src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5
   6 #ifdef FFTW
   7 #include "fft_fftw.h"
   8 #define FFT Fftw
   9 #elif defined(CUFFT)
  10 #include "fft_cufft.h"
  11 #define FFT cuFFT
  12 #else
  13 #include "fft_opencv.h"
  14 #define FFT FftOpencv
  15 #endif
  16
  17 #ifdef OPENMP
  18 #include <omp.h>
  19 #endif // OPENMP
  20
  21 #define DEBUG_PRINT(obj)                                                                                               \
  22     if (m_debug) {                                                                                                     \
  23         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  24     }
  25 #define DEBUG_PRINTM(obj)                                                                                              \
  26     if (m_debug) {                                                                                                     \
  27         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  28                   << (obj) << std::endl;                                                                               \
  29     }
  30
  31 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  32                          double output_sigma_factor, int cell_size)
  33     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  34       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size)
  35 {
  36 }
  37
  38 KCF_Tracker::KCF_Tracker() : fft(*new FFT()) {}
  39
  40 KCF_Tracker::~KCF_Tracker()
  41 {
  42     delete &fft;
  43 }
  44
  45 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  46 {
  47     // check boundary, enforce min size
  48     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  49     if (x1 < 0) x1 = 0.;
  50     if (x2 > img.cols - 1) x2 = img.cols - 1;
  51     if (y1 < 0) y1 = 0;
  52     if (y2 > img.rows - 1) y2 = img.rows - 1;
  53
  54     if (x2 - x1 < 2 * p_cell_size) {
  55         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  56         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  57             x1 -= diff;
  58             x2 += diff;
  59         } else if (x1 - 2 * diff >= 0) {
  60             x1 -= 2 * diff;
  61         } else {
  62             x2 += 2 * diff;
  63         }
  64     }
  65     if (y2 - y1 < 2 * p_cell_size) {
  66         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  67         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  68             y1 -= diff;
  69             y2 += diff;
  70         } else if (y1 - 2 * diff >= 0) {
  71             y1 -= 2 * diff;
  72         } else {
  73             y2 += 2 * diff;
  74         }
  75     }
  76
  77     p_pose.w = x2 - x1;
  78     p_pose.h = y2 - y1;
  79     p_pose.cx = x1 + p_pose.w / 2.;
  80     p_pose.cy = y1 + p_pose.h / 2.;
  81
  82     cv::Mat input_gray, input_rgb = img.clone();
  83     if (img.channels() == 3) {
  84         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  85         input_gray.convertTo(input_gray, CV_32FC1);
  86     } else
  87         img.convertTo(input_gray, CV_32FC1);
  88
  89     // don't need too large image
  90     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
  91         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
  92         p_resize_image = true;
  93         p_pose.scale(p_downscale_factor);
  94         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  95         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  96     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
  97         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
  98             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
  99             std::exit(EXIT_FAILURE);
 100         }
 101         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 102         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 103         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 104                   << p_scale_factor_y << std::endl;
 105         p_fit_to_pw2 = true;
 106         p_pose.scale_x(p_scale_factor_x);
 107         p_pose.scale_y(p_scale_factor_y);
 108         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 109             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 110                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 111                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 112             } else {
 113                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 114                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 115             }
 116         }
 117     }
 118
 119     // compute win size + fit to fhog cell size
 120     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 121     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 122     p_roi.width = p_windows_size.width / p_cell_size;
 123     p_roi.height = p_windows_size.height / p_cell_size;
 124
 125     p_num_of_feats = 31;
 126     if (m_use_color) p_num_of_feats += 3;
 127     if (m_use_cnfeat) p_num_of_feats += 10;
 128
 129     p_scales.clear();
 130     if (m_use_scale)
 131         for (int i = -p_num_scales / 2; i <= p_num_scales / 2; ++i)
 132             p_scales.push_back(std::pow(p_scale_step, i));
 133     else
 134         p_scales.push_back(1.);
 135
 136 #ifdef CUFFT
 137     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 138         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 139                      "the window dimensions so its size is less or equal to "
 140                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 141                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 142                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 143         std::exit(EXIT_FAILURE);
 144     }
 145
 146     if (m_use_linearkernel) {
 147         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 148         std::exit(EXIT_FAILURE);
 149     }
 150     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 151     p_rot_labels_data = DynMem(p_roi.width * p_roi.height * sizeof(float));
 152     p_rot_labels = cv::Mat(p_roi, CV_32FC1, p_rot_labels_data.hostMem());
 153 #else
 154     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 155 #endif
 156
 157 #if defined(CUFFT) || defined(FFTW)
 158     p_model_xf.create(p_roi.height, p_roi.width / 2 + 1, p_num_of_feats);
 159     p_yf.create(p_roi.height, p_roi.width / 2 + 1, 1);
 160     p_xf.create(p_roi.height, p_roi.width / 2 + 1, p_num_of_feats);
 161 #else
 162     p_model_xf.create(p_roi.height, p_roi.width, p_num_of_feats);
 163     p_yf.create(p_roi.height, p_roi.width, 1);
 164     p_xf.create(p_roi.height, p_roi.width, p_num_of_feats);
 165 #endif
 166
 167     int max = m_use_big_batch ? 2 : p_num_scales;
 168     for (int i = 0; i < max; ++i) {
 169         if (m_use_big_batch && i == 1)
 170             p_threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, 1, p_num_scales);
 171         else
 172             p_threadctxs.emplace_back(p_roi, p_num_of_feats, p_scales[i], 1);
 173     }
 174
 175     p_current_scale = 1.;
 176
 177     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 178     double max_size_ratio =
 179         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 180                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 181     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 182     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 183
 184     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
 185     std::cout << "init: win size. " << p_windows_size.width << " " << p_windows_size.height << std::endl;
 186     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 187
 188     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 189
 190     fft.init(uint(p_roi.width), uint(p_roi.height), uint(p_num_of_feats),
 191              uint(p_num_scales), m_use_big_batch);
 192     fft.set_window(cosine_window_function(p_roi.width, p_roi.height));
 193
 194     // window weights, i.e. labels
 195     fft.forward(
 196         gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf,
 197         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr, p_threadctxs.front().stream);
 198     DEBUG_PRINTM(p_yf);
 199
 200     // obtain a sub-window for training initial model
 201     p_threadctxs.front().patch_feats.clear();
 202     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 203                  p_threadctxs.front());
 204     fft.forward_window(p_threadctxs.front().patch_feats, p_model_xf, p_threadctxs.front().fw_all,
 205                        m_use_cuda ? p_threadctxs.front().data_features.deviceMem() : nullptr, p_threadctxs.front().stream);
 206     DEBUG_PRINTM(p_model_xf);
 207 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 208     p_threadctxs.front().model_xf = p_model_xf;
 209     p_threadctxs.front().model_xf.set_stream(p_threadctxs.front().stream);
 210     p_yf.set_stream(p_threadctxs.front().stream);
 211     p_model_xf.set_stream(p_threadctxs.front().stream);
 212     p_xf.set_stream(p_threadctxs.front().stream);
 213 #endif
 214
 215     if (m_use_linearkernel) {
 216         ComplexMat xfconj = p_model_xf.conj();
 217         p_model_alphaf_num = xfconj.mul(p_yf);
 218         p_model_alphaf_den = (p_model_xf * xfconj);
 219     } else {
 220         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 221 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 222         gaussian_correlation(p_threadctxs.front(), p_threadctxs.front().model_xf, p_threadctxs.front().model_xf,
 223                              p_kernel_sigma, true);
 224 #else
 225         gaussian_correlation(p_threadctxs.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 226 #endif
 227         DEBUG_PRINTM(p_threadctxs.front().kf);
 228         p_model_alphaf_num = p_yf * p_threadctxs.front().kf;
 229         DEBUG_PRINTM(p_model_alphaf_num);
 230         p_model_alphaf_den = p_threadctxs.front().kf * (p_threadctxs.front().kf + float(p_lambda));
 231         DEBUG_PRINTM(p_model_alphaf_den);
 232     }
 233     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 234     DEBUG_PRINTM(p_model_alphaf);
 235     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 236
 237 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 238     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 239         it->model_xf = p_model_xf;
 240         it->model_xf.set_stream(it->stream);
 241         it->model_alphaf = p_model_alphaf;
 242         it->model_alphaf.set_stream(it->stream);
 243     }
 244 #endif
 245 }
 246
 247 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 248 {
 249     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 250 }
 251
 252 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 253 {
 254     if (p_resize_image) {
 255         BBox_c tmp = bbox;
 256         tmp.scale(p_downscale_factor);
 257         p_pose.cx = tmp.cx;
 258         p_pose.cy = tmp.cy;
 259     } else if (p_fit_to_pw2) {
 260         BBox_c tmp = bbox;
 261         tmp.scale_x(p_scale_factor_x);
 262         tmp.scale_y(p_scale_factor_y);
 263         p_pose.cx = tmp.cx;
 264         p_pose.cy = tmp.cy;
 265     } else {
 266         p_pose.cx = bbox.cx;
 267         p_pose.cy = bbox.cy;
 268     }
 269 }
 270
 271 BBox_c KCF_Tracker::getBBox()
 272 {
 273     BBox_c tmp = p_pose;
 274     tmp.w *= p_current_scale;
 275     tmp.h *= p_current_scale;
 276
 277     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 278     if (p_fit_to_pw2) {
 279         tmp.scale_x(1 / p_scale_factor_x);
 280         tmp.scale_y(1 / p_scale_factor_y);
 281     }
 282
 283     return tmp;
 284 }
 285
 286 double KCF_Tracker::getFilterResponse() const
 287 {
 288     return this->max_response;
 289 }
 290
 291 void KCF_Tracker::track(cv::Mat &img)
 292 {
 293     if (m_debug) std::cout << "NEW FRAME" << '\n';
 294     cv::Mat input_gray, input_rgb = img.clone();
 295     if (img.channels() == 3) {
 296         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 297         input_gray.convertTo(input_gray, CV_32FC1);
 298     } else
 299         img.convertTo(input_gray, CV_32FC1);
 300
 301     // don't need too large image
 302     if (p_resize_image) {
 303         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 304         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 305     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 306                fabs(p_scale_factor_y - 1) > p_floating_error) {
 307         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 308             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 309             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 310         } else {
 311             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 312             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 313         }
 314     }
 315
 316     max_response = -1.;
 317     ThreadCtx *max = nullptr;
 318     cv::Point2i *max_response_pt = nullptr;
 319     cv::Mat *max_response_map = nullptr;
 320
 321 #ifdef ASYNC
 322     for (auto &it : p_threadctxs)
 323         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 324             scale_track(it, input_rgb, input_gray);
 325         });
 326     for (auto const &it : p_threadctxs)
 327         it.async_res.wait();
 328
 329 #else  // !ASYNC
 330     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 331     NORMAL_OMP_PARALLEL_FOR
 332     for (uint i = 0; i < p_threadctxs.size(); ++i)
 333         scale_track(p_threadctxs[i], input_rgb, input_gray);
 334 #endif
 335
 336 #ifndef BIG_BATCH
 337     for (auto &it : p_threadctxs) {
 338         if (it.max_response > max_response) {
 339             max_response = it.max_response;
 340             max_response_pt = &it.max_loc;
 341             max_response_map = &it.response;
 342             max = &it;
 343         }
 344     }
 345 #else
 346     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 347     for (uint j = 0; j < p_scales.size(); ++j) {
 348         if (p_threadctxs[0].max_responses[j] > max_response) {
 349             max_response = p_threadctxs[0].max_responses[j];
 350             max_response_pt = &p_threadctxs[0].max_locs[j];
 351             max_response_map = &p_threadctxs[0].response_maps[j];
 352             max = &p_threadctxs[0];
 353         }
 354     }
 355 #endif
 356
 357     DEBUG_PRINTM(*max_response_map);
 358     DEBUG_PRINT(*max_response_pt);
 359
 360     // sub pixel quadratic interpolation from neighbours
 361     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 362         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 363     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 364         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 365
 366     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 367     DEBUG_PRINT(new_location);
 368
 369     if (m_use_subpixel_localization)
 370         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 371     DEBUG_PRINT(new_location);
 372
 373     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 374     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 375     if (p_fit_to_pw2) {
 376         if (p_pose.cx < 0) p_pose.cx = 0;
 377         if (p_pose.cx > (img.cols * p_scale_factor_x) - 1) p_pose.cx = (img.cols * p_scale_factor_x) - 1;
 378         if (p_pose.cy < 0) p_pose.cy = 0;
 379         if (p_pose.cy > (img.rows * p_scale_factor_y) - 1) p_pose.cy = (img.rows * p_scale_factor_y) - 1;
 380     } else {
 381         if (p_pose.cx < 0) p_pose.cx = 0;
 382         if (p_pose.cx > img.cols - 1) p_pose.cx = img.cols - 1;
 383         if (p_pose.cy < 0) p_pose.cy = 0;
 384         if (p_pose.cy > img.rows - 1) p_pose.cy = img.rows - 1;
 385     }
 386
 387     // sub grid scale interpolation
 388     if (m_use_subgrid_scale) {
 389         auto it = std::find_if(p_threadctxs.begin(), p_threadctxs.end(), [max](ThreadCtx &ctx) { return &ctx == max; });
 390         p_current_scale *= sub_grid_scale(std::distance(p_threadctxs.begin(), it));
 391     } else {
 392         p_current_scale *= max->scale;
 393     }
 394
 395
 396     if (p_current_scale < p_min_max_scale[0]) p_current_scale = p_min_max_scale[0];
 397     if (p_current_scale > p_min_max_scale[1]) p_current_scale = p_min_max_scale[1];
 398
 399     // obtain a subwindow for training at newly estimated target position
 400     p_threadctxs.front().patch_feats.clear();
 401     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 402                  p_threadctxs.front(), p_current_scale);
 403     fft.forward_window(p_threadctxs.front().patch_feats, p_xf, p_threadctxs.front().fw_all,
 404                        m_use_cuda ? p_threadctxs.front().data_features.deviceMem() : nullptr, p_threadctxs.front().stream);
 405
 406     // subsequent frames, interpolate model
 407     p_model_xf = p_model_xf * float((1. - p_interp_factor)) + p_xf * float(p_interp_factor);
 408
 409     ComplexMat alphaf_num, alphaf_den;
 410
 411     if (m_use_linearkernel) {
 412         ComplexMat xfconj = p_xf.conj();
 413         alphaf_num = xfconj.mul(p_yf);
 414         alphaf_den = (p_xf * xfconj);
 415     } else {
 416         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 417         gaussian_correlation(p_threadctxs.front(), p_xf, p_xf, p_kernel_sigma,
 418                              true);
 419         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 420         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 421         alphaf_num = p_yf * p_threadctxs.front().kf;
 422         alphaf_den = p_threadctxs.front().kf * (p_threadctxs.front().kf + float(p_lambda));
 423     }
 424
 425     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 426     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 427     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 428
 429 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 430     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 431         it->model_xf = p_model_xf;
 432         it->model_xf.set_stream(it->stream);
 433         it->model_alphaf = p_model_alphaf;
 434         it->model_alphaf.set_stream(it->stream);
 435     }
 436 #endif
 437 }
 438
 439 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 440 {
 441     if (m_use_big_batch) {
 442         vars.patch_feats.clear();
 443         BIG_BATCH_OMP_PARALLEL_FOR
 444         for (uint i = 0; i < uint(p_num_scales); ++i) {
 445             get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 446                          this->p_windows_size.height, vars, this->p_current_scale * this->p_scales[i]);
 447         }
 448     } else {
 449         vars.patch_feats.clear();
 450         get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 451                      this->p_windows_size.height, vars, this->p_current_scale * vars.scale);
 452     }
 453
 454     fft.forward_window(vars.patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr,
 455                        vars.stream);
 456     DEBUG_PRINTM(vars.zf);
 457
 458     if (m_use_linearkernel) {
 459         vars.kzf = m_use_big_batch ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 460                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 461         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 462     } else {
 463 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 464         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 465         vars.kzf = vars.model_alphaf * vars.kzf;
 466 #else
 467         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 468         DEBUG_PRINTM(this->p_model_alphaf);
 469         DEBUG_PRINTM(vars.kzf);
 470         vars.kzf = m_use_big_batch ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 471 #endif
 472         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 473     }
 474
 475     DEBUG_PRINTM(vars.response);
 476
 477     /* target location is at the maximum response. we must take into
 478     account the fact that, if the target doesn't move, the peak
 479     will appear at the top-left corner, not at the center (this is
 480     discussed in the paper). the responses wrap around cyclically. */
 481     if (m_use_big_batch) {
 482         cv::split(vars.response, vars.response_maps);
 483
 484         for (size_t i = 0; i < p_scales.size(); ++i) {
 485             double min_val, max_val;
 486             cv::Point2i min_loc, max_loc;
 487             cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 488             DEBUG_PRINT(max_loc);
 489             double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 490             vars.max_responses[i] = max_val * weight;
 491             vars.max_locs[i] = max_loc;
 492         }
 493     } else {
 494         double min_val;
 495         cv::Point2i min_loc;
 496         cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 497
 498         DEBUG_PRINT(vars.max_loc);
 499
 500         double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 501         vars.max_response = vars.max_val * weight;
 502     }
 503     return;
 504 }
 505
 506 // ****************************************************************************
 507
 508 void KCF_Tracker::get_features(cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy, int size_x, int size_y,
 509                                ThreadCtx &vars, double scale)
 510 {
 511     int size_x_scaled = int(floor(size_x * scale));
 512     int size_y_scaled = int(floor(size_y * scale));
 513
 514     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 515     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 516
 517     // resize to default size
 518     if (scale > 1.) {
 519         // if we downsample use  INTER_AREA interpolation
 520         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 521     } else {
 522         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 523     }
 524
 525     // get hog(Histogram of Oriented Gradients) features
 526     FHoG::extract(patch_gray, vars, 2, p_cell_size, 9);
 527
 528     // get color rgb features (simple r,g,b channels)
 529     std::vector<cv::Mat> color_feat;
 530     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 531         // resize to default size
 532         if (scale > 1.) {
 533             // if we downsample use  INTER_AREA interpolation
 534             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0.,
 535                        cv::INTER_AREA);
 536         } else {
 537             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0.,
 538                        cv::INTER_LINEAR);
 539         }
 540     }
 541
 542     if (m_use_color && input_rgb.channels() == 3) {
 543         // use rgb color space
 544         cv::Mat patch_rgb_norm;
 545         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 546         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 547         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 548         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 549         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 550         cv::split(patch_rgb_norm, rgb);
 551         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 552     }
 553
 554     if (m_use_cnfeat && input_rgb.channels() == 3) {
 555         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 556         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 557     }
 558     BIG_BATCH_OMP_ORDERED
 559     vars.patch_feats.insert(vars.patch_feats.end(), color_feat.begin(), color_feat.end());
 560     return;
 561 }
 562
 563 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 564 {
 565     cv::Mat labels(dim2, dim1, CV_32FC1);
 566     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 567     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 568
 569     double sigma_s = sigma * sigma;
 570
 571     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 572         float *row_ptr = labels.ptr<float>(j);
 573         double y_s = y * y;
 574         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 575             row_ptr[i] = float(std::exp(-0.5 * (y_s + x * x) / sigma_s)); //-1/2*e^((y^2+x^2)/sigma^2)
 576         }
 577     }
 578
 579     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 580 #ifdef CUFFT
 581     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 582     tmp.copyTo(p_rot_labels);
 583
 584     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 585     return tmp;
 586 #else
 587     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 588     // sanity check, 1 at top left corner
 589     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 590
 591     return rot_labels;
 592 #endif
 593 }
 594
 595 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 596 {
 597     cv::Mat rot_patch(patch.size(), CV_32FC1);
 598     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 599
 600     // circular rotate x-axis
 601     if (x_rot < 0) {
 602         // move part that does not rotate over the edge
 603         cv::Range orig_range(-x_rot, patch.cols);
 604         cv::Range rot_range(0, patch.cols - (-x_rot));
 605         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 606
 607         // rotated part
 608         orig_range = cv::Range(0, -x_rot);
 609         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 610         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 611     } else if (x_rot > 0) {
 612         // move part that does not rotate over the edge
 613         cv::Range orig_range(0, patch.cols - x_rot);
 614         cv::Range rot_range(x_rot, patch.cols);
 615         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 616
 617         // rotated part
 618         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 619         rot_range = cv::Range(0, x_rot);
 620         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 621     } else { // zero rotation
 622         // move part that does not rotate over the edge
 623         cv::Range orig_range(0, patch.cols);
 624         cv::Range rot_range(0, patch.cols);
 625         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 626     }
 627
 628     // circular rotate y-axis
 629     if (y_rot < 0) {
 630         // move part that does not rotate over the edge
 631         cv::Range orig_range(-y_rot, patch.rows);
 632         cv::Range rot_range(0, patch.rows - (-y_rot));
 633         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 634
 635         // rotated part
 636         orig_range = cv::Range(0, -y_rot);
 637         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 638         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 639     } else if (y_rot > 0) {
 640         // move part that does not rotate over the edge
 641         cv::Range orig_range(0, patch.rows - y_rot);
 642         cv::Range rot_range(y_rot, patch.rows);
 643         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 644
 645         // rotated part
 646         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 647         rot_range = cv::Range(0, y_rot);
 648         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 649     } else { // zero rotation
 650         // move part that does not rotate over the edge
 651         cv::Range orig_range(0, patch.rows);
 652         cv::Range rot_range(0, patch.rows);
 653         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 654     }
 655
 656     return rot_patch;
 657 }
 658
 659 // hann window actually (Power-of-cosine windows)
 660 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 661 {
 662     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 663     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 664     for (int i = 0; i < dim1; ++i)
 665         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 666     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 667     for (int i = 0; i < dim2; ++i)
 668         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 669     cv::Mat ret = m2 * m1;
 670     return ret;
 671 }
 672
 673 // Returns sub-window of image input centered at [cx, cy] coordinates),
 674 // with size [width, height]. If any pixels are outside of the image,
 675 // they will replicate the values at the borders.
 676 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 677 {
 678     cv::Mat patch;
 679
 680     int x1 = cx - width / 2;
 681     int y1 = cy - height / 2;
 682     int x2 = cx + width / 2;
 683     int y2 = cy + height / 2;
 684
 685     // out of image
 686     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 687         patch.create(height, width, input.type());
 688         patch.setTo(double(0.f));
 689         return patch;
 690     }
 691
 692     int top = 0, bottom = 0, left = 0, right = 0;
 693
 694     // fit to image coordinates, set border extensions;
 695     if (x1 < 0) {
 696         left = -x1;
 697         x1 = 0;
 698     }
 699     if (y1 < 0) {
 700         top = -y1;
 701         y1 = 0;
 702     }
 703     if (x2 >= input.cols) {
 704         right = x2 - input.cols + width % 2;
 705         x2 = input.cols;
 706     } else
 707         x2 += width % 2;
 708
 709     if (y2 >= input.rows) {
 710         bottom = y2 - input.rows + height % 2;
 711         y2 = input.rows;
 712     } else
 713         y2 += height % 2;
 714
 715     if (x2 - x1 == 0 || y2 - y1 == 0)
 716         patch = cv::Mat::zeros(height, width, CV_32FC1);
 717     else {
 718         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 719                            cv::BORDER_REPLICATE);
 720         //      imshow( "copyMakeBorder", patch);
 721         //      cv::waitKey();
 722     }
 723
 724     // sanity check
 725     assert(patch.cols == width && patch.rows == height);
 726
 727     return patch;
 728 }
 729
 730 void KCF_Tracker::gaussian_correlation(struct ThreadCtx &vars, const ComplexMat &xf, const ComplexMat &yf,
 731                                        double sigma, bool auto_correlation)
 732 {
 733 #ifdef CUFFT
 734     xf.sqr_norm(vars.xf_sqr_norm.deviceMem());
 735     if (!auto_correlation) yf.sqr_norm(vars.yf_sqr_norm.deviceMem());
 736 #else
 737     xf.sqr_norm(vars.xf_sqr_norm.hostMem());
 738     if (auto_correlation) {
 739         vars.yf_sqr_norm.hostMem()[0] = vars.xf_sqr_norm.hostMem()[0];
 740     } else {
 741         yf.sqr_norm(vars.yf_sqr_norm.hostMem());
 742     }
 743 #endif
 744     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 745     DEBUG_PRINTM(vars.xyf);
 746     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr, vars.stream);
 747 #ifdef CUFFT
 748     if (auto_correlation)
 749         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.xf_sqr_norm.deviceMem(),
 750                                   sigma, xf.n_channels, xf.n_scales, p_roi.height, p_roi.width, vars.stream);
 751     else
 752         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.yf_sqr_norm.deviceMem(),
 753                                   sigma, xf.n_channels, xf.n_scales, p_roi.height, p_roi.width, vars.stream);
 754 #else
 755     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 756     DEBUG_PRINTM(vars.ifft2_res);
 757     cv::Mat xy_sum;
 758     if (xf.channels() != p_num_scales * p_num_of_feats)
 759         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 760     else
 761         xy_sum.create(vars.ifft2_res.size(), CV_32FC(int(p_scales.size())));
 762     xy_sum.setTo(0);
 763     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 764         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 765         float *row_ptr_sum = xy_sum.ptr<float>(y);
 766         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 767             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 768                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 769                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 770                     (row_ptr + x * vars.ifft2_res.channels() +
 771                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 772                     0.f);
 773             }
 774         }
 775     }
 776     DEBUG_PRINTM(xy_sum);
 777
 778     std::vector<cv::Mat> scales;
 779     cv::split(xy_sum, scales);
 780
 781     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 782     for (uint i = 0; i < uint(xf.n_scales); ++i) {
 783         cv::Mat in_roi(vars.in_all, cv::Rect(0, int(i) * scales[0].rows, scales[0].cols, scales[0].rows));
 784         cv::exp(
 785             -1. / (sigma * sigma) *
 786                 cv::max((double(vars.xf_sqr_norm.hostMem()[i] + vars.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 787             in_roi);
 788         DEBUG_PRINTM(in_roi);
 789     }
 790 #endif
 791     DEBUG_PRINTM(vars.in_all);
 792     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr,
 793                 vars.stream);
 794     return;
 795 }
 796
 797 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 798 {
 799     int x = pt.x;
 800     int y = pt.y;
 801     if (x < 0) x = response.cols + x;
 802     if (y < 0) y = response.rows + y;
 803     if (x >= response.cols) x = x - response.cols;
 804     if (y >= response.rows) y = y - response.rows;
 805
 806     return response.at<float>(y, x);
 807 }
 808
 809 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 810 {
 811     // find neighbourhood of max_loc (response is circular)
 812     // 1 2 3
 813     // 4   5
 814     // 6 7 8
 815     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);
 816     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 817     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);
 818
 819     // clang-format off
 820     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 821     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 822                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 823                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 824                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 825                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 826                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 827                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 828                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 829                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 830                  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);
 831     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 832                     get_response_circular(p1, response),
 833                     get_response_circular(p2, response),
 834                     get_response_circular(p3, response),
 835                     get_response_circular(p4, response),
 836                     get_response_circular(p5, response),
 837                     get_response_circular(p6, response),
 838                     get_response_circular(p7, response),
 839                     get_response_circular(p8, response),
 840                     get_response_circular(max_loc, response));
 841     // clang-format on
 842     cv::Mat x;
 843     cv::solve(A, fval, x, cv::DECOMP_SVD);
 844
 845     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);
 846
 847     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 848     if (b > 0 || b < 0) {
 849         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 850         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 851     }
 852
 853     return sub_peak;
 854 }
 855
 856 double KCF_Tracker::sub_grid_scale(int index)
 857 {
 858     cv::Mat A, fval;
 859     if (index < 0 || index > int(p_scales.size()) - 1) {
 860         // interpolate from all values
 861         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 862         A.create(int(p_scales.size()), 3, CV_32FC1);
 863         fval.create(int(p_scales.size()), 1, CV_32FC1);
 864         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 865             uint i = uint(std::distance(p_threadctxs.begin(), it));
 866             int j = int(i);
 867             A.at<float>(j, 0) = float(p_scales[i] * p_scales[i]);
 868             A.at<float>(j, 1) = float(p_scales[i]);
 869             A.at<float>(j, 2) = 1;
 870             fval.at<float>(j) =
 871                 m_use_big_batch ? float(p_threadctxs.back().max_responses[i]) : float(it->max_response);
 872         }
 873     } else {
 874         // only from neighbours
 875         if (index == 0 || index == int(p_scales.size()) - 1) return p_scales[uint(index)];
 876
 877         A = (cv::Mat_<float>(3, 3) << p_scales[uint(index) - 1] * p_scales[uint(index) - 1], p_scales[uint(index) - 1],
 878              1, p_scales[uint(index)] * p_scales[uint(index)], p_scales[uint(index)], 1,
 879              p_scales[uint(index) + 1] * p_scales[uint(index) + 1], p_scales[uint(index) + 1], 1);
 880         auto it1 = p_threadctxs.begin();
 881         std::advance(it1, index - 1);
 882         auto it2 = p_threadctxs.begin();
 883         std::advance(it2, index);
 884         auto it3 = p_threadctxs.begin();
 885         std::advance(it3, index + 1);
 886         fval = (cv::Mat_<float>(3, 1) << (m_use_big_batch ? p_threadctxs.back().max_responses[uint(index) - 1]
 887                                                           : it1->max_response),
 888                 (m_use_big_batch ? p_threadctxs.back().max_responses[uint(index)] : it2->max_response),
 889                 (m_use_big_batch ? p_threadctxs.back().max_responses[uint(index) + 1] : it3->max_response));
 890     }
 891
 892     cv::Mat x;
 893     cv::solve(A, fval, x, cv::DECOMP_SVD);
 894     float a = x.at<float>(0), b = x.at<float>(1);
 895     double scale = p_scales[uint(index)];
 896     if (a > 0 || a < 0) scale = double(-b / (2 * a));
 897     return scale;
 898 }