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