src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5 #include "threadctx.hpp"
   6
   7 #ifdef FFTW
   8 #include "fft_fftw.h"
   9 #define FFT Fftw
  10 #elif defined(CUFFT)
  11 #include "fft_cufft.h"
  12 #define FFT cuFFT
  13 #else
  14 #include "fft_opencv.h"
  15 #define FFT FftOpencv
  16 #endif
  17
  18 #ifdef OPENMP
  19 #include <omp.h>
  20 #endif // OPENMP
  21
  22 static bool kcf_debug = false;
  23
  24 #define DEBUG_PRINT(obj)                                                                                               \
  25     if (kcf_debug) {                                                                                                     \
  26         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  27     }
  28 #define DEBUG_PRINTM(obj)                                                                                              \
  29     if (kcf_debug) {                                                                                                     \
  30         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  31                   /*<< (obj)*/ << std::endl;                                                                               \
  32     }
  33
  34 template <typename T>
  35 T clamp(const T& n, const T& lower, const T& upper)
  36 {
  37     return std::max(lower, std::min(n, upper));
  38 }
  39
  40 template <typename T>
  41 void clamp2(T& n, const T& lower, const T& upper)
  42 {
  43     n = std::max(lower, std::min(n, upper));
  44 }
  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     : 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), p_cell_size(cell_size), 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_gray, cv::Mat input_rgb, double interp_factor)
  67 {
  68     // obtain a sub-window for training
  69     // TODO: Move Mats outside from here
  70     MatScaleFeats patch_feats(1, p_num_of_feats, p_roi);
  71     MatScaleFeats temp(1, p_num_of_feats, p_roi);
  72     get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
  73                  p_windows_size.width, p_windows_size.height,
  74                  p_current_scale).copyTo(patch_feats.features(0));
  75
  76     fft.forward_window(patch_feats, p_xf, temp);
  77     p_model_xf = p_model_xf * (1. - interp_factor) + p_xf * interp_factor;
  78     DEBUG_PRINTM(p_model_xf);
  79
  80     ComplexMat alphaf_num, alphaf_den;
  81
  82     if (m_use_linearkernel) {
  83         ComplexMat xfconj = p_xf.conj();
  84         alphaf_num = xfconj.mul(p_yf);
  85         alphaf_den = (p_xf * xfconj);
  86     } else {
  87         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
  88         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
  89         cv::Size sz(Fft::freq_size(p_roi));
  90         ComplexMat kf(sz.height, sz.width, num_scales);
  91         (*gaussian_correlation)(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
  92         DEBUG_PRINTM(kf);
  93         p_model_alphaf_num = p_yf * kf;
  94         DEBUG_PRINTM(p_model_alphaf_num);
  95         p_model_alphaf_den = kf * (kf + p_lambda);
  96         DEBUG_PRINTM(p_model_alphaf_den);
  97     }
  98     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
  99     DEBUG_PRINTM(p_model_alphaf);
 100     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 101 }
 102
 103 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
 104 {
 105     kcf_debug = m_debug;
 106     // check boundary, enforce min size
 107     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
 108     if (x1 < 0) x1 = 0.;
 109     if (x2 > img.cols - 1) x2 = img.cols - 1;
 110     if (y1 < 0) y1 = 0;
 111     if (y2 > img.rows - 1) y2 = img.rows - 1;
 112
 113     if (x2 - x1 < 2 * p_cell_size) {
 114         double diff = (2 * p_cell_size - x2 + x1) / 2.;
 115         if (x1 - diff >= 0 && x2 + diff < img.cols) {
 116             x1 -= diff;
 117             x2 += diff;
 118         } else if (x1 - 2 * diff >= 0) {
 119             x1 -= 2 * diff;
 120         } else {
 121             x2 += 2 * diff;
 122         }
 123     }
 124     if (y2 - y1 < 2 * p_cell_size) {
 125         double diff = (2 * p_cell_size - y2 + y1) / 2.;
 126         if (y1 - diff >= 0 && y2 + diff < img.rows) {
 127             y1 -= diff;
 128             y2 += diff;
 129         } else if (y1 - 2 * diff >= 0) {
 130             y1 -= 2 * diff;
 131         } else {
 132             y2 += 2 * diff;
 133         }
 134     }
 135
 136     p_pose.w = x2 - x1;
 137     p_pose.h = y2 - y1;
 138     p_pose.cx = x1 + p_pose.w / 2.;
 139     p_pose.cy = y1 + p_pose.h / 2.;
 140
 141     cv::Mat input_gray, input_rgb = img.clone();
 142     if (img.channels() == 3) {
 143         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 144         input_gray.convertTo(input_gray, CV_32FC1);
 145     } else
 146         img.convertTo(input_gray, CV_32FC1);
 147
 148     // don't need too large image
 149     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 150         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 151         p_resize_image = true;
 152         p_pose.scale(p_downscale_factor);
 153         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 154         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 155     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 156         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 157             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 158             std::exit(EXIT_FAILURE);
 159         }
 160         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 161         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 162         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 163                   << p_scale_factor_y << std::endl;
 164         p_fit_to_pw2 = true;
 165         p_pose.scale_x(p_scale_factor_x);
 166         p_pose.scale_y(p_scale_factor_y);
 167         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 168             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 169                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 170                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 171             } else {
 172                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 173                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 174             }
 175         }
 176     }
 177
 178     // compute win size + fit to fhog cell size
 179     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 180     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 181     p_roi.width = p_windows_size.width / p_cell_size;
 182     p_roi.height = p_windows_size.height / p_cell_size;
 183
 184     p_scales.clear();
 185     if (m_use_scale)
 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     else
 189         p_scales.push_back(1.);
 190
 191 #ifdef CUFFT
 192     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 193         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 194                      "the window dimensions so its size is less or equal to "
 195                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 196                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 197                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 198         std::exit(EXIT_FAILURE);
 199     }
 200
 201     if (m_use_linearkernel) {
 202         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 203         std::exit(EXIT_FAILURE);
 204     }
 205     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 206 #else
 207     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 208 #endif
 209
 210 #if defined(CUFFT) || defined(FFTW)
 211     uint width = p_roi.width / 2 + 1;
 212 #else
 213     uint width = p_roi.width;
 214 #endif
 215     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 216     p_yf.create(p_roi.height, width, 1);
 217     p_xf.create(p_roi.height, width, p_num_of_feats);
 218
 219 #ifndef BIG_BATCH
 220     for (auto scale: p_scales)
 221         d.threadctxs.emplace_back(p_roi, p_num_of_feats, scale);
 222 #else
 223     d.threadctxs.emplace_back(p_roi, p_num_of_feats, p_num_scales);
 224 #endif
 225
 226     gaussian_correlation.reset(
 227                 new GaussianCorrelation(IF_BIG_BATCH(p_num_scales, 1), p_roi));
 228
 229     p_current_scale = 1.;
 230
 231     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 232     double max_size_ratio =
 233         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 234                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 235     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 236     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 237
 238     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 239     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 240     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 241     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 242
 243     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 244
 245     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 246     fft.set_window(MatDynMem(cosine_window_function(p_roi.width, p_roi.height)));
 247
 248     // window weights, i.e. labels
 249     MatScales gsl(1, p_roi);
 250     gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height).copyTo(gsl.plane(0));
 251     fft.forward(gsl, p_yf);
 252     DEBUG_PRINTM(p_yf);
 253
 254     // train initial model
 255     train(input_gray, input_rgb, 1.0);
 256 }
 257
 258 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 259 {
 260     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 261 }
 262
 263 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 264 {
 265     if (p_resize_image) {
 266         BBox_c tmp = bbox;
 267         tmp.scale(p_downscale_factor);
 268         p_pose.cx = tmp.cx;
 269         p_pose.cy = tmp.cy;
 270     } else if (p_fit_to_pw2) {
 271         BBox_c tmp = bbox;
 272         tmp.scale_x(p_scale_factor_x);
 273         tmp.scale_y(p_scale_factor_y);
 274         p_pose.cx = tmp.cx;
 275         p_pose.cy = tmp.cy;
 276     } else {
 277         p_pose.cx = bbox.cx;
 278         p_pose.cy = bbox.cy;
 279     }
 280 }
 281
 282 BBox_c KCF_Tracker::getBBox()
 283 {
 284     BBox_c tmp = p_pose;
 285     tmp.w *= p_current_scale;
 286     tmp.h *= p_current_scale;
 287
 288     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 289     if (p_fit_to_pw2) {
 290         tmp.scale_x(1 / p_scale_factor_x);
 291         tmp.scale_y(1 / p_scale_factor_y);
 292     }
 293
 294     return tmp;
 295 }
 296
 297 double KCF_Tracker::getFilterResponse() const
 298 {
 299     return this->max_response;
 300 }
 301
 302 void KCF_Tracker::resizeImgs(cv::Mat &input_rgb, cv::Mat &input_gray)
 303 {
 304     if (p_resize_image) {
 305         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 306         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 307     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 308                fabs(p_scale_factor_y - 1) > p_floating_error) {
 309         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 310             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 311             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 312         } else {
 313             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 314             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 315         }
 316     }
 317 }
 318
 319 void KCF_Tracker::findMaxReponse(uint &max_idx, cv::Point2f &new_location) const
 320 {
 321     double max = -1.;
 322 #ifndef BIG_BATCH
 323     for (uint j = 0; j < d.threadctxs.size(); ++j) {
 324         if (d.threadctxs[j].max.response > max) {
 325             max = d.threadctxs[j].max.response;
 326             max_idx = j;
 327         }
 328     }
 329 #else
 330     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 331     for (uint j = 0; j < p_scales.size(); ++j) {
 332         if (d.threadctxs[0].max[j].response > max) {
 333             max = d.threadctxs[0].max[j].response;
 334             max_idx = j;
 335         }
 336     }
 337 #endif
 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);
 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 }
 358
 359 void KCF_Tracker::track(cv::Mat &img)
 360 {
 361     kcf_debug = m_debug;
 362     if (m_debug) std::cout << "NEW FRAME" << '\n';
 363
 364     cv::Mat input_gray, input_rgb = img.clone();
 365     if (img.channels() == 3) {
 366         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 367         input_gray.convertTo(input_gray, CV_32FC1);
 368     } else
 369         img.convertTo(input_gray, CV_32FC1);
 370
 371     // don't need too large image
 372     resizeImgs(input_rgb, input_gray);
 373
 374 #ifdef ASYNC
 375     for (auto &it : d.threadctxs)
 376         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 377             it.track(*this, input_rgb, input_gray);
 378         });
 379     for (auto const &it : d.threadctxs)
 380         it.async_res.wait();
 381
 382 #else  // !ASYNC
 383     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 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::Point2f new_location;
 390     uint max_idx;
 391     findMaxReponse(max_idx, new_location);
 392
 393     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 394     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 395     if (p_fit_to_pw2) {
 396         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 397         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 398     } else {
 399         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 400         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 401     }
 402
 403     // sub grid scale interpolation
 404     if (m_use_subgrid_scale) {
 405         p_current_scale *= sub_grid_scale(max_idx);
 406     } else {
 407         p_current_scale *= p_scales[max_idx];
 408     }
 409
 410     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 411
 412     // train at newly estimated target position
 413     train(input_rgb, input_gray, p_interp_factor);
 414 }
 415
 416 void ThreadCtx::track(const KCF_Tracker &kcf, cv::Mat &input_rgb, cv::Mat &input_gray)
 417 {
 418     // TODO: Move matrices to thread ctx
 419     MatScaleFeats patch_feats(IF_BIG_BATCH(kcf.p_num_scales, 1), kcf.p_num_of_feats, kcf.p_roi);
 420     MatScaleFeats temp(IF_BIG_BATCH(kcf.p_num_scales, 1), kcf.p_num_of_feats, kcf.p_roi);
 421
 422     BIG_BATCH_OMP_PARALLEL_FOR
 423     for (uint i = 0; i < IF_BIG_BATCH(kcf.p_num_scales, 1); ++i)
 424     {
 425         kcf.get_features(input_rgb, input_gray, kcf.p_pose.cx, kcf.p_pose.cy,
 426                          kcf.p_windows_size.width, kcf.p_windows_size.height,
 427                          kcf.p_current_scale * IF_BIG_BATCH(kcf.p_scales[i], scale))
 428                 .copyTo(patch_feats.features(i));
 429     }
 430
 431     kcf.fft.forward_window(patch_feats, zf, temp);
 432     DEBUG_PRINTM(zf);
 433
 434     if (kcf.m_use_linearkernel) {
 435         kzf = zf.mul(kcf.p_model_alphaf).sum_over_channels();
 436     } else {
 437         gaussian_correlation(kcf, kzf, zf, kcf.p_model_xf, kcf.p_kernel_sigma);
 438         DEBUG_PRINTM(kcf.p_model_alphaf);
 439         DEBUG_PRINTM(kzf);
 440         kzf = kzf.mul(kcf.p_model_alphaf);
 441     }
 442     kcf.fft.inverse(kzf, response);
 443
 444     DEBUG_PRINTM(response);
 445
 446     /* target location is at the maximum response. we must take into
 447     account the fact that, if the target doesn't move, the peak
 448     will appear at the top-left corner, not at the center (this is
 449     discussed in the paper). the responses wrap around cyclically. */
 450     double min_val, max_val;
 451     cv::Point2i min_loc, max_loc;
 452 #ifdef BIG_BATCH
 453     for (size_t i = 0; i < kcf.p_scales.size(); ++i) {
 454         cv::minMaxLoc(response.plane(i), &min_val, &max_val, &min_loc, &max_loc);
 455         DEBUG_PRINT(max_loc);
 456         double weight = kcf.p_scales[i] < 1. ? kcf.p_scales[i] : 1. / kcf.p_scales[i];
 457         max[i].response = max_val * weight;
 458         max[i].loc = max_loc;
 459     }
 460 #else
 461     cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 462
 463     DEBUG_PRINT(max_loc);
 464
 465     double weight = scale < 1. ? scale : 1. / scale;
 466     max.response = max_val * weight;
 467     max.loc = max_loc;
 468 #endif
 469 }
 470
 471 // ****************************************************************************
 472
 473 cv::Mat KCF_Tracker::get_features(cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy,
 474                                   int size_x, int size_y, double scale) const
 475 {
 476     int size_x_scaled = floor(size_x * scale);
 477     int size_y_scaled = floor(size_y * scale);
 478
 479     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 480     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 481
 482     // resize to default size
 483     if (scale > 1.) {
 484         // if we downsample use  INTER_AREA interpolation
 485         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 486     } else {
 487         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 488     }
 489
 490     // get hog(Histogram of Oriented Gradients) features
 491     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 492
 493     // get color rgb features (simple r,g,b channels)
 494     std::vector<cv::Mat> color_feat;
 495     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 496         // resize to default size
 497         if (scale > 1.) {
 498             // if we downsample use  INTER_AREA interpolation
 499             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 500         } else {
 501             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 502         }
 503     }
 504
 505     if (m_use_color && input_rgb.channels() == 3) {
 506         // use rgb color space
 507         cv::Mat patch_rgb_norm;
 508         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 509         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 510         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 511         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 512         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 513         cv::split(patch_rgb_norm, rgb);
 514         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 515     }
 516
 517     if (m_use_cnfeat && input_rgb.channels() == 3) {
 518         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 519         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 520     }
 521
 522     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 523
 524     int size[] = {p_num_of_feats, p_roi.height, p_roi.width};
 525     cv::Mat result(3, size, CV_32F);
 526     for (uint i = 0; i < hog_feat.size(); ++i)
 527         hog_feat[i].copyTo(cv::Mat(size[1], size[2], CV_32FC1, result.ptr(i)));
 528
 529     return result;
 530 }
 531
 532 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 533 {
 534     cv::Mat labels(dim2, dim1, CV_32FC1);
 535     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 536     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 537
 538     double sigma_s = sigma * sigma;
 539
 540     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 541         float *row_ptr = labels.ptr<float>(j);
 542         double y_s = y * y;
 543         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 544             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 545         }
 546     }
 547
 548     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 549     MatDynMem rot_labels = circshift(labels, range_x[0], range_y[0]);
 550     // sanity check, 1 at top left corner
 551     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 552
 553     return rot_labels;
 554 }
 555
 556 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 557 {
 558     cv::Mat rot_patch(patch.size(), CV_32FC1);
 559     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 560
 561     // circular rotate x-axis
 562     if (x_rot < 0) {
 563         // move part that does not rotate over the edge
 564         cv::Range orig_range(-x_rot, patch.cols);
 565         cv::Range rot_range(0, patch.cols - (-x_rot));
 566         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 567
 568         // rotated part
 569         orig_range = cv::Range(0, -x_rot);
 570         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 571         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 572     } else if (x_rot > 0) {
 573         // move part that does not rotate over the edge
 574         cv::Range orig_range(0, patch.cols - x_rot);
 575         cv::Range rot_range(x_rot, patch.cols);
 576         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 577
 578         // rotated part
 579         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 580         rot_range = cv::Range(0, x_rot);
 581         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 582     } else { // zero rotation
 583         // move part that does not rotate over the edge
 584         cv::Range orig_range(0, patch.cols);
 585         cv::Range rot_range(0, patch.cols);
 586         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 587     }
 588
 589     // circular rotate y-axis
 590     if (y_rot < 0) {
 591         // move part that does not rotate over the edge
 592         cv::Range orig_range(-y_rot, patch.rows);
 593         cv::Range rot_range(0, patch.rows - (-y_rot));
 594         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 595
 596         // rotated part
 597         orig_range = cv::Range(0, -y_rot);
 598         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 599         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 600     } else if (y_rot > 0) {
 601         // move part that does not rotate over the edge
 602         cv::Range orig_range(0, patch.rows - y_rot);
 603         cv::Range rot_range(y_rot, patch.rows);
 604         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 605
 606         // rotated part
 607         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 608         rot_range = cv::Range(0, y_rot);
 609         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 610     } else { // zero rotation
 611         // move part that does not rotate over the edge
 612         cv::Range orig_range(0, patch.rows);
 613         cv::Range rot_range(0, patch.rows);
 614         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 615     }
 616
 617     return rot_patch;
 618 }
 619
 620 // hann window actually (Power-of-cosine windows)
 621 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 622 {
 623     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 624     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 625     for (int i = 0; i < dim1; ++i)
 626         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 627     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 628     for (int i = 0; i < dim2; ++i)
 629         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 630     cv::Mat ret = m2 * m1;
 631     return ret;
 632 }
 633
 634 // Returns sub-window of image input centered at [cx, cy] coordinates),
 635 // with size [width, height]. If any pixels are outside of the image,
 636 // they will replicate the values at the borders.
 637 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height) const
 638 {
 639     cv::Mat patch;
 640
 641     int x1 = cx - width / 2;
 642     int y1 = cy - height / 2;
 643     int x2 = cx + width / 2;
 644     int y2 = cy + height / 2;
 645
 646     // out of image
 647     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 648         patch.create(height, width, input.type());
 649         patch.setTo(double(0.f));
 650         return patch;
 651     }
 652
 653     int top = 0, bottom = 0, left = 0, right = 0;
 654
 655     // fit to image coordinates, set border extensions;
 656     if (x1 < 0) {
 657         left = -x1;
 658         x1 = 0;
 659     }
 660     if (y1 < 0) {
 661         top = -y1;
 662         y1 = 0;
 663     }
 664     if (x2 >= input.cols) {
 665         right = x2 - input.cols + width % 2;
 666         x2 = input.cols;
 667     } else
 668         x2 += width % 2;
 669
 670     if (y2 >= input.rows) {
 671         bottom = y2 - input.rows + height % 2;
 672         y2 = input.rows;
 673     } else
 674         y2 += height % 2;
 675
 676     if (x2 - x1 == 0 || y2 - y1 == 0)
 677         patch = cv::Mat::zeros(height, width, CV_32FC1);
 678     else {
 679         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 680                            cv::BORDER_REPLICATE);
 681         //      imshow( "copyMakeBorder", patch);
 682         //      cv::waitKey();
 683     }
 684
 685     // sanity check
 686     assert(patch.cols == width && patch.rows == height);
 687
 688     return patch;
 689 }
 690
 691 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 692                                                   const ComplexMat &yf, double sigma, bool auto_correlation)
 693 {
 694     xf.sqr_norm(xf_sqr_norm);
 695     if (auto_correlation) {
 696         yf_sqr_norm = xf_sqr_norm;
 697     } else {
 698         yf.sqr_norm(yf_sqr_norm);
 699     }
 700     xyf = auto_correlation ? xf.sqr_mag() : xf * yf.conj(); // xf.muln(yf.conj());
 701     //DEBUG_PRINTM(xyf);
 702     kcf.fft.inverse(xyf, ifft_res);
 703 #ifdef CUFFT
 704     cuda_gaussian_correlation(ifft_res.deviceMem(), k.deviceMem(), xf_sqr_norm.deviceMem(),
 705                               auto_correlation ? xf_sqr_norm.deviceMem() : yf_sqr_norm.deviceMem(), sigma,
 706                               xf.n_channels, xf.n_scales, kcf.p_roi.height, kcf.p_roi.width);
 707 #else
 708     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 709     //DEBUG_PRINTM(ifft_res);
 710     cv::Mat xy_sum;
 711     if (xf.channels() != kcf.p_num_scales * kcf.p_num_of_feats)
 712         xy_sum.create(ifft_res.size(), CV_32FC1);
 713     else
 714         xy_sum.create(ifft_res.size(), CV_32FC(kcf.p_scales.size()));
 715     xy_sum.setTo(0);
 716     for (int y = 0; y < ifft_res.rows; ++y) {
 717         float *row_ptr = ifft_res.ptr<float>(y);
 718         float *row_ptr_sum = xy_sum.ptr<float>(y);
 719         for (int x = 0; x < ifft_res.cols; ++x) {
 720             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 721                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 722                     row_ptr + x * ifft_res.channels() + sum_ch * (ifft_res.channels() / xy_sum.channels()),
 723                     (row_ptr + x * ifft_res.channels() +
 724                      (sum_ch + 1) * (ifft_res.channels() / xy_sum.channels())),
 725                     0.f);
 726             }
 727         }
 728     }
 729     DEBUG_PRINTM(xy_sum);
 730
 731     std::vector<cv::Mat> scales;
 732     cv::split(xy_sum, scales);
 733
 734     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 735     for (uint i = 0; i < xf.n_scales; ++i) {
 736         cv::Mat k_roi = k.plane(i);
 737         cv::exp(-1. / (sigma * sigma) * cv::max((xf_sqr_norm[i] + yf_sqr_norm[0] - 2 * scales[i]) * numel_xf_inv, 0),
 738                 k_roi);
 739         DEBUG_PRINTM(k_roi);
 740     }
 741 #endif
 742     kcf.fft.forward(k, result);
 743 }
 744
 745 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 746 {
 747     int x = pt.x;
 748     int y = pt.y;
 749     if (x < 0) x = response.cols + x;
 750     if (y < 0) y = response.rows + y;
 751     if (x >= response.cols) x = x - response.cols;
 752     if (y >= response.rows) y = y - response.rows;
 753
 754     return response.at<float>(y, x);
 755 }
 756
 757 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response) const
 758 {
 759     // find neighbourhood of max_loc (response is circular)
 760     // 1 2 3
 761     // 4   5
 762     // 6 7 8
 763     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);
 764     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 765     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);
 766
 767     // clang-format off
 768     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 769     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 770                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 771                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 772                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 773                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 774                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 775                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 776                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 777                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 778                  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);
 779     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 780                     get_response_circular(p1, response),
 781                     get_response_circular(p2, response),
 782                     get_response_circular(p3, response),
 783                     get_response_circular(p4, response),
 784                     get_response_circular(p5, response),
 785                     get_response_circular(p6, response),
 786                     get_response_circular(p7, response),
 787                     get_response_circular(p8, response),
 788                     get_response_circular(max_loc, response));
 789     // clang-format on
 790     cv::Mat x;
 791     cv::solve(A, fval, x, cv::DECOMP_SVD);
 792
 793     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);
 794
 795     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 796     if (b > 0 || b < 0) {
 797         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 798         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 799     }
 800
 801     return sub_peak;
 802 }
 803
 804 double KCF_Tracker::sub_grid_scale(uint index)
 805 {
 806     cv::Mat A, fval;
 807     if (index >= p_scales.size()) {
 808         // interpolate from all values
 809         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 810         A.create(p_scales.size(), 3, CV_32FC1);
 811         fval.create(p_scales.size(), 1, CV_32FC1);
 812         for (size_t i = 0; i < p_scales.size(); ++i) {
 813             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 814             A.at<float>(i, 1) = float(p_scales[i]);
 815             A.at<float>(i, 2) = 1;
 816             fval.at<float>(i) = d.threadctxs.back().IF_BIG_BATCH(max[i].response, max.response);
 817         }
 818     } else {
 819         // only from neighbours
 820         if (index == 0 || index == p_scales.size() - 1)
 821            return p_scales[index];
 822
 823         A = (cv::Mat_<float>(3, 3) <<
 824              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 825              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 826              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 827 #ifdef BIG_BATCH
 828         fval = (cv::Mat_<float>(3, 1) <<
 829                 d.threadctxs.back().max[index - 1].response,
 830                 d.threadctxs.back().max[index + 0].response,
 831                 d.threadctxs.back().max[index + 1].response);
 832 #else
 833         fval = (cv::Mat_<float>(3, 1) <<
 834                 d.threadctxs[index - 1].max.response,
 835                 d.threadctxs[index + 0].max.response,
 836                 d.threadctxs[index + 1].max.response);
 837 #endif
 838     }
 839
 840     cv::Mat x;
 841     cv::solve(A, fval, x, cv::DECOMP_SVD);
 842     float a = x.at<float>(0), b = x.at<float>(1);
 843     double scale = p_scales[index];
 844     if (a > 0 || a < 0)
 845         scale = -b / (2 * a);
 846     return scale;
 847 }