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