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 #define DEBUG_PRINT(obj)                                                                                               \
  23     if (m_debug) {                                                                                                     \
  24         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  25     }
  26 #define DEBUG_PRINTM(obj)                                                                                              \
  27     if (m_debug) {                                                                                                     \
  28         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  29                   << (obj) << std::endl;                                                                               \
  30     }
  31
  32 template <typename T>
  33 T clamp(const T& n, const T& lower, const T& upper)
  34 {
  35     return std::max(lower, std::min(n, upper));
  36 }
  37
  38 template <typename T>
  39 void clamp2(T& n, const T& lower, const T& upper)
  40 {
  41     n = std::max(lower, std::min(n, upper));
  42 }
  43
  44 class Kcf_Tracker_Private {
  45     friend KCF_Tracker;
  46     std::vector<ThreadCtx> threadctxs;
  47 };
  48
  49 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  50                          double output_sigma_factor, int cell_size)
  51     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  52       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size), d(*new Kcf_Tracker_Private)
  53 {
  54 }
  55
  56 KCF_Tracker::KCF_Tracker() : fft(*new FFT()), d(*new Kcf_Tracker_Private) {}
  57
  58 KCF_Tracker::~KCF_Tracker()
  59 {
  60     delete &fft;
  61     delete &d;
  62 }
  63
  64 void KCF_Tracker::train(cv::Mat input_gray, cv::Mat input_rgb, double interp_factor)
  65 {
  66     // obtain a sub-window for training
  67     int sizes[3] = {p_num_of_feats, p_windows_size.height, p_windows_size.width};
  68     MatDynMem patch_feats(3, sizes, CV_32FC1);
  69     MatDynMem temp(3, sizes, CV_32FC1);
  70     get_features(patch_feats, input_rgb, input_gray, p_pose.cx, p_pose.cy,
  71                  p_windows_size.width, p_windows_size.height,
  72                  p_current_scale);
  73     fft.forward_window(patch_feats, p_xf, temp);
  74     p_model_xf = p_model_xf * (1. - interp_factor) + p_xf * interp_factor;
  75     DEBUG_PRINTM(p_model_xf);
  76
  77     ComplexMat alphaf_num, alphaf_den;
  78
  79     if (m_use_linearkernel) {
  80         ComplexMat xfconj = p_xf.conj();
  81         alphaf_num = xfconj.mul(p_yf);
  82         alphaf_den = (p_xf * xfconj);
  83     } else {
  84         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
  85         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
  86         cv::Size sz(Fft::freq_size(p_roi));
  87         ComplexMat kf(sz.height, sz.width, num_scales);
  88         (*gaussian_correlation)(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
  89         DEBUG_PRINTM(kf);
  90         p_model_alphaf_num = p_yf * kf;
  91         DEBUG_PRINTM(p_model_alphaf_num);
  92         p_model_alphaf_den = kf * (kf + p_lambda);
  93         DEBUG_PRINTM(p_model_alphaf_den);
  94     }
  95     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
  96     DEBUG_PRINTM(p_model_alphaf);
  97     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
  98 }
  99
 100 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
 101 {
 102     // check boundary, enforce min size
 103     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
 104     if (x1 < 0) x1 = 0.;
 105     if (x2 > img.cols - 1) x2 = img.cols - 1;
 106     if (y1 < 0) y1 = 0;
 107     if (y2 > img.rows - 1) y2 = img.rows - 1;
 108
 109     if (x2 - x1 < 2 * p_cell_size) {
 110         double diff = (2 * p_cell_size - x2 + x1) / 2.;
 111         if (x1 - diff >= 0 && x2 + diff < img.cols) {
 112             x1 -= diff;
 113             x2 += diff;
 114         } else if (x1 - 2 * diff >= 0) {
 115             x1 -= 2 * diff;
 116         } else {
 117             x2 += 2 * diff;
 118         }
 119     }
 120     if (y2 - y1 < 2 * p_cell_size) {
 121         double diff = (2 * p_cell_size - y2 + y1) / 2.;
 122         if (y1 - diff >= 0 && y2 + diff < img.rows) {
 123             y1 -= diff;
 124             y2 += diff;
 125         } else if (y1 - 2 * diff >= 0) {
 126             y1 -= 2 * diff;
 127         } else {
 128             y2 += 2 * diff;
 129         }
 130     }
 131
 132     p_pose.w = x2 - x1;
 133     p_pose.h = y2 - y1;
 134     p_pose.cx = x1 + p_pose.w / 2.;
 135     p_pose.cy = y1 + p_pose.h / 2.;
 136
 137     cv::Mat input_gray, input_rgb = img.clone();
 138     if (img.channels() == 3) {
 139         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 140         input_gray.convertTo(input_gray, CV_32FC1);
 141     } else
 142         img.convertTo(input_gray, CV_32FC1);
 143
 144     // don't need too large image
 145     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 146         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 147         p_resize_image = true;
 148         p_pose.scale(p_downscale_factor);
 149         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 150         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 151     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 152         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 153             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 154             std::exit(EXIT_FAILURE);
 155         }
 156         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 157         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 158         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 159                   << p_scale_factor_y << std::endl;
 160         p_fit_to_pw2 = true;
 161         p_pose.scale_x(p_scale_factor_x);
 162         p_pose.scale_y(p_scale_factor_y);
 163         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 164             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 165                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 166                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 167             } else {
 168                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 169                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 170             }
 171         }
 172     }
 173
 174     // compute win size + fit to fhog cell size
 175     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 176     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 177     p_roi.width = p_windows_size.width / p_cell_size;
 178     p_roi.height = p_windows_size.height / p_cell_size;
 179
 180     p_scales.clear();
 181     if (m_use_scale)
 182         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 183             p_scales.push_back(std::pow(p_scale_step, i));
 184     else
 185         p_scales.push_back(1.);
 186
 187 #ifdef CUFFT
 188     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 189         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 190                      "the window dimensions so its size is less or equal to "
 191                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 192                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 193                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 194         std::exit(EXIT_FAILURE);
 195     }
 196
 197     if (m_use_linearkernel) {
 198         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 199         std::exit(EXIT_FAILURE);
 200     }
 201     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 202 #else
 203     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 204 #endif
 205
 206 #if defined(CUFFT) || defined(FFTW)
 207     uint width = p_roi.width / 2 + 1;
 208 #else
 209     uint width = p_roi.width;
 210 #endif
 211     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 212     p_yf.create(p_roi.height, width, 1);
 213     p_xf.create(p_roi.height, width, p_num_of_feats);
 214
 215 #ifndef BIG_BATCH
 216     for (auto scale: p_scales)
 217         d.threadctxs.emplace_back(p_roi, p_num_of_feats, 1, scale);
 218 #else
 219     d.threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, p_num_scales);
 220 #endif
 221
 222     p_current_scale = 1.;
 223
 224     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 225     double max_size_ratio =
 226         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 227                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 228     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 229     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 230
 231     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 232     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 233     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 234     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 235
 236     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 237
 238     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 239     fft.set_window(MatDynMem(cosine_window_function(p_roi.width, p_roi.height)));
 240
 241     // window weights, i.e. labels
 242     fft.forward(gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf);
 243     DEBUG_PRINTM(p_yf);
 244
 245     // train initial model
 246     train(input_gray, input_rgb, 1.0);
 247 }
 248
 249 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 250 {
 251     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 252 }
 253
 254 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 255 {
 256     if (p_resize_image) {
 257         BBox_c tmp = bbox;
 258         tmp.scale(p_downscale_factor);
 259         p_pose.cx = tmp.cx;
 260         p_pose.cy = tmp.cy;
 261     } else if (p_fit_to_pw2) {
 262         BBox_c tmp = bbox;
 263         tmp.scale_x(p_scale_factor_x);
 264         tmp.scale_y(p_scale_factor_y);
 265         p_pose.cx = tmp.cx;
 266         p_pose.cy = tmp.cy;
 267     } else {
 268         p_pose.cx = bbox.cx;
 269         p_pose.cy = bbox.cy;
 270     }
 271 }
 272
 273 BBox_c KCF_Tracker::getBBox()
 274 {
 275     BBox_c tmp = p_pose;
 276     tmp.w *= p_current_scale;
 277     tmp.h *= p_current_scale;
 278
 279     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 280     if (p_fit_to_pw2) {
 281         tmp.scale_x(1 / p_scale_factor_x);
 282         tmp.scale_y(1 / p_scale_factor_y);
 283     }
 284
 285     return tmp;
 286 }
 287
 288 double KCF_Tracker::getFilterResponse() const
 289 {
 290     return this->max_response;
 291 }
 292
 293 void KCF_Tracker::resizeImgs(cv::Mat &input_rgb, cv::Mat &input_gray)
 294 {
 295     if (p_resize_image) {
 296         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 297         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 298     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 299                fabs(p_scale_factor_y - 1) > p_floating_error) {
 300         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 301             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 302             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 303         } else {
 304             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 305             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 306         }
 307     }
 308 }
 309
 310 void KCF_Tracker::track(cv::Mat &img)
 311 {
 312     if (m_debug) std::cout << "NEW FRAME" << '\n';
 313     cv::Mat input_gray, input_rgb = img.clone();
 314     if (img.channels() == 3) {
 315         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 316         input_gray.convertTo(input_gray, CV_32FC1);
 317     } else
 318         img.convertTo(input_gray, CV_32FC1);
 319
 320     // don't need too large image
 321     resizeImgs(input_rgb, input_gray);
 322
 323 #ifdef ASYNC
 324     for (auto &it : d.threadctxs)
 325         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 326             scale_track(it, input_rgb, input_gray);
 327         });
 328     for (auto const &it : d.threadctxs)
 329         it.async_res.wait();
 330
 331 #else  // !ASYNC
 332     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 333     NORMAL_OMP_PARALLEL_FOR
 334     for (uint i = 0; i < d.threadctxs.size(); ++i)
 335         scale_track(d.threadctxs[i], input_rgb, input_gray);
 336 #endif
 337
 338     max_response = -1.;
 339     cv::Point2i *max_response_pt = nullptr;
 340     cv::Mat *max_response_map = nullptr;
 341     uint max_idx = 0;
 342
 343 #ifndef BIG_BATCH
 344     for (uint j = 0; j < d.threadctxs.size(); ++j) {
 345         ThreadCtx &it = d.threadctxs[j];
 346         if (it.max_response > max_response) {
 347             max_response = it.max_response;
 348             max_response_pt = &it.max_loc;
 349             max_response_map = &it.response;
 350             max_idx = j;
 351         }
 352     }
 353 #else
 354     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 355     for (uint j = 0; j < p_scales.size(); ++j) {
 356         if (d.threadctxs[0].max_responses[j] > max_response) {
 357             max_response = d.threadctxs[0].max_responses[j];
 358             max_response_pt = &d.threadctxs[0].max_locs[j];
 359             max_response_map = &d.threadctxs[0].response_maps[j];
 360             max_idx = j;
 361         }
 362     }
 363 #endif
 364
 365     DEBUG_PRINTM(*max_response_map);
 366     DEBUG_PRINT(*max_response_pt);
 367
 368     // sub pixel quadratic interpolation from neighbours
 369     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 370         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 371     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 372         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 373
 374     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 375     DEBUG_PRINT(new_location);
 376
 377     if (m_use_subpixel_localization)
 378         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 379     DEBUG_PRINT(new_location);
 380
 381     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 382     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 383     if (p_fit_to_pw2) {
 384         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 385         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 386     } else {
 387         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 388         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 389     }
 390
 391     // sub grid scale interpolation
 392     if (m_use_subgrid_scale) {
 393         p_current_scale *= sub_grid_scale(max_idx);
 394     } else {
 395         p_current_scale *= p_scales[max_idx];
 396     }
 397
 398     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 399
 400     // train at newly estimated target position
 401     train(input_rgb, input_gray, p_interp_factor);
 402 }
 403
 404 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 405 {
 406     // TODO: Move matrices to thread ctx
 407     int sizes[3] = {p_num_of_feats, p_windows_size.height, p_windows_size.width};
 408     MatDynMem patch_feats(3, sizes, CV_32FC1);
 409     MatDynMem temp(3, sizes, CV_32FC1);
 410
 411 #ifdef BIG_BATCH
 412     BIG_BATCH_OMP_PARALLEL_FOR
 413     for (uint i = 0; i < p_num_scales; ++i)
 414 #endif
 415     {
 416         get_features(patch_feats, input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 417                      this->p_windows_size.width, this->p_windows_size.height,
 418                      this->p_current_scale * IF_BIG_BATCH(this->p_scales[i], vars.scale));
 419     }
 420
 421     fft.forward_window(patch_feats, vars.zf, temp);
 422     DEBUG_PRINTM(vars.zf);
 423
 424     if (m_use_linearkernel) {
 425         vars.kzf = vars.zf.mul(p_model_alphaf).sum_over_channels();
 426     } else {
 427         (*gaussian_correlation)(*this, vars.kzf, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 428         DEBUG_PRINTM(this->p_model_alphaf);
 429         DEBUG_PRINTM(vars.kzf);
 430         vars.kzf = vars.kzf.mul(this->p_model_alphaf);
 431     }
 432     fft.inverse(vars.kzf, vars.response);
 433
 434     DEBUG_PRINTM(vars.response);
 435
 436     /* target location is at the maximum response. we must take into
 437     account the fact that, if the target doesn't move, the peak
 438     will appear at the top-left corner, not at the center (this is
 439     discussed in the paper). the responses wrap around cyclically. */
 440 #ifdef BIG_BATCH
 441     cv::split(vars.response, vars.response_maps);
 442
 443     for (size_t i = 0; i < p_scales.size(); ++i) {
 444         double min_val, max_val;
 445         cv::Point2i min_loc, max_loc;
 446         cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 447         DEBUG_PRINT(max_loc);
 448         double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 449         vars.max_responses[i] = max_val * weight;
 450         vars.max_locs[i] = max_loc;
 451     }
 452 #else
 453     double min_val;
 454     cv::Point2i min_loc;
 455     cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 456
 457     DEBUG_PRINT(vars.max_loc);
 458
 459     double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 460     vars.max_response = vars.max_val * weight;
 461 #endif
 462     return;
 463 }
 464
 465 // ****************************************************************************
 466
 467 void KCF_Tracker::get_features(MatDynMem &result_3d, cv::Mat & input_rgb, cv::Mat & input_gray, int cx, int cy, int size_x, int size_y, double scale)
 468 {
 469     assert(result_3d.size[0] == p_num_of_feats);
 470     assert(result_3d.size[1] == size_x);
 471     assert(result_3d.size[2] == size_y);
 472
 473     int size_x_scaled = floor(size_x * scale);
 474     int size_y_scaled = floor(size_y * scale);
 475
 476     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 477     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 478
 479     // resize to default size
 480     if (scale > 1.) {
 481         // if we downsample use  INTER_AREA interpolation
 482         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 483     } else {
 484         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 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 (scale > 1.) {
 495             // if we downsample use  INTER_AREA interpolation
 496             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 497         } else {
 498             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / 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     for (uint i = 0; i < hog_feat.size(); ++i) {
 522         cv::Mat result_plane(result_3d.dims - 1, result_3d.size + 1, result_3d.cv::Mat::type(), result_3d.ptr<void>(i));
 523         result_plane = hog_feat[i];
 524     }
 525 }
 526
 527 MatDynMem KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 528 {
 529     MatDynMem labels(dim2, dim1, CV_32FC1);
 530     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 531     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 532
 533     double sigma_s = sigma * sigma;
 534
 535     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 536         float *row_ptr = labels.ptr<float>(j);
 537         double y_s = y * y;
 538         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 539             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 540         }
 541     }
 542
 543     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 544     MatDynMem rot_labels = circshift(labels, range_x[0], range_y[0]);
 545     // sanity check, 1 at top left corner
 546     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 547
 548     return rot_labels;
 549 }
 550
 551 MatDynMem KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 552 {
 553     MatDynMem rot_patch(patch.size(), CV_32FC1);
 554     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 555
 556     // circular rotate x-axis
 557     if (x_rot < 0) {
 558         // move part that does not rotate over the edge
 559         cv::Range orig_range(-x_rot, patch.cols);
 560         cv::Range rot_range(0, patch.cols - (-x_rot));
 561         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 562
 563         // rotated part
 564         orig_range = cv::Range(0, -x_rot);
 565         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 566         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 567     } else if (x_rot > 0) {
 568         // move part that does not rotate over the edge
 569         cv::Range orig_range(0, patch.cols - x_rot);
 570         cv::Range rot_range(x_rot, patch.cols);
 571         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 572
 573         // rotated part
 574         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 575         rot_range = cv::Range(0, x_rot);
 576         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 577     } else { // zero rotation
 578         // move part that does not rotate over the edge
 579         cv::Range orig_range(0, patch.cols);
 580         cv::Range rot_range(0, patch.cols);
 581         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 582     }
 583
 584     // circular rotate y-axis
 585     if (y_rot < 0) {
 586         // move part that does not rotate over the edge
 587         cv::Range orig_range(-y_rot, patch.rows);
 588         cv::Range rot_range(0, patch.rows - (-y_rot));
 589         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 590
 591         // rotated part
 592         orig_range = cv::Range(0, -y_rot);
 593         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 594         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 595     } else if (y_rot > 0) {
 596         // move part that does not rotate over the edge
 597         cv::Range orig_range(0, patch.rows - y_rot);
 598         cv::Range rot_range(y_rot, patch.rows);
 599         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 600
 601         // rotated part
 602         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 603         rot_range = cv::Range(0, y_rot);
 604         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 605     } else { // zero rotation
 606         // move part that does not rotate over the edge
 607         cv::Range orig_range(0, patch.rows);
 608         cv::Range rot_range(0, patch.rows);
 609         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 610     }
 611
 612     return rot_patch;
 613 }
 614
 615 // hann window actually (Power-of-cosine windows)
 616 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 617 {
 618     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 619     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 620     for (int i = 0; i < dim1; ++i)
 621         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 622     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 623     for (int i = 0; i < dim2; ++i)
 624         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 625     cv::Mat ret = m2 * m1;
 626     return ret;
 627 }
 628
 629 // Returns sub-window of image input centered at [cx, cy] coordinates),
 630 // with size [width, height]. If any pixels are outside of the image,
 631 // they will replicate the values at the borders.
 632 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 633 {
 634     cv::Mat patch;
 635
 636     int x1 = cx - width / 2;
 637     int y1 = cy - height / 2;
 638     int x2 = cx + width / 2;
 639     int y2 = cy + height / 2;
 640
 641     // out of image
 642     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 643         patch.create(height, width, input.type());
 644         patch.setTo(double(0.f));
 645         return patch;
 646     }
 647
 648     int top = 0, bottom = 0, left = 0, right = 0;
 649
 650     // fit to image coordinates, set border extensions;
 651     if (x1 < 0) {
 652         left = -x1;
 653         x1 = 0;
 654     }
 655     if (y1 < 0) {
 656         top = -y1;
 657         y1 = 0;
 658     }
 659     if (x2 >= input.cols) {
 660         right = x2 - input.cols + width % 2;
 661         x2 = input.cols;
 662     } else
 663         x2 += width % 2;
 664
 665     if (y2 >= input.rows) {
 666         bottom = y2 - input.rows + height % 2;
 667         y2 = input.rows;
 668     } else
 669         y2 += height % 2;
 670
 671     if (x2 - x1 == 0 || y2 - y1 == 0)
 672         patch = cv::Mat::zeros(height, width, CV_32FC1);
 673     else {
 674         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 675                            cv::BORDER_REPLICATE);
 676         //      imshow( "copyMakeBorder", patch);
 677         //      cv::waitKey();
 678     }
 679
 680     // sanity check
 681     assert(patch.cols == width && patch.rows == height);
 682
 683     return patch;
 684 }
 685
 686 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 687                                                    const ComplexMat &yf, double sigma, bool auto_correlation)
 688 {
 689     xf.sqr_norm(xf_sqr_norm);
 690     if (auto_correlation) {
 691         yf_sqr_norm = xf_sqr_norm;
 692     } else {
 693         yf.sqr_norm(yf_sqr_norm);
 694     }
 695     xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 696     //DEBUG_PRINTM(xyf);
 697     kcf.fft.inverse(xyf, ifft_res);
 698 #ifdef CUFFT
 699     cuda_gaussian_correlation(ifft_res.deviceMem(), k.deviceMem(), xf_sqr_norm.deviceMem(),
 700                               auto_correlation ? xf_sqr_norm.deviceMem() : yf_sqr_norm.deviceMem(), sigma,
 701                               xf.n_channels, xf.n_scales, kcf.p_roi.height, kcf.p_roi.width);
 702 #else
 703     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 704     //DEBUG_PRINTM(vars.ifft2_res);
 705     cv::Mat xy_sum;
 706     if (xf.channels() != p_num_scales * p_num_of_feats)
 707         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 708     else
 709         xy_sum.create(vars.ifft2_res.size(), CV_32FC(p_scales.size()));
 710     xy_sum.setTo(0);
 711     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 712         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 713         float *row_ptr_sum = xy_sum.ptr<float>(y);
 714         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 715             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 716                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 717                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 718                     (row_ptr + x * vars.ifft2_res.channels() +
 719                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 720                     0.f);
 721             }
 722         }
 723     }
 724     DEBUG_PRINTM(xy_sum);
 725
 726     std::vector<cv::Mat> scales;
 727     cv::split(xy_sum, scales);
 728
 729     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 730     for (uint i = 0; i < xf.n_scales; ++i) {
 731         cv::Mat in_roi(vars.in_all, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 732         cv::exp(
 733             -1. / (sigma * sigma) *
 734                 cv::max((double(vars.gc.xf_sqr_norm.hostMem()[i] + vars.gc.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 735             in_roi);
 736         DEBUG_PRINTM(in_roi);
 737     }
 738 #endif
 739     kcf.fft.forward(k, result);
 740     return;
 741 }
 742
 743 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 744 {
 745     int x = pt.x;
 746     int y = pt.y;
 747     if (x < 0) x = response.cols + x;
 748     if (y < 0) y = response.rows + y;
 749     if (x >= response.cols) x = x - response.cols;
 750     if (y >= response.rows) y = y - response.rows;
 751
 752     return response.at<float>(y, x);
 753 }
 754
 755 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 756 {
 757     // find neighbourhood of max_loc (response is circular)
 758     // 1 2 3
 759     // 4   5
 760     // 6 7 8
 761     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);
 762     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 763     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);
 764
 765     // clang-format off
 766     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 767     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 768                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 769                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 770                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 771                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 772                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 773                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 774                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 775                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 776                  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);
 777     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 778                     get_response_circular(p1, response),
 779                     get_response_circular(p2, response),
 780                     get_response_circular(p3, response),
 781                     get_response_circular(p4, response),
 782                     get_response_circular(p5, response),
 783                     get_response_circular(p6, response),
 784                     get_response_circular(p7, response),
 785                     get_response_circular(p8, response),
 786                     get_response_circular(max_loc, response));
 787     // clang-format on
 788     cv::Mat x;
 789     cv::solve(A, fval, x, cv::DECOMP_SVD);
 790
 791     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);
 792
 793     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 794     if (b > 0 || b < 0) {
 795         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 796         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 797     }
 798
 799     return sub_peak;
 800 }
 801
 802 double KCF_Tracker::sub_grid_scale(uint index)
 803 {
 804     cv::Mat A, fval;
 805     if (index >= p_scales.size()) {
 806         // interpolate from all values
 807         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 808         A.create(p_scales.size(), 3, CV_32FC1);
 809         fval.create(p_scales.size(), 1, CV_32FC1);
 810         for (size_t i = 0; i < p_scales.size(); ++i) {
 811             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 812             A.at<float>(i, 1) = float(p_scales[i]);
 813             A.at<float>(i, 2) = 1;
 814 #ifdef BIG_BATCH
 815             fval.at<float>(i) = d.threadctxs.back().max_responses[i];
 816 #else
 817             fval.at<float>(i) = d.threadctxs[i].max_response;
 818 #endif
 819         }
 820     } else {
 821         // only from neighbours
 822         if (index == 0 || index == p_scales.size() - 1)
 823            return p_scales[index];
 824
 825         A = (cv::Mat_<float>(3, 3) <<
 826              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 827              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 828              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 829 #ifdef BIG_BATCH
 830         fval = (cv::Mat_<float>(3, 1) <<
 831                 d.threadctxs.back().max_responses[index - 1],
 832                 d.threadctxs.back().max_responses[index + 0],
 833                 d.threadctxs.back().max_responses[index + 1]);
 834 #else
 835         fval = (cv::Mat_<float>(3, 1) <<
 836                 d.threadctxs[index - 1].max_response,
 837                 d.threadctxs[index + 0].max_response,
 838                 d.threadctxs[index + 1].max_response);
 839 #endif
 840     }
 841
 842     cv::Mat x;
 843     cv::solve(A, fval, x, cv::DECOMP_SVD);
 844     float a = x.at<float>(0), b = x.at<float>(1);
 845     double scale = p_scales[index];
 846     if (a > 0 || a < 0)
 847         scale = -b / (2 * a);
 848     return scale;
 849 }