src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5 #include "threadctx.hpp"
   6 #include "debug.h"
   7 #include <limits>
   8
   9 #ifdef FFTW
  10 #include "fft_fftw.h"
  11 #define FFT Fftw
  12 #elif defined(CUFFT)
  13 #include "fft_cufft.h"
  14 #define FFT cuFFT
  15 #else
  16 #include "fft_opencv.h"
  17 #define FFT FftOpencv
  18 #endif
  19
  20 #ifdef OPENMP
  21 #include <omp.h>
  22 #endif // OPENMP
  23
  24 DbgTracer __dbgTracer;
  25
  26 template <typename T>
  27 T clamp(const T& n, const T& lower, const T& upper)
  28 {
  29     return std::max(lower, std::min(n, upper));
  30 }
  31
  32 template <typename T>
  33 void clamp2(T& n, const T& lower, const T& upper)
  34 {
  35     n = std::max(lower, std::min(n, upper));
  36 }
  37
  38 #if CV_MAJOR_VERSION < 3
  39 template<typename _Tp> static inline
  40 cv::Size_<_Tp> operator / (const cv::Size_<_Tp>& a, _Tp b)
  41 {
  42     return cv::Size_<_Tp>(a.width / b, a.height / b);
  43 }
  44 #endif
  45
  46 class Kcf_Tracker_Private {
  47     friend KCF_Tracker;
  48     std::vector<ThreadCtx> threadctxs;
  49 };
  50
  51 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  52                          double output_sigma_factor, int cell_size)
  53     : p_cell_size(cell_size), fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  54       p_lambda(lambda), p_interp_factor(interp_factor), d(*new Kcf_Tracker_Private)
  55 {
  56 }
  57
  58 KCF_Tracker::KCF_Tracker() : fft(*new FFT()), d(*new Kcf_Tracker_Private) {}
  59
  60 KCF_Tracker::~KCF_Tracker()
  61 {
  62     delete &fft;
  63     delete &d;
  64 }
  65
  66 void KCF_Tracker::train(cv::Mat input_rgb, cv::Mat input_gray, double interp_factor)
  67 {
  68     TRACE("");
  69
  70     // obtain a sub-window for training
  71     // TODO: Move Mats outside from here
  72     MatScaleFeats patch_feats(1, p_num_of_feats, feature_size);
  73     DEBUG_PRINT(patch_feats);
  74     MatScaleFeats temp(1, p_num_of_feats, feature_size);
  75     get_features(input_rgb, input_gray, p_current_center.x, p_current_center.y,
  76                  p_windows_size.width, p_windows_size.height,
  77                  p_current_scale).copyTo(patch_feats.scale(0));
  78     DEBUG_PRINT(patch_feats);
  79     fft.forward_window(patch_feats, p_xf, temp);
  80     DEBUG_PRINTM(p_xf);
  81     p_model_xf = p_model_xf * (1. - interp_factor) + p_xf * interp_factor;
  82     DEBUG_PRINTM(p_model_xf);
  83
  84     ComplexMat alphaf_num, alphaf_den;
  85
  86     if (m_use_linearkernel) {
  87         ComplexMat xfconj = p_xf.conj();
  88         alphaf_num = xfconj.mul(p_yf);
  89         alphaf_den = (p_xf * xfconj);
  90     } else {
  91         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
  92         cv::Size sz(Fft::freq_size(feature_size));
  93         ComplexMat kf(sz.height, sz.width, 1);
  94         (*gaussian_correlation)(kf, p_model_xf, p_model_xf, p_kernel_sigma, true, *this);
  95         DEBUG_PRINTM(kf);
  96         p_model_alphaf_num = p_yf * kf;
  97         p_model_alphaf_den = kf * (kf + p_lambda);
  98     }
  99     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 100     DEBUG_PRINTM(p_model_alphaf);
 101     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 102 }
 103
 104 static int round_pw2_down(int x)
 105 {
 106         for (int i = 1; i < 32; i <<= 1)
 107             x |= x >> i;
 108         x++;
 109         return x >> 1;
 110 }
 111
 112
 113 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
 114 {
 115     __dbgTracer.debug = m_debug;
 116     TRACE("");
 117
 118     // check boundary, enforce min size
 119     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
 120     if (x1 < 0) x1 = 0.;
 121     if (x2 > img.cols - 1) x2 = img.cols - 1;
 122     if (y1 < 0) y1 = 0;
 123     if (y2 > img.rows - 1) y2 = img.rows - 1;
 124
 125     if (x2 - x1 < 2 * p_cell_size) {
 126         double diff = (2 * p_cell_size - x2 + x1) / 2.;
 127         if (x1 - diff >= 0 && x2 + diff < img.cols) {
 128             x1 -= diff;
 129             x2 += diff;
 130         } else if (x1 - 2 * diff >= 0) {
 131             x1 -= 2 * diff;
 132         } else {
 133             x2 += 2 * diff;
 134         }
 135     }
 136     if (y2 - y1 < 2 * p_cell_size) {
 137         double diff = (2 * p_cell_size - y2 + y1) / 2.;
 138         if (y1 - diff >= 0 && y2 + diff < img.rows) {
 139             y1 -= diff;
 140             y2 += diff;
 141         } else if (y1 - 2 * diff >= 0) {
 142             y1 -= 2 * diff;
 143         } else {
 144             y2 += 2 * diff;
 145         }
 146     }
 147
 148     p_init_pose.w = x2 - x1;
 149     p_init_pose.h = y2 - y1;
 150     p_init_pose.cx = x1 + p_init_pose.w / 2.;
 151     p_init_pose.cy = y1 + p_init_pose.h / 2.;
 152
 153     cv::Mat input_gray, input_rgb = img.clone();
 154     if (img.channels() == 3) {
 155         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 156         input_gray.convertTo(input_gray, CV_32FC1);
 157     } else
 158         img.convertTo(input_gray, CV_32FC1);
 159
 160     // don't need too large image
 161     if (p_init_pose.w * p_init_pose.h > 100. * 100.) {
 162         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 163         p_resize_image = true;
 164         p_init_pose.scale(p_downscale_factor);
 165         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 166         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 167     }
 168
 169     // compute win size + fit to fhog cell size
 170     p_windows_size.width = round(p_init_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 171     p_windows_size.height = round(p_init_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 172
 173     if (fit_size_x == 0 || fit_size_y == 0) {
 174         // Round down to the next highest power of 2
 175         fit_size = cv::Size(round_pw2_down(p_windows_size.width),
 176                             round_pw2_down(p_windows_size.height));
 177     } else if (fit_size_x == -1 || fit_size_y == -1) {
 178         fit_size =  p_windows_size;
 179     } else {
 180         fit_size = cv::Size(fit_size_x, fit_size_y);
 181     }
 182
 183     feature_size = fit_size / p_cell_size;
 184
 185     p_scales.clear();
 186     for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 187         p_scales.push_back(std::pow(p_scale_step, i));
 188
 189 #ifdef CUFFT
 190     if (Fft::freq_size(feature_size).area() > 1024) {
 191         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 192                      "the window dimensions so its size is less or equal to "
 193                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 194                   << " pixels. Currently the size of the window is: " << fit_size
 195                   << " which is  " << fit_size.area() << " pixels. " << std::endl;
 196         std::exit(EXIT_FAILURE);
 197     }
 198
 199     if (m_use_linearkernel) {
 200         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 201         std::exit(EXIT_FAILURE);
 202     }
 203 #endif
 204
 205 #if defined(CUFFT) || defined(FFTW)
 206     uint width = feature_size.width / 2 + 1;
 207 #else
 208     uint width = feature_size.width;
 209 #endif
 210     p_model_xf.create(feature_size.height, width, p_num_of_feats);
 211     p_yf.create(feature_size.height, width, 1);
 212     p_xf.create(feature_size.height, width, p_num_of_feats);
 213
 214 #ifndef BIG_BATCH
 215     for (auto scale: p_scales)
 216         d.threadctxs.emplace_back(feature_size, p_num_of_feats, scale);
 217 #else
 218     d.threadctxs.emplace_back(feature_size, p_num_of_feats, p_num_scales);
 219 #endif
 220
 221     gaussian_correlation.reset(new GaussianCorrelation(1, feature_size));
 222
 223     p_current_center = p_init_pose.center();
 224     p_current_scale = 1.;
 225
 226     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 227     double max_size_ratio =
 228         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 229                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 230     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 231     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 232
 233     std::cout << "init: img size " << img.size() << std::endl;
 234     std::cout << "init: win size " << p_windows_size;
 235     if (p_windows_size != fit_size)
 236         std::cout << " resized to " << fit_size;
 237     std::cout << std::endl;
 238     std::cout << "init: FFT size " << feature_size << std::endl;
 239     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 240
 241     p_output_sigma = std::sqrt(p_init_pose.w * p_init_pose.h * double(fit_size.area()) / p_windows_size.area())
 242            * p_output_sigma_factor / p_cell_size;
 243
 244     fft.init(feature_size.width, feature_size.height, p_num_of_feats, p_num_scales);
 245     fft.set_window(MatDynMem(cosine_window_function(feature_size.width, feature_size.height)));
 246
 247     // window weights, i.e. labels
 248     MatScales gsl(1, feature_size);
 249     gaussian_shaped_labels(p_output_sigma, feature_size.width, feature_size.height).copyTo(gsl.plane(0));
 250     fft.forward(gsl, p_yf);
 251     DEBUG_PRINTM(p_yf);
 252
 253     // train initial model
 254     train(input_rgb, input_gray, 1.0);
 255 }
 256
 257 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 258 {
 259     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 260 }
 261
 262 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 263 {
 264     BBox_c tmp = bbox;
 265     if (p_resize_image) {
 266         tmp.scale(p_downscale_factor);
 267     }
 268     p_current_center = tmp.center();
 269 }
 270
 271 BBox_c KCF_Tracker::getBBox()
 272 {
 273     BBox_c tmp;
 274     tmp.cx = p_current_center.x;
 275     tmp.cy = p_current_center.y;
 276     tmp.w = p_init_pose.w * p_current_scale;
 277     tmp.h = p_init_pose.h * p_current_scale;
 278
 279     if (p_resize_image)
 280         tmp.scale(1 / p_downscale_factor);
 281
 282     return tmp;
 283 }
 284
 285 double KCF_Tracker::getFilterResponse() const
 286 {
 287     return this->max_response;
 288 }
 289
 290 void KCF_Tracker::resizeImgs(cv::Mat &input_rgb, cv::Mat &input_gray)
 291 {
 292     if (p_resize_image) {
 293         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 294         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 295     }
 296 }
 297
 298 double KCF_Tracker::findMaxReponse(uint &max_idx, cv::Point2d &new_location) const
 299 {
 300     double max = -1.;
 301     max_idx = std::numeric_limits<uint>::max();
 302
 303 #ifndef BIG_BATCH
 304     for (uint j = 0; j < d.threadctxs.size(); ++j) {
 305         if (d.threadctxs[j].max.response > max) {
 306             max = d.threadctxs[j].max.response;
 307             max_idx = j;
 308         }
 309     }
 310 #else
 311     for (uint j = 0; j < p_scales.size(); ++j) {
 312         if (d.threadctxs[0].max[j].response > max) {
 313             max = d.threadctxs[0].max[j].response;
 314             max_idx = j;
 315         }
 316     }
 317 #endif
 318     assert(max_idx < IF_BIG_BATCH(p_scales.size(), d.threadctxs.size()));
 319
 320     if (m_visual_debug) {
 321         int w = 100; //feature_size.width;
 322         int h = 100; //feature_size.height;
 323         cv::Mat all_responses(h * p_num_scales, w * p_num_angles,
 324                               d.threadctxs[0].response.type(), cv::Scalar::all(0));
 325         for (size_t i = 0; i < p_num_scales; ++i) {
 326             for (size_t j = 0; j < p_num_angles; ++j) {
 327                 cv::Mat tmp = d.threadctxs[IF_BIG_BATCH(0, p_num_angles * i + j)].response.plane(IF_BIG_BATCH(p_num_angles * i + j, 0));
 328                 tmp = circshift(tmp, -tmp.cols/2, -tmp.rows/2);
 329                 cv::resize(tmp, tmp, cv::Size(w, h));
 330                 cv::Mat resp_roi(all_responses, cv::Rect(j * w, i * h, w, h));
 331                 tmp.copyTo(resp_roi);
 332             }
 333         }
 334         cv::namedWindow("All responses", CV_WINDOW_AUTOSIZE);
 335         cv::imshow("All responses", all_responses);
 336     }
 337
 338     cv::Point2i &max_response_pt = IF_BIG_BATCH(d.threadctxs[0].max[max_idx].loc,        d.threadctxs[max_idx].max.loc);
 339     cv::Mat max_response_map     = IF_BIG_BATCH(d.threadctxs[0].response.plane(max_idx), d.threadctxs[max_idx].response.plane(0));
 340
 341     DEBUG_PRINTM(max_response_map);
 342     DEBUG_PRINT(max_response_pt);
 343
 344     // sub pixel quadratic interpolation from neighbours
 345     if (max_response_pt.y > max_response_map.rows / 2) // wrap around to negative half-space of vertical axis
 346         max_response_pt.y = max_response_pt.y - max_response_map.rows;
 347     if (max_response_pt.x > max_response_map.cols / 2) // same for horizontal axis
 348         max_response_pt.x = max_response_pt.x - max_response_map.cols;
 349
 350
 351     if (m_use_subpixel_localization) {
 352         new_location = sub_pixel_peak(max_response_pt, max_response_map);
 353     } else {
 354         new_location = max_response_pt;
 355     }
 356     DEBUG_PRINT(new_location);
 357     return max;
 358 }
 359
 360 void KCF_Tracker::track(cv::Mat &img)
 361 {
 362     __dbgTracer.debug = m_debug;
 363     TRACE("");
 364
 365     cv::Mat input_gray, input_rgb = img.clone();
 366     if (img.channels() == 3) {
 367         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 368         input_gray.convertTo(input_gray, CV_32FC1);
 369     } else
 370         img.convertTo(input_gray, CV_32FC1);
 371
 372     // don't need too large image
 373     resizeImgs(input_rgb, input_gray);
 374
 375 #ifdef ASYNC
 376     for (auto &it : d.threadctxs)
 377         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 378             it.track(*this, input_rgb, input_gray);
 379         });
 380     for (auto const &it : d.threadctxs)
 381         it.async_res.wait();
 382
 383 #else  // !ASYNC
 384     NORMAL_OMP_PARALLEL_FOR
 385     for (uint i = 0; i < d.threadctxs.size(); ++i)
 386         d.threadctxs[i].track(*this, input_rgb, input_gray);
 387 #endif
 388
 389     cv::Point2d new_location;
 390     uint max_idx;
 391     max_response = findMaxReponse(max_idx, new_location);
 392
 393     new_location.x *= double(p_windows_size.width) / fit_size.width;
 394     new_location.y *= double(p_windows_size.height) / fit_size.height;
 395
 396     p_current_center += p_current_scale * p_cell_size * new_location;
 397
 398     clamp2(p_current_center.x, 0.0, img.cols - 1.0);
 399     clamp2(p_current_center.y, 0.0, img.rows - 1.0);
 400
 401     // sub grid scale interpolation
 402     if (m_use_subgrid_scale) {
 403         p_current_scale *= sub_grid_scale(max_idx);
 404     } else {
 405         p_current_scale *= p_scales[max_idx];
 406     }
 407
 408     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 409
 410     // train at newly estimated target position
 411     train(input_rgb, input_gray, p_interp_factor);
 412 }
 413
 414 void ThreadCtx::track(const KCF_Tracker &kcf, cv::Mat &input_rgb, cv::Mat &input_gray)
 415 {
 416     TRACE("");
 417
 418     BIG_BATCH_OMP_PARALLEL_FOR
 419     for (uint i = 0; i < IF_BIG_BATCH(kcf.p_num_scales, 1); ++i)
 420     {
 421         kcf.get_features(input_rgb, input_gray, kcf.p_current_center.x, kcf.p_current_center.y,
 422                          kcf.p_windows_size.width, kcf.p_windows_size.height,
 423                          kcf.p_current_scale * IF_BIG_BATCH(kcf.p_scales[i], scale))
 424                 .copyTo(patch_feats.scale(i));
 425         DEBUG_PRINT(patch_feats.scale(i));
 426     }
 427
 428     kcf.fft.forward_window(patch_feats, zf, temp);
 429     DEBUG_PRINTM(zf);
 430
 431     if (kcf.m_use_linearkernel) {
 432         kzf = zf.mul(kcf.p_model_alphaf).sum_over_channels();
 433     } else {
 434         gaussian_correlation(kzf, zf, kcf.p_model_xf, kcf.p_kernel_sigma, false, kcf);
 435         DEBUG_PRINTM(kzf);
 436         kzf = kzf.mul(kcf.p_model_alphaf);
 437     }
 438     kcf.fft.inverse(kzf, response);
 439
 440     DEBUG_PRINTM(response);
 441
 442     /* target location is at the maximum response. we must take into
 443     account the fact that, if the target doesn't move, the peak
 444     will appear at the top-left corner, not at the center (this is
 445     discussed in the paper). the responses wrap around cyclically. */
 446     double min_val, max_val;
 447     cv::Point2i min_loc, max_loc;
 448 #ifdef BIG_BATCH
 449     for (size_t i = 0; i < kcf.p_scales.size(); ++i) {
 450         cv::minMaxLoc(response.plane(i), &min_val, &max_val, &min_loc, &max_loc);
 451         DEBUG_PRINT(max_loc);
 452         double weight = kcf.p_scales[i] < 1. ? kcf.p_scales[i] : 1. / kcf.p_scales[i];
 453         max[i].response = max_val * weight;
 454         max[i].loc = max_loc;
 455     }
 456 #else
 457     cv::minMaxLoc(response.plane(0), &min_val, &max_val, &min_loc, &max_loc);
 458
 459     DEBUG_PRINT(max_loc);
 460     DEBUG_PRINT(max_val);
 461
 462     double weight = scale < 1. ? scale : 1. / scale;
 463     max.response = max_val * weight;
 464     max.loc = max_loc;
 465 #endif
 466 }
 467
 468 // ****************************************************************************
 469
 470 cv::Mat KCF_Tracker::get_features(cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy,
 471                                   int size_x, int size_y, double scale) const
 472 {
 473     cv::Size scaled = cv::Size(floor(size_x * scale), floor(size_y * scale));
 474
 475     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, scaled.width, scaled.height);
 476     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, scaled.width, scaled.height);
 477
 478     // resize to default size
 479     if (scaled.area() > fit_size.area()) {
 480         // if we downsample use  INTER_AREA interpolation
 481         // note: this is just a guess - we may downsample in X and upsample in Y (or vice versa)
 482         cv::resize(patch_gray, patch_gray, fit_size, 0., 0., cv::INTER_AREA);
 483     } else {
 484         cv::resize(patch_gray, patch_gray, fit_size, 0., 0., cv::INTER_LINEAR);
 485     }
 486
 487     // get hog(Histogram of Oriented Gradients) features
 488     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 489
 490     // get color rgb features (simple r,g,b channels)
 491     std::vector<cv::Mat> color_feat;
 492     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 493         // resize to default size
 494         if (scaled.area() > (fit_size / p_cell_size).area()) {
 495             // if we downsample use  INTER_AREA interpolation
 496             cv::resize(patch_rgb, patch_rgb, fit_size / p_cell_size, 0., 0., cv::INTER_AREA);
 497         } else {
 498             cv::resize(patch_rgb, patch_rgb, fit_size / p_cell_size, 0., 0., cv::INTER_LINEAR);
 499         }
 500     }
 501
 502     if (m_use_color && input_rgb.channels() == 3) {
 503         // use rgb color space
 504         cv::Mat patch_rgb_norm;
 505         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 506         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 507         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 508         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 509         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 510         cv::split(patch_rgb_norm, rgb);
 511         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 512     }
 513
 514     if (m_use_cnfeat && input_rgb.channels() == 3) {
 515         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 516         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 517     }
 518
 519     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 520
 521     int size[] = {p_num_of_feats, feature_size.height, feature_size.width};
 522     cv::Mat result(3, size, CV_32F);
 523     for (uint i = 0; i < hog_feat.size(); ++i)
 524         hog_feat[i].copyTo(cv::Mat(size[1], size[2], CV_32FC1, result.ptr(i)));
 525
 526     return result;
 527 }
 528
 529 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 530 {
 531     cv::Mat labels(dim2, dim1, CV_32FC1);
 532     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 533     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 534
 535     double sigma_s = sigma * sigma;
 536
 537     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 538         float *row_ptr = labels.ptr<float>(j);
 539         double y_s = y * y;
 540         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 541             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 542         }
 543     }
 544
 545     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 546     MatDynMem rot_labels = circshift(labels, range_x[0], range_y[0]);
 547     // sanity check, 1 at top left corner
 548     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 549
 550     return rot_labels;
 551 }
 552
 553 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot) const
 554 {
 555     cv::Mat rot_patch(patch.size(), CV_32FC1);
 556     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 557
 558     // circular rotate x-axis
 559     if (x_rot < 0) {
 560         // move part that does not rotate over the edge
 561         cv::Range orig_range(-x_rot, patch.cols);
 562         cv::Range rot_range(0, patch.cols - (-x_rot));
 563         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 564
 565         // rotated part
 566         orig_range = cv::Range(0, -x_rot);
 567         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 568         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 569     } else if (x_rot > 0) {
 570         // move part that does not rotate over the edge
 571         cv::Range orig_range(0, patch.cols - x_rot);
 572         cv::Range rot_range(x_rot, patch.cols);
 573         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 574
 575         // rotated part
 576         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 577         rot_range = cv::Range(0, x_rot);
 578         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 579     } else { // zero rotation
 580         // move part that does not rotate over the edge
 581         cv::Range orig_range(0, patch.cols);
 582         cv::Range rot_range(0, patch.cols);
 583         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 584     }
 585
 586     // circular rotate y-axis
 587     if (y_rot < 0) {
 588         // move part that does not rotate over the edge
 589         cv::Range orig_range(-y_rot, patch.rows);
 590         cv::Range rot_range(0, patch.rows - (-y_rot));
 591         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 592
 593         // rotated part
 594         orig_range = cv::Range(0, -y_rot);
 595         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 596         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 597     } else if (y_rot > 0) {
 598         // move part that does not rotate over the edge
 599         cv::Range orig_range(0, patch.rows - y_rot);
 600         cv::Range rot_range(y_rot, patch.rows);
 601         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 602
 603         // rotated part
 604         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 605         rot_range = cv::Range(0, y_rot);
 606         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 607     } else { // zero rotation
 608         // move part that does not rotate over the edge
 609         cv::Range orig_range(0, patch.rows);
 610         cv::Range rot_range(0, patch.rows);
 611         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 612     }
 613
 614     return rot_patch;
 615 }
 616
 617 // hann window actually (Power-of-cosine windows)
 618 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 619 {
 620     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 621     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 622     for (int i = 0; i < dim1; ++i)
 623         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 624     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 625     for (int i = 0; i < dim2; ++i)
 626         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 627     cv::Mat ret = m2 * m1;
 628     return ret;
 629 }
 630
 631 // Returns sub-window of image input centered at [cx, cy] coordinates),
 632 // with size [width, height]. If any pixels are outside of the image,
 633 // they will replicate the values at the borders.
 634 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height) const
 635 {
 636     cv::Mat patch;
 637
 638     int x1 = cx - width / 2;
 639     int y1 = cy - height / 2;
 640     int x2 = cx + width / 2;
 641     int y2 = cy + height / 2;
 642
 643     // out of image
 644     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 645         patch.create(height, width, input.type());
 646         patch.setTo(double(0.f));
 647         return patch;
 648     }
 649
 650     int top = 0, bottom = 0, left = 0, right = 0;
 651
 652     // fit to image coordinates, set border extensions;
 653     if (x1 < 0) {
 654         left = -x1;
 655         x1 = 0;
 656     }
 657     if (y1 < 0) {
 658         top = -y1;
 659         y1 = 0;
 660     }
 661     if (x2 >= input.cols) {
 662         right = x2 - input.cols + width % 2;
 663         x2 = input.cols;
 664     } else
 665         x2 += width % 2;
 666
 667     if (y2 >= input.rows) {
 668         bottom = y2 - input.rows + height % 2;
 669         y2 = input.rows;
 670     } else
 671         y2 += height % 2;
 672
 673     if (x2 - x1 == 0 || y2 - y1 == 0)
 674         patch = cv::Mat::zeros(height, width, CV_32FC1);
 675     else {
 676         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 677                            cv::BORDER_REPLICATE);
 678         //      imshow( "copyMakeBorder", patch);
 679         //      cv::waitKey();
 680     }
 681
 682     // sanity check
 683     assert(patch.cols == width && patch.rows == height);
 684
 685     return patch;
 686 }
 687
 688 void KCF_Tracker::GaussianCorrelation::operator()(ComplexMat &result, const ComplexMat &xf, const ComplexMat &yf,
 689                                                   double sigma, bool auto_correlation, const KCF_Tracker &kcf)
 690 {
 691     TRACE("");
 692     xf.sqr_norm(xf_sqr_norm);
 693     if (auto_correlation) {
 694         yf_sqr_norm = xf_sqr_norm;
 695     } else {
 696         yf.sqr_norm(yf_sqr_norm);
 697     }
 698     xyf = auto_correlation ? xf.sqr_mag() : xf * yf.conj(); // xf.muln(yf.conj());
 699     DEBUG_PRINTM(xyf);
 700
 701     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 702     ComplexMat xyf_sum = xyf.sum_over_channels();
 703     DEBUG_PRINTM(xyf_sum);
 704     kcf.fft.inverse(xyf_sum, ifft_res);
 705     DEBUG_PRINTM(ifft_res);
 706 #ifdef CUFFT
 707     // FIXME
 708     cuda_gaussian_correlation(ifft_res.deviceMem(), k.deviceMem(), xf_sqr_norm.deviceMem(),
 709                               auto_correlation ? xf_sqr_norm.deviceMem() : yf_sqr_norm.deviceMem(), sigma,
 710                               xf.n_channels, xf.n_scales, kcf.feature_size.height, kcf.feature_size.width);
 711 #else
 712
 713     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 714     for (uint i = 0; i < xf.n_scales; ++i) {
 715         cv::Mat plane = ifft_res.plane(i);
 716         DEBUG_PRINT(ifft_res.plane(i));
 717         cv::exp(-1. / (sigma * sigma) * cv::max((xf_sqr_norm[i] + yf_sqr_norm[0] - 2 * ifft_res.plane(i))
 718                 * numel_xf_inv, 0), plane);
 719         DEBUG_PRINTM(plane);
 720     }
 721 #endif
 722     kcf.fft.forward(ifft_res, result);
 723 }
 724
 725 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 726 {
 727     int x = pt.x;
 728     int y = pt.y;
 729     assert(response.dims == 2); // ensure .cols and .rows are valid
 730     if (x < 0) x = response.cols + x;
 731     if (y < 0) y = response.rows + y;
 732     if (x >= response.cols) x = x - response.cols;
 733     if (y >= response.rows) y = y - response.rows;
 734
 735     return response.at<float>(y, x);
 736 }
 737
 738 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response) const
 739 {
 740     // find neighbourhood of max_loc (response is circular)
 741     // 1 2 3
 742     // 4   5
 743     // 6 7 8
 744     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);
 745     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 746     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);
 747
 748     // clang-format off
 749     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 750     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 751                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 752                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 753                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 754                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 755                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 756                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 757                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 758                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 759                  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);
 760     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 761                     get_response_circular(p1, response),
 762                     get_response_circular(p2, response),
 763                     get_response_circular(p3, response),
 764                     get_response_circular(p4, response),
 765                     get_response_circular(p5, response),
 766                     get_response_circular(p6, response),
 767                     get_response_circular(p7, response),
 768                     get_response_circular(p8, response),
 769                     get_response_circular(max_loc, response));
 770     // clang-format on
 771     cv::Mat x;
 772     cv::solve(A, fval, x, cv::DECOMP_SVD);
 773
 774     float a = x.at<float>(0), b = x.at<float>(1), c = x.at<float>(2), d = x.at<float>(3), e = x.at<float>(4);
 775
 776     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 777     if (b > 0 || b < 0) {
 778         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 779         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 780     }
 781
 782     return sub_peak;
 783 }
 784
 785 double KCF_Tracker::sub_grid_scale(uint index)
 786 {
 787     cv::Mat A, fval;
 788     if (index >= p_scales.size()) {
 789         // interpolate from all values
 790         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 791         A.create(p_scales.size(), 3, CV_32FC1);
 792         fval.create(p_scales.size(), 1, CV_32FC1);
 793         for (size_t i = 0; i < p_scales.size(); ++i) {
 794             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 795             A.at<float>(i, 1) = float(p_scales[i]);
 796             A.at<float>(i, 2) = 1;
 797             fval.at<float>(i) = d.threadctxs.back().IF_BIG_BATCH(max[i].response, max.response);
 798         }
 799     } else {
 800         // only from neighbours
 801         if (index == 0 || index == p_scales.size() - 1)
 802            return p_scales[index];
 803
 804         A = (cv::Mat_<float>(3, 3) <<
 805              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 806              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 807              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 808 #ifdef BIG_BATCH
 809         fval = (cv::Mat_<float>(3, 1) <<
 810                 d.threadctxs.back().max[index - 1].response,
 811                 d.threadctxs.back().max[index + 0].response,
 812                 d.threadctxs.back().max[index + 1].response);
 813 #else
 814         fval = (cv::Mat_<float>(3, 1) <<
 815                 d.threadctxs[index - 1].max.response,
 816                 d.threadctxs[index + 0].max.response,
 817                 d.threadctxs[index + 1].max.response);
 818 #endif
 819     }
 820
 821     cv::Mat x;
 822     cv::solve(A, fval, x, cv::DECOMP_SVD);
 823     float a = x.at<float>(0), b = x.at<float>(1);
 824     double scale = p_scales[index];
 825     if (a > 0 || a < 0)
 826         scale = -b / (2 * a);
 827     return scale;
 828 }