m[0] for m in matched]: unmatched_trks.append(t)
        for d in range(n_det):
            if d not in [m[1] for m in matched]: unmatched_dets.append(d)
            
        return matched, unmatched_dets, unmatched_trks

# ──────────────────────────────────────────────────────────────────────────────
#  5. STREAM Y MAIN LOOP (Standalone)
# ──────────────────────────────────────────────────────────────────────────────
class CamStream:
    def __init__(self, url):
        self.url, self.cap = url, cv2.VideoCapture(url)
        self.cap.set(cv2.CAP_PROP_BUFFERSIZE, 1); self.frame = None
        threading.Thread(target=self._run, daemon=True).start()
        
    def _run(self):
        while True:
            ret, f = self.cap.read()
            if ret: 
                self.frame = f; time.sleep(0.01) 
            else: 
                time.sleep(2); self.cap.open(self.url)

def dibujar_track(frame_show, trk):
    try: x1, y1, x2, y2 = map(int, trk.box)
    except Exception: return
    
    if trk.gid is None: color, label = C_CANDIDATO, f"?{trk.local_id}"        
    elif trk.en_grupo: color, label = C_GRUPO, f"ID:{trk.gid} [grp]"
    elif trk.aprendiendo: color, label = C_APRENDIZAJE, f"ID:{trk.gid} [++]" 
    elif trk.origen_global: color, label = C_GLOBAL, f"ID:{trk.gid} [re-id]"
    else: color, label = C_LOCAL, f"ID:{trk.gid}"
    
    cv2.rectangle(frame_show, (x1, y1), (x2, y2), color, 2)
    (tw, th), _ = cv2.getTextSize(label, FUENTE, 0.55, 1)
    cv2.rectangle(frame_show, (x1, y1-th-6), (x1+tw+2, y1), color, -1)
    cv2.putText(frame_show, label, (x1+1, y1-4), FUENTE, 0.55, (0,0,0), 1)

def main():
    print("Iniciando Sistema V-PRO — Tracker Resiliente (Código Unificado Maestro)")
    model = YOLO("yolov8n.pt")
    global_mem = GlobalMemory()
    managers = {str(c): CamManager(c, global_mem) for c in SECUENCIA}
    cams = [CamStream(u) for u in URLS]
    cv2.namedWindow("SmartSoft", cv2.WINDOW_AUTOSIZE)
    
    idx = 0
    while True:
        now = time.time()
        tiles = []
        cam_ia = idx % len(cams)
        for i, cam_obj in enumerate(cams):
            frame = cam_obj.frame; cid = str(SECUENCIA[i])
            if frame is None: tiles.append(np.zeros((270, 480, 3), np.uint8)); continue
            frame_show = cv2.resize(frame.copy(), (480, 270)); boxes = []; turno_activo = (i == cam_ia)
            if turno_activo:
                res = model.predict(frame_show, conf=0.50, iou=0.40, classes=[0], verbose=False, imgsz=480, device='cpu')
                if res[0].boxes: boxes = res[0].boxes.xyxy.cpu().numpy().tolist()
            tracks = managers[cid].update(boxes, frame_show, frame, now, turno_activo)
            for trk in tracks:
                if trk.time_since_update <= 1: dibujar_track(frame_show, trk)
            if turno_activo: cv2.circle(frame_show, (460, 20), 6, (0, 0, 255), -1)
            con_id = sum(1 for t in tracks if t.gid and t.time_since_update==0)
            cv2.putText(frame_show, f"CAM {cid} [{con_id} ID]", (10, 28), FUENTE, 0.7, (255, 255, 255), 2)
            tiles.append(frame_show)
            
        if len(tiles) == 6: cv2.imshow("SmartSoft", np.vstack([np.hstack(tiles[0:3]), np.hstack(tiles[3:6])]))
        idx += 1
        if cv2.waitKey(1) == ord('q'): break
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()