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 <<<<<<< HEAD
  23 #define DEBUG_PRINT(obj)                                                                                               \
  24     if (m_debug) {                                                                                                     \
  25         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  26     }
  27 #define DEBUG_PRINTM(obj)                                                                                              \
  28     if (m_debug) {                                                                                                     \
  29         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  30                   << (obj) << std::endl;                                                                               \
  31     }
  32 =======
  33 #define DEBUG_PRINT(obj) if (m_debug || m_visual_debug) {std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;}
  34 #define DEBUG_PRINTM(obj) if (m_debug) {std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl << (obj) << std::endl;}
  35 >>>>>>> Addded visual debug mode and also modified the rotation tracking implementation.
  36
  37 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  38                          double output_sigma_factor, int cell_size)
  39     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  40       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size)
  41 {
  42 }
  43
  44 KCF_Tracker::KCF_Tracker() : fft(*new FFT()) {}
  45
  46 KCF_Tracker::~KCF_Tracker()
  47 {
  48     delete &fft;
  49 }
  50
  51 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  52 {
  53     // check boundary, enforce min size
  54     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  55     if (x1 < 0) x1 = 0.;
  56     if (x2 > img.cols - 1) x2 = img.cols - 1;
  57     if (y1 < 0) y1 = 0;
  58     if (y2 > img.rows - 1) y2 = img.rows - 1;
  59
  60     if (x2 - x1 < 2 * p_cell_size) {
  61         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  62         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  63             x1 -= diff;
  64             x2 += diff;
  65         } else if (x1 - 2 * diff >= 0) {
  66             x1 -= 2 * diff;
  67         } else {
  68             x2 += 2 * diff;
  69         }
  70     }
  71     if (y2 - y1 < 2 * p_cell_size) {
  72         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  73         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  74             y1 -= diff;
  75             y2 += diff;
  76         } else if (y1 - 2 * diff >= 0) {
  77             y1 -= 2 * diff;
  78         } else {
  79             y2 += 2 * diff;
  80         }
  81     }
  82
  83     p_pose.w = x2 - x1;
  84     p_pose.h = y2 - y1;
  85     p_pose.cx = x1 + p_pose.w / 2.;
  86     p_pose.cy = y1 + p_pose.h / 2.;
  87
  88     cv::Mat input_gray, input_rgb = img.clone();
  89     if (img.channels() == 3) {
  90         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  91         input_gray.convertTo(input_gray, CV_32FC1);
  92     } else
  93         img.convertTo(input_gray, CV_32FC1);
  94
  95     // don't need too large image
  96     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
  97         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
  98         p_resize_image = true;
  99         p_pose.scale(p_downscale_factor);
 100         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 101         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 102     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 103         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 104             std::cerr << "Fit size does not fit to hog cell size. The dimensions have to be divisible by HOG cell "
 105                          "size, which is: "
 106                       << p_cell_size << std::endl;
 107             ;
 108             std::exit(EXIT_FAILURE);
 109         }
 110         double tmp = (p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 111         if (fabs(tmp - fit_size_x) > p_floating_error) p_scale_factor_x = fit_size_x / tmp;
 112         tmp = (p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 113         if (fabs(tmp - fit_size_y) > p_floating_error) p_scale_factor_y = fit_size_y / tmp;
 114         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 115                   << p_scale_factor_y << std::endl;
 116         p_fit_to_pw2 = true;
 117         p_pose.scale_x(p_scale_factor_x);
 118         p_pose.scale_y(p_scale_factor_y);
 119         if (fabs(p_scale_factor_x - 1) > p_floating_error && fabs(p_scale_factor_y - 1) > p_floating_error) {
 120             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 121                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 122                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 123             } else {
 124                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y,
 125                            cv::INTER_LINEAR);
 126                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 127             }
 128         }
 129     }
 130
 131     // compute win size + fit to fhog cell size
 132     p_windows_size.width = int(round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size);
 133     p_windows_size.height = int(round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size);
 134
 135     p_num_of_feats = 31;
 136     if (m_use_color) p_num_of_feats += 3;
 137     if (m_use_cnfeat) p_num_of_feats += 10;
 138     p_roi_width = p_windows_size.width / p_cell_size;
 139     p_roi_height = p_windows_size.height / p_cell_size;
 140
 141     p_scales.clear();
 142     if (m_use_scale)
 143         for (int i = -p_num_scales / 2; i <= p_num_scales / 2; ++i)
 144             p_scales.push_back(std::pow(p_scale_step, i));
 145     else
 146         p_scales.push_back(1.);
 147
 148      if (m_use_angle)
 149         for (int i = p_angle_min; i <=p_angle_max ; i += p_angle_step)
 150             p_angles.push_back(i);
 151     else
 152         p_angles.push_back(0);
 153
 154 #ifdef CUFFT
 155     if (p_windows_size.height / p_cell_size * (p_windows_size.width / p_cell_size / 2 + 1) > 1024) {
 156         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 157                      "the window dimensions so its size is less or equal to "
 158                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 159                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 160                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 161         std::exit(EXIT_FAILURE);
 162     }
 163
 164     if (m_use_linearkernel) {
 165         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 166         std::exit(EXIT_FAILURE);
 167     }
 168     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 169     p_rot_labels_data = DynMem(
 170         ((uint(p_windows_size.width) / p_cell_size) * (uint(p_windows_size.height) / p_cell_size)) * sizeof(float));
 171     p_rot_labels = cv::Mat(p_windows_size.height / int(p_cell_size), p_windows_size.width / int(p_cell_size), CV_32FC1,
 172                            p_rot_labels_data.hostMem());
 173 #else
 174     p_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.height / p_cell_size)) / 2 + 1,
 175                 p_num_of_feats);
 176 #endif
 177
 178 #if defined(CUFFT) || defined(FFTW)
 179     p_model_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)) / 2 + 1,
 180                       uint(p_num_of_feats));
 181     p_yf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)) / 2 + 1, 1);
 182     p_xf.create(uint(p_windows_size.height) / p_cell_size, (uint(p_windows_size.width) / p_cell_size) / 2 + 1,
 183                 p_num_of_feats);
 184 #else
 185     p_model_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)),
 186                       uint(p_num_of_feats));
 187     p_yf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)), 1);
 188     p_xf.create(uint(p_windows_size.height) / p_cell_size, (uint(p_windows_size.width) / p_cell_size), p_num_of_feats);
 189 #endif
 190
 191     int max = m_use_big_batch ? 2 : p_num_scales;
 192     for (int i = 0; i < max; ++i) {
 193         if (m_use_big_batch && i == 1) {
 194             p_threadctxs.emplace_back(
 195                 new ThreadCtx(p_windows_size, p_cell_size, p_num_of_feats * p_num_scales, p_num_scales));
 196         } else {
 197             p_threadctxs.emplace_back(new ThreadCtx(p_windows_size, p_cell_size, p_num_of_feats, 1));
 198         }
 199     }
 200
 201     p_current_scale = 1.;
 202
 203     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 204     double max_size_ratio =
 205         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 206                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 207     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 208     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 209
 210     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
 211     std::cout << "init: win size. " << p_windows_size.width << " " << p_windows_size.height << std::endl;
 212     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 213
 214     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 215
 216     fft.init(uint(p_windows_size.width / p_cell_size), uint(p_windows_size.height / p_cell_size), uint(p_num_of_feats),
 217              uint(p_num_scales), m_use_big_batch);
 218     fft.set_window(cosine_window_function(p_windows_size.width / p_cell_size, p_windows_size.height / p_cell_size));
 219
 220     // window weights, i.e. labels
 221     fft.forward(
 222         gaussian_shaped_labels(p_output_sigma, p_windows_size.width / p_cell_size, p_windows_size.height / p_cell_size), p_yf,
 223         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr, p_threadctxs.front()->stream);
 224     DEBUG_PRINTM(p_yf);
 225
 226     // obtain a sub-window for training initial model
 227     p_threadctxs.front()->patch_feats.clear();
 228     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 229                  *p_threadctxs.front());
 230     fft.forward_window(p_threadctxs.front()->patch_feats, p_model_xf, p_threadctxs.front()->fw_all,
 231                        m_use_cuda ? p_threadctxs.front()->data_features.deviceMem() : nullptr, p_threadctxs.front()->stream);
 232     DEBUG_PRINTM(p_model_xf);
 233 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 234     p_threadctxs.front()->model_xf = p_model_xf;
 235     p_threadctxs.front()->model_xf.set_stream(p_threadctxs.front()->stream);
 236     p_yf.set_stream(p_threadctxs.front()->stream);
 237     p_model_xf.set_stream(p_threadctxs.front()->stream);
 238     p_xf.set_stream(p_threadctxs.front()->stream);
 239 #endif
 240
 241     if (m_use_linearkernel) {
 242         ComplexMat xfconj = p_model_xf.conj();
 243         p_model_alphaf_num = xfconj.mul(p_yf);
 244         p_model_alphaf_den = (p_model_xf * xfconj);
 245     } else {
 246         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 247 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 248         gaussian_correlation(*p_threadctxs.front(), p_threadctxs.front()->model_xf, p_threadctxs.front()->model_xf,
 249                              p_kernel_sigma, true);
 250 #else
 251         gaussian_correlation(*p_threadctxs.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 252 #endif
 253         DEBUG_PRINTM(p_threadctxs.front()->kf);
 254         p_model_alphaf_num = p_yf * p_threadctxs.front()->kf;
 255         DEBUG_PRINTM(p_model_alphaf_num);
 256         p_model_alphaf_den = p_threadctxs.front()->kf * (p_threadctxs.front()->kf + float(p_lambda));
 257         DEBUG_PRINTM(p_model_alphaf_den);
 258     }
 259     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 260     DEBUG_PRINTM(p_model_alphaf);
 261     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 262
 263 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 264     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 265         (*it)->model_xf = p_model_xf;
 266         (*it)->model_xf.set_stream((*it)->stream);
 267         (*it)->model_alphaf = p_model_alphaf;
 268         (*it)->model_alphaf.set_stream((*it)->stream);
 269     }
 270 #endif
 271 }
 272
 273 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 274 {
 275     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 276 }
 277
 278 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 279 {
 280     if (p_resize_image) {
 281         BBox_c tmp = bbox;
 282         tmp.scale(p_downscale_factor);
 283         p_pose.cx = tmp.cx;
 284         p_pose.cy = tmp.cy;
 285     } else if (p_fit_to_pw2) {
 286         BBox_c tmp = bbox;
 287         tmp.scale_x(p_scale_factor_x);
 288         tmp.scale_y(p_scale_factor_y);
 289         p_pose.cx = tmp.cx;
 290         p_pose.cy = tmp.cy;
 291     } else {
 292         p_pose.cx = bbox.cx;
 293         p_pose.cy = bbox.cy;
 294     }
 295 }
 296
 297 BBox_c KCF_Tracker::getBBox()
 298 {
 299     BBox_c tmp = p_pose;
 300     tmp.w *= p_current_scale;
 301     tmp.h *= p_current_scale;
 302     tmp.a = p_current_angle;
 303
 304     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 305     if (p_fit_to_pw2) {
 306         tmp.scale_x(1 / p_scale_factor_x);
 307         tmp.scale_y(1 / p_scale_factor_y);
 308     }
 309
 310     return tmp;
 311 }
 312
 313 void KCF_Tracker::track(cv::Mat &img)
 314 {
 315     if (m_debug || m_visual_debug) std::cout << "\nNEW FRAME" << std::endl;
 316     cv::Mat input_gray, input_rgb = img.clone();
 317     if (img.channels() == 3) {
 318         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 319         input_gray.convertTo(input_gray, CV_32FC1);
 320     } else
 321         img.convertTo(input_gray, CV_32FC1);
 322
 323     // don't need too large image
 324     if (p_resize_image) {
 325         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 326         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 327     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 328                fabs(p_scale_factor_y - 1) > p_floating_error) {
 329         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 330             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 331             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 332         } else {
 333             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 334             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 335         }
 336     }
 337
 338     double max_response = -1.;
 339     int scale_index = 0;
 340     cv::Point2i *max_response_pt = nullptr;
 341     cv::Mat *max_response_map = nullptr;
 342
 343     if (m_use_multithreading) {
 344         std::vector<std::future<void>> async_res(p_scales.size());
 345         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 346             uint index = uint(std::distance(p_threadctxs.begin(), it));
 347             async_res[index] = std::async(std::launch::async, [this, &input_gray, &input_rgb, index, it]() -> void {
 348                 return scale_track(*(*it), input_rgb, input_gray, this->p_scales[index]);
 349             });
 350         }
 351         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 352             uint index = uint(std::distance(p_threadctxs.begin(), it));
 353             async_res[index].wait();
 354             if ((*it)->max_response > max_response) {
 355                 max_response = (*it)->max_response;
 356                 max_response_pt = &(*it)->max_loc;
 357                 max_response_map = &(*it)->response;
 358                 scale_index = int(index);
 359             }
 360         }
 361     } else {
 362         uint start = m_use_big_batch ? 1 : 0;
 363         uint end = m_use_big_batch ? 2 : uint(p_num_scales);
 364         NORMAL_OMP_PARALLEL_FOR
 365         for (uint i = start; i < end; ++i) {
 366             auto it = p_threadctxs.begin();
 367             std::advance(it, i);
 368             scale_track(*(*it), input_rgb, input_gray, this->p_scales[i]);
 369
 370             if (m_use_big_batch) {
 371                 for (size_t j = 0; j < p_scales.size(); ++j) {
 372                     if ((*it)->max_responses[j] > max_response) {
 373                         max_response = (*it)->max_responses[j];
 374                         max_response_pt = &(*it)->max_locs[j];
 375                         max_response_map = &(*it)->response_maps[j];
 376                         scale_index = int(j);
 377                     }
 378                 }
 379             } else {
 380                 NORMAL_OMP_CRITICAL
 381                 {
 382                     if ((*it)->max_response > max_response) {
 383                         max_response = (*it)->max_response;
 384                         max_response_pt = &(*it)->max_loc;
 385                         max_response_map = &(*it)->response;
 386                         scale_index = int(i);
 387                     }
 388                 }
 389             }
 390         }
 391     }
 392
 393     DEBUG_PRINTM(*max_response_map);
 394     DEBUG_PRINT(*max_response_pt);
 395
 396     // sub pixel quadratic interpolation from neighbours
 397     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 398         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 399     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 400         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 401
 402     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 403     DEBUG_PRINT(new_location);
 404
 405     if (m_use_subpixel_localization) new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 406     DEBUG_PRINT(new_location);
 407
 408     if (m_visual_debug) std::cout << "Old p_pose, cx: " << p_pose.cx << " cy: " << p_pose.cy << std::endl;
 409
 410     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 411     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 412
 413     if (m_visual_debug) {
 414         std::cout << "New p_pose, cx: " << p_pose.cx << " cy: " << p_pose.cy << std::endl;
 415         cv::waitKey();
 416     }
 417
 418     if (p_fit_to_pw2) {
 419         if (p_pose.cx < 0) p_pose.cx = 0;
 420         if (p_pose.cx > (img.cols * p_scale_factor_x) - 1) p_pose.cx = (img.cols * p_scale_factor_x) - 1;
 421         if (p_pose.cy < 0) p_pose.cy = 0;
 422         if (p_pose.cy > (img.rows * p_scale_factor_y) - 1) p_pose.cy = (img.rows * p_scale_factor_y) - 1;
 423     } else {
 424         if (p_pose.cx < 0) p_pose.cx = 0;
 425         if (p_pose.cx > img.cols - 1) p_pose.cx = img.cols - 1;
 426         if (p_pose.cy < 0) p_pose.cy = 0;
 427         if (p_pose.cy > img.rows - 1) p_pose.cy = img.rows - 1;
 428     }
 429
 430     // sub grid scale interpolation
 431     double new_scale = p_scales[uint(scale_index)];
 432     if (m_use_subgrid_scale) new_scale = sub_grid_scale(scale_index);
 433
 434     p_current_scale *= new_scale;
 435
 436     if (p_current_scale < p_min_max_scale[0]) p_current_scale = p_min_max_scale[0];
 437     if (p_current_scale > p_min_max_scale[1]) p_current_scale = p_min_max_scale[1];
 438
 439     // TODO Missing angle_index
 440     //            int tmp_angle = p_current_angle + p_angles[angle_index];
 441     //            p_current_angle = tmp_angle < 0 ? -std::abs(tmp_angle)%360 : tmp_angle%360;
 442
 443     // obtain a subwindow for training at newly estimated target position
 444     p_threadctxs.front()->patch_feats.clear();
 445     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 446                  *p_threadctxs.front(), p_current_scale, p_current_angle);
 447     fft.forward_window(p_threadctxs.front()->patch_feats, p_xf, p_threadctxs.front()->fw_all,
 448                        m_use_cuda ? p_threadctxs.front()->data_features.deviceMem() : nullptr,
 449                        p_threadctxs.front()->stream);
 450
 451     // subsequent frames, interpolate model
 452     p_model_xf = p_model_xf * float((1. - p_interp_factor)) + p_xf * float(p_interp_factor);
 453
 454     ComplexMat alphaf_num, alphaf_den;
 455
 456     if (m_use_linearkernel) {
 457         ComplexMat xfconj = p_xf.conj();
 458         alphaf_num = xfconj.mul(p_yf);
 459         alphaf_den = (p_xf * xfconj);
 460     } else {
 461         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 462         gaussian_correlation(*p_threadctxs.front(), p_xf, p_xf, p_kernel_sigma,
 463                              true);
 464         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 465         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 466         alphaf_num = p_yf * p_threadctxs.front()->kf;
 467         alphaf_den = p_threadctxs.front()->kf * (p_threadctxs.front()->kf + float(p_lambda));
 468     }
 469
 470     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 471     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 472     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 473
 474 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 475     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 476         (*it)->model_xf = p_model_xf;
 477         (*it)->model_xf.set_stream((*it)->stream);
 478         (*it)->model_alphaf = p_model_alphaf;
 479         (*it)->model_alphaf.set_stream((*it)->stream);
 480     }
 481 #endif
 482 }
 483
 484 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray, double scale)
 485 {
 486     if (m_use_big_batch) {
 487         vars.patch_feats.clear();
 488         BIG_BATCH_OMP_PARALLEL_FOR
 489         for (uint i = 0; i < uint(p_num_scales); ++i) {
 490             get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 491                          this->p_windows_size.height, vars, this->p_current_scale * this->p_scales[i]);
 492         }
 493     } else {
 494         vars.patch_feats.clear();
 495         get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 496                      this->p_windows_size.height, vars, this->p_current_scale *scale);
 497     }
 498
 499     fft.forward_window(vars.patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr,
 500                        vars.stream);
 501     DEBUG_PRINTM(vars.zf);
 502
 503     if (m_use_linearkernel) {
 504         vars.kzf = m_use_big_batch ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 505                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 506         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 507     } else {
 508 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 509         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 510         vars.kzf = vars.model_alphaf * vars.kzf;
 511 #else
 512         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 513         DEBUG_PRINTM(this->p_model_alphaf);
 514         DEBUG_PRINTM(vars.kzf);
 515         vars.kzf = m_use_big_batch ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 516 #endif
 517         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 518     }
 519
 520     DEBUG_PRINTM(vars.response);
 521
 522     /* target location is at the maximum response. we must take into
 523     account the fact that, if the target doesn't move, the peak
 524     will appear at the top-left corner, not at the center (this is
 525     discussed in the paper). the responses wrap around cyclically. */
 526     if (m_use_big_batch) {
 527         cv::split(vars.response, vars.response_maps);
 528
 529         for (size_t i = 0; i < p_scales.size(); ++i) {
 530             double min_val, max_val;
 531             cv::Point2i min_loc, max_loc;
 532             cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 533             DEBUG_PRINT(max_loc);
 534             double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 535             vars.max_responses[i] = max_val * weight;
 536             vars.max_locs[i] = max_loc;
 537         }
 538     } else {
 539         double min_val;
 540         cv::Point2i min_loc;
 541         cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 542
 543         DEBUG_PRINT(vars.max_loc);
 544
 545         double weight = scale < 1. ? scale : 1. / scale;
 546         vars.max_response = vars.max_val * weight;
 547     }
 548     return;
 549 }
 550
 551 // ****************************************************************************
 552
 553 void KCF_Tracker::get_features(cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy, int size_x, int size_y,
 554                                ThreadCtx &vars, double scale, int angle)
 555 {
 556     int size_x_scaled = int(floor(size_x * scale));
 557     int size_y_scaled = int(floor(size_y * scale));
 558
 559     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 560     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 561
 562     geometric_transformations(patch_gray, scale, size_x, size_y, angle);
 563
 564     // get hog(Histogram of Oriented Gradients) features
 565     FHoG::extract(patch_gray, vars, 2, p_cell_size, 9);
 566
 567     // get color rgb features (simple r,g,b channels)
 568     std::vector<cv::Mat> color_feat;
 569     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3)
 570         geometric_transformations(patch_rgb, scale, size_x, size_y, angle);
 571
 572     if (m_use_color && input_rgb.channels() == 3) {
 573         // use rgb color space
 574         cv::Mat patch_rgb_norm;
 575         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 576         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 577         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 578         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 579         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 580         cv::split(patch_rgb_norm, rgb);
 581         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 582     }
 583
 584     if (m_use_cnfeat && input_rgb.channels() == 3) {
 585         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 586         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 587     }
 588     BIG_BATCH_OMP_ORDERED
 589     vars.patch_feats.insert(vars.patch_feats.end(), color_feat.begin(), color_feat.end());
 590     return;
 591 }
 592
 593 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 594 {
 595     cv::Mat labels(dim2, dim1, CV_32FC1);
 596     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 597     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 598
 599     double sigma_s = sigma * sigma;
 600
 601     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 602         float *row_ptr = labels.ptr<float>(j);
 603         double y_s = y * y;
 604         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 605             row_ptr[i] = float(std::exp(-0.5 * (y_s + x * x) / sigma_s)); //-1/2*e^((y^2+x^2)/sigma^2)
 606         }
 607     }
 608
 609     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 610 #ifdef CUFFT
 611     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 612     tmp.copyTo(p_rot_labels);
 613
 614     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 615     return tmp;
 616 #else
 617     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 618     // sanity check, 1 at top left corner
 619     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 620
 621     return rot_labels;
 622 #endif
 623 }
 624
 625 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 626 {
 627     cv::Mat rot_patch(patch.size(), CV_32FC1);
 628     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 629
 630     // circular rotate x-axis
 631     if (x_rot < 0) {
 632         // move part that does not rotate over the edge
 633         cv::Range orig_range(-x_rot, patch.cols);
 634         cv::Range rot_range(0, patch.cols - (-x_rot));
 635         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 636
 637         // rotated part
 638         orig_range = cv::Range(0, -x_rot);
 639         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 640         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 641     } else if (x_rot > 0) {
 642         // move part that does not rotate over the edge
 643         cv::Range orig_range(0, patch.cols - x_rot);
 644         cv::Range rot_range(x_rot, patch.cols);
 645         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 646
 647         // rotated part
 648         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 649         rot_range = cv::Range(0, x_rot);
 650         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 651     } else { // zero rotation
 652         // move part that does not rotate over the edge
 653         cv::Range orig_range(0, patch.cols);
 654         cv::Range rot_range(0, patch.cols);
 655         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 656     }
 657
 658     // circular rotate y-axis
 659     if (y_rot < 0) {
 660         // move part that does not rotate over the edge
 661         cv::Range orig_range(-y_rot, patch.rows);
 662         cv::Range rot_range(0, patch.rows - (-y_rot));
 663         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 664
 665         // rotated part
 666         orig_range = cv::Range(0, -y_rot);
 667         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 668         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 669     } else if (y_rot > 0) {
 670         // move part that does not rotate over the edge
 671         cv::Range orig_range(0, patch.rows - y_rot);
 672         cv::Range rot_range(y_rot, patch.rows);
 673         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 674
 675         // rotated part
 676         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 677         rot_range = cv::Range(0, y_rot);
 678         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 679     } else { // zero rotation
 680         // move part that does not rotate over the edge
 681         cv::Range orig_range(0, patch.rows);
 682         cv::Range rot_range(0, patch.rows);
 683         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 684     }
 685
 686     return rot_patch;
 687 }
 688
 689 // hann window actually (Power-of-cosine windows)
 690 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 691 {
 692     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 693     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 694     for (int i = 0; i < dim1; ++i)
 695         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 696     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 697     for (int i = 0; i < dim2; ++i)
 698         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 699     cv::Mat ret = m2 * m1;
 700     return ret;
 701 }
 702
 703 // Returns sub-window of image input centered at [cx, cy] coordinates),
 704 // with size [width, height]. If any pixels are outside of the image,
 705 // they will replicate the values at the borders.
 706 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height/*, int angle*/)
 707 {
 708     cv::Mat patch;
 709
 710     int x1 = cx - width / 2;
 711     int y1 = cy - height / 2;
 712     int x2 = cx + width / 2;
 713     int y2 = cy + height / 2;
 714
 715     // out of image
 716     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 717         patch.create(height, width, input.type());
 718         patch.setTo(double(0.f));
 719         return patch;
 720     }
 721
 722     int top = 0, bottom = 0, left = 0, right = 0;
 723
 724     // fit to image coordinates, set border extensions;
 725     if (x1 < 0) {
 726         left = -x1;
 727         x1 = 0;
 728     }
 729     if (y1 < 0) {
 730         top = -y1;
 731         y1 = 0;
 732     }
 733     if (x2 >= input.cols) {
 734         right = x2 - input.cols + width % 2;
 735         x2 = input.cols;
 736     } else
 737         x2 += width % 2;
 738
 739     if (y2 >= input.rows) {
 740         bottom = y2 - input.rows + height % 2;
 741         y2 = input.rows;
 742     } else
 743         y2 += height % 2;
 744
 745     //     cv::Point2f center(x1+width/2, y1+height/2);
 746     //     cv::Mat r = getRotationMatrix2D(center, angle, 1.0);
 747     //
 748     //     cv::Mat input_clone = input.clone();
 749     //
 750     //     cv::warpAffine(input_clone, input_clone, r, cv::Size(input_clone.cols, input_clone.rows), cv::INTER_LINEAR,
 751     //     cv::BORDER_CONSTANT);
 752     cv::Mat input_clone;
 753     if (m_visual_debug) {
 754         input_clone = input.clone();
 755         cv::rectangle(input_clone, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(0, 255, 0));
 756         cv::line(input_clone, cv::Point(0, (input_clone.rows - 1) / 2),
 757                  cv::Point(input_clone.cols - 1, (input_clone.rows - 1) / 2), cv::Scalar(0, 0, 255));
 758         cv::line(input_clone, cv::Point((input_clone.cols - 1) / 2, 0),
 759                  cv::Point((input_clone.cols - 1) / 2, input_clone.rows - 1), cv::Scalar(0, 0, 255));
 760
 761         cv::imshow("Patch before copyMakeBorder", input_clone);
 762     }
 763
 764     if (x2 - x1 == 0 || y2 - y1 == 0)
 765         patch = cv::Mat::zeros(height, width, CV_32FC1);
 766     else {
 767         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 768                            cv::BORDER_REPLICATE);
 769         if (m_visual_debug) {
 770             cv::Mat patch_dummy;
 771             cv::copyMakeBorder(input_clone(cv::Range(y1, y2), cv::Range(x1, x2)), patch_dummy, top, bottom, left, right,
 772                                cv::BORDER_REPLICATE);
 773             cv::imshow("Patch after copyMakeBorder", patch_dummy);
 774         }
 775     }
 776
 777     // sanity check
 778     assert(patch.cols == width && patch.rows == height);
 779
 780     return patch;
 781 }
 782
 783 void KCF_Tracker::geometric_transformations(cv::Mat &patch, double scale, int size_x, int size_y, int angle)
 784 {
 785     if (m_use_angle) {
 786         cv::Point2f center((patch.cols - 1) / 2., (patch.rows - 1) / 2.);
 787         cv::Mat r = cv::getRotationMatrix2D(center, angle, 1.0);
 788
 789         cv::warpAffine(patch, patch, r, cv::Size(patch.cols, patch.rows), cv::INTER_LINEAR, cv::BORDER_REPLICATE);
 790
 791         if (m_visual_debug) {
 792             cv::Mat patch_copy = patch.clone();
 793             cv::namedWindow("Patch RGB copy", CV_WINDOW_AUTOSIZE);
 794             cv::putText(patch_copy, std::to_string(angle), cv::Point(0, patch_copy.rows - 1),
 795                         cv::FONT_HERSHEY_COMPLEX_SMALL, 1, cv::Scalar(0, 255, 0), 2, cv::LINE_AA);
 796             cv::imshow("Rotated patch", patch_copy);
 797         }
 798     }
 799     // resize to default size
 800     if (patch.channels() != 3) {
 801         if (scale > 1.) {
 802             // if we downsample use  INTER_AREA interpolation
 803             cv::resize(patch, patch, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 804         } else {
 805             cv::resize(patch, patch, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 806         }
 807     } else {
 808         if (scale > 1.) {
 809             // if we downsample use  INTER_AREA interpolation
 810             cv::resize(patch, patch, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 811         } else {
 812             cv::resize(patch, patch, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 813         }
 814     }
 815 }
 816
 817 void KCF_Tracker::gaussian_correlation(struct ThreadCtx &vars, const ComplexMat &xf, const ComplexMat &yf,
 818                                        double sigma, bool auto_correlation)
 819 {
 820 #ifdef CUFFT
 821     xf.sqr_norm(vars.xf_sqr_norm.deviceMem());
 822     if (!auto_correlation) yf.sqr_norm(vars.yf_sqr_norm.deviceMem());
 823 #else
 824     xf.sqr_norm(vars.xf_sqr_norm.hostMem());
 825     if (auto_correlation) {
 826         vars.yf_sqr_norm.hostMem()[0] = vars.xf_sqr_norm.hostMem()[0];
 827     } else {
 828         yf.sqr_norm(vars.yf_sqr_norm.hostMem());
 829     }
 830 #endif
 831     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 832     DEBUG_PRINTM(vars.xyf);
 833     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr, vars.stream);
 834 #ifdef CUFFT
 835     if (auto_correlation)
 836         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.xf_sqr_norm.deviceMem(),
 837                                   sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 838     else
 839         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.yf_sqr_norm.deviceMem(),
 840                                   sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 841 #else
 842     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 843     DEBUG_PRINTM(vars.ifft2_res);
 844     cv::Mat xy_sum;
 845     if (xf.channels() != p_num_scales * p_num_of_feats)
 846         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 847     else
 848         xy_sum.create(vars.ifft2_res.size(), CV_32FC(int(p_scales.size())));
 849     xy_sum.setTo(0);
 850     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 851         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 852         float *row_ptr_sum = xy_sum.ptr<float>(y);
 853         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 854             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 855                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 856                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 857                     (row_ptr + x * vars.ifft2_res.channels() +
 858                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 859                     0.f);
 860             }
 861         }
 862     }
 863     DEBUG_PRINTM(xy_sum);
 864
 865     std::vector<cv::Mat> scales;
 866     cv::split(xy_sum, scales);
 867
 868     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 869     for (uint i = 0; i < uint(xf.n_scales); ++i) {
 870         cv::Mat in_roi(vars.in_all, cv::Rect(0, int(i) * scales[0].rows, scales[0].cols, scales[0].rows));
 871         cv::exp(
 872             -1. / (sigma * sigma) *
 873                 cv::max((double(vars.xf_sqr_norm.hostMem()[i] + vars.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 874             in_roi);
 875         DEBUG_PRINTM(in_roi);
 876     }
 877 #endif
 878     DEBUG_PRINTM(vars.in_all);
 879     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr,
 880                 vars.stream);
 881     return;
 882 }
 883
 884 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 885 {
 886     int x = pt.x;
 887     int y = pt.y;
 888     if (x < 0) x = response.cols + x;
 889     if (y < 0) y = response.rows + y;
 890     if (x >= response.cols) x = x - response.cols;
 891     if (y >= response.rows) y = y - response.rows;
 892
 893     return response.at<float>(y, x);
 894 }
 895
 896 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 897 {
 898     // find neighbourhood of max_loc (response is circular)
 899     // 1 2 3
 900     // 4   5
 901     // 6 7 8
 902     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);
 903     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 904     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);
 905
 906     // clang-format off
 907     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 908     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 909                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 910                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 911                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 912                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 913                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 914                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 915                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 916                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 917                  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);
 918     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 919                     get_response_circular(p1, response),
 920                     get_response_circular(p2, response),
 921                     get_response_circular(p3, response),
 922                     get_response_circular(p4, response),
 923                     get_response_circular(p5, response),
 924                     get_response_circular(p6, response),
 925                     get_response_circular(p7, response),
 926                     get_response_circular(p8, response),
 927                     get_response_circular(max_loc, response));
 928     // clang-format on
 929     cv::Mat x;
 930     cv::solve(A, fval, x, cv::DECOMP_SVD);
 931
 932     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);
 933
 934     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 935     if (b > 0 || b < 0) {
 936         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 937         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 938     }
 939
 940     return sub_peak;
 941 }
 942
 943 double KCF_Tracker::sub_grid_scale(int index)
 944 {
 945     cv::Mat A, fval;
 946     if (index < 0 || index > int(p_scales.size()) - 1) {
 947         // interpolate from all values
 948         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 949         A.create(int(p_scales.size()), 3, CV_32FC1);
 950         fval.create(int(p_scales.size()), 1, CV_32FC1);
 951         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 952             uint i = uint(std::distance(p_threadctxs.begin(), it));
 953             int j = int(i);
 954             A.at<float>(j, 0) = float(p_scales[i] * p_scales[i]);
 955             A.at<float>(j, 1) = float(p_scales[i]);
 956             A.at<float>(j, 2) = 1;
 957             fval.at<float>(j) =
 958                 m_use_big_batch ? float(p_threadctxs.back()->max_responses[i]) : float((*it)->max_response);
 959         }
 960     } else {
 961         // only from neighbours
 962         if (index == 0 || index == int(p_scales.size()) - 1) return p_scales[uint(index)];
 963
 964         A = (cv::Mat_<float>(3, 3) << p_scales[uint(index) - 1] * p_scales[uint(index) - 1], p_scales[uint(index) - 1],
 965              1, p_scales[uint(index)] * p_scales[uint(index)], p_scales[uint(index)], 1,
 966              p_scales[uint(index) + 1] * p_scales[uint(index) + 1], p_scales[uint(index) + 1], 1);
 967         auto it1 = p_threadctxs.begin();
 968         std::advance(it1, index - 1);
 969         auto it2 = p_threadctxs.begin();
 970         std::advance(it2, index);
 971         auto it3 = p_threadctxs.begin();
 972         std::advance(it3, index + 1);
 973         fval = (cv::Mat_<float>(3, 1) << (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index) - 1]
 974                                                           : (*it1)->max_response),
 975                 (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index)] : (*it2)->max_response),
 976                 (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index) + 1] : (*it3)->max_response));
 977     }
 978
 979     cv::Mat x;
 980     cv::solve(A, fval, x, cv::DECOMP_SVD);
 981     float a = x.at<float>(0), b = x.at<float>(1);
 982     double scale = p_scales[uint(index)];
 983     if (a > 0 || a < 0) scale = double(-b / (2 * a));
 984     return scale;
 985 }