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 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) if (m_debug) {std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;}
  23 #define DEBUG_PRINTM(obj) if (m_debug) {std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl << (obj) << std::endl;}
  24
  25 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor, double output_sigma_factor, int cell_size) :
  26     fft(*new FFT()),
  27     p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  28     p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size) {}
  29
  30 KCF_Tracker::KCF_Tracker()
  31     : fft(*new FFT()) {}
  32
  33 KCF_Tracker::~KCF_Tracker()
  34 {
  35     delete &fft;
  36 #ifdef BIG_BATCH
  37 #ifdef CUFFT
  38     CudaSafeCall(cudaFreeHost(xf_sqr_norm));
  39     CudaSafeCall(cudaFreeHost(yf_sqr_norm));
  40     CudaSafeCall(cudaFree(gauss_corr_res));
  41 #else
  42     free(xf_sqr_norm);
  43     free(yf_sqr_norm);
  44 #endif
  45 #endif
  46 }
  47
  48 void KCF_Tracker::init(cv::Mat &img, const cv::Rect & bbox, int fit_size_x, int fit_size_y)
  49 {
  50     //check boundary, enforce min size
  51     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  52     if (x1 < 0) x1 = 0.;
  53     if (x2 > img.cols-1) x2 = img.cols - 1;
  54     if (y1 < 0) y1 = 0;
  55     if (y2 > img.rows-1) y2 = img.rows - 1;
  56
  57     if (x2-x1 < 2*p_cell_size) {
  58         double diff = (2*p_cell_size -x2+x1)/2.;
  59         if (x1 - diff >= 0 && x2 + diff < img.cols){
  60             x1 -= diff;
  61             x2 += diff;
  62         } else if (x1 - 2*diff >= 0) {
  63             x1 -= 2*diff;
  64         } else {
  65             x2 += 2*diff;
  66         }
  67     }
  68     if (y2-y1 < 2*p_cell_size) {
  69         double diff = (2*p_cell_size -y2+y1)/2.;
  70         if (y1 - diff >= 0 && y2 + diff < img.rows){
  71             y1 -= diff;
  72             y2 += diff;
  73         } else if (y1 - 2*diff >= 0) {
  74             y1 -= 2*diff;
  75         } else {
  76             y2 += 2*diff;
  77         }
  78     }
  79
  80     p_pose.w = x2-x1;
  81     p_pose.h = y2-y1;
  82     p_pose.cx = x1 + p_pose.w/2.;
  83     p_pose.cy = y1 + p_pose.h /2.;
  84
  85
  86     cv::Mat input_gray, input_rgb = img.clone();
  87     if (img.channels() == 3){
  88         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  89         input_gray.convertTo(input_gray, CV_32FC1);
  90     }else
  91         img.convertTo(input_gray, CV_32FC1);
  92
  93     // don't need too large image
  94     if (p_pose.w * p_pose.h > 100.*100. && (fit_size_x == -1 || fit_size_y == -1)) {
  95         std::cout << "resizing image by factor of " << 1/p_downscale_factor << std::endl;
  96         p_resize_image = true;
  97         p_pose.scale(p_downscale_factor);
  98         cv::resize(input_gray, input_gray, cv::Size(0,0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  99         cv::resize(input_rgb, input_rgb, cv::Size(0,0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 100     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 101         if (fit_size_x%p_cell_size != 0 || fit_size_y%p_cell_size != 0) {
 102             std::cerr << "Fit size does not fit to hog cell size. The dimensions have to be divisible by HOG cell size, which is: " << p_cell_size << std::endl;;
 103             std::exit(EXIT_FAILURE);
 104         }
 105         double tmp;
 106         if (( tmp = (p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size ) != fit_size_x)
 107             p_scale_factor_x = fit_size_x/tmp;
 108         if (( tmp = (p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size ) != fit_size_y)
 109             p_scale_factor_y = fit_size_y/tmp;
 110         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x
 111                   << " and verticaly by factor of " << p_scale_factor_y << std::endl;
 112         p_fit_to_pw2 = true;
 113         p_pose.scale_x(p_scale_factor_x);
 114         p_pose.scale_y(p_scale_factor_y);
 115         if (p_scale_factor_x != 1 && p_scale_factor_y != 1) {
 116             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 117                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 118                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 119             } else {
 120                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, 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[0] = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 128     p_windows_size[1] = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 129
 130     p_scales.clear();
 131     if (m_use_scale)
 132         for (int i = -p_num_scales/2; i <= p_num_scales/2; ++i)
 133             p_scales.push_back(std::pow(p_scale_step, i));
 134     else
 135         p_scales.push_back(1.);
 136
 137 #ifdef BIG_BATCH
 138 #ifdef CUFFT
 139     if (p_windows_size[1]/p_cell_size*(p_windows_size[0]/p_cell_size/2+1) > 1024) {
 140         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 141         "the window dimensions so its size is less or equal to " << 1024*p_cell_size*p_cell_size*2+1 <<
 142         " pixels . Currently the size of the window is: " <<  p_windows_size[0] << "x" <<  p_windows_size[1] <<
 143         " which is  " <<  p_windows_size[0]*p_windows_size[1] << " pixels. " << std::endl;
 144         std::exit(EXIT_FAILURE);
 145     }
 146
 147     if (m_use_linearkernel){
 148         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 149         std::exit(EXIT_FAILURE);
 150     }
 151     cudaSetDeviceFlags(cudaDeviceMapHost);
 152     CudaSafeCall(cudaHostAlloc((void**)&xf_sqr_norm, p_num_scales*sizeof(float), cudaHostAllocMapped));
 153     CudaSafeCall(cudaHostGetDevicePointer((void**)&xf_sqr_norm_d, (void*)xf_sqr_norm, 0));
 154
 155     CudaSafeCall(cudaHostAlloc((void**)&yf_sqr_norm, sizeof(float), cudaHostAllocMapped));
 156     CudaSafeCall(cudaHostGetDevicePointer((void**)&yf_sqr_norm_d, (void*)yf_sqr_norm, 0));
 157 #else
 158     xf_sqr_norm = (float*) malloc(p_num_scales*sizeof(float));
 159     yf_sqr_norm = (float*) malloc(sizeof(float));
 160 #endif
 161 #endif
 162     p_current_scale = 1.;
 163
 164     double min_size_ratio = std::max(5.*p_cell_size/p_windows_size[0], 5.*p_cell_size/p_windows_size[1]);
 165     double max_size_ratio = std::min(floor((img.cols + p_windows_size[0]/3)/p_cell_size)*p_cell_size/p_windows_size[0], floor((img.rows + p_windows_size[1]/3)/p_cell_size)*p_cell_size/p_windows_size[1]);
 166     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 167     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 168
 169     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
 170     std::cout << "init: win size. " << p_windows_size[0] << " " << p_windows_size[1] << std::endl;
 171     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 172
 173     p_output_sigma = std::sqrt(p_pose.w*p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 174
 175     //window weights, i.e. labels
 176     p_num_of_feats = 31;
 177     if(m_use_color) p_num_of_feats += 3;
 178     if(m_use_cnfeat) p_num_of_feats += 10;
 179     p_roi_width = p_windows_size[0]/p_cell_size;
 180     p_roi_height = p_windows_size[1]/p_cell_size;
 181
 182     fft.init(p_windows_size[0]/p_cell_size, p_windows_size[1]/p_cell_size, p_num_of_feats, p_num_scales, m_use_big_batch);
 183     p_yf = fft.forward(gaussian_shaped_labels(p_output_sigma, p_windows_size[0]/p_cell_size, p_windows_size[1]/p_cell_size));
 184     fft.set_window(cosine_window_function(p_windows_size[0]/p_cell_size, p_windows_size[1]/p_cell_size));
 185
 186 #ifdef CUFFT
 187       CudaSafeCall(cudaMalloc((void**)&gauss_corr_res, (p_windows_size[0]/p_cell_size)*(p_windows_size[1]/p_cell_size)*p_num_scales*sizeof(float)));
 188 #endif
 189     //obtain a sub-window for training initial model
 190     std::vector<cv::Mat> path_feat = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0], p_windows_size[1]);
 191     p_model_xf = fft.forward_window(path_feat);
 192     DEBUG_PRINTM(p_model_xf);
 193
 194     if (m_use_linearkernel) {
 195         ComplexMat xfconj = p_model_xf.conj();
 196         p_model_alphaf_num = xfconj.mul(p_yf);
 197         p_model_alphaf_den = (p_model_xf * xfconj);
 198     } else {
 199         //Kernel Ridge Regression, calculate alphas (in Fourier domain)
 200         ComplexMat kf = gaussian_correlation(p_model_xf, p_model_xf, p_kernel_sigma, true);
 201         DEBUG_PRINTM(kf);
 202         p_model_alphaf_num = p_yf * kf;
 203         DEBUG_PRINTM(p_model_alphaf_num);
 204         p_model_alphaf_den = kf * (kf + p_lambda);
 205         DEBUG_PRINTM(p_model_alphaf_den);
 206     }
 207     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 208     DEBUG_PRINTM(p_model_alphaf);
 209 //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 210 }
 211
 212 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat & img, int fit_size_x, int fit_size_y)
 213 {
 214     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 215 }
 216
 217 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 218 {
 219     if (p_resize_image) {
 220         BBox_c tmp = bbox;
 221         tmp.scale(p_downscale_factor);
 222         p_pose.cx = tmp.cx;
 223         p_pose.cy = tmp.cy;
 224     } else if (p_fit_to_pw2) {
 225         BBox_c tmp = bbox;
 226         tmp.scale_x(p_scale_factor_x);
 227         tmp.scale_y(p_scale_factor_y);
 228         p_pose.cx = tmp.cx;
 229         p_pose.cy = tmp.cy;
 230     } else {
 231         p_pose.cx = bbox.cx;
 232         p_pose.cy = bbox.cy;
 233     }
 234 }
 235
 236 BBox_c KCF_Tracker::getBBox()
 237 {
 238     BBox_c tmp = p_pose;
 239     tmp.w *= p_current_scale;
 240     tmp.h *= p_current_scale;
 241
 242     if (p_resize_image)
 243         tmp.scale(1/p_downscale_factor);
 244     if (p_fit_to_pw2) {
 245         tmp.scale_x(1/p_scale_factor_x);
 246         tmp.scale_y(1/p_scale_factor_y);
 247     }
 248
 249     return tmp;
 250 }
 251
 252 void KCF_Tracker::track(cv::Mat &img)
 253 {
 254     if (m_debug)
 255         std::cout << "NEW FRAME" << '\n';
 256     cv::Mat input_gray, input_rgb = img.clone();
 257     if (img.channels() == 3){
 258         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 259         input_gray.convertTo(input_gray, CV_32FC1);
 260     }else
 261         img.convertTo(input_gray, CV_32FC1);
 262
 263     // don't need too large image
 264     if (p_resize_image) {
 265         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 266         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 267     } else if (p_fit_to_pw2 && p_scale_factor_x != 1 && p_scale_factor_y != 1) {
 268         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 269             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 270             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 271         } else {
 272             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 273             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 274         }
 275     }
 276
 277
 278     std::vector<cv::Mat> patch_feat;
 279     double max_response = -1.;
 280     cv::Mat max_response_map;
 281     cv::Point2i max_response_pt;
 282     int scale_index = 0;
 283     std::vector<double> scale_responses;
 284
 285     if (m_use_multithreading){
 286         std::vector<std::future<cv::Mat>> async_res(p_scales.size());
 287         for (size_t i = 0; i < p_scales.size(); ++i) {
 288             async_res[i] = std::async(std::launch::async,
 289                                       [this, &input_gray, &input_rgb, i]() -> cv::Mat
 290                                       {
 291                                           std::vector<cv::Mat> patch_feat_async = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy, this->p_windows_size[0],
 292                                                                                                this->p_windows_size[1], this->p_current_scale * this->p_scales[i]);
 293                                           ComplexMat zf = fft.forward_window(patch_feat_async);
 294                                           if (m_use_linearkernel)
 295                                               return fft.inverse((p_model_alphaf * zf).sum_over_channels());
 296                                           else {
 297                                               ComplexMat kzf = gaussian_correlation(zf, this->p_model_xf, this->p_kernel_sigma);
 298                                               return fft.inverse(this->p_model_alphaf * kzf);
 299                                           }
 300                                       });
 301         }
 302
 303         for (size_t i = 0; i < p_scales.size(); ++i) {
 304             // wait for result
 305             async_res[i].wait();
 306             cv::Mat response = async_res[i].get();
 307
 308             double min_val, max_val;
 309             cv::Point2i min_loc, max_loc;
 310             cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 311
 312             double weight = p_scales[i] < 1. ? p_scales[i] : 1./p_scales[i];
 313             if (max_val*weight > max_response) {
 314                 max_response = max_val*weight;
 315                 max_response_map = response;
 316                 max_response_pt = max_loc;
 317                 scale_index = i;
 318             }
 319             scale_responses.push_back(max_val*weight);
 320         }
 321     } else if (m_use_big_batch){
 322 #pragma omp parallel for ordered
 323         for (size_t i = 0; i < p_scales.size(); ++i) {
 324             std::vector<cv::Mat> tmp = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0], p_windows_size[1], p_current_scale * p_scales[i]);
 325 #pragma omp ordered
 326             patch_feat.insert(std::end(patch_feat), std::begin(tmp), std::end(tmp));
 327         }
 328         ComplexMat zf = fft.forward_window(patch_feat);
 329         DEBUG_PRINTM(zf);
 330         cv::Mat response;
 331
 332         if (m_use_linearkernel)
 333             response = fft.inverse((zf.mul2(p_model_alphaf)).sum_over_channels());
 334         else {
 335             ComplexMat kzf = gaussian_correlation(zf, p_model_xf, p_kernel_sigma);
 336             DEBUG_PRINTM(p_model_alphaf);
 337             DEBUG_PRINTM(kzf);
 338             response = fft.inverse(kzf.mul(p_model_alphaf));
 339         }
 340         DEBUG_PRINTM(response);
 341         std::vector<cv::Mat> scales;
 342         cv::split(response,scales);
 343
 344         /* target location is at the maximum response. we must take into
 345            account the fact that, if the target doesn't move, the peak
 346            will appear at the top-left corner, not at the center (this is
 347            discussed in the paper). the responses wrap around cyclically. */
 348         for (size_t i = 0; i < p_scales.size(); ++i) {
 349             double min_val, max_val;
 350             cv::Point2i min_loc, max_loc;
 351             cv::minMaxLoc(scales[i], &min_val, &max_val, &min_loc, &max_loc);
 352             DEBUG_PRINT(max_loc);
 353
 354             double weight = p_scales[i] < 1. ? p_scales[i] : 1./p_scales[i];
 355
 356             if (max_val*weight > max_response) {
 357                 max_response = max_val*weight;
 358                 max_response_map = scales[i];
 359                 max_response_pt = max_loc;
 360                 scale_index = i;
 361             }
 362             scale_responses.push_back(max_val*weight);
 363         }
 364     } else {
 365 #pragma omp parallel for ordered  private(patch_feat) schedule(dynamic)
 366         for (size_t i = 0; i < p_scales.size(); ++i) {
 367             patch_feat = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy, this->p_windows_size[0], this->p_windows_size[1], this->p_current_scale * this->p_scales[i]);
 368             ComplexMat zf = fft.forward_window(patch_feat);
 369             DEBUG_PRINTM(zf);
 370             cv::Mat response;
 371             if (m_use_linearkernel)
 372                 response = fft.inverse((p_model_alphaf * zf).sum_over_channels());
 373             else {
 374                 ComplexMat kzf = gaussian_correlation(zf, this->p_model_xf, this->p_kernel_sigma);
 375                 DEBUG_PRINTM(p_model_alphaf);
 376                 DEBUG_PRINTM(kzf);
 377                 DEBUG_PRINTM(p_model_alphaf * kzf);
 378                 response = fft.inverse(this->p_model_alphaf * kzf);
 379             }
 380             DEBUG_PRINTM(response);
 381
 382             /* target location is at the maximum response. we must take into
 383                account the fact that, if the target doesn't move, the peak
 384                will appear at the top-left corner, not at the center (this is
 385                discussed in the paper). the responses wrap around cyclically. */
 386             double min_val, max_val;
 387             cv::Point2i min_loc, max_loc;
 388             cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 389             DEBUG_PRINT(max_loc);
 390
 391             double weight = this->p_scales[i] < 1. ? this->p_scales[i] : 1./this->p_scales[i];
 392 #pragma omp critical
 393             {
 394                 if (max_val*weight > max_response) {
 395                     max_response = max_val*weight;
 396                     max_response_map = response;
 397                     max_response_pt = max_loc;
 398                     scale_index = i;
 399                 }
 400             }
 401 #pragma omp ordered
 402             scale_responses.push_back(max_val*weight);
 403         }
 404     }
 405     DEBUG_PRINTM(max_response_map);
 406     DEBUG_PRINT(max_response_pt);
 407     //sub pixel quadratic interpolation from neighbours
 408     if (max_response_pt.y > max_response_map.rows / 2) //wrap around to negative half-space of vertical axis
 409         max_response_pt.y = max_response_pt.y - max_response_map.rows;
 410     if (max_response_pt.x > max_response_map.cols / 2) //same for horizontal axis
 411         max_response_pt.x = max_response_pt.x - max_response_map.cols;
 412
 413     cv::Point2f new_location(max_response_pt.x, max_response_pt.y);
 414     DEBUG_PRINT(new_location);
 415
 416     if (m_use_subpixel_localization)
 417         new_location = sub_pixel_peak(max_response_pt, max_response_map);
 418     DEBUG_PRINT(new_location);
 419
 420     p_pose.cx += p_current_scale*p_cell_size*new_location.x;
 421     p_pose.cy += p_current_scale*p_cell_size*new_location.y;
 422     if (p_fit_to_pw2) {
 423         if (p_pose.cx < 0) p_pose.cx = 0;
 424         if (p_pose.cx > (img.cols*p_scale_factor_x)-1) p_pose.cx = (img.cols*p_scale_factor_x)-1;
 425         if (p_pose.cy < 0) p_pose.cy = 0;
 426         if (p_pose.cy > (img.rows*p_scale_factor_y)-1) p_pose.cy = (img.rows*p_scale_factor_y)-1;
 427     } else {
 428         if (p_pose.cx < 0) p_pose.cx = 0;
 429         if (p_pose.cx > img.cols-1) p_pose.cx = img.cols-1;
 430         if (p_pose.cy < 0) p_pose.cy = 0;
 431         if (p_pose.cy > img.rows-1) p_pose.cy = img.rows-1;
 432     }
 433
 434     //sub grid scale interpolation
 435     double new_scale = p_scales[scale_index];
 436     if (m_use_subgrid_scale)
 437         new_scale = sub_grid_scale(scale_responses, scale_index);
 438
 439     p_current_scale *= new_scale;
 440
 441     if (p_current_scale < p_min_max_scale[0])
 442         p_current_scale = p_min_max_scale[0];
 443     if (p_current_scale > p_min_max_scale[1])
 444         p_current_scale = p_min_max_scale[1];
 445     //obtain a subwindow for training at newly estimated target position
 446     patch_feat = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size[0], p_windows_size[1], p_current_scale);
 447     ComplexMat xf = fft.forward_window(patch_feat);
 448
 449     //subsequent frames, interpolate model
 450     p_model_xf = p_model_xf * (1. - p_interp_factor) + xf * p_interp_factor;
 451
 452     ComplexMat alphaf_num, alphaf_den;
 453
 454     if (m_use_linearkernel) {
 455         ComplexMat xfconj = xf.conj();
 456         alphaf_num = xfconj.mul(p_yf);
 457         alphaf_den = (xf * xfconj);
 458     } else {
 459         //Kernel Ridge Regression, calculate alphas (in Fourier domain)
 460         ComplexMat kf = gaussian_correlation(xf, xf, p_kernel_sigma, true);
 461 //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 462 //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 463         alphaf_num = p_yf * kf;
 464         alphaf_den = kf * (kf + p_lambda);
 465     }
 466
 467     p_model_alphaf_num = p_model_alphaf_num * (1. - p_interp_factor) + alphaf_num * p_interp_factor;
 468     p_model_alphaf_den = p_model_alphaf_den * (1. - p_interp_factor) + alphaf_den * p_interp_factor;
 469     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 470 }
 471
 472 // ****************************************************************************
 473
 474 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)
 475 {
 476     int size_x_scaled = floor(size_x*scale);
 477     int size_y_scaled = floor(size_y*scale);
 478
 479     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 480     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 481
 482     //resize to default size
 483     if (scale > 1.){
 484         //if we downsample use  INTER_AREA interpolation
 485         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 486     }else {
 487         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 488     }
 489
 490     // get hog(Histogram of Oriented Gradients) features
 491     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 492
 493     //get color rgb features (simple r,g,b channels)
 494     std::vector<cv::Mat> color_feat;
 495     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 496         //resize to default size
 497         if (scale > 1.){
 498             //if we downsample use  INTER_AREA interpolation
 499             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x/p_cell_size, size_y/p_cell_size), 0., 0., cv::INTER_AREA);
 500         }else {
 501             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x/p_cell_size, size_y/p_cell_size), 0., 0., cv::INTER_LINEAR);
 502         }
 503     }
 504
 505     if (m_use_color && input_rgb.channels() == 3) {
 506         //use rgb color space
 507         cv::Mat patch_rgb_norm;
 508         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 509         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 510         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 511         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 512         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 513         cv::split(patch_rgb_norm, rgb);
 514         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 515     }
 516
 517     if (m_use_cnfeat && input_rgb.channels() == 3) {
 518         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 519         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 520     }
 521
 522     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 523     return hog_feat;
 524 }
 525
 526 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 527 {
 528     cv::Mat labels(dim2, dim1, CV_32FC1);
 529     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 530     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 531
 532     double sigma_s = sigma*sigma;
 533
 534     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j){
 535         float * row_ptr = labels.ptr<float>(j);
 536         double y_s = y*y;
 537         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i){
 538             row_ptr[i] = std::exp(-0.5 * (y_s + x*x) / sigma_s);//-1/2*e^((y^2+x^2)/sigma^2)
 539         }
 540     }
 541
 542     //rotate so that 1 is at top-left corner (see KCF paper for explanation)
 543     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 544     //sanity check, 1 at top left corner
 545     assert(rot_labels.at<float>(0,0) >= 1.f - 1e-10f);
 546
 547     return rot_labels;
 548 }
 549
 550 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 551 {
 552     cv::Mat rot_patch(patch.size(), CV_32FC1);
 553     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 554
 555     //circular rotate x-axis
 556     if (x_rot < 0) {
 557         //move part that does not rotate over the edge
 558         cv::Range orig_range(-x_rot, patch.cols);
 559         cv::Range rot_range(0, patch.cols - (-x_rot));
 560         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 561
 562         //rotated part
 563         orig_range = cv::Range(0, -x_rot);
 564         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 565         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 566     }else if (x_rot > 0){
 567         //move part that does not rotate over the edge
 568         cv::Range orig_range(0, patch.cols - x_rot);
 569         cv::Range rot_range(x_rot, patch.cols);
 570         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 571
 572         //rotated part
 573         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 574         rot_range = cv::Range(0, x_rot);
 575         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 576     }else {    //zero rotation
 577         //move part that does not rotate over the edge
 578         cv::Range orig_range(0, patch.cols);
 579         cv::Range rot_range(0, patch.cols);
 580         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 581     }
 582
 583     //circular rotate y-axis
 584     if (y_rot < 0) {
 585         //move part that does not rotate over the edge
 586         cv::Range orig_range(-y_rot, patch.rows);
 587         cv::Range rot_range(0, patch.rows - (-y_rot));
 588         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 589
 590         //rotated part
 591         orig_range = cv::Range(0, -y_rot);
 592         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 593         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 594     }else if (y_rot > 0){
 595         //move part that does not rotate over the edge
 596         cv::Range orig_range(0, patch.rows - y_rot);
 597         cv::Range rot_range(y_rot, patch.rows);
 598         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 599
 600         //rotated part
 601         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 602         rot_range = cv::Range(0, y_rot);
 603         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 604     }else { //zero rotation
 605         //move part that does not rotate over the edge
 606         cv::Range orig_range(0, patch.rows);
 607         cv::Range rot_range(0, patch.rows);
 608         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 609     }
 610
 611     return rot_patch;
 612 }
 613
 614 //hann window actually (Power-of-cosine windows)
 615 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 616 {
 617     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 618     double N_inv = 1./(static_cast<double>(dim1)-1.);
 619     for (int i = 0; i < dim1; ++i)
 620         m1.at<float>(i) = 0.5*(1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv));
 621     N_inv = 1./(static_cast<double>(dim2)-1.);
 622     for (int i = 0; i < dim2; ++i)
 623         m2.at<float>(i) = 0.5*(1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv));
 624     cv::Mat ret = m2*m1;
 625     return ret;
 626 }
 627
 628 // Returns sub-window of image input centered at [cx, cy] coordinates),
 629 // with size [width, height]. If any pixels are outside of the image,
 630 // they will replicate the values at the borders.
 631 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 632 {
 633     cv::Mat patch;
 634
 635     int x1 = cx - width/2;
 636     int y1 = cy - height/2;
 637     int x2 = cx + width/2;
 638     int y2 = cy + height/2;
 639
 640     //out of image
 641     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 642         patch.create(height, width, input.type());
 643         patch.setTo(0.f);
 644         return patch;
 645     }
 646
 647     int top = 0, bottom = 0, left = 0, right = 0;
 648
 649     //fit to image coordinates, set border extensions;
 650     if (x1 < 0) {
 651         left = -x1;
 652         x1 = 0;
 653     }
 654     if (y1 < 0) {
 655         top = -y1;
 656         y1 = 0;
 657     }
 658     if (x2 >= input.cols) {
 659         right = x2 - input.cols + width % 2;
 660         x2 = input.cols;
 661     } else
 662         x2 += width % 2;
 663
 664     if (y2 >= input.rows) {
 665         bottom = y2 - input.rows + height % 2;
 666         y2 = input.rows;
 667     } else
 668         y2 += height % 2;
 669
 670     if (x2 - x1 == 0 || y2 - y1 == 0)
 671         patch = cv::Mat::zeros(height, width, CV_32FC1);
 672     else
 673         {
 674             cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right, cv::BORDER_REPLICATE);
 675 //      imshow( "copyMakeBorder", patch);
 676 //      cv::waitKey();
 677         }
 678
 679     //sanity check
 680     assert(patch.cols == width && patch.rows == height);
 681
 682     return patch;
 683 }
 684
 685 ComplexMat KCF_Tracker::gaussian_correlation(const ComplexMat &xf, const ComplexMat &yf, double sigma, bool auto_correlation)
 686 {
 687 #ifdef BIG_BATCH
 688 #ifdef CUFFT
 689     xf.sqr_norm(xf_sqr_norm_d);
 690     if (!auto_correlation)
 691         yf.sqr_norm(yf_sqr_norm_d);
 692 #else
 693     xf.sqr_norm(xf_sqr_norm);
 694     if (auto_correlation){
 695       yf_sqr_norm[0] = xf_sqr_norm[0];
 696     } else {
 697        yf.sqr_norm(yf_sqr_norm);
 698     }
 699 #endif
 700 #else
 701     float xf_sqr_norm = xf.sqr_norm();
 702     float yf_sqr_norm =auto_correlation ? xf_sqr_norm : yf.sqr_norm();
 703 #endif
 704     ComplexMat xyf;
 705     xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 706     DEBUG_PRINTM(xyf);
 707 #ifdef CUFFT
 708     if(auto_correlation)
 709         cuda_gaussian_correlation(fft.inverse_raw(xyf), gauss_corr_res, xf_sqr_norm_d, xf_sqr_norm_d, sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width);
 710     else
 711         cuda_gaussian_correlation(fft.inverse_raw(xyf), gauss_corr_res, xf_sqr_norm_d, yf_sqr_norm_d, sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width);
 712
 713     return fft.forward_raw(gauss_corr_res, xf.n_scales==p_num_scales);
 714 #else
 715     //ifft2 and sum over 3rd dimension, we dont care about individual channels
 716     cv::Mat ifft2_res = fft.inverse(xyf);
 717     DEBUG_PRINTM(ifft2_res);
 718     cv::Mat xy_sum;
 719     if (xf.channels() != p_num_scales*p_num_of_feats)
 720         xy_sum.create(ifft2_res.size(), CV_32FC1);
 721     else
 722         xy_sum.create(ifft2_res.size(), CV_32FC(p_scales.size()));
 723     xy_sum.setTo(0);
 724     for (int y = 0; y < ifft2_res.rows; ++y) {
 725         float * row_ptr = ifft2_res.ptr<float>(y);
 726         float * row_ptr_sum = xy_sum.ptr<float>(y);
 727         for (int x = 0; x < ifft2_res.cols; ++x) {
 728             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 729                 row_ptr_sum[(x*xy_sum.channels())+sum_ch] += std::accumulate(row_ptr + x*ifft2_res.channels() + sum_ch*(ifft2_res.channels()/xy_sum.channels()), (row_ptr + x*ifft2_res.channels() + (sum_ch+1)*(ifft2_res.channels()/xy_sum.channels())), 0.f);
 730             }
 731         }
 732     }
 733     DEBUG_PRINTM(xy_sum);
 734
 735     std::vector<cv::Mat> scales;
 736     cv::split(xy_sum,scales);
 737     cv::Mat in_all(scales[0].rows * xf.n_scales, scales[0].cols, CV_32F);
 738
 739     float numel_xf_inv = 1.f/(xf.cols * xf.rows * (xf.channels()/xf.n_scales));
 740 #ifdef BIG_BATCH
 741     for (int i = 0; i < xf.n_scales; ++i){
 742         cv::Mat in_roi(in_all, cv::Rect(0, i*scales[0].rows, scales[0].cols, scales[0].rows));
 743         cv::exp(- 1.f / (sigma * sigma) * cv::max((xf_sqr_norm[i] + yf_sqr_norm[0] - 2 * scales[i]) * numel_xf_inv, 0), in_roi);
 744         DEBUG_PRINTM(in_roi);
 745     }
 746 #else
 747     cv::exp(- 1.f / (sigma * sigma) * cv::max((xf_sqr_norm + yf_sqr_norm - 2 * xy_sum) * numel_xf_inv, 0), in_all);
 748 #endif
 749
 750     DEBUG_PRINTM(in_all);
 751     return fft.forward(in_all);
 752 #endif
 753 }
 754
 755 float get_response_circular(cv::Point2i & pt, cv::Mat & response)
 756 {
 757     int x = pt.x;
 758     int y = pt.y;
 759     if (x < 0)
 760         x = response.cols + x;
 761     if (y < 0)
 762         y = response.rows + y;
 763     if (x >= response.cols)
 764         x = x - response.cols;
 765     if (y >= response.rows)
 766         y = y - response.rows;
 767
 768     return response.at<float>(y,x);
 769 }
 770
 771 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point & max_loc, cv::Mat & response)
 772 {
 773     //find neighbourhood of max_loc (response is circular)
 774     // 1 2 3
 775     // 4   5
 776     // 6 7 8
 777     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);
 778     cv::Point2i p4(max_loc.x-1, max_loc.y), p5(max_loc.x+1, max_loc.y);
 779     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);
 780
 781     // clang-format off
 782     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 783     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 784                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 785                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 786                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 787                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 788                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 789                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 790                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 791                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 792                  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);
 793     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 794                     get_response_circular(p1, response),
 795                     get_response_circular(p2, response),
 796                     get_response_circular(p3, response),
 797                     get_response_circular(p4, response),
 798                     get_response_circular(p5, response),
 799                     get_response_circular(p6, response),
 800                     get_response_circular(p7, response),
 801                     get_response_circular(p8, response),
 802                     get_response_circular(max_loc, response));
 803     // clang-format on
 804     cv::Mat x;
 805     cv::solve(A, fval, x, cv::DECOMP_SVD);
 806
 807     double a = x.at<float>(0), b = x.at<float>(1), c = x.at<float>(2),
 808            d = x.at<float>(3), e = x.at<float>(4);
 809
 810     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 811     if (b > 0 || b < 0) {
 812         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 813         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 814     }
 815
 816     return sub_peak;
 817 }
 818
 819 double KCF_Tracker::sub_grid_scale(std::vector<double> & responses, int index)
 820 {
 821     cv::Mat A, fval;
 822     if (index < 0 || index > (int)p_scales.size()-1) {
 823         // interpolate from all values
 824         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 825         A.create(p_scales.size(), 3, CV_32FC1);
 826         fval.create(p_scales.size(), 1, CV_32FC1);
 827         for (size_t i = 0; i < p_scales.size(); ++i) {
 828             A.at<float>(i, 0) = p_scales[i] * p_scales[i];
 829             A.at<float>(i, 1) = p_scales[i];
 830             A.at<float>(i, 2) = 1;
 831             fval.at<float>(i) = responses[i];
 832         }
 833     } else {
 834         //only from neighbours
 835         if (index == 0 || index == (int)p_scales.size()-1)
 836             return p_scales[index];
 837
 838         A = (cv::Mat_<float>(3, 3) <<
 839              p_scales[index-1] * p_scales[index-1], p_scales[index-1], 1,
 840              p_scales[index] * p_scales[index], p_scales[index], 1,
 841              p_scales[index+1] * p_scales[index+1], p_scales[index+1], 1);
 842         fval = (cv::Mat_<float>(3, 1) << responses[index-1], responses[index], responses[index+1]);
 843     }
 844
 845     cv::Mat x;
 846     cv::solve(A, fval, x, cv::DECOMP_SVD);
 847     double a = x.at<float>(0), b = x.at<float>(1);
 848     double scale = p_scales[index];
 849     if (a > 0 || a < 0)
 850         scale = -b / (2 * a);
 851     return scale;
 852 }