src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <future>
   5 #include <algorithm>
   6
   7 #ifdef FFTW
   8 #include "fft_fftw.h"
   9 #define FFT Fftw
  10 #elif 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 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  33                          double output_sigma_factor, int cell_size)
  34     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  35       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size)
  36 {
  37 }
  38
  39 KCF_Tracker::KCF_Tracker() : fft(*new FFT()) {}
  40
  41 KCF_Tracker::~KCF_Tracker()
  42 {
  43     delete &fft;
  44 }
  45
  46 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  47 {
  48     // check boundary, enforce min size
  49     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  50     if (x1 < 0) x1 = 0.;
  51     if (x2 > img.cols - 1) x2 = img.cols - 1;
  52     if (y1 < 0) y1 = 0;
  53     if (y2 > img.rows - 1) y2 = img.rows - 1;
  54
  55     if (x2 - x1 < 2 * p_cell_size) {
  56         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  57         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  58             x1 -= diff;
  59             x2 += diff;
  60         } else if (x1 - 2 * diff >= 0) {
  61             x1 -= 2 * diff;
  62         } else {
  63             x2 += 2 * diff;
  64         }
  65     }
  66     if (y2 - y1 < 2 * p_cell_size) {
  67         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  68         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  69             y1 -= diff;
  70             y2 += diff;
  71         } else if (y1 - 2 * diff >= 0) {
  72             y1 -= 2 * diff;
  73         } else {
  74             y2 += 2 * diff;
  75         }
  76     }
  77
  78     p_pose.w = x2 - x1;
  79     p_pose.h = y2 - y1;
  80     p_pose.cx = x1 + p_pose.w / 2.;
  81     p_pose.cy = y1 + p_pose.h / 2.;
  82
  83     cv::Mat input_gray, input_rgb = img.clone();
  84     if (img.channels() == 3) {
  85         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  86         input_gray.convertTo(input_gray, CV_32FC1);
  87     } else
  88         img.convertTo(input_gray, CV_32FC1);
  89
  90     // don't need too large image
  91     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
  92         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
  93         p_resize_image = true;
  94         p_pose.scale(p_downscale_factor);
  95         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  96         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  97     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
  98         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
  99             std::cerr << "Fit size does not fit to hog cell size. The dimensions have to be divisible by HOG cell "
 100                          "size, which is: "
 101                       << p_cell_size << std::endl;
 102             ;
 103             std::exit(EXIT_FAILURE);
 104         }
 105         double tmp = (p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 106         if (fabs(tmp - fit_size_x) > p_floating_error) p_scale_factor_x = fit_size_x / tmp;
 107         tmp = (p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 108         if (fabs(tmp - fit_size_y) > p_floating_error) p_scale_factor_y = fit_size_y / tmp;
 109         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 110                   << p_scale_factor_y << std::endl;
 111         p_fit_to_pw2 = true;
 112         p_pose.scale_x(p_scale_factor_x);
 113         p_pose.scale_y(p_scale_factor_y);
 114         if (fabs(p_scale_factor_x - 1) > p_floating_error && fabs(p_scale_factor_y - 1) > p_floating_error) {
 115             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 116                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 117                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 118             } else {
 119                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y,
 120                            cv::INTER_LINEAR);
 121                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 122             }
 123         }
 124     }
 125
 126     // compute win size + fit to fhog cell size
 127     p_windows_size.width = int(round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size);
 128     p_windows_size.height = int(round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size);
 129
 130     p_num_of_feats = 31;
 131     if (m_use_color) p_num_of_feats += 3;
 132     if (m_use_cnfeat) p_num_of_feats += 10;
 133     p_roi_width = p_windows_size.width / p_cell_size;
 134     p_roi_height = p_windows_size.height / p_cell_size;
 135
 136     p_scales.clear();
 137     if (m_use_scale)
 138         for (int i = -p_num_scales / 2; i <= p_num_scales / 2; ++i)
 139             p_scales.push_back(std::pow(p_scale_step, i));
 140     else
 141         p_scales.push_back(1.);
 142
 143      if (m_use_angle)
 144         for (int i = -2*p_angle_step; i <=2*p_angle_step ; i += p_angle_step)
 145             p_angles.push_back(i);
 146     else
 147         p_angles.push_back(0);
 148
 149 #ifdef CUFFT
 150     if (p_windows_size.height / p_cell_size * (p_windows_size.width / p_cell_size / 2 + 1) > 1024) {
 151         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 152                      "the window dimensions so its size is less or equal to "
 153                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 154                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 155                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 156         std::exit(EXIT_FAILURE);
 157     }
 158
 159     if (m_use_linearkernel) {
 160         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 161         std::exit(EXIT_FAILURE);
 162     }
 163     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 164     p_rot_labels_data = DynMem(
 165         ((uint(p_windows_size.width) / p_cell_size) * (uint(p_windows_size.height) / p_cell_size)) * sizeof(float));
 166     p_rot_labels = cv::Mat(p_windows_size.height / int(p_cell_size), p_windows_size.width / int(p_cell_size), CV_32FC1,
 167                            p_rot_labels_data.hostMem());
 168 #else
 169     p_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.height / p_cell_size)) / 2 + 1,
 170                 p_num_of_feats);
 171 #endif
 172
 173 #if defined(CUFFT) || defined(FFTW)
 174     p_model_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)) / 2 + 1,
 175                       uint(p_num_of_feats));
 176     p_yf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)) / 2 + 1, 1);
 177     p_xf.create(uint(p_windows_size.height) / p_cell_size, (uint(p_windows_size.width) / p_cell_size) / 2 + 1,
 178                 p_num_of_feats);
 179 #else
 180     p_model_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)),
 181                       uint(p_num_of_feats));
 182     p_yf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)), 1);
 183     p_xf.create(uint(p_windows_size.height) / p_cell_size, (uint(p_windows_size.width) / p_cell_size), p_num_of_feats);
 184 #endif
 185
 186     int max = m_use_big_batch ? 2 : p_num_scales;
 187     for (int i = 0; i < max; ++i) {
 188         if (m_use_big_batch && i == 1) {
 189             p_threadctxs.emplace_back(
 190                 new ThreadCtx(p_windows_size, p_cell_size, p_num_of_feats * p_num_scales, p_num_scales));
 191         } else {
 192             p_threadctxs.emplace_back(new ThreadCtx(p_windows_size, p_cell_size, p_num_of_feats, 1));
 193         }
 194     }
 195
 196     p_current_scale = 1.;
 197
 198     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 199     double max_size_ratio =
 200         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 201                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 202     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 203     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 204
 205     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
 206     std::cout << "init: win size. " << p_windows_size.width << " " << p_windows_size.height << std::endl;
 207     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 208
 209     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 210
 211     fft.init(uint(p_windows_size.width / p_cell_size), uint(p_windows_size.height / p_cell_size), uint(p_num_of_feats),
 212              uint(p_num_scales), m_use_big_batch);
 213     fft.set_window(cosine_window_function(p_windows_size.width / p_cell_size, p_windows_size.height / p_cell_size));
 214
 215     // window weights, i.e. labels
 216     fft.forward(
 217         gaussian_shaped_labels(p_output_sigma, p_windows_size.width / p_cell_size, p_windows_size.height / p_cell_size), p_yf,
 218         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr, p_threadctxs.front()->stream);
 219     DEBUG_PRINTM(p_yf);
 220
 221     // obtain a sub-window for training initial model
 222     p_threadctxs.front()->patch_feats.clear();
 223     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 224                  *p_threadctxs.front());
 225     fft.forward_window(p_threadctxs.front()->patch_feats, p_model_xf, p_threadctxs.front()->fw_all,
 226                        m_use_cuda ? p_threadctxs.front()->data_features.deviceMem() : nullptr, p_threadctxs.front()->stream);
 227     DEBUG_PRINTM(p_model_xf);
 228 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 229     p_threadctxs.front()->model_xf = p_model_xf;
 230     p_threadctxs.front()->model_xf.set_stream(p_threadctxs.front()->stream);
 231     p_yf.set_stream(p_threadctxs.front()->stream);
 232     p_model_xf.set_stream(p_threadctxs.front()->stream);
 233     p_xf.set_stream(p_threadctxs.front()->stream);
 234 #endif
 235
 236     if (m_use_linearkernel) {
 237         ComplexMat xfconj = p_model_xf.conj();
 238         p_model_alphaf_num = xfconj.mul(p_yf);
 239         p_model_alphaf_den = (p_model_xf * xfconj);
 240     } else {
 241         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 242 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 243         gaussian_correlation(*p_threadctxs.front(), p_threadctxs.front()->model_xf, p_threadctxs.front()->model_xf,
 244                              p_kernel_sigma, true);
 245 #else
 246         gaussian_correlation(*p_threadctxs.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 247 #endif
 248         DEBUG_PRINTM(p_threadctxs.front()->kf);
 249         p_model_alphaf_num = p_yf * p_threadctxs.front()->kf;
 250         DEBUG_PRINTM(p_model_alphaf_num);
 251         p_model_alphaf_den = p_threadctxs.front()->kf * (p_threadctxs.front()->kf + float(p_lambda));
 252         DEBUG_PRINTM(p_model_alphaf_den);
 253     }
 254     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 255     DEBUG_PRINTM(p_model_alphaf);
 256     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 257
 258 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 259     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 260         (*it)->model_xf = p_model_xf;
 261         (*it)->model_xf.set_stream((*it)->stream);
 262         (*it)->model_alphaf = p_model_alphaf;
 263         (*it)->model_alphaf.set_stream((*it)->stream);
 264     }
 265 #endif
 266 }
 267
 268 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 269 {
 270     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 271 }
 272
 273 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 274 {
 275     if (p_resize_image) {
 276         BBox_c tmp = bbox;
 277         tmp.scale(p_downscale_factor);
 278         p_pose.cx = tmp.cx;
 279         p_pose.cy = tmp.cy;
 280     } else if (p_fit_to_pw2) {
 281         BBox_c tmp = bbox;
 282         tmp.scale_x(p_scale_factor_x);
 283         tmp.scale_y(p_scale_factor_y);
 284         p_pose.cx = tmp.cx;
 285         p_pose.cy = tmp.cy;
 286     } else {
 287         p_pose.cx = bbox.cx;
 288         p_pose.cy = bbox.cy;
 289     }
 290 }
 291
 292 BBox_c KCF_Tracker::getBBox()
 293 {
 294     BBox_c tmp = p_pose;
 295     tmp.w *= p_current_scale;
 296     tmp.h *= p_current_scale;
 297     tmp.a = p_current_angle;
 298
 299     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 300     if (p_fit_to_pw2) {
 301         tmp.scale_x(1 / p_scale_factor_x);
 302         tmp.scale_y(1 / p_scale_factor_y);
 303     }
 304
 305     return tmp;
 306 }
 307
 308 void KCF_Tracker::track(cv::Mat &img)
 309 {
 310     if (m_debug) std::cout << "NEW FRAME" << '\n';
 311     cv::Mat input_gray, input_rgb = img.clone();
 312     if (img.channels() == 3) {
 313         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 314         input_gray.convertTo(input_gray, CV_32FC1);
 315     } else
 316         img.convertTo(input_gray, CV_32FC1);
 317
 318     // don't need too large image
 319     if (p_resize_image) {
 320         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 321         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 322     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 323                fabs(p_scale_factor_y - 1) > p_floating_error) {
 324         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 325             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 326             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 327         } else {
 328             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 329             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 330         }
 331     }
 332
 333     double max_response = -1.;
 334     int scale_index = 0;
 335     cv::Point2i *max_response_pt = nullptr;
 336     cv::Mat *max_response_map = nullptr;
 337
 338     if (m_use_multithreading) {
 339         std::vector<std::future<void>> async_res(p_scales.size());
 340         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 341             uint index = uint(std::distance(p_threadctxs.begin(), it));
 342             async_res[index] = std::async(std::launch::async, [this, &input_gray, &input_rgb, index, it]() -> void {
 343                 return scale_track(*(*it), input_rgb, input_gray, this->p_scales[index]);
 344             });
 345         }
 346         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 347             uint index = uint(std::distance(p_threadctxs.begin(), it));
 348             async_res[index].wait();
 349             if ((*it)->max_response > max_response) {
 350                 max_response = (*it)->max_response;
 351                 max_response_pt = &(*it)->max_loc;
 352                 max_response_map = &(*it)->response;
 353                 scale_index = int(index);
 354             }
 355         }
 356     } else {
 357         uint start = m_use_big_batch ? 1 : 0;
 358         uint end = m_use_big_batch ? 2 : uint(p_num_scales);
 359         NORMAL_OMP_PARALLEL_FOR
 360         for (uint i = start; i < end; ++i) {
 361             auto it = p_threadctxs.begin();
 362             std::advance(it, i);
 363             scale_track(*(*it), input_rgb, input_gray, this->p_scales[i]);
 364
 365             if (m_use_big_batch) {
 366                 for (size_t j = 0; j < p_scales.size(); ++j) {
 367                     if ((*it)->max_responses[j] > max_response) {
 368                         max_response = (*it)->max_responses[j];
 369                         max_response_pt = &(*it)->max_locs[j];
 370                         max_response_map = &(*it)->response_maps[j];
 371                         scale_index = int(j);
 372         //#pragma omp parallel for ordered  private(patch_feat) schedule(dynamic)
 373         //        for (size_t i = 0; i < p_scales.size(); ++i) {
 374         //            std::cout << "CURRENT SCALE: " << p_current_scale * p_scales[i] << std::endl;
 375         //                for (size_t j = 0; j < p_angles.size(); ++j) {
 376         //                    patch_feat = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0],
 377         //                    p_windows_size[1], p_current_scale * p_scales[i], p_current_angle + p_angles[j]);
 378         //                    ComplexMat zf = fft.forward_window(patch_feat);
 379         //                    DEBUG_PRINTM(zf);
 380         //                    cv::Mat response;
 381         //                    if (m_use_linearkernel)
 382         //                        response = fft.inverse((p_model_alphaf * zf).sum_over_channels());
 383         //                    else {
 384         //                        ComplexMat kzf = gaussian_correlation(zf, p_model_xf, p_kernel_sigma);
 385         //                        DEBUG_PRINTM(p_model_alphaf);
 386         //                        DEBUG_PRINTM(kzf);
 387         //                        DEBUG_PRINTM(p_model_alphaf * kzf);
 388         //                        response = fft.inverse(p_model_alphaf * kzf);
 389         //                    }
 390         //                    if (m_visual_debug) {
 391         //                        cv::Mat copy_response = response.clone();
 392
 393         //                        // crop the spectrum, if it has an odd number of rows or columns
 394         //                        copy_response = copy_response(cv::Rect(0, 0, copy_response.cols & -2,
 395         //                        copy_response.rows & -2));
 396
 397         //                        // rearrange the quadrants of Fourier image  so that the origin is at the image center
 398         //                        int cx = copy_response.cols/2;
 399         //                        int cy = copy_response.rows/2;
 400
 401         //                        cv::Mat q0(copy_response, cv::Rect(0, 0, cx, cy));   // Top-Left - Create a ROI per
 402         //                        quadrant cv::Mat q1(copy_response, cv::Rect(cx, 0, cx, cy));  // Top-Right cv::Mat
 403         //                        q2(copy_response, cv::Rect(0, cy, cx, cy));  // Bottom-Left cv::Mat q3(copy_response,
 404         //                        cv::Rect(cx, cy, cx, cy)); // Bottom-Right
 405
 406         //                        cv::Mat tmp;                           // swap quadrants (Top-Left with Bottom-Right)
 407         //                        q0.copyTo(tmp);
 408         //                        q3.copyTo(q0);
 409         //                        tmp.copyTo(q3);
 410
 411         //                        q1.copyTo(tmp);                    // swap quadrant (Top-Right with Bottom-Left)
 412         //                        q2.copyTo(q1);
 413         //                        tmp.copyTo(q2);
 414
 415         //                        cv::namedWindow("Response map",cv::WINDOW_NORMAL);
 416         //                        cv::resizeWindow("Response map", 128, 128);
 417         //                        cv::imshow("Response map", copy_response);
 418         //                        cv::waitKey(100);
 419                     }
 420                 }
 421             } else {
 422                 NORMAL_OMP_CRITICAL
 423                 {
 424                     if ((*it)->max_response > max_response) {
 425                         max_response = (*it)->max_response;
 426                         max_response_pt = &(*it)->max_loc;
 427                         max_response_map = &(*it)->response;
 428                         scale_index = int(i);
 429                     }
 430                 }
 431             }
 432         }
 433     }
 434
 435     DEBUG_PRINTM(*max_response_map);
 436     DEBUG_PRINT(*max_response_pt);
 437
 438     // sub pixel quadratic interpolation from neighbours
 439     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 440         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 441     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 442         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 443
 444     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 445     DEBUG_PRINT(new_location);
 446
 447     if (m_use_subpixel_localization) new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 448     DEBUG_PRINT(new_location);
 449
 450     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 451     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 452     if (p_fit_to_pw2) {
 453         if (p_pose.cx < 0) p_pose.cx = 0;
 454         if (p_pose.cx > (img.cols * p_scale_factor_x) - 1) p_pose.cx = (img.cols * p_scale_factor_x) - 1;
 455         if (p_pose.cy < 0) p_pose.cy = 0;
 456         if (p_pose.cy > (img.rows * p_scale_factor_y) - 1) p_pose.cy = (img.rows * p_scale_factor_y) - 1;
 457     } else {
 458         if (p_pose.cx < 0) p_pose.cx = 0;
 459         if (p_pose.cx > img.cols - 1) p_pose.cx = img.cols - 1;
 460         if (p_pose.cy < 0) p_pose.cy = 0;
 461         if (p_pose.cy > img.rows - 1) p_pose.cy = img.rows - 1;
 462     }
 463
 464     // sub grid scale interpolation
 465     double new_scale = p_scales[uint(scale_index)];
 466     if (m_use_subgrid_scale) new_scale = sub_grid_scale(scale_index);
 467
 468     p_current_scale *= new_scale;
 469
 470     if (p_current_scale < p_min_max_scale[0]) p_current_scale = p_min_max_scale[0];
 471     if (p_current_scale > p_min_max_scale[1]) p_current_scale = p_min_max_scale[1];
 472
 473     // TODO Missing angle_index
 474     //            int tmp_angle = p_current_angle + p_angles[angle_index];
 475     //            p_current_angle = tmp_angle < 0 ? -std::abs(tmp_angle)%360 : tmp_angle%360;
 476
 477     // obtain a subwindow for training at newly estimated target position
 478     p_threadctxs.front()->patch_feats.clear();
 479     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 480                  *p_threadctxs.front(), p_current_scale, p_current_angle);
 481     fft.forward_window(p_threadctxs.front()->patch_feats, p_xf, p_threadctxs.front()->fw_all,
 482                        m_use_cuda ? p_threadctxs.front()->data_features.deviceMem() : nullptr,
 483                        p_threadctxs.front()->stream);
 484
 485     // subsequent frames, interpolate model
 486     p_model_xf = p_model_xf * float((1. - p_interp_factor)) + p_xf * float(p_interp_factor);
 487
 488     ComplexMat alphaf_num, alphaf_den;
 489
 490     if (m_use_linearkernel) {
 491         ComplexMat xfconj = p_xf.conj();
 492         alphaf_num = xfconj.mul(p_yf);
 493         alphaf_den = (p_xf * xfconj);
 494     } else {
 495         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 496         gaussian_correlation(*p_threadctxs.front(), p_xf, p_xf, p_kernel_sigma,
 497                              true);
 498         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 499         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 500         alphaf_num = p_yf * p_threadctxs.front()->kf;
 501         alphaf_den = p_threadctxs.front()->kf * (p_threadctxs.front()->kf + float(p_lambda));
 502     }
 503
 504     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 505     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 506     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 507
 508 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 509     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 510         (*it)->model_xf = p_model_xf;
 511         (*it)->model_xf.set_stream((*it)->stream);
 512         (*it)->model_alphaf = p_model_alphaf;
 513         (*it)->model_alphaf.set_stream((*it)->stream);
 514     }
 515 #endif
 516 }
 517
 518 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray, double scale)
 519 {
 520     if (m_use_big_batch) {
 521         vars.patch_feats.clear();
 522         BIG_BATCH_OMP_PARALLEL_FOR
 523         for (uint i = 0; i < uint(p_num_scales); ++i) {
 524             get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 525                          this->p_windows_size.height, vars, this->p_current_scale * this->p_scales[i]);
 526         }
 527     } else {
 528         vars.patch_feats.clear();
 529         get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 530                      this->p_windows_size.height, vars, this->p_current_scale *scale);
 531     }
 532
 533     fft.forward_window(vars.patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr,
 534                        vars.stream);
 535     DEBUG_PRINTM(vars.zf);
 536
 537     if (m_use_linearkernel) {
 538         vars.kzf = m_use_big_batch ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 539                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 540         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 541     } else {
 542 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 543         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 544         vars.kzf = vars.model_alphaf * vars.kzf;
 545 #else
 546         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 547         DEBUG_PRINTM(this->p_model_alphaf);
 548         DEBUG_PRINTM(vars.kzf);
 549         vars.kzf = m_use_big_batch ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 550 #endif
 551         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 552     }
 553
 554     DEBUG_PRINTM(vars.response);
 555
 556     /* target location is at the maximum response. we must take into
 557     account the fact that, if the target doesn't move, the peak
 558     will appear at the top-left corner, not at the center (this is
 559     discussed in the paper). the responses wrap around cyclically. */
 560     if (m_use_big_batch) {
 561         cv::split(vars.response, vars.response_maps);
 562
 563         for (size_t i = 0; i < p_scales.size(); ++i) {
 564             double min_val, max_val;
 565             cv::Point2i min_loc, max_loc;
 566             cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 567             DEBUG_PRINT(max_loc);
 568             double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 569             vars.max_responses[i] = max_val * weight;
 570             vars.max_locs[i] = max_loc;
 571         }
 572     } else {
 573         double min_val;
 574         cv::Point2i min_loc;
 575         cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 576
 577         DEBUG_PRINT(vars.max_loc);
 578
 579         double weight = scale < 1. ? scale : 1. / scale;
 580         vars.max_response = vars.max_val * weight;
 581     }
 582     return;
 583 }
 584
 585 // ****************************************************************************
 586
 587 void KCF_Tracker::get_features(cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy, int size_x, int size_y,
 588                                ThreadCtx &vars, double scale, int angle)
 589 {
 590     int size_x_scaled = int(floor(size_x * scale));
 591     int size_y_scaled = int(floor(size_y * scale));
 592
 593     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled, angle);
 594     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled, angle);
 595         if (m_visual_debug) {
 596         cv::Mat patch_rgb_copy = patch_rgb.clone();
 597         // Check 4 sectors of image if they have same number of black pixels
 598         for(int sector = 0; sector < 4; sector++){
 599             int blackPixels = 0;
 600             for (int row = (sector<2?0:1)*patch_rgb_copy.rows/2; row < (patch_rgb_copy.rows-1)/(sector<2?2:1); row++){
 601                 for (int col = (sector == 0 || sector == 2?0:1)*patch_rgb_copy.cols/2; col < (patch_rgb_copy.cols-1)/((sector == 0 || sector == 2?2:1)); col++){
 602                     cv::Vec3b pixel = patch_rgb_copy.at<cv::Vec3b>(row,col);
 603                     if (pixel.val[0] == 0 && pixel.val[1] == 0 && pixel.val[2] == 0)
 604                         ++blackPixels;
 605                 }
 606             }
 607             std::cout << blackPixels << std::endl;
 608         }
 609         std::cout << std::endl;
 610
 611         cv::line(patch_rgb_copy, cv::Point(0, (patch_rgb_copy.cols-1)/2), cv::Point(patch_rgb_copy.rows-1, (patch_rgb_copy.cols-1)/2),cv::Scalar(0, 255, 0));
 612         cv::line(patch_rgb_copy, cv::Point((patch_rgb_copy.rows-1)/2, 0), cv::Point((patch_rgb_copy.rows-1)/2, patch_rgb_copy.cols-1),cv::Scalar(0, 255, 0));
 613         cv::imshow("Patch RGB unresized", patch_rgb_copy);
 614         cv::waitKey();
 615     }
 616
 617     // resize to default size
 618     if (scale > 1.) {
 619         // if we downsample use  INTER_AREA interpolation
 620         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 621     } else {
 622         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 623     }
 624     cv::Point2f center((patch_gray.cols-1)/2., (patch_gray.rows-1)/2.);
 625     cv::Mat r = getRotationMatrix2D(center, angle, 1.0);
 626
 627     cv::warpAffine(patch_gray, patch_gray, r, cv::Size(patch_gray.cols, patch_gray.rows), cv::BORDER_CONSTANT, 1);
 628
 629     // get hog(Histogram of Oriented Gradients) features
 630     FHoG::extract(patch_gray, vars, 2, p_cell_size, 9);
 631
 632     // get color rgb features (simple r,g,b channels)
 633     std::vector<cv::Mat> color_feat;
 634     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 635         // resize to default size
 636         if (scale > 1.) {
 637             // if we downsample use  INTER_AREA interpolation
 638             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0.,
 639                        cv::INTER_AREA);
 640         } else {
 641             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0.,
 642                        cv::INTER_LINEAR);
 643         }
 644 //         cv::imshow("Test", patch_rgb);
 645 //         cv::waitKey();
 646         cv::Point2f center((patch_rgb.cols-1)/2., (patch_rgb.rows-1)/2.);
 647         cv::Mat r = getRotationMatrix2D(center, angle, 1.0);
 648
 649         cv::warpAffine(patch_rgb, patch_rgb, r, cv::Size(patch_rgb.cols, patch_rgb.rows), cv::BORDER_CONSTANT, 1);
 650         cv::Mat patch_rgb_copy = patch_rgb.clone();
 651         if(m_visual_debug){
 652             cv::namedWindow("Patch RGB copy", CV_WINDOW_NORMAL);
 653             cv::resizeWindow("Patch RGB copy", 200, 200);
 654             cv::putText(patch_rgb_copy, std::to_string(angle), cv::Point(0, patch_rgb_copy.rows-1), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0,255,0),2,cv::LINE_AA);
 655             cv::imshow("Patch RGB copy",  patch_rgb_copy);
 656         }
 657
 658     }
 659
 660     if (m_use_color && input_rgb.channels() == 3) {
 661         // use rgb color space
 662         cv::Mat patch_rgb_norm;
 663         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 664         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 665         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 666         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 667         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 668         cv::split(patch_rgb_norm, rgb);
 669         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 670     }
 671
 672     if (m_use_cnfeat && input_rgb.channels() == 3) {
 673         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 674         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 675     }
 676     BIG_BATCH_OMP_ORDERED
 677     vars.patch_feats.insert(vars.patch_feats.end(), color_feat.begin(), color_feat.end());
 678     return;
 679 }
 680
 681 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 682 {
 683     cv::Mat labels(dim2, dim1, CV_32FC1);
 684     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 685     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 686
 687     double sigma_s = sigma * sigma;
 688
 689     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 690         float *row_ptr = labels.ptr<float>(j);
 691         double y_s = y * y;
 692         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 693             row_ptr[i] = float(std::exp(-0.5 * (y_s + x * x) / sigma_s)); //-1/2*e^((y^2+x^2)/sigma^2)
 694         }
 695     }
 696
 697     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 698 #ifdef CUFFT
 699     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 700     tmp.copyTo(p_rot_labels);
 701
 702     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 703     return tmp;
 704 #else
 705     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 706     // sanity check, 1 at top left corner
 707     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 708
 709     return rot_labels;
 710 #endif
 711 }
 712
 713 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 714 {
 715     cv::Mat rot_patch(patch.size(), CV_32FC1);
 716     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 717
 718     // circular rotate x-axis
 719     if (x_rot < 0) {
 720         // move part that does not rotate over the edge
 721         cv::Range orig_range(-x_rot, patch.cols);
 722         cv::Range rot_range(0, patch.cols - (-x_rot));
 723         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 724
 725         // rotated part
 726         orig_range = cv::Range(0, -x_rot);
 727         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 728         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 729     } else if (x_rot > 0) {
 730         // move part that does not rotate over the edge
 731         cv::Range orig_range(0, patch.cols - x_rot);
 732         cv::Range rot_range(x_rot, patch.cols);
 733         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 734
 735         // rotated part
 736         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 737         rot_range = cv::Range(0, x_rot);
 738         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 739     } else { // zero rotation
 740         // move part that does not rotate over the edge
 741         cv::Range orig_range(0, patch.cols);
 742         cv::Range rot_range(0, patch.cols);
 743         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 744     }
 745
 746     // circular rotate y-axis
 747     if (y_rot < 0) {
 748         // move part that does not rotate over the edge
 749         cv::Range orig_range(-y_rot, patch.rows);
 750         cv::Range rot_range(0, patch.rows - (-y_rot));
 751         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 752
 753         // rotated part
 754         orig_range = cv::Range(0, -y_rot);
 755         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 756         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 757     } else if (y_rot > 0) {
 758         // move part that does not rotate over the edge
 759         cv::Range orig_range(0, patch.rows - y_rot);
 760         cv::Range rot_range(y_rot, patch.rows);
 761         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 762
 763         // rotated part
 764         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 765         rot_range = cv::Range(0, y_rot);
 766         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 767     } else { // zero rotation
 768         // move part that does not rotate over the edge
 769         cv::Range orig_range(0, patch.rows);
 770         cv::Range rot_range(0, patch.rows);
 771         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 772     }
 773
 774     return rot_patch;
 775 }
 776
 777 // hann window actually (Power-of-cosine windows)
 778 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 779 {
 780     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 781     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 782     for (int i = 0; i < dim1; ++i)
 783         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 784     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 785     for (int i = 0; i < dim2; ++i)
 786         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 787     cv::Mat ret = m2 * m1;
 788     return ret;
 789 }
 790
 791 // Returns sub-window of image input centered at [cx, cy] coordinates),
 792 // with size [width, height]. If any pixels are outside of the image,
 793 // they will replicate the values at the borders.
 794 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height, int angle)
 795 {
 796     cv::Mat patch;
 797
 798     int x1 = cx - width/2;
 799     int y1 = cy - height/2;
 800     int x2 = cx + width/2;
 801     int y2 = cy + height/2;
 802
 803 //     std::cout << "Original coordinates x1: " << x1 << " y1: " << y1 << " x2: " << x2 << " y2: " << y2 << std::endl;
 804     //out of image
 805     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 806         patch.create(height, width, input.type());
 807         patch.setTo(double(0.f));
 808         return patch;
 809     }
 810
 811     int top = 0, bottom = 0, left = 0, right = 0;
 812
 813     // fit to image coordinates, set border extensions;
 814     if (x1 < 0) {
 815         left = -x1;
 816         x1 = 0;
 817     }
 818     if (y1 < 0) {
 819         top = -y1;
 820         y1 = 0;
 821     }
 822     if (x2 >= input.cols) {
 823         right = x2 - input.cols + width % 2;
 824         x2 = input.cols;
 825     } else
 826         x2 += width % 2;
 827
 828     if (y2 >= input.rows) {
 829         bottom = y2 - input.rows + height % 2;
 830         y2 = input.rows;
 831     } else
 832         y2 += height % 2;
 833
 834 //     cv::Mat input_copy;
 835 //     cv::Point2f center(x2-x1, y2-y1);
 836 //     cv::Mat r = getRotationMatrix2D(center, angle, 1.0);
 837 //
 838 //     cv::warpAffine(input, input_copy, r, cv::Size(input.cols, input.rows), cv::BORDER_CONSTANT, 1);
 839
 840     if (x2 - x1 == 0 || y2 - y1 == 0)
 841         patch = cv::Mat::zeros(height, width, CV_32FC1);
 842     else {
 843         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 844                            cv::BORDER_REPLICATE);
 845         //      imshow( "copyMakeBorder", patch);
 846         //      cv::waitKey();
 847     }
 848
 849     // sanity check
 850     assert(patch.cols == width && patch.rows == height);
 851
 852     return patch;
 853 }
 854
 855 void KCF_Tracker::gaussian_correlation(struct ThreadCtx &vars, const ComplexMat &xf, const ComplexMat &yf,
 856                                        double sigma, bool auto_correlation)
 857 {
 858 #ifdef CUFFT
 859     xf.sqr_norm(vars.xf_sqr_norm.deviceMem());
 860     if (!auto_correlation) yf.sqr_norm(vars.yf_sqr_norm.deviceMem());
 861 #else
 862     xf.sqr_norm(vars.xf_sqr_norm.hostMem());
 863     if (auto_correlation) {
 864         vars.yf_sqr_norm.hostMem()[0] = vars.xf_sqr_norm.hostMem()[0];
 865     } else {
 866         yf.sqr_norm(vars.yf_sqr_norm.hostMem());
 867     }
 868 #endif
 869     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 870     DEBUG_PRINTM(vars.xyf);
 871     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr, vars.stream);
 872 #ifdef CUFFT
 873     if (auto_correlation)
 874         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.xf_sqr_norm.deviceMem(),
 875                                   sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 876     else
 877         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.yf_sqr_norm.deviceMem(),
 878                                   sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 879 #else
 880     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 881     DEBUG_PRINTM(vars.ifft2_res);
 882     cv::Mat xy_sum;
 883     if (xf.channels() != p_num_scales * p_num_of_feats)
 884         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 885     else
 886         xy_sum.create(vars.ifft2_res.size(), CV_32FC(int(p_scales.size())));
 887     xy_sum.setTo(0);
 888     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 889         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 890         float *row_ptr_sum = xy_sum.ptr<float>(y);
 891         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 892             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 893                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 894                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 895                     (row_ptr + x * vars.ifft2_res.channels() +
 896                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 897                     0.f);
 898             }
 899         }
 900     }
 901     DEBUG_PRINTM(xy_sum);
 902
 903     std::vector<cv::Mat> scales;
 904     cv::split(xy_sum, scales);
 905
 906     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 907     for (uint i = 0; i < uint(xf.n_scales); ++i) {
 908         cv::Mat in_roi(vars.in_all, cv::Rect(0, int(i) * scales[0].rows, scales[0].cols, scales[0].rows));
 909         cv::exp(
 910             -1. / (sigma * sigma) *
 911                 cv::max((double(vars.xf_sqr_norm.hostMem()[i] + vars.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 912             in_roi);
 913         DEBUG_PRINTM(in_roi);
 914     }
 915 #endif
 916     DEBUG_PRINTM(vars.in_all);
 917     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr,
 918                 vars.stream);
 919     return;
 920 }
 921
 922 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 923 {
 924     int x = pt.x;
 925     int y = pt.y;
 926     if (x < 0) x = response.cols + x;
 927     if (y < 0) y = response.rows + y;
 928     if (x >= response.cols) x = x - response.cols;
 929     if (y >= response.rows) y = y - response.rows;
 930
 931     return response.at<float>(y, x);
 932 }
 933
 934 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 935 {
 936     // find neighbourhood of max_loc (response is circular)
 937     // 1 2 3
 938     // 4   5
 939     // 6 7 8
 940     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);
 941     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 942     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);
 943
 944     // clang-format off
 945     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 946     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 947                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 948                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 949                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 950                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 951                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 952                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 953                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 954                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 955                  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);
 956     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 957                     get_response_circular(p1, response),
 958                     get_response_circular(p2, response),
 959                     get_response_circular(p3, response),
 960                     get_response_circular(p4, response),
 961                     get_response_circular(p5, response),
 962                     get_response_circular(p6, response),
 963                     get_response_circular(p7, response),
 964                     get_response_circular(p8, response),
 965                     get_response_circular(max_loc, response));
 966     // clang-format on
 967     cv::Mat x;
 968     cv::solve(A, fval, x, cv::DECOMP_SVD);
 969
 970     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);
 971
 972     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 973     if (b > 0 || b < 0) {
 974         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 975         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 976     }
 977
 978     return sub_peak;
 979 }
 980
 981 double KCF_Tracker::sub_grid_scale(int index)
 982 {
 983     cv::Mat A, fval;
 984     if (index < 0 || index > int(p_scales.size()) - 1) {
 985         // interpolate from all values
 986         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 987         A.create(int(p_scales.size()), 3, CV_32FC1);
 988         fval.create(int(p_scales.size()), 1, CV_32FC1);
 989         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 990             uint i = uint(std::distance(p_threadctxs.begin(), it));
 991             int j = int(i);
 992             A.at<float>(j, 0) = float(p_scales[i] * p_scales[i]);
 993             A.at<float>(j, 1) = float(p_scales[i]);
 994             A.at<float>(j, 2) = 1;
 995             fval.at<float>(j) =
 996                 m_use_big_batch ? float(p_threadctxs.back()->max_responses[i]) : float((*it)->max_response);
 997         }
 998     } else {
 999         // only from neighbours
1000         if (index == 0 || index == int(p_scales.size()) - 1) return p_scales[uint(index)];
1001
1002         A = (cv::Mat_<float>(3, 3) << p_scales[uint(index) - 1] * p_scales[uint(index) - 1], p_scales[uint(index) - 1],
1003              1, p_scales[uint(index)] * p_scales[uint(index)], p_scales[uint(index)], 1,
1004              p_scales[uint(index) + 1] * p_scales[uint(index) + 1], p_scales[uint(index) + 1], 1);
1005         auto it1 = p_threadctxs.begin();
1006         std::advance(it1, index - 1);
1007         auto it2 = p_threadctxs.begin();
1008         std::advance(it2, index);
1009         auto it3 = p_threadctxs.begin();
1010         std::advance(it3, index + 1);
1011         fval = (cv::Mat_<float>(3, 1) << (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index) - 1]
1012                                                           : (*it1)->max_response),
1013                 (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index)] : (*it2)->max_response),
1014                 (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index) + 1] : (*it3)->max_response));
1015     }
1016
1017     cv::Mat x;
1018     cv::solve(A, fval, x, cv::DECOMP_SVD);
1019     float a = x.at<float>(0), b = x.at<float>(1);
1020     double scale = p_scales[uint(index)];
1021     if (a > 0 || a < 0) scale = double(-b / (2 * a));
1022     return scale;
1023 }