src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5 #include "threadctx.hpp"
   6
   7 #ifdef FFTW
   8 #include "fft_fftw.h"
   9 #define FFT Fftw
  10 #elif defined(CUFFT)
  11 #include "fft_cufft.h"
  12 #define FFT cuFFT
  13 #else
  14 #include "fft_opencv.h"
  15 #define FFT FftOpencv
  16 #endif
  17
  18 #ifdef OPENMP
  19 #include <omp.h>
  20 #endif // OPENMP
  21
  22 static bool kcf_debug = false;
  23
  24 #define DEBUG_PRINT(obj)                                                                                               \
  25     if (kcf_debug) {                                                                                                     \
  26         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  27     }
  28 #define DEBUG_PRINTM(obj)                                                                                              \
  29     if (kcf_debug) {                                                                                                     \
  30         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  31                   << (obj) << std::endl;                                                                               \
  32     }
  33
  34 template <typename T>
  35 T clamp(const T& n, const T& lower, const T& upper)
  36 {
  37     return std::max(lower, std::min(n, upper));
  38 }
  39
  40 template <typename T>
  41 void clamp2(T& n, const T& lower, const T& upper)
  42 {
  43     n = std::max(lower, std::min(n, upper));
  44 }
  45
  46 class Kcf_Tracker_Private {
  47     friend KCF_Tracker;
  48     std::vector<ThreadCtx> threadctxs;
  49 };
  50
  51 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  52                          double output_sigma_factor, int cell_size)
  53     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  54       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size), d(*new Kcf_Tracker_Private)
  55 {
  56 }
  57
  58 KCF_Tracker::KCF_Tracker() : fft(*new FFT()), d(*new Kcf_Tracker_Private) {}
  59
  60 KCF_Tracker::~KCF_Tracker()
  61 {
  62     delete &fft;
  63     delete &d;
  64 }
  65
  66 void KCF_Tracker::train(cv::Mat input_gray, cv::Mat input_rgb, double interp_factor)
  67 {
  68     // obtain a sub-window for training
  69     int sizes[3] = {p_num_of_feats, p_roi.height, p_roi.width};
  70     MatDynMem patch_feats(3, sizes, CV_32FC1);
  71     MatDynMem temp(3, sizes, CV_32FC1);
  72     get_features(patch_feats, input_rgb, input_gray, p_pose.cx, p_pose.cy,
  73                  p_windows_size.width, p_windows_size.height,
  74                  p_current_scale);
  75     fft.forward_window(patch_feats, p_xf, temp);
  76     p_model_xf = p_model_xf * (1. - interp_factor) + p_xf * interp_factor;
  77     DEBUG_PRINTM(p_model_xf);
  78
  79     ComplexMat alphaf_num, alphaf_den;
  80
  81     if (m_use_linearkernel) {
  82         ComplexMat xfconj = p_xf.conj();
  83         alphaf_num = xfconj.mul(p_yf);
  84         alphaf_den = (p_xf * xfconj);
  85     } else {
  86         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
  87         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
  88         cv::Size sz(Fft::freq_size(p_roi));
  89         ComplexMat kf(sz.height, sz.width, num_scales);
  90         (*gaussian_correlation)(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
  91         DEBUG_PRINTM(kf);
  92         p_model_alphaf_num = p_yf * kf;
  93         DEBUG_PRINTM(p_model_alphaf_num);
  94         p_model_alphaf_den = kf * (kf + p_lambda);
  95         DEBUG_PRINTM(p_model_alphaf_den);
  96     }
  97     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
  98     DEBUG_PRINTM(p_model_alphaf);
  99     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 100 }
 101
 102 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
 103 {
 104     kcf_debug = m_debug;
 105     // check boundary, enforce min size
 106     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
 107     if (x1 < 0) x1 = 0.;
 108     if (x2 > img.cols - 1) x2 = img.cols - 1;
 109     if (y1 < 0) y1 = 0;
 110     if (y2 > img.rows - 1) y2 = img.rows - 1;
 111
 112     if (x2 - x1 < 2 * p_cell_size) {
 113         double diff = (2 * p_cell_size - x2 + x1) / 2.;
 114         if (x1 - diff >= 0 && x2 + diff < img.cols) {
 115             x1 -= diff;
 116             x2 += diff;
 117         } else if (x1 - 2 * diff >= 0) {
 118             x1 -= 2 * diff;
 119         } else {
 120             x2 += 2 * diff;
 121         }
 122     }
 123     if (y2 - y1 < 2 * p_cell_size) {
 124         double diff = (2 * p_cell_size - y2 + y1) / 2.;
 125         if (y1 - diff >= 0 && y2 + diff < img.rows) {
 126             y1 -= diff;
 127             y2 += diff;
 128         } else if (y1 - 2 * diff >= 0) {
 129             y1 -= 2 * diff;
 130         } else {
 131             y2 += 2 * diff;
 132         }
 133     }
 134
 135     p_pose.w = x2 - x1;
 136     p_pose.h = y2 - y1;
 137     p_pose.cx = x1 + p_pose.w / 2.;
 138     p_pose.cy = y1 + p_pose.h / 2.;
 139
 140     cv::Mat input_gray, input_rgb = img.clone();
 141     if (img.channels() == 3) {
 142         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 143         input_gray.convertTo(input_gray, CV_32FC1);
 144     } else
 145         img.convertTo(input_gray, CV_32FC1);
 146
 147     // don't need too large image
 148     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 149         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 150         p_resize_image = true;
 151         p_pose.scale(p_downscale_factor);
 152         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 153         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 154     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 155         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 156             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 157             std::exit(EXIT_FAILURE);
 158         }
 159         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 160         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 161         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 162                   << p_scale_factor_y << std::endl;
 163         p_fit_to_pw2 = true;
 164         p_pose.scale_x(p_scale_factor_x);
 165         p_pose.scale_y(p_scale_factor_y);
 166         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 167             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 168                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 169                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 170             } else {
 171                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 172                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 173             }
 174         }
 175     }
 176
 177     // compute win size + fit to fhog cell size
 178     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 179     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 180     p_roi.width = p_windows_size.width / p_cell_size;
 181     p_roi.height = p_windows_size.height / p_cell_size;
 182
 183     p_scales.clear();
 184     if (m_use_scale)
 185         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 186             p_scales.push_back(std::pow(p_scale_step, i));
 187     else
 188         p_scales.push_back(1.);
 189
 190 #ifdef CUFFT
 191     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 192         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 193                      "the window dimensions so its size is less or equal to "
 194                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 195                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 196                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 197         std::exit(EXIT_FAILURE);
 198     }
 199
 200     if (m_use_linearkernel) {
 201         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 202         std::exit(EXIT_FAILURE);
 203     }
 204     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 205 #else
 206     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 207 #endif
 208
 209 #if defined(CUFFT) || defined(FFTW)
 210     uint width = p_roi.width / 2 + 1;
 211 #else
 212     uint width = p_roi.width;
 213 #endif
 214     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 215     p_yf.create(p_roi.height, width, 1);
 216     p_xf.create(p_roi.height, width, p_num_of_feats);
 217
 218 #ifndef BIG_BATCH
 219     for (auto scale: p_scales)
 220         d.threadctxs.emplace_back(p_roi, p_num_of_feats, 1, scale);
 221 #else
 222     d.threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, p_num_scales);
 223 #endif
 224
 225     gaussian_correlation.reset(new GaussianCorrelation(p_roi, IF_BIG_BATCH(p_num_scales, 1),
 226                                                        p_num_of_feats * IF_BIG_BATCH(p_num_scales, 1)));
 227
 228     p_current_scale = 1.;
 229
 230     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 231     double max_size_ratio =
 232         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 233                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 234     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 235     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 236
 237     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 238     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 239     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 240     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 241
 242     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 243
 244     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 245     fft.set_window(MatDynMem(cosine_window_function(p_roi.width, p_roi.height)));
 246
 247     // window weights, i.e. labels
 248     fft.forward(gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf);
 249     DEBUG_PRINTM(p_yf);
 250
 251     // train initial model
 252     train(input_gray, input_rgb, 1.0);
 253 }
 254
 255 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 256 {
 257     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 258 }
 259
 260 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 261 {
 262     if (p_resize_image) {
 263         BBox_c tmp = bbox;
 264         tmp.scale(p_downscale_factor);
 265         p_pose.cx = tmp.cx;
 266         p_pose.cy = tmp.cy;
 267     } else if (p_fit_to_pw2) {
 268         BBox_c tmp = bbox;
 269         tmp.scale_x(p_scale_factor_x);
 270         tmp.scale_y(p_scale_factor_y);
 271         p_pose.cx = tmp.cx;
 272         p_pose.cy = tmp.cy;
 273     } else {
 274         p_pose.cx = bbox.cx;
 275         p_pose.cy = bbox.cy;
 276     }
 277 }
 278
 279 BBox_c KCF_Tracker::getBBox()
 280 {
 281     BBox_c tmp = p_pose;
 282     tmp.w *= p_current_scale;
 283     tmp.h *= p_current_scale;
 284
 285     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 286     if (p_fit_to_pw2) {
 287         tmp.scale_x(1 / p_scale_factor_x);
 288         tmp.scale_y(1 / p_scale_factor_y);
 289     }
 290
 291     return tmp;
 292 }
 293
 294 double KCF_Tracker::getFilterResponse() const
 295 {
 296     return this->max_response;
 297 }
 298
 299 void KCF_Tracker::resizeImgs(cv::Mat &input_rgb, cv::Mat &input_gray)
 300 {
 301     if (p_resize_image) {
 302         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 303         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 304     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 305                fabs(p_scale_factor_y - 1) > p_floating_error) {
 306         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 307             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 308             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 309         } else {
 310             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 311             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 312         }
 313     }
 314 }
 315
 316 void KCF_Tracker::findMaxReponse(uint &max_idx, cv::Point2f &new_location) const
 317 {
 318     double max = -1.;
 319 #ifndef BIG_BATCH
 320     for (uint j = 0; j < d.threadctxs.size(); ++j) {
 321         if (d.threadctxs[j].max.response > max) {
 322             max = d.threadctxs[j].max.response;
 323             max_idx = j;
 324         }
 325     }
 326 #else
 327     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 328     for (uint j = 0; j < p_scales.size(); ++j) {
 329         if (d.threadctxs[0].max[j].response > max) {
 330             max = d.threadctxs[0].max[j].response;
 331             max_idx = j;
 332         }
 333     }
 334 #endif
 335     cv::Point2i &max_response_pt = IF_BIG_BATCH(d.threadctxs[0].max[max_idx].loc,        d.threadctxs[max_idx].max.loc);
 336     cv::Mat max_response_map     = IF_BIG_BATCH(d.threadctxs[0].response.plane(max_idx), d.threadctxs[max_idx].response);
 337
 338     DEBUG_PRINTM(max_response_map);
 339     DEBUG_PRINT(max_response_pt);
 340
 341     // sub pixel quadratic interpolation from neighbours
 342     if (max_response_pt.y > max_response_map.rows / 2) // wrap around to negative half-space of vertical axis
 343         max_response_pt.y = max_response_pt.y - max_response_map.rows;
 344     if (max_response_pt.x > max_response_map.cols / 2) // same for horizontal axis
 345         max_response_pt.x = max_response_pt.x - max_response_map.cols;
 346
 347
 348     if (m_use_subpixel_localization) {
 349         new_location = sub_pixel_peak(max_response_pt, max_response_map);
 350     } else {
 351         new_location = max_response_pt;
 352     }
 353     DEBUG_PRINT(new_location);
 354 }
 355
 356 void KCF_Tracker::track(cv::Mat &img)
 357 {
 358     kcf_debug = m_debug;
 359     if (m_debug) std::cout << "NEW FRAME" << '\n';
 360
 361     cv::Mat input_gray, input_rgb = img.clone();
 362     if (img.channels() == 3) {
 363         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 364         input_gray.convertTo(input_gray, CV_32FC1);
 365     } else
 366         img.convertTo(input_gray, CV_32FC1);
 367
 368     // don't need too large image
 369     resizeImgs(input_rgb, input_gray);
 370
 371 #ifdef ASYNC
 372     for (auto &it : d.threadctxs)
 373         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 374             it.track(*this, input_rgb, input_gray);
 375         });
 376     for (auto const &it : d.threadctxs)
 377         it.async_res.wait();
 378
 379 #else  // !ASYNC
 380     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 381     NORMAL_OMP_PARALLEL_FOR
 382     for (uint i = 0; i < d.threadctxs.size(); ++i)
 383         d.threadctxs[i].track(*this, input_rgb, input_gray);
 384 #endif
 385
 386     cv::Point2f new_location;
 387     uint max_idx;
 388     findMaxReponse(max_idx, new_location);
 389
 390     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 391     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 392     if (p_fit_to_pw2) {
 393         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 394         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 395     } else {
 396         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 397         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 398     }
 399
 400     // sub grid scale interpolation
 401     if (m_use_subgrid_scale) {
 402         p_current_scale *= sub_grid_scale(max_idx);
 403     } else {
 404         p_current_scale *= p_scales[max_idx];
 405     }
 406
 407     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 408
 409     // train at newly estimated target position
 410     train(input_rgb, input_gray, p_interp_factor);
 411 }
 412
 413 void ThreadCtx::track(const KCF_Tracker &kcf, cv::Mat &input_rgb, cv::Mat &input_gray)
 414 {
 415     // TODO: Move matrices to thread ctx
 416     int sizes[3] = {kcf.p_num_of_feats, kcf.p_windows_size.height, kcf.p_windows_size.width};
 417     MatDynMem patch_feats(3, sizes, CV_32FC1);
 418     MatDynMem temp(3, sizes, CV_32FC1);
 419
 420 #ifdef BIG_BATCH
 421     BIG_BATCH_OMP_PARALLEL_FOR
 422     for (uint i = 0; i < kcf.p_num_scales; ++i)
 423 #endif
 424     {
 425         kcf.get_features(patch_feats, input_rgb, input_gray, kcf.p_pose.cx, kcf.p_pose.cy,
 426                          kcf.p_windows_size.width, kcf.p_windows_size.height,
 427                          kcf.p_current_scale * IF_BIG_BATCH(kcf.p_scales[i], scale));
 428     }
 429
 430     kcf.fft.forward_window(patch_feats, zf, temp);
 431     DEBUG_PRINTM(zf);
 432
 433     if (kcf.m_use_linearkernel) {
 434         kzf = zf.mul(kcf.p_model_alphaf).sum_over_channels();
 435     } else {
 436         gaussian_correlation(kcf, kzf, zf, kcf.p_model_xf, kcf.p_kernel_sigma);
 437         DEBUG_PRINTM(kcf.p_model_alphaf);
 438         DEBUG_PRINTM(kzf);
 439         kzf = kzf.mul(kcf.p_model_alphaf);
 440     }
 441     kcf.fft.inverse(kzf, response);
 442
 443     DEBUG_PRINTM(response);
 444
 445     /* target location is at the maximum response. we must take into
 446     account the fact that, if the target doesn't move, the peak
 447     will appear at the top-left corner, not at the center (this is
 448     discussed in the paper). the responses wrap around cyclically. */
 449     double min_val, max_val;
 450     cv::Point2i min_loc, max_loc;
 451 #ifdef BIG_BATCH
 452     for (size_t i = 0; i < kcf.p_scales.size(); ++i) {
 453         cv::minMaxLoc(response.plane(i), &min_val, &max_val, &min_loc, &max_loc);
 454         DEBUG_PRINT(max_loc);
 455         double weight = kcf.p_scales[i] < 1. ? kcf.p_scales[i] : 1. / kcf.p_scales[i];
 456         max[i].response = max_val * weight;
 457         max[i].loc = max_loc;
 458     }
 459 #else
 460     cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 461
 462     DEBUG_PRINT(max_loc);
 463
 464     double weight = scale < 1. ? scale : 1. / scale;
 465     max.response = max_val * weight;
 466     max.loc = max_loc;
 467 #endif
 468 }
 469
 470 // ****************************************************************************
 471
 472 void KCF_Tracker::get_features(MatDynMem &result_3d, cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy,
 473                                int size_x, int size_y, double scale) const
 474 {
 475     assert(result_3d.size[0] == p_num_of_feats);
 476     assert(result_3d.size[1] == size_y / p_cell_size);
 477     assert(result_3d.size[2] == size_x / p_cell_size);
 478
 479     int size_x_scaled = floor(size_x * scale);
 480     int size_y_scaled = floor(size_y * scale);
 481
 482     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 483     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 484
 485     // resize to default size
 486     if (scale > 1.) {
 487         // if we downsample use  INTER_AREA interpolation
 488         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 489     } else {
 490         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 491     }
 492
 493     // get hog(Histogram of Oriented Gradients) features
 494     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 495
 496     // get color rgb features (simple r,g,b channels)
 497     std::vector<cv::Mat> color_feat;
 498     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 499         // resize to default size
 500         if (scale > 1.) {
 501             // if we downsample use  INTER_AREA interpolation
 502             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 503         } else {
 504             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 505         }
 506     }
 507
 508     if (m_use_color && input_rgb.channels() == 3) {
 509         // use rgb color space
 510         cv::Mat patch_rgb_norm;
 511         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 512         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 513         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 514         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 515         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 516         cv::split(patch_rgb_norm, rgb);
 517         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 518     }
 519
 520     if (m_use_cnfeat && input_rgb.channels() == 3) {
 521         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 522         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 523     }
 524
 525     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 526
 527     for (uint i = 0; i < hog_feat.size(); ++i) {
 528         cv::Mat result_plane(result_3d.dims - 1, result_3d.size + 1, result_3d.cv::Mat::type(), result_3d.ptr<void>(i));
 529         hog_feat[i].copyTo(result_plane);
 530     }
 531 }
 532
 533 MatDynMem KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 534 {
 535     MatDynMem labels(dim2, dim1, CV_32FC1);
 536     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 537     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 538
 539     double sigma_s = sigma * sigma;
 540
 541     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 542         float *row_ptr = labels.ptr<float>(j);
 543         double y_s = y * y;
 544         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 545             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 546         }
 547     }
 548
 549     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 550     MatDynMem rot_labels = circshift(labels, range_x[0], range_y[0]);
 551     // sanity check, 1 at top left corner
 552     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 553
 554     return rot_labels;
 555 }
 556
 557 MatDynMem KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 558 {
 559     MatDynMem rot_patch(patch.size(), CV_32FC1);
 560     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 561
 562     // circular rotate x-axis
 563     if (x_rot < 0) {
 564         // move part that does not rotate over the edge
 565         cv::Range orig_range(-x_rot, patch.cols);
 566         cv::Range rot_range(0, patch.cols - (-x_rot));
 567         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 568
 569         // rotated part
 570         orig_range = cv::Range(0, -x_rot);
 571         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 572         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 573     } else if (x_rot > 0) {
 574         // move part that does not rotate over the edge
 575         cv::Range orig_range(0, patch.cols - x_rot);
 576         cv::Range rot_range(x_rot, patch.cols);
 577         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 578
 579         // rotated part
 580         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 581         rot_range = cv::Range(0, x_rot);
 582         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 583     } else { // zero rotation
 584         // move part that does not rotate over the edge
 585         cv::Range orig_range(0, patch.cols);
 586         cv::Range rot_range(0, patch.cols);
 587         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 588     }
 589
 590     // circular rotate y-axis
 591     if (y_rot < 0) {
 592         // move part that does not rotate over the edge
 593         cv::Range orig_range(-y_rot, patch.rows);
 594         cv::Range rot_range(0, patch.rows - (-y_rot));
 595         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 596
 597         // rotated part
 598         orig_range = cv::Range(0, -y_rot);
 599         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 600         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 601     } else if (y_rot > 0) {
 602         // move part that does not rotate over the edge
 603         cv::Range orig_range(0, patch.rows - y_rot);
 604         cv::Range rot_range(y_rot, patch.rows);
 605         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 606
 607         // rotated part
 608         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 609         rot_range = cv::Range(0, y_rot);
 610         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 611     } else { // zero rotation
 612         // move part that does not rotate over the edge
 613         cv::Range orig_range(0, patch.rows);
 614         cv::Range rot_range(0, patch.rows);
 615         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 616     }
 617
 618     return rot_patch;
 619 }
 620
 621 // hann window actually (Power-of-cosine windows)
 622 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 623 {
 624     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 625     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 626     for (int i = 0; i < dim1; ++i)
 627         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 628     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 629     for (int i = 0; i < dim2; ++i)
 630         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 631     cv::Mat ret = m2 * m1;
 632     return ret;
 633 }
 634
 635 // Returns sub-window of image input centered at [cx, cy] coordinates),
 636 // with size [width, height]. If any pixels are outside of the image,
 637 // they will replicate the values at the borders.
 638 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height) const
 639 {
 640     cv::Mat patch;
 641
 642     int x1 = cx - width / 2;
 643     int y1 = cy - height / 2;
 644     int x2 = cx + width / 2;
 645     int y2 = cy + height / 2;
 646
 647     // out of image
 648     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 649         patch.create(height, width, input.type());
 650         patch.setTo(double(0.f));
 651         return patch;
 652     }
 653
 654     int top = 0, bottom = 0, left = 0, right = 0;
 655
 656     // fit to image coordinates, set border extensions;
 657     if (x1 < 0) {
 658         left = -x1;
 659         x1 = 0;
 660     }
 661     if (y1 < 0) {
 662         top = -y1;
 663         y1 = 0;
 664     }
 665     if (x2 >= input.cols) {
 666         right = x2 - input.cols + width % 2;
 667         x2 = input.cols;
 668     } else
 669         x2 += width % 2;
 670
 671     if (y2 >= input.rows) {
 672         bottom = y2 - input.rows + height % 2;
 673         y2 = input.rows;
 674     } else
 675         y2 += height % 2;
 676
 677     if (x2 - x1 == 0 || y2 - y1 == 0)
 678         patch = cv::Mat::zeros(height, width, CV_32FC1);
 679     else {
 680         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 681                            cv::BORDER_REPLICATE);
 682         //      imshow( "copyMakeBorder", patch);
 683         //      cv::waitKey();
 684     }
 685
 686     // sanity check
 687     assert(patch.cols == width && patch.rows == height);
 688
 689     return patch;
 690 }
 691
 692 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 693                                                    const ComplexMat &yf, double sigma, bool auto_correlation)
 694 {
 695     xf.sqr_norm(xf_sqr_norm);
 696     if (auto_correlation) {
 697         yf_sqr_norm = xf_sqr_norm;
 698     } else {
 699         yf.sqr_norm(yf_sqr_norm);
 700     }
 701     xyf = auto_correlation ? xf.sqr_mag() : xf.mul(yf.conj());
 702     //DEBUG_PRINTM(xyf);
 703     kcf.fft.inverse(xyf, ifft_res);
 704 #ifdef CUFFT
 705     cuda_gaussian_correlation(ifft_res.deviceMem(), k.deviceMem(), xf_sqr_norm.deviceMem(),
 706                               auto_correlation ? xf_sqr_norm.deviceMem() : yf_sqr_norm.deviceMem(), sigma,
 707                               xf.n_channels, xf.n_scales, kcf.p_roi.height, kcf.p_roi.width);
 708 #else
 709     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 710     //DEBUG_PRINTM(ifft_res);
 711     cv::Mat xy_sum;
 712     if (xf.channels() != kcf.p_num_scales * kcf.p_num_of_feats)
 713         xy_sum.create(ifft_res.size(), CV_32FC1);
 714     else
 715         xy_sum.create(ifft_res.size(), CV_32FC(kcf.p_scales.size()));
 716     xy_sum.setTo(0);
 717     for (int y = 0; y < ifft_res.rows; ++y) {
 718         float *row_ptr = ifft_res.ptr<float>(y);
 719         float *row_ptr_sum = xy_sum.ptr<float>(y);
 720         for (int x = 0; x < ifft_res.cols; ++x) {
 721             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 722                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 723                     row_ptr + x * ifft_res.channels() + sum_ch * (ifft_res.channels() / xy_sum.channels()),
 724                     (row_ptr + x * ifft_res.channels() +
 725                      (sum_ch + 1) * (ifft_res.channels() / xy_sum.channels())),
 726                     0.f);
 727             }
 728         }
 729     }
 730     DEBUG_PRINTM(xy_sum);
 731
 732     std::vector<cv::Mat> scales;
 733     cv::split(xy_sum, scales);
 734
 735     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 736     for (uint i = 0; i < xf.n_scales; ++i) {
 737         cv::Mat k_roi(k, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 738         cv::exp(-1. / (sigma * sigma) * cv::max((xf_sqr_norm[i] + yf_sqr_norm[0] - 2 * scales[i]) * numel_xf_inv, 0),
 739                 k_roi);
 740         DEBUG_PRINTM(k_roi);
 741     }
 742 #endif
 743     kcf.fft.forward(k, result);
 744 }
 745
 746 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 747 {
 748     int x = pt.x;
 749     int y = pt.y;
 750     if (x < 0) x = response.cols + x;
 751     if (y < 0) y = response.rows + y;
 752     if (x >= response.cols) x = x - response.cols;
 753     if (y >= response.rows) y = y - response.rows;
 754
 755     return response.at<float>(y, x);
 756 }
 757
 758 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response) const
 759 {
 760     // find neighbourhood of max_loc (response is circular)
 761     // 1 2 3
 762     // 4   5
 763     // 6 7 8
 764     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);
 765     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 766     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);
 767
 768     // clang-format off
 769     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 770     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 771                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 772                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 773                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 774                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 775                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 776                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 777                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 778                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 779                  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);
 780     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 781                     get_response_circular(p1, response),
 782                     get_response_circular(p2, response),
 783                     get_response_circular(p3, response),
 784                     get_response_circular(p4, response),
 785                     get_response_circular(p5, response),
 786                     get_response_circular(p6, response),
 787                     get_response_circular(p7, response),
 788                     get_response_circular(p8, response),
 789                     get_response_circular(max_loc, response));
 790     // clang-format on
 791     cv::Mat x;
 792     cv::solve(A, fval, x, cv::DECOMP_SVD);
 793
 794     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);
 795
 796     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 797     if (b > 0 || b < 0) {
 798         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 799         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 800     }
 801
 802     return sub_peak;
 803 }
 804
 805 double KCF_Tracker::sub_grid_scale(uint index)
 806 {
 807     cv::Mat A, fval;
 808     if (index >= p_scales.size()) {
 809         // interpolate from all values
 810         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 811         A.create(p_scales.size(), 3, CV_32FC1);
 812         fval.create(p_scales.size(), 1, CV_32FC1);
 813         for (size_t i = 0; i < p_scales.size(); ++i) {
 814             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 815             A.at<float>(i, 1) = float(p_scales[i]);
 816             A.at<float>(i, 2) = 1;
 817             fval.at<float>(i) = d.threadctxs.back().IF_BIG_BATCH(max[i].response, max.response);
 818         }
 819     } else {
 820         // only from neighbours
 821         if (index == 0 || index == p_scales.size() - 1)
 822            return p_scales[index];
 823
 824         A = (cv::Mat_<float>(3, 3) <<
 825              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 826              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 827              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 828 #ifdef BIG_BATCH
 829         fval = (cv::Mat_<float>(3, 1) <<
 830                 d.threadctxs.back().max[index - 1].response,
 831                 d.threadctxs.back().max[index + 0].response,
 832                 d.threadctxs.back().max[index + 1].response);
 833 #else
 834         fval = (cv::Mat_<float>(3, 1) <<
 835                 d.threadctxs[index - 1].max.response,
 836                 d.threadctxs[index + 0].max.response,
 837                 d.threadctxs[index + 1].max.response);
 838 #endif
 839     }
 840
 841     cv::Mat x;
 842     cv::solve(A, fval, x, cv::DECOMP_SVD);
 843     float a = x.at<float>(0), b = x.at<float>(1);
 844     double scale = p_scales[index];
 845     if (a > 0 || a < 0)
 846         scale = -b / (2 * a);
 847     return scale;
 848 }