src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <future>
   5 #include <algorithm>
   6
   7 #ifdef FFTW
   8   #include "fft_fftw.h"
   9   #define FFT Fftw
  10 #elif defined(CUFFT)
  11   #include "fft_cufft.h"
  12   #define FFT cuFFT
  13 #else
  14   #include "fft_opencv.h"
  15   #define FFT FftOpencv
  16 #endif
  17
  18 #ifdef OPENMP
  19 #include <omp.h>
  20 #endif //OPENMP
  21
  22 #define DEBUG_PRINT(obj) if (m_debug) {std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;}
  23 #define DEBUG_PRINTM(obj) if (m_debug) {std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl << (obj) << std::endl;}
  24 #define DEBUG_PRINTD(obj) {std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl << (obj) << std::endl;}
  25
  26
  27 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor, double output_sigma_factor, int cell_size) :
  28     fft(*new FFT()),
  29     p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  30     p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size) {}
  31
  32 KCF_Tracker::KCF_Tracker()
  33     : fft(*new FFT()) {}
  34
  35 KCF_Tracker::~KCF_Tracker()
  36 {
  37     delete &fft;
  38 }
  39
  40 void KCF_Tracker::init(cv::Mat &img, const cv::Rect & bbox, int fit_size_x, int fit_size_y)
  41 {
  42     //check boundary, enforce min size
  43     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  44     if (x1 < 0) x1 = 0.;
  45     if (x2 > img.cols-1) x2 = img.cols - 1;
  46     if (y1 < 0) y1 = 0;
  47     if (y2 > img.rows-1) y2 = img.rows - 1;
  48
  49     if (x2-x1 < 2*p_cell_size) {
  50         double diff = (2*p_cell_size -x2+x1)/2.;
  51         if (x1 - diff >= 0 && x2 + diff < img.cols){
  52             x1 -= diff;
  53             x2 += diff;
  54         } else if (x1 - 2*diff >= 0) {
  55             x1 -= 2*diff;
  56         } else {
  57             x2 += 2*diff;
  58         }
  59     }
  60     if (y2-y1 < 2*p_cell_size) {
  61         double diff = (2*p_cell_size -y2+y1)/2.;
  62         if (y1 - diff >= 0 && y2 + diff < img.rows){
  63             y1 -= diff;
  64             y2 += diff;
  65         } else if (y1 - 2*diff >= 0) {
  66             y1 -= 2*diff;
  67         } else {
  68             y2 += 2*diff;
  69         }
  70     }
  71
  72     p_pose.w = x2-x1;
  73     p_pose.h = y2-y1;
  74     p_pose.cx = x1 + p_pose.w/2.;
  75     p_pose.cy = y1 + p_pose.h /2.;
  76
  77
  78     cv::Mat input_gray, input_rgb = img.clone();
  79     if (img.channels() == 3){
  80         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  81         input_gray.convertTo(input_gray, CV_32FC1);
  82     }else
  83         img.convertTo(input_gray, CV_32FC1);
  84
  85     // don't need too large image
  86     if (p_pose.w * p_pose.h > 100.*100. && (fit_size_x == -1 || fit_size_y == -1)) {
  87         std::cout << "resizing image by factor of " << 1/p_downscale_factor << std::endl;
  88         p_resize_image = true;
  89         p_pose.scale(p_downscale_factor);
  90         cv::resize(input_gray, input_gray, cv::Size(0,0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  91         cv::resize(input_rgb, input_rgb, cv::Size(0,0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  92     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
  93         if (fit_size_x%p_cell_size != 0 || fit_size_y%p_cell_size != 0) {
  94             std::cerr << "Fit size does not fit to hog cell size. The dimensions have to be divisible by HOG cell size, which is: " << p_cell_size << std::endl;;
  95             std::exit(EXIT_FAILURE);
  96         }
  97         double tmp = (p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size ;
  98         if (fabs(tmp-fit_size_x) > p_floating_error)
  99             p_scale_factor_x = fit_size_x/tmp;
 100         tmp = (p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 101         if (fabs(tmp-fit_size_y) > p_floating_error)
 102             p_scale_factor_y = fit_size_y/tmp;
 103         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x
 104                   << " and verticaly by factor of " << p_scale_factor_y << std::endl;
 105         p_fit_to_pw2 = true;
 106         p_pose.scale_x(p_scale_factor_x);
 107         p_pose.scale_y(p_scale_factor_y);
 108         if (fabs(p_scale_factor_x-1) > p_floating_error && fabs(p_scale_factor_y-1) > p_floating_error) {
 109             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 110                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 111                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 112             } else {
 113                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 114                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 115             }
 116         }
 117     }
 118
 119     //compute win size + fit to fhog cell size
 120     p_windows_size[0] = int(round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size);
 121     p_windows_size[1] = int(round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size);
 122
 123     p_scales.clear();
 124     if (m_use_scale)
 125         for (int i = -p_num_scales/2; i <= p_num_scales/2; ++i)
 126             p_scales.push_back(std::pow(p_scale_step, i));
 127     else
 128         p_scales.push_back(1.);
 129
 130 #ifdef CUFFT
 131     if (p_windows_size[1]/p_cell_size*(p_windows_size[0]/p_cell_size/2+1) > 1024) {
 132         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 133         "the window dimensions so its size is less or equal to " << 1024*p_cell_size*p_cell_size*2+1 <<
 134         " pixels . Currently the size of the window is: " <<  p_windows_size[0] << "x" <<  p_windows_size[1] <<
 135         " which is  " <<  p_windows_size[0]*p_windows_size[1] << " pixels. " << std::endl;
 136         std::exit(EXIT_FAILURE);
 137     }
 138
 139     if (m_use_linearkernel){
 140         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 141         std::exit(EXIT_FAILURE);
 142     }
 143 #endif
 144
 145     p_num_of_feats = 31;
 146     if(m_use_color) p_num_of_feats += 3;
 147     if(m_use_cnfeat) p_num_of_feats += 10;
 148     p_roi_width = p_windows_size[0]/p_cell_size;
 149     p_roi_height = p_windows_size[1]/p_cell_size;
 150
 151     int max =m_use_big_batch ? 2: p_num_scales;
 152     for (int i = 0;i<max;++i) {
 153         if (i == 0) {
 154             p_scale_vars.emplace_back(new Scale_vars(p_windows_size, p_cell_size, p_num_of_feats, 1, &p_model_xf, &p_yf, true));
 155         }
 156         else if (m_use_big_batch) {
 157             p_scale_vars.emplace_back(new Scale_vars(p_windows_size, p_cell_size, p_num_of_feats*p_num_scales, p_num_scales));
 158         }
 159         else {
 160             p_scale_vars.emplace_back(new Scale_vars(p_windows_size, p_cell_size, p_num_of_feats, 1));
 161         }
 162     }
 163
 164     p_current_scale = 1.;
 165
 166     double min_size_ratio = std::max(5.*p_cell_size/p_windows_size[0], 5.*p_cell_size/p_windows_size[1]);
 167     double max_size_ratio = std::min(floor((img.cols + p_windows_size[0]/3)/p_cell_size)*p_cell_size/p_windows_size[0], floor((img.rows + p_windows_size[1]/3)/p_cell_size)*p_cell_size/p_windows_size[1]);
 168     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 169     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 170
 171     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
 172     std::cout << "init: win size. " << p_windows_size[0] << " " << p_windows_size[1] << std::endl;
 173     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 174
 175     p_output_sigma = std::sqrt(p_pose.w*p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 176
 177     fft.init(uint(p_windows_size[0]/p_cell_size), uint(p_windows_size[1]/p_cell_size), uint(p_num_of_feats), uint(p_num_scales), m_use_big_batch);
 178     fft.set_window(cosine_window_function(p_windows_size[0]/p_cell_size, p_windows_size[1]/p_cell_size));
 179
 180     //window weights, i.e. labels
 181      fft.forward(gaussian_shaped_labels(p_output_sigma, p_windows_size[0]/p_cell_size, p_windows_size[1]/p_cell_size), p_yf,
 182                                                                                 m_use_cuda ? p_scale_vars.front()->rot_labels_data_d: nullptr, p_scale_vars.front()->stream);
 183     DEBUG_PRINTM(p_yf);
 184
 185     //obtain a sub-window for training initial model
 186     p_scale_vars.front()->patch_feats.clear();
 187     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size[0], p_windows_size[1], *p_scale_vars.front());
 188     fft.forward_window(p_scale_vars.front()->patch_feats, p_model_xf, p_scale_vars.front()->fw_all,
 189                                                m_use_cuda ? p_scale_vars.front()->data_features_d : nullptr, p_scale_vars.front()->stream);
 190     DEBUG_PRINTM(p_model_xf);
 191 #if defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 192     p_scale_vars.front()->model_xf = p_model_xf;
 193     p_scale_vars.front()->model_xf.set_stream(p_scale_vars.front()->stream);
 194     p_yf.set_stream(p_scale_vars.front()->stream);
 195     p_model_xf.set_stream(p_scale_vars.front()->stream);
 196 #endif
 197
 198     if (m_use_linearkernel) {
 199         ComplexMat xfconj = p_model_xf.conj();
 200         p_model_alphaf_num = xfconj.mul(p_yf);
 201         p_model_alphaf_den = (p_model_xf * xfconj);
 202     } else {
 203         //Kernel Ridge Regression, calculate alphas (in Fourier domain)
 204 #if defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 205         gaussian_correlation(*p_scale_vars.front(), p_scale_vars.front()->model_xf, p_scale_vars.front()->model_xf, p_kernel_sigma, true);
 206 #else
 207         gaussian_correlation(*p_scale_vars.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 208 #endif
 209         DEBUG_PRINTM(p_scale_vars.front()->kf);
 210         p_model_alphaf_num = p_yf * p_scale_vars.front()->kf;
 211         DEBUG_PRINTM(p_model_alphaf_num);
 212         p_model_alphaf_den = p_scale_vars.front()->kf * (p_scale_vars.front()->kf + float(p_lambda));
 213         DEBUG_PRINTM(p_model_alphaf_den);
 214     }
 215     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 216     DEBUG_PRINTM(p_model_alphaf);
 217 //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 218
 219 #if defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 220     for (auto it = p_scale_vars.begin();it != p_scale_vars.end();++it) {
 221         (*it)->model_xf = p_model_xf;
 222         (*it)->model_xf.set_stream((*it)->stream);
 223         (*it)->model_alphaf = p_model_alphaf;
 224         (*it)->model_alphaf.set_stream((*it)->stream);
 225     }
 226 #endif
 227 }
 228
 229 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat & img, int fit_size_x, int fit_size_y)
 230 {
 231     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 232 }
 233
 234 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 235 {
 236     if (p_resize_image) {
 237         BBox_c tmp = bbox;
 238         tmp.scale(p_downscale_factor);
 239         p_pose.cx = tmp.cx;
 240         p_pose.cy = tmp.cy;
 241     } else if (p_fit_to_pw2) {
 242         BBox_c tmp = bbox;
 243         tmp.scale_x(p_scale_factor_x);
 244         tmp.scale_y(p_scale_factor_y);
 245         p_pose.cx = tmp.cx;
 246         p_pose.cy = tmp.cy;
 247     } else {
 248         p_pose.cx = bbox.cx;
 249         p_pose.cy = bbox.cy;
 250     }
 251 }
 252
 253 BBox_c KCF_Tracker::getBBox()
 254 {
 255     BBox_c tmp = p_pose;
 256     tmp.w *= p_current_scale;
 257     tmp.h *= p_current_scale;
 258
 259     if (p_resize_image)
 260         tmp.scale(1/p_downscale_factor);
 261     if (p_fit_to_pw2) {
 262         tmp.scale_x(1/p_scale_factor_x);
 263         tmp.scale_y(1/p_scale_factor_y);
 264     }
 265
 266     return tmp;
 267 }
 268
 269 void KCF_Tracker::track(cv::Mat &img)
 270 {
 271     if (m_debug)
 272         std::cout << "NEW FRAME" << '\n';
 273     cv::Mat input_gray, input_rgb = img.clone();
 274     if (img.channels() == 3){
 275         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 276         input_gray.convertTo(input_gray, CV_32FC1);
 277     }else
 278         img.convertTo(input_gray, CV_32FC1);
 279
 280     // don't need too large image
 281     if (p_resize_image) {
 282         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 283         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 284     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x-1) > p_floating_error && fabs(p_scale_factor_y-1) > p_floating_error) {
 285         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 286             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 287             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 288         } else {
 289             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 290             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 291         }
 292     }
 293
 294     double max_response = -1.;
 295     int scale_index = 0;
 296     cv::Point2i *max_response_pt = nullptr;
 297     cv::Mat *max_response_map = nullptr;
 298
 299     if(m_use_multithreading) {
 300         std::vector<std::future<void>> async_res(p_scales.size());
 301         for (auto it = p_scale_vars.begin();it != p_scale_vars.end();++it) {
 302             uint index = uint(std::distance(p_scale_vars.begin(), it));
 303             async_res[index] = std::async(std::launch::async,
 304                                 [this, &input_gray, &input_rgb, index, it]() -> void
 305                                 {return scale_track(*(*it), input_rgb, input_gray, this->p_scales[index]);});
 306         }
 307         for (auto it = p_scale_vars.begin();it != p_scale_vars.end();++it) {
 308             uint index = uint(std::distance(p_scale_vars.begin(), it));
 309             async_res[index].wait();
 310             if ((*it)->max_response > max_response) {
 311                 max_response = (*it)->max_response;
 312                 max_response_pt = & (*it)->max_loc;
 313                 max_response_map = & (*it)->response;
 314                 scale_index = int(index);
 315             }
 316         }
 317     } else {
 318         uint start = m_use_big_batch ? 1 : 0;
 319         uint end = m_use_big_batch ? 2 : uint(p_num_scales);
 320 #pragma omp parallel for schedule(dynamic)
 321         for (uint i = start; i < end; ++i) {
 322             auto it = p_scale_vars.begin();
 323             std::advance(it, i);
 324             scale_track(*(*it), input_rgb, input_gray, this->p_scales[i]);
 325
 326             if (m_use_big_batch) {
 327                 for (size_t j = 0;j<p_scales.size();++j) {
 328                     if ((*it)->max_responses[j] > max_response) {
 329                         max_response = (*it)->max_responses[j];
 330                         max_response_pt = & (*it)->max_locs[j];
 331                         max_response_map = & (*it)->response_maps[j];
 332                         scale_index = int(j);
 333                     }
 334                 }
 335             } else {
 336 #pragma omp critical
 337                 {
 338                     if ((*it)->max_response > max_response) {
 339                         max_response = (*it)->max_response;
 340                         max_response_pt = & (*it)->max_loc;
 341                         max_response_map = & (*it)->response;
 342                         scale_index = i;
 343                     }
 344                 }
 345             }
 346         }
 347     }
 348
 349     DEBUG_PRINTM(*max_response_map);
 350     DEBUG_PRINT(*max_response_pt);
 351
 352     //sub pixel quadratic interpolation from neighbours
 353     if (max_response_pt->y > max_response_map->rows / 2) //wrap around to negative half-space of vertical axis
 354         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 355     if (max_response_pt->x > max_response_map->cols / 2) //same for horizontal axis
 356         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 357
 358     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 359     DEBUG_PRINT(new_location);
 360
 361     if (m_use_subpixel_localization)
 362         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 363     DEBUG_PRINT(new_location);
 364
 365     p_pose.cx += p_current_scale*p_cell_size*double(new_location.x);
 366     p_pose.cy += p_current_scale*p_cell_size*double(new_location.y);
 367     if (p_fit_to_pw2) {
 368         if (p_pose.cx < 0) p_pose.cx = 0;
 369         if (p_pose.cx > (img.cols*p_scale_factor_x)-1) p_pose.cx = (img.cols*p_scale_factor_x)-1;
 370         if (p_pose.cy < 0) p_pose.cy = 0;
 371         if (p_pose.cy > (img.rows*p_scale_factor_y)-1) p_pose.cy = (img.rows*p_scale_factor_y)-1;
 372     } else {
 373         if (p_pose.cx < 0) p_pose.cx = 0;
 374         if (p_pose.cx > img.cols-1) p_pose.cx = img.cols-1;
 375         if (p_pose.cy < 0) p_pose.cy = 0;
 376         if (p_pose.cy > img.rows-1) p_pose.cy = img.rows-1;
 377     }
 378
 379     //sub grid scale interpolation
 380     double new_scale = p_scales[uint(scale_index)];
 381     if (m_use_subgrid_scale)
 382         new_scale = sub_grid_scale(scale_index);
 383
 384     p_current_scale *= new_scale;
 385
 386     if (p_current_scale < p_min_max_scale[0])
 387         p_current_scale = p_min_max_scale[0];
 388     if (p_current_scale > p_min_max_scale[1])
 389         p_current_scale = p_min_max_scale[1];
 390
 391     //obtain a subwindow for training at newly estimated target position
 392     p_scale_vars.front()->patch_feats.clear();
 393     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size[0], p_windows_size[1], *p_scale_vars.front(), p_current_scale);
 394     fft.forward_window(p_scale_vars.front()->patch_feats, p_scale_vars.front()->xf, p_scale_vars.front()->fw_all,
 395                                                m_use_cuda ? p_scale_vars.front()->data_features_d : nullptr, p_scale_vars.front()->stream);
 396
 397     //subsequent frames, interpolate model
 398     p_model_xf = p_model_xf *float((1. - p_interp_factor)) + p_scale_vars.front()->xf * float(p_interp_factor);
 399
 400     ComplexMat alphaf_num, alphaf_den;
 401
 402     if (m_use_linearkernel) {
 403         ComplexMat xfconj = p_scale_vars.front()->xf.conj();
 404         alphaf_num = xfconj.mul(p_yf);
 405         alphaf_den = (p_scale_vars.front()->xf * xfconj);
 406     } else {
 407         //Kernel Ridge Regression, calculate alphas (in Fourier domain)
 408         gaussian_correlation(*p_scale_vars.front(), p_scale_vars.front()->xf, p_scale_vars.front()->xf, p_kernel_sigma, true);
 409 //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 410 //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 411         alphaf_num = p_yf * p_scale_vars.front()->kf;
 412         alphaf_den = p_scale_vars.front()->kf * (p_scale_vars.front()->kf + float(p_lambda));
 413     }
 414
 415     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 416     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 417     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 418
 419 #if defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 420     for (auto it = p_scale_vars.begin(); it != p_scale_vars.end(); ++it) {
 421         (*it)->model_xf = p_model_xf;
 422         (*it)->model_xf.set_stream((*it)->stream);
 423         (*it)->model_alphaf = p_model_alphaf;
 424         (*it)->model_alphaf.set_stream((*it)->stream);
 425     }
 426 #endif
 427 }
 428
 429 void KCF_Tracker::scale_track(Scale_vars & vars, cv::Mat & input_rgb, cv::Mat & input_gray, double scale)
 430 {
 431     if (m_use_big_batch) {
 432         vars.patch_feats.clear();
 433         for (uint i = 0; i < uint(p_num_scales); ++i) {
 434             get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size[0], this->p_windows_size[1],
 435                                         vars, this->p_current_scale * this->p_scales[i]);
 436         }
 437     } else {
 438         vars.patch_feats.clear();
 439         get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size[0], this->p_windows_size[1],
 440                                     vars, this->p_current_scale * scale);
 441     }
 442
 443     fft.forward_window(vars.patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features_d : nullptr, vars.stream);
 444     DEBUG_PRINTM(vars.zf);
 445
 446     if (m_use_linearkernel) {
 447                 vars.kzf = m_use_big_batch ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels() : (p_model_alphaf * vars.zf).sum_over_channels();
 448                 fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch_d : nullptr, vars.stream);
 449     } else {
 450
 451 #if defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 452         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 453         vars.kzf = vars.model_alphaf * vars.kzf;
 454 #else
 455         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 456         DEBUG_PRINTM(this->p_model_alphaf);
 457         DEBUG_PRINTM(vars.kzf);
 458         vars.kzf = m_use_big_batch ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 459 #endif
 460         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch_d : nullptr, vars.stream);
 461     }
 462
 463     DEBUG_PRINTM(vars.response);
 464
 465     /* target location is at the maximum response. we must take into
 466     account the fact that, if the target doesn't move, the peak
 467     will appear at the top-left corner, not at the center (this is
 468     discussed in the paper). the responses wrap around cyclically. */
 469     if (m_use_big_batch) {
 470         cv::split(vars.response,vars.response_maps);
 471
 472         for (size_t i = 0; i < p_scales.size(); ++i) {
 473             double min_val, max_val;
 474             cv::Point2i min_loc, max_loc;
 475             cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 476             DEBUG_PRINT(max_loc);
 477             double weight = p_scales[i] < 1. ? p_scales[i] : 1./p_scales[i];
 478             vars.max_responses[i] = max_val*weight;
 479             vars.max_locs[i] = max_loc;
 480         }
 481     } else {
 482         double min_val;
 483         cv::Point2i min_loc;
 484         cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 485
 486         DEBUG_PRINT(vars.max_loc);
 487
 488         double weight = scale < 1. ? scale : 1./scale;
 489         vars.max_response = vars.max_val*weight;
 490     }
 491     return;
 492 }
 493
 494 // ****************************************************************************
 495
 496 void KCF_Tracker::get_features(cv::Mat & input_rgb, cv::Mat & input_gray, int cx, int cy, int size_x, int size_y, Scale_vars &vars, double scale)
 497 {
 498     int size_x_scaled = int(floor(size_x*scale));
 499     int size_y_scaled = int(floor(size_y*scale));
 500
 501     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 502     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 503
 504     //resize to default size
 505     if (scale > 1.){
 506         //if we downsample use  INTER_AREA interpolation
 507         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 508     }else {
 509         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 510     }
 511
 512     // get hog(Histogram of Oriented Gradients) features
 513     FHoG::extract(patch_gray, vars, 2, p_cell_size, 9);
 514
 515     //get color rgb features (simple r,g,b channels)
 516     std::vector<cv::Mat> color_feat;
 517     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 518         //resize to default size
 519         if (scale > 1.){
 520             //if we downsample use  INTER_AREA interpolation
 521             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x/p_cell_size, size_y/p_cell_size), 0., 0., cv::INTER_AREA);
 522         }else {
 523             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x/p_cell_size, size_y/p_cell_size), 0., 0., cv::INTER_LINEAR);
 524         }
 525     }
 526
 527     if (m_use_color && input_rgb.channels() == 3) {
 528         //use rgb color space
 529         cv::Mat patch_rgb_norm;
 530         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 531         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 532         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 533         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 534         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 535         cv::split(patch_rgb_norm, rgb);
 536         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 537     }
 538
 539     if (m_use_cnfeat && input_rgb.channels() == 3) {
 540         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 541         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 542     }
 543     vars.patch_feats.insert(vars.patch_feats.end(), color_feat.begin(), color_feat.end());
 544     return;
 545 }
 546
 547 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 548 {
 549     cv::Mat labels(dim2, dim1, CV_32FC1);
 550     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 551     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 552
 553     double sigma_s = sigma*sigma;
 554
 555     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j){
 556         float * row_ptr = labels.ptr<float>(j);
 557         double y_s = y*y;
 558         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i){
 559             row_ptr[i] = float(std::exp(-0.5 * (y_s + x*x) / sigma_s));//-1/2*e^((y^2+x^2)/sigma^2)
 560         }
 561     }
 562
 563     //rotate so that 1 is at top-left corner (see KCF paper for explanation)
 564 #ifdef CUFFT
 565     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 566     tmp.copyTo(p_scale_vars.front()->rot_labels);
 567
 568     assert(p_scale_vars[0].rot_labels.at<float>(0,0) >= 1.f - 1e-10f);
 569     return tmp;
 570 #else
 571     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 572     //sanity check, 1 at top left corner
 573     assert(rot_labels.at<float>(0,0) >= 1.f - 1e-10f);
 574
 575     return rot_labels;
 576 #endif
 577 }
 578
 579 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 580 {
 581     cv::Mat rot_patch(patch.size(), CV_32FC1);
 582     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 583
 584     //circular rotate x-axis
 585     if (x_rot < 0) {
 586         //move part that does not rotate over the edge
 587         cv::Range orig_range(-x_rot, patch.cols);
 588         cv::Range rot_range(0, patch.cols - (-x_rot));
 589         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 590
 591         //rotated part
 592         orig_range = cv::Range(0, -x_rot);
 593         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 594         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 595     }else if (x_rot > 0){
 596         //move part that does not rotate over the edge
 597         cv::Range orig_range(0, patch.cols - x_rot);
 598         cv::Range rot_range(x_rot, patch.cols);
 599         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 600
 601         //rotated part
 602         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 603         rot_range = cv::Range(0, x_rot);
 604         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 605     }else {    //zero rotation
 606         //move part that does not rotate over the edge
 607         cv::Range orig_range(0, patch.cols);
 608         cv::Range rot_range(0, patch.cols);
 609         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 610     }
 611
 612     //circular rotate y-axis
 613     if (y_rot < 0) {
 614         //move part that does not rotate over the edge
 615         cv::Range orig_range(-y_rot, patch.rows);
 616         cv::Range rot_range(0, patch.rows - (-y_rot));
 617         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 618
 619         //rotated part
 620         orig_range = cv::Range(0, -y_rot);
 621         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 622         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 623     }else if (y_rot > 0){
 624         //move part that does not rotate over the edge
 625         cv::Range orig_range(0, patch.rows - y_rot);
 626         cv::Range rot_range(y_rot, patch.rows);
 627         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 628
 629         //rotated part
 630         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 631         rot_range = cv::Range(0, y_rot);
 632         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 633     }else { //zero rotation
 634         //move part that does not rotate over the edge
 635         cv::Range orig_range(0, patch.rows);
 636         cv::Range rot_range(0, patch.rows);
 637         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 638     }
 639
 640     return rot_patch;
 641 }
 642
 643 //hann window actually (Power-of-cosine windows)
 644 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 645 {
 646     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 647     double N_inv = 1./(static_cast<double>(dim1)-1.);
 648     for (int i = 0; i < dim1; ++i)
 649         m1.at<float>(i) = float(0.5*(1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 650     N_inv = 1./(static_cast<double>(dim2)-1.);
 651     for (int i = 0; i < dim2; ++i)
 652         m2.at<float>(i) = float(0.5*(1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 653     cv::Mat ret = m2*m1;
 654     return ret;
 655 }
 656
 657 // Returns sub-window of image input centered at [cx, cy] coordinates),
 658 // with size [width, height]. If any pixels are outside of the image,
 659 // they will replicate the values at the borders.
 660 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat & input, int cx, int cy, int width, int height)
 661 {
 662     cv::Mat patch;
 663
 664     int x1 = cx - width/2;
 665     int y1 = cy - height/2;
 666     int x2 = cx + width/2;
 667     int y2 = cy + height/2;
 668
 669     //out of image
 670     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 671         patch.create(height, width, input.type());
 672         patch.setTo(double(0.f));
 673         return patch;
 674     }
 675
 676     int top = 0, bottom = 0, left = 0, right = 0;
 677
 678     //fit to image coordinates, set border extensions;
 679     if (x1 < 0) {
 680         left = -x1;
 681         x1 = 0;
 682     }
 683     if (y1 < 0) {
 684         top = -y1;
 685         y1 = 0;
 686     }
 687     if (x2 >= input.cols) {
 688         right = x2 - input.cols + width % 2;
 689         x2 = input.cols;
 690     } else
 691         x2 += width % 2;
 692
 693     if (y2 >= input.rows) {
 694         bottom = y2 - input.rows + height % 2;
 695         y2 = input.rows;
 696     } else
 697         y2 += height % 2;
 698
 699     if (x2 - x1 == 0 || y2 - y1 == 0)
 700         patch = cv::Mat::zeros(height, width, CV_32FC1);
 701     else
 702         {
 703             cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right, cv::BORDER_REPLICATE);
 704 //      imshow( "copyMakeBorder", patch);
 705 //      cv::waitKey();
 706         }
 707
 708     //sanity check
 709     assert(patch.cols == width && patch.rows == height);
 710
 711     return patch;
 712 }
 713
 714 void KCF_Tracker::gaussian_correlation(struct Scale_vars & vars, const ComplexMat & xf, const ComplexMat & yf, double sigma, bool auto_correlation)
 715 {
 716 #ifdef CUFFT
 717     xf.sqr_norm(vars.xf_sqr_norm_d);
 718     if (!auto_correlation)
 719         yf.sqr_norm(vars.yf_sqr_norm_d);
 720 #else
 721     xf.sqr_norm(vars.xf_sqr_norm);
 722     if (auto_correlation){
 723       vars.yf_sqr_norm[0] = vars.xf_sqr_norm[0];
 724     } else {
 725        yf.sqr_norm(vars.yf_sqr_norm);
 726     }
 727 #endif
 728     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 729     DEBUG_PRINTM(vars.xyf);
 730     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features_d : nullptr, vars.stream);
 731 #ifdef CUFFT
 732     if(auto_correlation)
 733         cuda_gaussian_correlation(vars.data_i_features, vars.gauss_corr_res_d, vars.xf_sqr_norm_d, vars.xf_sqr_norm_d,
 734                                                                 sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 735     else
 736         cuda_gaussian_correlation(vars.data_i_features, vars.gauss_corr_res_d, vars.xf_sqr_norm_d, vars.yf_sqr_norm_d,
 737                                                                 sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 738 #else
 739     //ifft2 and sum over 3rd dimension, we dont care about individual channels
 740     DEBUG_PRINTM(vars.ifft2_res);
 741     cv::Mat xy_sum;
 742     if (xf.channels() != p_num_scales*p_num_of_feats)
 743         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 744     else
 745         xy_sum.create(vars.ifft2_res.size(), CV_32FC(int(p_scales.size())));
 746     xy_sum.setTo(0);
 747     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 748         float * row_ptr = vars.ifft2_res.ptr<float>(y);
 749         float * row_ptr_sum = xy_sum.ptr<float>(y);
 750         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 751             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 752                 row_ptr_sum[(x*xy_sum.channels())+sum_ch] += std::accumulate(row_ptr + x*vars.ifft2_res.channels() + sum_ch*(vars.ifft2_res.channels()/xy_sum.channels()),
 753                                                                                                                                                         (row_ptr + x*vars.ifft2_res.channels() + (sum_ch+1)*(vars.ifft2_res.channels()/xy_sum.channels())), 0.f);
 754             }
 755         }
 756     }
 757     DEBUG_PRINTM(xy_sum);
 758
 759     std::vector<cv::Mat> scales;
 760     cv::split(xy_sum,scales);
 761
 762     float numel_xf_inv = 1.f/(xf.cols * xf.rows * (xf.channels()/xf.n_scales));
 763     for (uint i = 0; i < uint(xf.n_scales); ++i){
 764         cv::Mat in_roi(vars.in_all, cv::Rect(0, int(i)*scales[0].rows, scales[0].cols, scales[0].rows));
 765         cv::exp(- 1. / (sigma * sigma) * cv::max((double(vars.xf_sqr_norm[i] + vars.yf_sqr_norm[0]) - 2 * scales[i]) * double(numel_xf_inv), 0), in_roi);
 766         DEBUG_PRINTM(in_roi);
 767     }
 768 #endif
 769     DEBUG_PRINTM(vars.in_all);
 770     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res_d : nullptr, vars.stream);
 771     return;
 772 }
 773
 774 float get_response_circular(cv::Point2i & pt, cv::Mat & response)
 775 {
 776     int x = pt.x;
 777     int y = pt.y;
 778     if (x < 0)
 779         x = response.cols + x;
 780     if (y < 0)
 781         y = response.rows + y;
 782     if (x >= response.cols)
 783         x = x - response.cols;
 784     if (y >= response.rows)
 785         y = y - response.rows;
 786
 787     return response.at<float>(y,x);
 788 }
 789
 790 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point & max_loc, cv::Mat & response)
 791 {
 792     //find neighbourhood of max_loc (response is circular)
 793     // 1 2 3
 794     // 4   5
 795     // 6 7 8
 796     cv::Point2i p1(max_loc.x-1, max_loc.y-1), p2(max_loc.x, max_loc.y-1), p3(max_loc.x+1, max_loc.y-1);
 797     cv::Point2i p4(max_loc.x-1, max_loc.y), p5(max_loc.x+1, max_loc.y);
 798     cv::Point2i p6(max_loc.x-1, max_loc.y+1), p7(max_loc.x, max_loc.y+1), p8(max_loc.x+1, max_loc.y+1);
 799
 800     // clang-format off
 801     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 802     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 803                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 804                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 805                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 806                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 807                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 808                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 809                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 810                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 811                  max_loc.x*max_loc.x, max_loc.x*max_loc.y, max_loc.y*max_loc.y, max_loc.x, max_loc.y, 1.f);
 812     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 813                     get_response_circular(p1, response),
 814                     get_response_circular(p2, response),
 815                     get_response_circular(p3, response),
 816                     get_response_circular(p4, response),
 817                     get_response_circular(p5, response),
 818                     get_response_circular(p6, response),
 819                     get_response_circular(p7, response),
 820                     get_response_circular(p8, response),
 821                     get_response_circular(max_loc, response));
 822     // clang-format on
 823     cv::Mat x;
 824     cv::solve(A, fval, x, cv::DECOMP_SVD);
 825
 826     float a = x.at<float>(0), b = x.at<float>(1), c = x.at<float>(2),
 827            d = x.at<float>(3), e = x.at<float>(4);
 828
 829     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 830     if (b > 0 || b < 0) {
 831         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 832         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 833     }
 834
 835     return sub_peak;
 836 }
 837
 838 double KCF_Tracker::sub_grid_scale(int index)
 839 {
 840     cv::Mat A, fval;
 841     if (index < 0 || index > int(p_scales.size())-1) {
 842         // interpolate from all values
 843         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 844         A.create(int(p_scales.size()), 3, CV_32FC1);
 845         fval.create(int(p_scales.size()), 1, CV_32FC1);
 846         for (auto it = p_scale_vars.begin(); it != p_scale_vars.end(); ++it) {
 847             uint i = uint(std::distance(p_scale_vars.begin(), it));
 848             int j = int(i);
 849             A.at<float>(j, 0) = float(p_scales[i] * p_scales[i]);
 850             A.at<float>(j, 1) = float(p_scales[i]);
 851             A.at<float>(j, 2) = 1;
 852             fval.at<float>(j) = m_use_big_batch ? float(p_scale_vars.back()->max_responses[i]) : float((*it)->max_response);
 853         }
 854     } else {
 855         //only from neighbours
 856         if (index == 0 || index == int(p_scales.size())-1)
 857             return p_scales[uint(index)];
 858
 859         A = (cv::Mat_<float>(3, 3) <<
 860              p_scales[uint(index)-1] * p_scales[uint(index)-1], p_scales[uint(index)-1], 1,
 861              p_scales[uint(index)] * p_scales[uint(index)], p_scales[uint(index)], 1,
 862              p_scales[uint(index)+1] * p_scales[uint(index)+1], p_scales[uint(index)+1], 1);
 863         auto it1 = p_scale_vars.begin();
 864         std::advance(it1, index-1);
 865         auto it2 = p_scale_vars.begin();
 866         std::advance(it2, index);
 867         auto it3 = p_scale_vars.begin();
 868         std::advance(it3, index+1);
 869         fval = (cv::Mat_<float>(3, 1) << (m_use_big_batch ? p_scale_vars.back()->max_responses[uint(index)-1] : (*it1)->max_response),
 870                                                                         (m_use_big_batch ? p_scale_vars.back()->max_responses[uint(index)] : (*it2)->max_response),
 871                                                                         (m_use_big_batch ? p_scale_vars.back()->max_responses[uint(index)+1] : (*it3)->max_response));
 872     }
 873
 874     cv::Mat x;
 875     cv::solve(A, fval, x, cv::DECOMP_SVD);
 876     float a = x.at<float>(0), b = x.at<float>(1);
 877     double scale = p_scales[uint(index)];
 878     if (a > 0 || a < 0)
 879         scale = double(-b / (2 * a));
 880     return scale;
 881 }