src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <future>
   5 #include <algorithm>
   6
   7
   8 #ifdef OPENCV_CUFFT
   9 #include <cuda.h>
  10 #include <cuda_runtime.h>
  11 #endif //OPENCV_CUFFT
  12
  13 #ifdef FFTW
  14   #ifndef CUFFTW
  15     #include <fftw3.h>
  16   #else
  17     #include <cufftw.h>
  18   #endif
  19 #endif
  20
  21 #ifdef OPENMP
  22 #include <omp.h>
  23 #endif
  24
  25 void KCF_Tracker::init(cv::Mat &img, const cv::Rect & bbox)
  26 {
  27     //check boundary, enforce min size
  28     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  29     if (x1 < 0) x1 = 0.;
  30     if (x2 > img.cols-1) x2 = img.cols - 1;
  31     if (y1 < 0) y1 = 0;
  32     if (y2 > img.rows-1) y2 = img.rows - 1;
  33
  34     if (x2-x1 < 2*p_cell_size) {
  35         double diff = (2*p_cell_size -x2+x1)/2.;
  36         if (x1 - diff >= 0 && x2 + diff < img.cols){
  37             x1 -= diff;
  38             x2 += diff;
  39         } else if (x1 - 2*diff >= 0) {
  40             x1 -= 2*diff;
  41         } else {
  42             x2 += 2*diff;
  43         }
  44     }
  45     if (y2-y1 < 2*p_cell_size) {
  46         double diff = (2*p_cell_size -y2+y1)/2.;
  47         if (y1 - diff >= 0 && y2 + diff < img.rows){
  48             y1 -= diff;
  49             y2 += diff;
  50         } else if (y1 - 2*diff >= 0) {
  51             y1 -= 2*diff;
  52         } else {
  53             y2 += 2*diff;
  54         }
  55     }
  56
  57     p_pose.w = x2-x1;
  58     p_pose.h = y2-y1;
  59     p_pose.cx = x1 + p_pose.w/2.;
  60     p_pose.cy = y1 + p_pose.h/2.;
  61
  62
  63     cv::Mat input_gray, input_rgb = img.clone();
  64     if (img.channels() == 3){
  65         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  66         input_gray.convertTo(input_gray, CV_32FC1);
  67     }else
  68         img.convertTo(input_gray, CV_32FC1);
  69
  70     // don't need too large image
  71     if (p_pose.w * p_pose.h > 100.*100.) {
  72         std::cout << "resizing image by factor of 2" << std::endl;
  73         p_resize_image = true;
  74         p_pose.scale(0.5);
  75         cv::resize(input_gray, input_gray, cv::Size(0,0), 0.5, 0.5, cv::INTER_AREA);
  76         cv::resize(input_rgb, input_rgb, cv::Size(0,0), 0.5, 0.5, cv::INTER_AREA);
  77     }
  78
  79     //compute win size + fit to fhog cell size
  80     p_windows_size[0] = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
  81     p_windows_size[1] = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
  82
  83     p_scales.clear();
  84     if (m_use_scale)
  85         for (int i = -p_num_scales/2; i <= p_num_scales/2; ++i)
  86             p_scales.push_back(std::pow(p_scale_step, i));
  87     else
  88         p_scales.push_back(1.);
  89
  90     p_current_scale = 1.;
  91
  92     double min_size_ratio = std::max(5.*p_cell_size/p_windows_size[0], 5.*p_cell_size/p_windows_size[1]);
  93     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]);
  94     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
  95     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
  96
  97     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
  98     std::cout << "init: win size. " << p_windows_size[0] << " " << p_windows_size[1] << std::endl;
  99     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 100
 101     p_output_sigma = std::sqrt(p_pose.w*p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 102
 103 #if defined(FFTW) && defined(OPENMP)
 104     fftw_init_threads();
 105     fftw_plan_with_nthreads(omp_get_max_threads());
 106 #endif
 107
 108     //window weights, i.e. labels
 109     p_yf = fft2(gaussian_shaped_labels(p_output_sigma, p_windows_size[0]/p_cell_size, p_windows_size[1]/p_cell_size));
 110     p_cos_window = cosine_window_function(p_yf.cols, p_yf.rows);
 111     //obtain a sub-window for training initial model
 112     std::vector<cv::Mat> path_feat = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0], p_windows_size[1]);
 113     p_model_xf = fft2(path_feat, p_cos_window);
 114
 115     if (m_use_linearkernel) {
 116         ComplexMat xfconj = p_model_xf.conj();
 117         p_model_alphaf_num = xfconj.mul(p_yf);
 118         p_model_alphaf_den = (p_model_xf * xfconj);
 119     } else {
 120         //Kernel Ridge Regression, calculate alphas (in Fourier domain)
 121         ComplexMat kf = gaussian_correlation(p_model_xf, p_model_xf, p_kernel_sigma, true);
 122         p_model_alphaf_num = p_yf * kf;
 123         p_model_alphaf_den = kf * (kf + p_lambda);
 124     }
 125     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 126 //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 127 }
 128
 129 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat & img)
 130 {
 131     init(img, bbox.get_rect());
 132 }
 133
 134 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 135 {
 136     if (p_resize_image) {
 137         BBox_c tmp = bbox;
 138         tmp.scale(0.5);
 139         p_pose.cx = tmp.cx;
 140         p_pose.cy = tmp.cy;
 141     } else {
 142         p_pose.cx = bbox.cx;
 143         p_pose.cy = bbox.cy;
 144     }
 145 }
 146
 147 BBox_c KCF_Tracker::getBBox()
 148 {
 149     BBox_c tmp = p_pose;
 150     tmp.w *= p_current_scale;
 151     tmp.h *= p_current_scale;
 152
 153     if (p_resize_image)
 154         tmp.scale(2);
 155
 156     return tmp;
 157 }
 158
 159 void KCF_Tracker::track(cv::Mat &img)
 160 {
 161
 162     cv::Mat input_gray, input_rgb = img.clone();
 163     if (img.channels() == 3){
 164         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 165         input_gray.convertTo(input_gray, CV_32FC1);
 166     }else
 167         img.convertTo(input_gray, CV_32FC1);
 168
 169     // don't need too large image
 170     if (p_resize_image) {
 171         cv::resize(input_gray, input_gray, cv::Size(0, 0), 0.5, 0.5, cv::INTER_AREA);
 172         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), 0.5, 0.5, cv::INTER_AREA);
 173     }
 174
 175
 176     std::vector<cv::Mat> patch_feat;
 177     double max_response = -1.;
 178     cv::Mat max_response_map;
 179     cv::Point2i max_response_pt;
 180     int scale_index = 0;
 181     std::vector<double> scale_responses;
 182
 183     if (m_use_multithreading){
 184         std::vector<std::future<cv::Mat>> async_res(p_scales.size());
 185         for (size_t i = 0; i < p_scales.size(); ++i) {
 186             async_res[i] = std::async(std::launch::async,
 187                                       [this, &input_gray, &input_rgb, i]() -> cv::Mat
 188                                       {
 189                                           std::vector<cv::Mat> patch_feat_async = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy, this->p_windows_size[0],
 190                                                                                                this->p_windows_size[1], this->p_current_scale * this->p_scales[i]);
 191                                           ComplexMat zf = fft2(patch_feat_async, this->p_cos_window);
 192                                           if (m_use_linearkernel)
 193                                               return ifft2((p_model_alphaf * zf).sum_over_channels());
 194                                           else {
 195                                               ComplexMat kzf = gaussian_correlation(zf, this->p_model_xf, this->p_kernel_sigma);
 196                                               return ifft2(this->p_model_alphaf * kzf);
 197                                           }
 198                                       });
 199         }
 200
 201         for (size_t i = 0; i < p_scales.size(); ++i) {
 202             // wait for result
 203             async_res[i].wait();
 204             cv::Mat response = async_res[i].get();
 205
 206             double min_val, max_val;
 207             cv::Point2i min_loc, max_loc;
 208             cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 209
 210             double weight = p_scales[i] < 1. ? p_scales[i] : 1./p_scales[i];
 211             if (max_val*weight > max_response) {
 212                 max_response = max_val*weight;
 213                 max_response_map = response;
 214                 max_response_pt = max_loc;
 215                 scale_index = i;
 216             }
 217             scale_responses.push_back(max_val*weight);
 218         }
 219     } else {
 220 #pragma omp parallel for ordered  private(patch_feat) schedule(dynamic)
 221         for (size_t i = 0; i < p_scales.size(); ++i) {
 222             patch_feat = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0], p_windows_size[1], p_current_scale * p_scales[i]);
 223             ComplexMat zf = fft2(patch_feat, p_cos_window);
 224             cv::Mat response;
 225             if (m_use_linearkernel)
 226                 response = ifft2((p_model_alphaf * zf).sum_over_channels());
 227             else {
 228                 ComplexMat kzf = gaussian_correlation(zf, p_model_xf, p_kernel_sigma);
 229                 response = ifft2(p_model_alphaf * kzf);
 230             }
 231
 232             /* target location is at the maximum response. we must take into
 233                account the fact that, if the target doesn't move, the peak
 234                will appear at the top-left corner, not at the center (this is
 235                discussed in the paper). the responses wrap around cyclically. */
 236             double min_val, max_val;
 237             cv::Point2i min_loc, max_loc;
 238             cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 239
 240             double weight = p_scales[i] < 1. ? p_scales[i] : 1./p_scales[i];
 241 #pragma omp critical
 242             {
 243                 if (max_val*weight > max_response) {
 244                     max_response = max_val*weight;
 245                     max_response_map = response;
 246                     max_response_pt = max_loc;
 247                     scale_index = i;
 248                 }
 249             }
 250 #pragma omp ordered
 251             scale_responses.push_back(max_val*weight);
 252         }
 253     }
 254
 255     //sub pixel quadratic interpolation from neighbours
 256     if (max_response_pt.y > max_response_map.rows / 2) //wrap around to negative half-space of vertical axis
 257         max_response_pt.y = max_response_pt.y - max_response_map.rows;
 258     if (max_response_pt.x > max_response_map.cols / 2) //same for horizontal axis
 259         max_response_pt.x = max_response_pt.x - max_response_map.cols;
 260
 261     cv::Point2f new_location(max_response_pt.x, max_response_pt.y);
 262
 263     if (m_use_subpixel_localization)
 264         new_location = sub_pixel_peak(max_response_pt, max_response_map);
 265
 266     p_pose.cx += p_current_scale*p_cell_size*new_location.x;
 267     p_pose.cy += p_current_scale*p_cell_size*new_location.y;
 268     if (p_pose.cx < 0) p_pose.cx = 0;
 269     if (p_pose.cx > img.cols-1) p_pose.cx = img.cols-1;
 270     if (p_pose.cy < 0) p_pose.cy = 0;
 271     if (p_pose.cy > img.rows-1) p_pose.cy = img.rows-1;
 272
 273     //sub grid scale interpolation
 274     double new_scale = p_scales[scale_index];
 275     if (m_use_subgrid_scale)
 276         new_scale = sub_grid_scale(scale_responses, scale_index);
 277
 278     p_current_scale *= new_scale;
 279
 280     if (p_current_scale < p_min_max_scale[0])
 281         p_current_scale = p_min_max_scale[0];
 282     if (p_current_scale > p_min_max_scale[1])
 283         p_current_scale = p_min_max_scale[1];
 284
 285     //obtain a subwindow for training at newly estimated target position
 286     patch_feat = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0], p_windows_size[1], p_current_scale);
 287     ComplexMat xf = fft2(patch_feat, p_cos_window);
 288
 289     //subsequent frames, interpolate model
 290     p_model_xf = p_model_xf * (1. - p_interp_factor) + xf * p_interp_factor;
 291
 292     ComplexMat alphaf_num, alphaf_den;
 293
 294     if (m_use_linearkernel) {
 295         ComplexMat xfconj = xf.conj();
 296         alphaf_num = xfconj.mul(p_yf);
 297         alphaf_den = (xf * xfconj);
 298     } else {
 299         //Kernel Ridge Regression, calculate alphas (in Fourier domain)
 300         ComplexMat kf = gaussian_correlation(xf, xf, p_kernel_sigma, true);
 301 //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 302 //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 303         alphaf_num = p_yf * kf;
 304         alphaf_den = kf * (kf + p_lambda);
 305     }
 306
 307     p_model_alphaf_num = p_model_alphaf_num * (1. - p_interp_factor) + alphaf_num * p_interp_factor;
 308     p_model_alphaf_den = p_model_alphaf_den * (1. - p_interp_factor) + alphaf_den * p_interp_factor;
 309     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 310 }
 311
 312 // ****************************************************************************
 313
 314 std::vector<cv::Mat> KCF_Tracker::get_features(cv::Mat & input_rgb, cv::Mat & input_gray, int cx, int cy, int size_x, int size_y, double scale)
 315 {
 316     int size_x_scaled = floor(size_x*scale);
 317     int size_y_scaled = floor(size_y*scale);
 318
 319     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 320     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 321
 322     //resize to default size
 323     if (scale > 1.){
 324         //if we downsample use  INTER_AREA interpolation
 325         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 326     }else {
 327         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 328     }
 329
 330     // get hog(Histogram of Oriented Gradients) features
 331     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 332
 333     //get color rgb features (simple r,g,b channels)
 334     std::vector<cv::Mat> color_feat;
 335     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 336         //resize to default size
 337         if (scale > 1.){
 338             //if we downsample use  INTER_AREA interpolation
 339             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x/p_cell_size, size_y/p_cell_size), 0., 0., cv::INTER_AREA);
 340         }else {
 341             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x/p_cell_size, size_y/p_cell_size), 0., 0., cv::INTER_LINEAR);
 342         }
 343     }
 344
 345     if (m_use_color && input_rgb.channels() == 3) {
 346         //use rgb color space
 347         cv::Mat patch_rgb_norm;
 348         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 349         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 350         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 351         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 352         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 353         cv::split(patch_rgb_norm, rgb);
 354         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 355     }
 356
 357     if (m_use_cnfeat && input_rgb.channels() == 3) {
 358         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 359         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 360     }
 361
 362     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 363     return hog_feat;
 364 }
 365
 366 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 367 {
 368     cv::Mat labels(dim2, dim1, CV_32FC1);
 369     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 370     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 371
 372     double sigma_s = sigma*sigma;
 373
 374     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j){
 375         float * row_ptr = labels.ptr<float>(j);
 376         double y_s = y*y;
 377         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i){
 378             row_ptr[i] = std::exp(-0.5 * (y_s + x*x) / sigma_s);//-1/2*e^((y^2+x^2)/sigma^2)
 379         }
 380     }
 381
 382     //rotate so that 1 is at top-left corner (see KCF paper for explanation)
 383     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 384     //sanity check, 1 at top left corner
 385     assert(rot_labels.at<float>(0,0) >= 1.f - 1e-10f);
 386
 387     return rot_labels;
 388 }
 389
 390 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 391 {
 392     cv::Mat rot_patch(patch.size(), CV_32FC1);
 393     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 394
 395     //circular rotate x-axis
 396     if (x_rot < 0) {
 397         //move part that does not rotate over the edge
 398         cv::Range orig_range(-x_rot, patch.cols);
 399         cv::Range rot_range(0, patch.cols - (-x_rot));
 400         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 401
 402         //rotated part
 403         orig_range = cv::Range(0, -x_rot);
 404         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 405         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 406     }else if (x_rot > 0){
 407         //move part that does not rotate over the edge
 408         cv::Range orig_range(0, patch.cols - x_rot);
 409         cv::Range rot_range(x_rot, patch.cols);
 410         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 411
 412         //rotated part
 413         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 414         rot_range = cv::Range(0, x_rot);
 415         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 416     }else {    //zero rotation
 417         //move part that does not rotate over the edge
 418         cv::Range orig_range(0, patch.cols);
 419         cv::Range rot_range(0, patch.cols);
 420         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 421     }
 422
 423     //circular rotate y-axis
 424     if (y_rot < 0) {
 425         //move part that does not rotate over the edge
 426         cv::Range orig_range(-y_rot, patch.rows);
 427         cv::Range rot_range(0, patch.rows - (-y_rot));
 428         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 429
 430         //rotated part
 431         orig_range = cv::Range(0, -y_rot);
 432         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 433         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 434     }else if (y_rot > 0){
 435         //move part that does not rotate over the edge
 436         cv::Range orig_range(0, patch.rows - y_rot);
 437         cv::Range rot_range(y_rot, patch.rows);
 438         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 439
 440         //rotated part
 441         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 442         rot_range = cv::Range(0, y_rot);
 443         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 444     }else { //zero rotation
 445         //move part that does not rotate over the edge
 446         cv::Range orig_range(0, patch.rows);
 447         cv::Range rot_range(0, patch.rows);
 448         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 449     }
 450
 451     return rot_patch;
 452 }
 453
 454 ComplexMat KCF_Tracker::fft2(const cv::Mat &input)
 455 {
 456     cv::Mat complex_result;
 457 #ifdef OPENCV_CUFFT
 458     cv::Mat flip_h,imag_h;
 459
 460     cv::cuda::HostMem hostmem_input(input, cv::cuda::HostMem::SHARED);
 461     cv::cuda::HostMem hostmem_real(cv::Size(input.cols,input.rows/2+1), CV_32FC2, cv::cuda::HostMem::SHARED);
 462
 463     cv::cuda::dft(hostmem_input,hostmem_real,hostmem_input.size(),0,stream);
 464     stream.waitForCompletion();
 465
 466     cv::Mat real_h = hostmem_real.createMatHeader();
 467
 468     //create reversed copy of result and merge them
 469     cv::flip(hostmem_real,flip_h,1);
 470     flip_h(cv::Range(0, flip_h.rows), cv::Range(1, flip_h.cols)).copyTo(imag_h);
 471
 472     std::vector<cv::Mat> matarray = {real_h,imag_h};
 473
 474     cv::hconcat(matarray,complex_result);
 475 #endif
 476 #ifdef FFTW
 477     // Prepare variables and FFTW plan for float precision FFT
 478 //     float *data_in;
 479     fftwf_complex    *fft;
 480
 481     fftwf_plan       plan_f;
 482
 483     int  width, height;
 484
 485     width         = input.cols;
 486     height        = input.rows;
 487
 488     float* outdata = new float[2*width * height];
 489
 490 //     data_in =  fftwf_alloc_real(width * height);
 491 #pragma omp critical
 492     {
 493 #if defined(FFTW) && defined(ASYNC)
 494       std::unique_lock<std::mutex> lock_i(fftw_init);
 495 #endif
 496     fft = fftwf_alloc_complex((width/2+1) * height);
 497     plan_f=fftwf_plan_dft_r2c_2d( height , width , (float*)input.data , fft ,  FFTW_ESTIMATE );
 498 #if defined(FFTW) && defined(ASYNC)
 499     lock_i.unlock();
 500 #endif
 501     }
 502     // Prepare input data
 503 //     for(int i = 0,k=0; i < height; ++i) {
 504 //         const float* row = input.ptr<float>(i);
 505 //         for(int j = 0; j < width; j++) {
 506 //             data_in[k]=(float)row[j];
 507 //             k++;
 508 //         }
 509 //     }
 510
 511     // Exectue fft
 512     fftwf_execute( plan_f );
 513
 514     // Get output data to right format
 515     int width2=2*width;
 516     for(int  i = 0, k = 0,l=0 ; i < height; i++ ) {
 517         for(int  j = 0 ; j < width2 ; j++ ) {
 518             if(j<=width2/2-1){
 519                 outdata[i * width2 + j] = (float)fft[k][0];
 520                 outdata[i * width2 + j+1] = (float)fft[k][1];
 521
 522                 j++;
 523                 k++;
 524                 l++;
 525             }else{
 526                 l--;
 527                 outdata[i * width2 + j] = (float)fft[l][0];
 528                 outdata[i * width2 + j+1] = (float)fft[l][1];
 529
 530                 j++;
 531             }
 532         }
 533     }
 534     cv::Mat tmp(height,width,CV_32FC2,outdata);
 535     complex_result=tmp;
 536     // Destroy FFTW plan and variables
 537 #pragma omp critical
 538     {
 539 #if defined(FFTW) && defined(ASYNC)
 540       std::unique_lock<std::mutex> lock_d(fftw_destroy);
 541 #endif
 542     fftwf_destroy_plan(plan_f);
 543     fftwf_free(fft); /*fftwf_free(data_in);*/
 544 #if defined(FFTW) && defined(ASYNC)
 545       lock_d.unlock();
 546 #endif
 547     }
 548 #endif
 549 #if !defined OPENCV_CUFFT || !defined FFTW
 550     cv::dft(input, complex_result, cv::DFT_COMPLEX_OUTPUT);
 551 #endif
 552 #ifdef DEBUG_MODE
 553     //extraxt x and y channels
 554     cv::Mat xy[2]; //X,Y
 555     cv::split(complex_result, xy);
 556
 557     //calculate angle and magnitude
 558     cv::Mat magnitude, angle;
 559     cv::cartToPolar(xy[0], xy[1], magnitude, angle, true);
 560
 561     //translate magnitude to range [0;1]
 562     double mag_max;
 563     cv::minMaxLoc(magnitude, 0, &mag_max);
 564     magnitude.convertTo(magnitude, -1, 1.0 / mag_max);
 565
 566     //build hsv image
 567     cv::Mat _hsv[3], hsv;
 568     _hsv[0] = angle;
 569     _hsv[1] = cv::Mat::ones(angle.size(), CV_32F);
 570     _hsv[2] = magnitude;
 571     cv::merge(_hsv, 3, hsv);
 572
 573     //convert to BGR and show
 574     cv::Mat bgr;//CV_32FC3 matrix
 575     cv::cvtColor(hsv, bgr, cv::COLOR_HSV2BGR);
 576     cv::resize(bgr, bgr, cv::Size(600,600));
 577     cv::imshow("DFT", bgr);
 578     cv::waitKey(0);
 579 #endif //DEBUG_MODE
 580     return ComplexMat(complex_result);
 581 }
 582
 583 ComplexMat KCF_Tracker::fft2(const std::vector<cv::Mat> &input, const cv::Mat &cos_window)
 584 {
 585     int n_channels = input.size();
 586     cv::Mat complex_result;
 587
 588 #ifdef OPENCV_CUFFT
 589     cv::Mat flip_h,imag_h;
 590     cv::cuda::GpuMat src_gpu;
 591     cv::cuda::HostMem hostmem_real(cv::Size(input[0].cols,input[0].rows/2+1), CV_32FC2, cv::cuda::HostMem::SHARED);
 592 #endif
 593 #ifdef FFTW
 594     // Prepare variables and FFTW plan for float precision FFT
 595 //     float *data_in;
 596     fftwf_complex    *fft;
 597
 598     fftwf_plan       plan_f;
 599
 600     int  width, height, width2;
 601
 602     width         = input[0].cols;
 603     height        = input[0].rows;
 604     width2=2*width;
 605
 606     float* outdata = new float[2*width * height];
 607     cv::Mat in_img  = cv::Mat::zeros(height, width, CV_32FC1);
 608 //     data_in =  fftwf_alloc_real(width * height);
 609 #pragma omp critical
 610     {
 611 #if defined(FFTW) && defined(ASYNC)
 612       std::unique_lock<std::mutex> lock_i(fftw_init);
 613 #endif
 614     fft = fftwf_alloc_complex((width/2+1) * height);
 615     plan_f=fftwf_plan_dft_r2c_2d( height , width , (float*) in_img.data , fft ,  FFTW_ESTIMATE );
 616 #if defined(FFTW) && defined(ASYNC)
 617       lock_i.unlock();
 618 #endif
 619     }
 620 #endif
 621
 622     ComplexMat result(input[0].rows, input[0].cols, n_channels);
 623     for (int i = 0; i < n_channels; ++i){
 624 #ifdef OPENCV_CUFFT
 625         cv::cuda::HostMem hostmem_input(input[i], cv::cuda::HostMem::SHARED);
 626         cv::cuda::multiply(hostmem_input,p_cos_window_d,src_gpu);
 627         cv::cuda::dft(src_gpu,hostmem_real,src_gpu.size(),0,stream);
 628         stream.waitForCompletion();
 629
 630         cv::Mat real_h = hostmem_real.createMatHeader();
 631
 632         //create reversed copy of result and merge them
 633         cv::flip(hostmem_real,flip_h,1);
 634         flip_h(cv::Range(0, flip_h.rows), cv::Range(1, flip_h.cols)).copyTo(imag_h);
 635
 636         std::vector<cv::Mat> matarray = {real_h,imag_h};
 637
 638         cv::hconcat(matarray,complex_result);
 639 #endif
 640 #ifdef FFTW
 641         // Prepare input data
 642         cv::Mat in_img = input[i].mul(cos_window);
 643 //         for(int x = 0,k=0; x< height; ++x) {
 644 //             const float* row = in_img.ptr<float>(x);
 645 //             for(int j = 0; j < width; j++) {
 646 //                 data_in[k]=(float)row[j];
 647 //                 k++;
 648 //             }
 649 //         }
 650
 651         // Execute FFT
 652         fftwf_execute( plan_f );
 653
 654         // Get output data to right format
 655         for(int  x = 0, k = 0,l=0 ; x < height; ++x ) {
 656             for(int  j = 0 ; j < width2 ; j++ ) {
 657                 if(j<=width2/2-1){
 658                     outdata[x* width2 + j] = (float)fft[k][0];
 659                     outdata[x * width2 + j+1] = (float)fft[k][1];
 660                     j++;
 661                     k++;
 662                     l++;
 663                 }else{
 664                     l--;
 665                     outdata[x * width2 + j] = (float)fft[l][0];
 666                     outdata[x * width2 + j+1] = (float)fft[l][1];
 667                     j++;
 668                 }
 669             }
 670         }
 671         cv::Mat tmp(height,width,CV_32FC2,outdata);
 672         complex_result = tmp;
 673
 674 #endif
 675 #if !defined OPENCV_CUFFT || !defined FFTW
 676         cv::dft(input[i].mul(cos_window), complex_result, cv::DFT_COMPLEX_OUTPUT);
 677 #endif
 678
 679         result.set_channel(i, complex_result);
 680     }
 681 #ifdef FFTW
 682     // Destroy FFT plans and variables
 683 #pragma omp critical
 684 {
 685 #if defined(FFTW) && defined(ASYNC)
 686       std::unique_lock<std::mutex> lock_d(fftw_destroy);
 687 #endif
 688     fftwf_destroy_plan(plan_f);
 689     fftwf_free(fft); /*fftwf_free(data_in);*/
 690 #if defined(FFTW) && defined(ASYNC)
 691       lock_d.unlock();
 692 #endif
 693 }
 694 #endif //FFTW
 695     return result;
 696 }
 697
 698 cv::Mat KCF_Tracker::ifft2(const ComplexMat &inputf)
 699 {
 700 #ifdef FFTW
 701     // Prepare variables and FFTW plan for float precision IFFT
 702     fftwf_complex *data_in;
 703     float    *ifft;
 704     fftwf_plan       plan_if;
 705     int  width, height;
 706 #endif //FFTW
 707     cv::Mat real_result;
 708
 709     if (inputf.n_channels == 1){
 710 #ifdef FFTW
 711         cv::Mat input=inputf.to_cv_mat()  ;
 712
 713         width     = input.cols;
 714         height    = input.rows;
 715
 716         float* outdata = new float[width * height];
 717 #pragma omp critical
 718         {
 719 #if defined(FFTW) && defined(ASYNC)
 720       std::unique_lock<std::mutex> lock_i(fftw_init);
 721 #endif
 722         data_in =  fftwf_alloc_complex(2*(width/2+1) * height);
 723         ifft = fftwf_alloc_real(width * height);
 724         plan_if=fftwf_plan_dft_c2r_2d( height , width , data_in , ifft ,  FFTW_MEASURE );
 725 #if defined(FFTW) && defined(ASYNC)
 726       lock_i.unlock();
 727 #endif
 728         }
 729         //Prepare input data
 730         for(int x = 0,k=0; x< height; ++x) {
 731             const float* row = input.ptr<float>(x);
 732             for(int j = 0; j < width; j++) {
 733                 data_in[k][0]=(float)row[j];
 734                 data_in[k][1]=(float)row[j+1];
 735
 736                 k++;
 737                 j++;
 738             }
 739         }
 740
 741         // Execute IFFT
 742         fftwf_execute( plan_if );
 743
 744         // Get output data to right format
 745         for(int x = 0,k=0; x< height; ++x) {
 746             for(int j = 0; j < width; j++) {
 747                 outdata[k]=(float)ifft[x*width+j]/(float)(width*height);
 748
 749                 k++;
 750             }
 751         }
 752
 753         cv::Mat  tmp(height,width,CV_32FC1,outdata);
 754         real_result = tmp;
 755         // Destroy FFTW plans and variables
 756 #pragma omp critical
 757         {
 758 #if defined(FFTW) && defined(ASYNC)
 759       std::unique_lock<std::mutex> lock_d(fftw_destroy);
 760 #endif
 761         fftwf_destroy_plan(plan_if);
 762         fftwf_free(ifft); fftwf_free(data_in);
 763 #if defined(FFTW) && defined(ASYNC)
 764       lock_d.unlock();
 765 #endif
 766         }
 767 #else
 768         cv::dft(inputf.to_cv_mat(),real_result, cv::DFT_INVERSE | cv::DFT_REAL_OUTPUT | cv::DFT_SCALE);
 769 #endif //FFTW
 770
 771     } else {
 772         std::vector<cv::Mat> mat_channels = inputf.to_cv_mat_vector();
 773         std::vector<cv::Mat> ifft_mats(inputf.n_channels);
 774 #ifdef FFTW
 775         width    = mat_channels[0].cols;
 776         height    = mat_channels[0].rows;
 777
 778         float* outdata = new float[width * height];
 779 #pragma omp critical
 780         {
 781 #if defined(FFTW) && defined(ASYNC)
 782       std::unique_lock<std::mutex> lock_i(fftw_init);
 783 #endif
 784         data_in =  fftwf_alloc_complex(2*(width/2+1) * height);
 785         ifft = fftwf_alloc_real(width * height);
 786         plan_if=fftwf_plan_dft_c2r_2d( height , width , data_in , ifft ,  FFTW_MEASURE );
 787 #if defined(FFTW) && defined(ASYNC)
 788       lock_i.unlock();
 789 #endif
 790         }
 791 #endif //FFTW
 792         for (int i = 0; i < inputf.n_channels; ++i) {
 793 #ifdef FFTW
 794             //Prepare input data
 795             for(int x = 0,k=0; x< height; ++x) {
 796                 const float* row = mat_channels[i].ptr<float>(x);
 797                 for(int j = 0; j < width; j++) {
 798                     data_in[k][0]=(float)row[j];
 799                     data_in[k][1]=(float)row[j+1];
 800
 801                     k++;
 802                     j++;
 803                 }
 804             }
 805
 806             // Execute IFFT
 807             fftwf_execute( plan_if );
 808
 809             // Get output data to right format
 810             for(int x = 0,k=0; x< height; ++x) {
 811                 for(int j = 0; j < width; j++) {
 812                     outdata[k]=(float)ifft[x*width+j]/(float)(width*height);
 813
 814                     k++;
 815                 }
 816             }
 817
 818             cv::Mat  tmp(height,width,CV_32FC1,outdata);
 819
 820             ifft_mats[i]=tmp;
 821
 822 #else
 823             cv::dft(mat_channels[i], ifft_mats[i], cv::DFT_INVERSE | cv::DFT_REAL_OUTPUT | cv::DFT_SCALE);
 824 #endif //FFTW
 825         }
 826 #ifdef FFTW
 827         // Destroy FFTW plans and variables
 828 #pragma omp critical
 829 {
 830 #if defined(FFTW) && defined(ASYNC)
 831       std::unique_lock<std::mutex> lock_d(fftw_destroy);
 832 #endif
 833         fftwf_destroy_plan(plan_if);
 834         fftwf_free(ifft); fftwf_free(data_in);
 835 #if defined(FFTW) && defined(ASYNC)
 836       lock_d.unlock();
 837 #endif
 838 }
 839 #endif //FFTW
 840         cv::merge(ifft_mats, real_result);
 841     }
 842     return real_result;
 843 }
 844
 845 //hann window actually (Power-of-cosine windows)
 846 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 847 {
 848     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 849     double N_inv = 1./(static_cast<double>(dim1)-1.);
 850     for (int i = 0; i < dim1; ++i)
 851         m1.at<float>(i) = 0.5*(1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv));
 852     N_inv = 1./(static_cast<double>(dim2)-1.);
 853     for (int i = 0; i < dim2; ++i)
 854         m2.at<float>(i) = 0.5*(1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv));
 855     cv::Mat ret = m2*m1;
 856 #ifdef OPENCV_CUFFT
 857     cv::cuda::createContinuous(cv::Size(ret.cols,ret.rows),CV_32FC1,p_cos_window_d);
 858     p_cos_window_d.upload(ret);
 859 #endif
 860     return ret;
 861 }
 862
 863 // Returns sub-window of image input centered at [cx, cy] coordinates),
 864 // with size [width, height]. If any pixels are outside of the image,
 865 // they will replicate the values at the borders.
 866 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 867 {
 868     cv::Mat patch;
 869
 870     int x1 = cx - width/2;
 871     int y1 = cy - height/2;
 872     int x2 = cx + width/2;
 873     int y2 = cy + height/2;
 874
 875     //out of image
 876     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 877         patch.create(height, width, input.type());
 878         patch.setTo(0.f);
 879         return patch;
 880     }
 881
 882     int top = 0, bottom = 0, left = 0, right = 0;
 883
 884     //fit to image coordinates, set border extensions;
 885     if (x1 < 0) {
 886         left = -x1;
 887         x1 = 0;
 888     }
 889     if (y1 < 0) {
 890         top = -y1;
 891         y1 = 0;
 892     }
 893     if (x2 >= input.cols) {
 894         right = x2 - input.cols + width % 2;
 895         x2 = input.cols;
 896     } else
 897         x2 += width % 2;
 898
 899     if (y2 >= input.rows) {
 900         bottom = y2 - input.rows + height % 2;
 901         y2 = input.rows;
 902     } else
 903         y2 += height % 2;
 904
 905     if (x2 - x1 == 0 || y2 - y1 == 0)
 906         patch = cv::Mat::zeros(height, width, CV_32FC1);
 907     else
 908         {
 909             cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right, cv::BORDER_REPLICATE);
 910 //      imshow( "copyMakeBorder", patch);
 911 //      cv::waitKey();
 912         }
 913
 914     //sanity check
 915     assert(patch.cols == width && patch.rows == height);
 916
 917     return patch;
 918 }
 919
 920 ComplexMat KCF_Tracker::gaussian_correlation(const ComplexMat &xf, const ComplexMat &yf, double sigma, bool auto_correlation)
 921 {
 922     float xf_sqr_norm = xf.sqr_norm();
 923     float yf_sqr_norm = auto_correlation ? xf_sqr_norm : yf.sqr_norm();
 924
 925     ComplexMat xyf = auto_correlation ? xf.sqr_mag() : xf * yf.conj();
 926
 927     //ifft2 and sum over 3rd dimension, we dont care about individual channels
 928     cv::Mat xy_sum(xf.rows, xf.cols, CV_32FC1);
 929     xy_sum.setTo(0);
 930     cv::Mat ifft2_res = ifft2(xyf);
 931     for (int y = 0; y < xf.rows; ++y) {
 932         float * row_ptr = ifft2_res.ptr<float>(y);
 933         float * row_ptr_sum = xy_sum.ptr<float>(y);
 934         for (int x = 0; x < xf.cols; ++x){
 935             row_ptr_sum[x] = std::accumulate((row_ptr + x*ifft2_res.channels()), (row_ptr + x*ifft2_res.channels() + ifft2_res.channels()), 0.f);
 936         }
 937     }
 938
 939     float numel_xf_inv = 1.f/(xf.cols * xf.rows * xf.n_channels);
 940     cv::Mat tmp;
 941     cv::exp(- 1.f / (sigma * sigma) * cv::max((xf_sqr_norm + yf_sqr_norm - 2 * xy_sum) * numel_xf_inv, 0), tmp);
 942
 943     return fft2(tmp);
 944 }
 945
 946 float get_response_circular(cv::Point2i & pt, cv::Mat & response)
 947 {
 948     int x = pt.x;
 949     int y = pt.y;
 950     if (x < 0)
 951         x = response.cols + x;
 952     if (y < 0)
 953         y = response.rows + y;
 954     if (x >= response.cols)
 955         x = x - response.cols;
 956     if (y >= response.rows)
 957         y = y - response.rows;
 958
 959     return response.at<float>(y,x);
 960 }
 961
 962 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point & max_loc, cv::Mat & response)
 963 {
 964     //find neighbourhood of max_loc (response is circular)
 965     // 1 2 3
 966     // 4   5
 967     // 6 7 8
 968     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);
 969     cv::Point2i p4(max_loc.x-1, max_loc.y), p5(max_loc.x+1, max_loc.y);
 970     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);
 971
 972     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 973     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 974                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 975                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 976                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 977                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 978                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 979                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 980                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 981                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 982                  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);
 983     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 984                     get_response_circular(p1, response),
 985                     get_response_circular(p2, response),
 986                     get_response_circular(p3, response),
 987                     get_response_circular(p4, response),
 988                     get_response_circular(p5, response),
 989                     get_response_circular(p6, response),
 990                     get_response_circular(p7, response),
 991                     get_response_circular(p8, response),
 992                     get_response_circular(max_loc, response));
 993     cv::Mat x;
 994     cv::solve(A, fval, x, cv::DECOMP_SVD);
 995
 996     double a = x.at<float>(0), b = x.at<float>(1), c = x.at<float>(2),
 997            d = x.at<float>(3), e = x.at<float>(4);
 998
 999     cv::Point2f sub_peak(max_loc.x, max_loc.y);
1000     if (b > 0 || b < 0) {
1001         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
1002         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
1003     }
1004
1005     return sub_peak;
1006 }
1007
1008 double KCF_Tracker::sub_grid_scale(std::vector<double> & responses, int index)
1009 {
1010     cv::Mat A, fval;
1011     if (index < 0 || index > (int)p_scales.size()-1) {
1012         // interpolate from all values
1013         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
1014         A.create(p_scales.size(), 3, CV_32FC1);
1015         fval.create(p_scales.size(), 1, CV_32FC1);
1016         for (size_t i = 0; i < p_scales.size(); ++i) {
1017             A.at<float>(i, 0) = p_scales[i] * p_scales[i];
1018             A.at<float>(i, 1) = p_scales[i];
1019             A.at<float>(i, 2) = 1;
1020             fval.at<float>(i) = responses[i];
1021         }
1022     } else {
1023         //only from neighbours
1024         if (index == 0 || index == (int)p_scales.size()-1)
1025             return p_scales[index];
1026
1027         A = (cv::Mat_<float>(3, 3) <<
1028              p_scales[index-1] * p_scales[index-1], p_scales[index-1], 1,
1029              p_scales[index] * p_scales[index], p_scales[index], 1,
1030              p_scales[index+1] * p_scales[index+1], p_scales[index+1], 1);
1031         fval = (cv::Mat_<float>(3, 1) << responses[index-1], responses[index], responses[index+1]);
1032     }
1033
1034     cv::Mat x;
1035     cv::solve(A, fval, x, cv::DECOMP_SVD);
1036     double a = x.at<float>(0), b = x.at<float>(1);
1037     double scale = p_scales[index];
1038     if (a > 0 || a < 0)
1039         scale = -b / (2 * a);
1040     return scale;
1041 }