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::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  65 {
  66     // check boundary, enforce min size
  67     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  68     if (x1 < 0) x1 = 0.;
  69     if (x2 > img.cols - 1) x2 = img.cols - 1;
  70     if (y1 < 0) y1 = 0;
  71     if (y2 > img.rows - 1) y2 = img.rows - 1;
  72
  73     if (x2 - x1 < 2 * p_cell_size) {
  74         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  75         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  76             x1 -= diff;
  77             x2 += diff;
  78         } else if (x1 - 2 * diff >= 0) {
  79             x1 -= 2 * diff;
  80         } else {
  81             x2 += 2 * diff;
  82         }
  83     }
  84     if (y2 - y1 < 2 * p_cell_size) {
  85         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  86         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  87             y1 -= diff;
  88             y2 += diff;
  89         } else if (y1 - 2 * diff >= 0) {
  90             y1 -= 2 * diff;
  91         } else {
  92             y2 += 2 * diff;
  93         }
  94     }
  95
  96     p_pose.w = x2 - x1;
  97     p_pose.h = y2 - y1;
  98     p_pose.cx = x1 + p_pose.w / 2.;
  99     p_pose.cy = y1 + p_pose.h / 2.;
 100
 101     cv::Mat input_gray, input_rgb = img.clone();
 102     if (img.channels() == 3) {
 103         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 104         input_gray.convertTo(input_gray, CV_32FC1);
 105     } else
 106         img.convertTo(input_gray, CV_32FC1);
 107
 108     // don't need too large image
 109     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 110         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 111         p_resize_image = true;
 112         p_pose.scale(p_downscale_factor);
 113         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 114         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 115     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 116         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 117             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 118             std::exit(EXIT_FAILURE);
 119         }
 120         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 121         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 122         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 123                   << p_scale_factor_y << std::endl;
 124         p_fit_to_pw2 = true;
 125         p_pose.scale_x(p_scale_factor_x);
 126         p_pose.scale_y(p_scale_factor_y);
 127         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 128             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 129                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 130                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 131             } else {
 132                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 133                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 134             }
 135         }
 136     }
 137
 138     // compute win size + fit to fhog cell size
 139     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 140     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 141     p_roi.width = p_windows_size.width / p_cell_size;
 142     p_roi.height = p_windows_size.height / p_cell_size;
 143
 144     p_num_of_feats = 31;
 145     if (m_use_color) p_num_of_feats += 3;
 146     if (m_use_cnfeat) p_num_of_feats += 10;
 147
 148     p_scales.clear();
 149     if (m_use_scale)
 150         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 151             p_scales.push_back(std::pow(p_scale_step, i));
 152     else
 153         p_scales.push_back(1.);
 154
 155 #ifdef CUFFT
 156     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 157         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 158                      "the window dimensions so its size is less or equal to "
 159                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 160                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 161                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 162         std::exit(EXIT_FAILURE);
 163     }
 164
 165     if (m_use_linearkernel) {
 166         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 167         std::exit(EXIT_FAILURE);
 168     }
 169     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 170     p_rot_labels_data = DynMem(p_roi.width * p_roi.height * sizeof(float));
 171     p_rot_labels = cv::Mat(p_roi, CV_32FC1, p_rot_labels_data.hostMem());
 172 #else
 173     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 174 #endif
 175
 176 #if defined(CUFFT) || defined(FFTW)
 177     uint width = p_roi.width / 2 + 1;
 178 #else
 179     uint width = p_roi.width;
 180 #endif
 181     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 182     p_yf.create(p_roi.height, width, 1);
 183     p_xf.create(p_roi.height, width, p_num_of_feats);
 184
 185 #ifndef BIG_BATCH
 186     for (auto scale: p_scales)
 187         d.threadctxs.emplace_back(p_roi, p_num_of_feats, 1, scale);
 188 #else
 189     d.threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, p_num_scales);
 190 #endif
 191
 192     p_current_scale = 1.;
 193
 194     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 195     double max_size_ratio =
 196         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 197                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 198     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 199     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 200
 201     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 202     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 203     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 204     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 205
 206     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 207
 208     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 209     fft.set_window(cosine_window_function(p_roi.width, p_roi.height));
 210
 211     // window weights, i.e. labels
 212     fft.forward(
 213         gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf,
 214         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr);
 215     DEBUG_PRINTM(p_yf);
 216
 217     // obtain a sub-window for training initial model
 218     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 219                                                     p_windows_size.width, p_windows_size.height);
 220     fft.forward_window(patch_feats, p_model_xf, d.threadctxs.front().fw_all,
 221                        m_use_cuda ? d.threadctxs.front().data_features.deviceMem() : nullptr);
 222     DEBUG_PRINTM(p_model_xf);
 223
 224     if (m_use_linearkernel) {
 225         ComplexMat xfconj = p_model_xf.conj();
 226         p_model_alphaf_num = xfconj.mul(p_yf);
 227         p_model_alphaf_den = (p_model_xf * xfconj);
 228     } else {
 229         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 230         uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
 231         cv::Size sz(Fft::freq_size(p_roi));
 232         GaussianCorrelation gaussian_correlation(sz, num_scales);
 233         ComplexMat kf(sz.height, sz.width, num_scales);
 234         gaussian_correlation(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
 235         DEBUG_PRINTM(kf);
 236         p_model_alphaf_num = p_yf * kf;
 237         DEBUG_PRINTM(p_model_alphaf_num);
 238         p_model_alphaf_den = kf * (kf + p_lambda);
 239         DEBUG_PRINTM(p_model_alphaf_den);
 240     }
 241     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 242     DEBUG_PRINTM(p_model_alphaf);
 243     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 244 }
 245
 246 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 247 {
 248     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 249 }
 250
 251 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 252 {
 253     if (p_resize_image) {
 254         BBox_c tmp = bbox;
 255         tmp.scale(p_downscale_factor);
 256         p_pose.cx = tmp.cx;
 257         p_pose.cy = tmp.cy;
 258     } else if (p_fit_to_pw2) {
 259         BBox_c tmp = bbox;
 260         tmp.scale_x(p_scale_factor_x);
 261         tmp.scale_y(p_scale_factor_y);
 262         p_pose.cx = tmp.cx;
 263         p_pose.cy = tmp.cy;
 264     } else {
 265         p_pose.cx = bbox.cx;
 266         p_pose.cy = bbox.cy;
 267     }
 268 }
 269
 270 BBox_c KCF_Tracker::getBBox()
 271 {
 272     BBox_c tmp = p_pose;
 273     tmp.w *= p_current_scale;
 274     tmp.h *= p_current_scale;
 275
 276     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 277     if (p_fit_to_pw2) {
 278         tmp.scale_x(1 / p_scale_factor_x);
 279         tmp.scale_y(1 / p_scale_factor_y);
 280     }
 281
 282     return tmp;
 283 }
 284
 285 double KCF_Tracker::getFilterResponse() const
 286 {
 287     return this->max_response;
 288 }
 289
 290 void KCF_Tracker::track(cv::Mat &img)
 291 {
 292     if (m_debug) std::cout << "NEW FRAME" << '\n';
 293     cv::Mat input_gray, input_rgb = img.clone();
 294     if (img.channels() == 3) {
 295         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 296         input_gray.convertTo(input_gray, CV_32FC1);
 297     } else
 298         img.convertTo(input_gray, CV_32FC1);
 299
 300     // don't need too large image
 301     if (p_resize_image) {
 302         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 303         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 304     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 305                fabs(p_scale_factor_y - 1) > p_floating_error) {
 306         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 307             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 308             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 309         } else {
 310             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 311             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 312         }
 313     }
 314
 315     max_response = -1.;
 316     ThreadCtx *max = nullptr;
 317     cv::Point2i *max_response_pt = nullptr;
 318     cv::Mat *max_response_map = nullptr;
 319
 320 #ifdef ASYNC
 321     for (auto &it : d.threadctxs)
 322         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 323             scale_track(it, input_rgb, input_gray);
 324         });
 325     for (auto const &it : d.threadctxs)
 326         it.async_res.wait();
 327
 328 #else  // !ASYNC
 329     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 330     NORMAL_OMP_PARALLEL_FOR
 331     for (uint i = 0; i < d.threadctxs.size(); ++i)
 332         scale_track(d.threadctxs[i], input_rgb, input_gray);
 333 #endif
 334
 335 #ifndef BIG_BATCH
 336     for (auto &it : d.threadctxs) {
 337         if (it.max_response > max_response) {
 338             max_response = it.max_response;
 339             max_response_pt = &it.max_loc;
 340             max_response_map = &it.response;
 341             max = &it;
 342         }
 343     }
 344 #else
 345     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 346     for (uint j = 0; j < p_scales.size(); ++j) {
 347         if (d.threadctxs[0].max_responses[j] > max_response) {
 348             max_response = d.threadctxs[0].max_responses[j];
 349             max_response_pt = &d.threadctxs[0].max_locs[j];
 350             max_response_map = &d.threadctxs[0].response_maps[j];
 351             max = &d.threadctxs[0];
 352         }
 353     }
 354 #endif
 355
 356     DEBUG_PRINTM(*max_response_map);
 357     DEBUG_PRINT(*max_response_pt);
 358
 359     // sub pixel quadratic interpolation from neighbours
 360     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 361         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 362     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 363         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 364
 365     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 366     DEBUG_PRINT(new_location);
 367
 368     if (m_use_subpixel_localization)
 369         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 370     DEBUG_PRINT(new_location);
 371
 372     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 373     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 374     if (p_fit_to_pw2) {
 375         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 376         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 377     } else {
 378         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 379         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 380     }
 381
 382     // sub grid scale interpolation
 383     if (m_use_subgrid_scale) {
 384         auto it = std::find_if(d.threadctxs.begin(), d.threadctxs.end(), [max](ThreadCtx &ctx) { return &ctx == max; });
 385         p_current_scale *= sub_grid_scale(std::distance(d.threadctxs.begin(), it));
 386     } else {
 387         p_current_scale *= max->scale;
 388     }
 389
 390     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 391
 392     ThreadCtx &ctx = d.threadctxs.front();
 393     // obtain a subwindow for training at newly estimated target position
 394     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 395                                                     p_windows_size.width, p_windows_size.height,
 396                                                     p_current_scale);
 397     fft.forward_window(patch_feats, p_xf, ctx.fw_all,
 398                        m_use_cuda ? ctx.data_features.deviceMem() : nullptr);
 399
 400     // subsequent frames, interpolate model
 401     p_model_xf = p_model_xf * (1. - p_interp_factor) + p_xf * p_interp_factor;
 402
 403     ComplexMat alphaf_num, alphaf_den;
 404
 405     if (m_use_linearkernel) {
 406         ComplexMat xfconj = p_xf.conj();
 407         alphaf_num = xfconj.mul(p_yf);
 408         alphaf_den = (p_xf * xfconj);
 409     } else {
 410         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 411         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
 412         cv::Size sz(Fft::freq_size(p_roi));
 413         ComplexMat kf(sz.height, sz.width, num_scales);
 414         (*gaussian_correlation)(*this, kf, p_xf, p_xf, p_kernel_sigma, true);
 415         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 416         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 417         alphaf_num = p_yf * kf;
 418         alphaf_den = kf * (kf + p_lambda);
 419     }
 420
 421     p_model_alphaf_num = p_model_alphaf_num * (1. - p_interp_factor) + alphaf_num * p_interp_factor;
 422     p_model_alphaf_den = p_model_alphaf_den * (1. - p_interp_factor) + alphaf_den * p_interp_factor;
 423     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 424 }
 425
 426 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 427 {
 428     std::vector<cv::Mat> patch_feats;
 429     if (BIG_BATCH_MODE) {
 430         BIG_BATCH_OMP_PARALLEL_FOR
 431         for (uint i = 0; i < p_num_scales; ++i) {
 432             patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 433                                        this->p_windows_size.width, this->p_windows_size.height,
 434                                        this->p_current_scale * this->p_scales[i]);
 435         }
 436     } else {
 437         patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 438                                    this->p_windows_size.width, this->p_windows_size.height,
 439                                    this->p_current_scale * vars.scale);
 440     }
 441
 442     fft.forward_window(patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr);
 443     DEBUG_PRINTM(vars.zf);
 444
 445     if (m_use_linearkernel) {
 446         vars.kzf = BIG_BATCH_MODE ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 447                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 448         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr);
 449     } else {
 450 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 451         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 452         vars.kzf = vars.model_alphaf * vars.kzf;
 453 #else
 454         vars.gaussian_correlation(*this, vars.kzf, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 455         DEBUG_PRINTM(this->p_model_alphaf);
 456         DEBUG_PRINTM(vars.kzf);
 457         vars.kzf = BIG_BATCH_MODE ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 458 #endif
 459         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr);
 460     }
 461
 462     DEBUG_PRINTM(vars.response);
 463
 464     /* target location is at the maximum response. we must take into
 465     account the fact that, if the target doesn't move, the peak
 466     will appear at the top-left corner, not at the center (this is
 467     discussed in the paper). the responses wrap around cyclically. */
 468 #ifdef BIG_BATCH
 469     cv::split(vars.response, vars.response_maps);
 470
 471     for (size_t i = 0; i < p_scales.size(); ++i) {
 472         double min_val, max_val;
 473         cv::Point2i min_loc, max_loc;
 474         cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 475         DEBUG_PRINT(max_loc);
 476         double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 477         vars.max_responses[i] = max_val * weight;
 478         vars.max_locs[i] = max_loc;
 479     }
 480 #else
 481     double min_val;
 482     cv::Point2i min_loc;
 483     cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 484
 485     DEBUG_PRINT(vars.max_loc);
 486
 487     double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 488     vars.max_response = vars.max_val * weight;
 489 #endif
 490     return;
 491 }
 492
 493 // ****************************************************************************
 494
 495 std::vector<cv::Mat> KCF_Tracker::get_features(cv::Mat & input_rgb, cv::Mat & input_gray, int cx, int cy, int size_x, int size_y, double scale)
 496 {
 497     int size_x_scaled = floor(size_x * scale);
 498     int size_y_scaled = floor(size_y * scale);
 499
 500     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 501     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 502
 503     // resize to default size
 504     if (scale > 1.) {
 505         // if we downsample use  INTER_AREA interpolation
 506         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 507     } else {
 508         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 509     }
 510
 511     // get hog(Histogram of Oriented Gradients) features
 512     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 513
 514     // get color rgb features (simple r,g,b channels)
 515     std::vector<cv::Mat> color_feat;
 516     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 517         // resize to default size
 518         if (scale > 1.) {
 519             // if we downsample use  INTER_AREA interpolation
 520             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 521         } else {
 522             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 523         }
 524     }
 525
 526     if (m_use_color && input_rgb.channels() == 3) {
 527         // use rgb color space
 528         cv::Mat patch_rgb_norm;
 529         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 530         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 531         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 532         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 533         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 534         cv::split(patch_rgb_norm, rgb);
 535         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 536     }
 537
 538     if (m_use_cnfeat && input_rgb.channels() == 3) {
 539         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 540         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 541     }
 542
 543     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 544     return hog_feat;
 545 }
 546
 547 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 548 {
 549     cv::Mat labels(dim2, dim1, CV_32FC1);
 550     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 551     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 552
 553     double sigma_s = sigma * sigma;
 554
 555     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 556         float *row_ptr = labels.ptr<float>(j);
 557         double y_s = y * y;
 558         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 559             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 560         }
 561     }
 562
 563     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 564 #ifdef CUFFT
 565     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 566     tmp.copyTo(p_rot_labels);
 567
 568     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 569     return tmp;
 570 #else
 571     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 572     // sanity check, 1 at top left corner
 573     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 574
 575     return rot_labels;
 576 #endif
 577 }
 578
 579 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 580 {
 581     cv::Mat rot_patch(patch.size(), CV_32FC1);
 582     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 583
 584     // circular rotate x-axis
 585     if (x_rot < 0) {
 586         // move part that does not rotate over the edge
 587         cv::Range orig_range(-x_rot, patch.cols);
 588         cv::Range rot_range(0, patch.cols - (-x_rot));
 589         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 590
 591         // rotated part
 592         orig_range = cv::Range(0, -x_rot);
 593         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 594         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 595     } else if (x_rot > 0) {
 596         // move part that does not rotate over the edge
 597         cv::Range orig_range(0, patch.cols - x_rot);
 598         cv::Range rot_range(x_rot, patch.cols);
 599         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 600
 601         // rotated part
 602         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 603         rot_range = cv::Range(0, x_rot);
 604         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 605     } else { // zero rotation
 606         // move part that does not rotate over the edge
 607         cv::Range orig_range(0, patch.cols);
 608         cv::Range rot_range(0, patch.cols);
 609         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 610     }
 611
 612     // circular rotate y-axis
 613     if (y_rot < 0) {
 614         // move part that does not rotate over the edge
 615         cv::Range orig_range(-y_rot, patch.rows);
 616         cv::Range rot_range(0, patch.rows - (-y_rot));
 617         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 618
 619         // rotated part
 620         orig_range = cv::Range(0, -y_rot);
 621         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 622         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 623     } else if (y_rot > 0) {
 624         // move part that does not rotate over the edge
 625         cv::Range orig_range(0, patch.rows - y_rot);
 626         cv::Range rot_range(y_rot, patch.rows);
 627         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 628
 629         // rotated part
 630         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 631         rot_range = cv::Range(0, y_rot);
 632         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 633     } else { // zero rotation
 634         // move part that does not rotate over the edge
 635         cv::Range orig_range(0, patch.rows);
 636         cv::Range rot_range(0, patch.rows);
 637         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 638     }
 639
 640     return rot_patch;
 641 }
 642
 643 // hann window actually (Power-of-cosine windows)
 644 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 645 {
 646     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 647     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 648     for (int i = 0; i < dim1; ++i)
 649         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 650     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 651     for (int i = 0; i < dim2; ++i)
 652         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 653     cv::Mat ret = m2 * m1;
 654     return ret;
 655 }
 656
 657 // Returns sub-window of image input centered at [cx, cy] coordinates),
 658 // with size [width, height]. If any pixels are outside of the image,
 659 // they will replicate the values at the borders.
 660 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 661 {
 662     cv::Mat patch;
 663
 664     int x1 = cx - width / 2;
 665     int y1 = cy - height / 2;
 666     int x2 = cx + width / 2;
 667     int y2 = cy + height / 2;
 668
 669     // out of image
 670     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 671         patch.create(height, width, input.type());
 672         patch.setTo(double(0.f));
 673         return patch;
 674     }
 675
 676     int top = 0, bottom = 0, left = 0, right = 0;
 677
 678     // fit to image coordinates, set border extensions;
 679     if (x1 < 0) {
 680         left = -x1;
 681         x1 = 0;
 682     }
 683     if (y1 < 0) {
 684         top = -y1;
 685         y1 = 0;
 686     }
 687     if (x2 >= input.cols) {
 688         right = x2 - input.cols + width % 2;
 689         x2 = input.cols;
 690     } else
 691         x2 += width % 2;
 692
 693     if (y2 >= input.rows) {
 694         bottom = y2 - input.rows + height % 2;
 695         y2 = input.rows;
 696     } else
 697         y2 += height % 2;
 698
 699     if (x2 - x1 == 0 || y2 - y1 == 0)
 700         patch = cv::Mat::zeros(height, width, CV_32FC1);
 701     else {
 702         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 703                            cv::BORDER_REPLICATE);
 704         //      imshow( "copyMakeBorder", patch);
 705         //      cv::waitKey();
 706     }
 707
 708     // sanity check
 709     assert(patch.cols == width && patch.rows == height);
 710
 711     return patch;
 712 }
 713
 714 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 715                                                    const ComplexMat &yf, double sigma, bool auto_correlation)
 716 {
 717     xf.sqr_norm(xf_sqr_norm);
 718     if (auto_correlation) {
 719         yf_sqr_norm.hostMem()[0] = xf_sqr_norm.hostMem()[0];
 720     } else {
 721         yf.sqr_norm(yf_sqr_norm);
 722     }
 723     xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 724     //DEBUG_PRINTM(xyf);
 725     kcf.fft.inverse(xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr);
 726 #ifdef CUFFT
 727     cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(),
 728                               vars.gc.xf_sqr_norm.deviceMem(), vars.gc.xf_sqr_norm.deviceMem(), sigma, xf.n_channels,
 729                               xf.n_scales, p_roi.height, p_roi.width);
 730 #else
 731     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 732     //DEBUG_PRINTM(vars.ifft2_res);
 733     cv::Mat xy_sum;
 734     if (xf.channels() != p_num_scales * p_num_of_feats)
 735         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 736     else
 737         xy_sum.create(vars.ifft2_res.size(), CV_32FC(p_scales.size()));
 738     xy_sum.setTo(0);
 739     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 740         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 741         float *row_ptr_sum = xy_sum.ptr<float>(y);
 742         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 743             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 744                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 745                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 746                     (row_ptr + x * vars.ifft2_res.channels() +
 747                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 748                     0.f);
 749             }
 750         }
 751     }
 752     DEBUG_PRINTM(xy_sum);
 753
 754     std::vector<cv::Mat> scales;
 755     cv::split(xy_sum, scales);
 756
 757     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 758     for (uint i = 0; i < xf.n_scales; ++i) {
 759         cv::Mat in_roi(vars.in_all, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 760         cv::exp(
 761             -1. / (sigma * sigma) *
 762                 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),
 763             in_roi);
 764         DEBUG_PRINTM(in_roi);
 765     }
 766 #endif
 767     DEBUG_PRINTM(vars.in_all);
 768     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr);
 769     return;
 770 }
 771
 772 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 773 {
 774     int x = pt.x;
 775     int y = pt.y;
 776     if (x < 0) x = response.cols + x;
 777     if (y < 0) y = response.rows + y;
 778     if (x >= response.cols) x = x - response.cols;
 779     if (y >= response.rows) y = y - response.rows;
 780
 781     return response.at<float>(y, x);
 782 }
 783
 784 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 785 {
 786     // find neighbourhood of max_loc (response is circular)
 787     // 1 2 3
 788     // 4   5
 789     // 6 7 8
 790     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);
 791     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 792     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);
 793
 794     // clang-format off
 795     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 796     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 797                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 798                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 799                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 800                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 801                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 802                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 803                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 804                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 805                  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);
 806     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 807                     get_response_circular(p1, response),
 808                     get_response_circular(p2, response),
 809                     get_response_circular(p3, response),
 810                     get_response_circular(p4, response),
 811                     get_response_circular(p5, response),
 812                     get_response_circular(p6, response),
 813                     get_response_circular(p7, response),
 814                     get_response_circular(p8, response),
 815                     get_response_circular(max_loc, response));
 816     // clang-format on
 817     cv::Mat x;
 818     cv::solve(A, fval, x, cv::DECOMP_SVD);
 819
 820     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);
 821
 822     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 823     if (b > 0 || b < 0) {
 824         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 825         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 826     }
 827
 828     return sub_peak;
 829 }
 830
 831 double KCF_Tracker::sub_grid_scale(uint index)
 832 {
 833     cv::Mat A, fval;
 834     if (index >= p_scales.size()) {
 835         // interpolate from all values
 836         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 837         A.create(p_scales.size(), 3, CV_32FC1);
 838         fval.create(p_scales.size(), 1, CV_32FC1);
 839         for (size_t i = 0; i < p_scales.size(); ++i) {
 840             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 841             A.at<float>(i, 1) = float(p_scales[i]);
 842             A.at<float>(i, 2) = 1;
 843 #ifdef BIG_BATCH
 844             fval.at<float>(i) = d.threadctxs.back().max_responses[i];
 845 #else
 846             fval.at<float>(i) = d.threadctxs[i].max_response;
 847 #endif
 848         }
 849     } else {
 850         // only from neighbours
 851         if (index == 0 || index == p_scales.size() - 1)
 852            return p_scales[index];
 853
 854         A = (cv::Mat_<float>(3, 3) <<
 855              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 856              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 857              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 858 #ifdef BIG_BATCH
 859         fval = (cv::Mat_<float>(3, 1) <<
 860                 d.threadctxs.back().max_responses[index - 1],
 861                 d.threadctxs.back().max_responses[index + 0],
 862                 d.threadctxs.back().max_responses[index + 1]);
 863 #else
 864         fval = (cv::Mat_<float>(3, 1) <<
 865                 d.threadctxs[index - 1].max_response,
 866                 d.threadctxs[index + 0].max_response,
 867                 d.threadctxs[index + 1].max_response);
 868 #endif
 869     }
 870
 871     cv::Mat x;
 872     cv::solve(A, fval, x, cv::DECOMP_SVD);
 873     float a = x.at<float>(0), b = x.at<float>(1);
 874     double scale = p_scales[index];
 875     if (a > 0 || a < 0)
 876         scale = -b / (2 * a);
 877     return scale;
 878 }