src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5 #include "threadctx.hpp"
   6
   7 #ifdef FFTW
   8 #include "fft_fftw.h"
   9 #define FFT Fftw
  10 #elif defined(CUFFT)
  11 #include "fft_cufft.h"
  12 #define FFT cuFFT
  13 #else
  14 #include "fft_opencv.h"
  15 #define FFT FftOpencv
  16 #endif
  17
  18 #ifdef OPENMP
  19 #include <omp.h>
  20 #endif // OPENMP
  21
  22 #define DEBUG_PRINT(obj)                                                                                               \
  23     if (m_debug) {                                                                                                     \
  24         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  25     }
  26 #define DEBUG_PRINTM(obj)                                                                                              \
  27     if (m_debug) {                                                                                                     \
  28         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  29                   << (obj) << std::endl;                                                                               \
  30     }
  31
  32 template <typename T>
  33 T clamp(const T& n, const T& lower, const T& upper)
  34 {
  35     return std::max(lower, std::min(n, upper));
  36 }
  37
  38 template <typename T>
  39 void clamp2(T& n, const T& lower, const T& upper)
  40 {
  41     n = std::max(lower, std::min(n, upper));
  42 }
  43
  44 class Kcf_Tracker_Private {
  45     friend KCF_Tracker;
  46     std::vector<ThreadCtx> threadctxs;
  47 };
  48
  49 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  50                          double output_sigma_factor, int cell_size)
  51     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  52       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size), d(*new Kcf_Tracker_Private)
  53 {
  54 }
  55
  56 KCF_Tracker::KCF_Tracker() : fft(*new FFT()), d(*new Kcf_Tracker_Private) {}
  57
  58 KCF_Tracker::~KCF_Tracker()
  59 {
  60     delete &fft;
  61     delete &d;
  62 }
  63
  64 void KCF_Tracker::train(cv::Mat input_gray, cv::Mat input_rgb, double interp_factor)
  65 {
  66     // obtain a sub-window for training
  67     int sizes[3] = {p_num_of_feats, p_windows_size.height, p_windows_size.width};
  68     MatDynMem patch_feats(3, sizes, CV_32FC1);
  69     MatDynMem temp(3, sizes, CV_32FC1);
  70     get_features(patch_feats, input_rgb, input_gray, p_pose.cx, p_pose.cy,
  71                  p_windows_size.width, p_windows_size.height,
  72                  p_current_scale);
  73     fft.forward_window(patch_feats, p_xf, temp);
  74     p_model_xf = p_model_xf * (1. - interp_factor) + p_xf * interp_factor;
  75     DEBUG_PRINTM(p_model_xf);
  76
  77     ComplexMat alphaf_num, alphaf_den;
  78
  79     if (m_use_linearkernel) {
  80         ComplexMat xfconj = p_xf.conj();
  81         alphaf_num = xfconj.mul(p_yf);
  82         alphaf_den = (p_xf * xfconj);
  83     } else {
  84         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
  85         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
  86         cv::Size sz(Fft::freq_size(p_roi));
  87         ComplexMat kf(sz.height, sz.width, num_scales);
  88         (*gaussian_correlation)(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
  89         DEBUG_PRINTM(kf);
  90         p_model_alphaf_num = p_yf * kf;
  91         DEBUG_PRINTM(p_model_alphaf_num);
  92         p_model_alphaf_den = kf * (kf + p_lambda);
  93         DEBUG_PRINTM(p_model_alphaf_den);
  94     }
  95     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
  96     DEBUG_PRINTM(p_model_alphaf);
  97     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
  98 }
  99
 100 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
 101 {
 102     // check boundary, enforce min size
 103     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
 104     if (x1 < 0) x1 = 0.;
 105     if (x2 > img.cols - 1) x2 = img.cols - 1;
 106     if (y1 < 0) y1 = 0;
 107     if (y2 > img.rows - 1) y2 = img.rows - 1;
 108
 109     if (x2 - x1 < 2 * p_cell_size) {
 110         double diff = (2 * p_cell_size - x2 + x1) / 2.;
 111         if (x1 - diff >= 0 && x2 + diff < img.cols) {
 112             x1 -= diff;
 113             x2 += diff;
 114         } else if (x1 - 2 * diff >= 0) {
 115             x1 -= 2 * diff;
 116         } else {
 117             x2 += 2 * diff;
 118         }
 119     }
 120     if (y2 - y1 < 2 * p_cell_size) {
 121         double diff = (2 * p_cell_size - y2 + y1) / 2.;
 122         if (y1 - diff >= 0 && y2 + diff < img.rows) {
 123             y1 -= diff;
 124             y2 += diff;
 125         } else if (y1 - 2 * diff >= 0) {
 126             y1 -= 2 * diff;
 127         } else {
 128             y2 += 2 * diff;
 129         }
 130     }
 131
 132     p_pose.w = x2 - x1;
 133     p_pose.h = y2 - y1;
 134     p_pose.cx = x1 + p_pose.w / 2.;
 135     p_pose.cy = y1 + p_pose.h / 2.;
 136
 137     cv::Mat input_gray, input_rgb = img.clone();
 138     if (img.channels() == 3) {
 139         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 140         input_gray.convertTo(input_gray, CV_32FC1);
 141     } else
 142         img.convertTo(input_gray, CV_32FC1);
 143
 144     // don't need too large image
 145     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 146         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 147         p_resize_image = true;
 148         p_pose.scale(p_downscale_factor);
 149         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 150         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 151     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 152         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 153             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 154             std::exit(EXIT_FAILURE);
 155         }
 156         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 157         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 158         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 159                   << p_scale_factor_y << std::endl;
 160         p_fit_to_pw2 = true;
 161         p_pose.scale_x(p_scale_factor_x);
 162         p_pose.scale_y(p_scale_factor_y);
 163         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 164             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 165                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 166                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 167             } else {
 168                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 169                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 170             }
 171         }
 172     }
 173
 174     // compute win size + fit to fhog cell size
 175     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 176     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 177     p_roi.width = p_windows_size.width / p_cell_size;
 178     p_roi.height = p_windows_size.height / p_cell_size;
 179
 180     p_scales.clear();
 181     if (m_use_scale)
 182         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 183             p_scales.push_back(std::pow(p_scale_step, i));
 184     else
 185         p_scales.push_back(1.);
 186
 187 #ifdef CUFFT
 188     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 189         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 190                      "the window dimensions so its size is less or equal to "
 191                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 192                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 193                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 194         std::exit(EXIT_FAILURE);
 195     }
 196
 197     if (m_use_linearkernel) {
 198         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 199         std::exit(EXIT_FAILURE);
 200     }
 201     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 202 #else
 203     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 204 #endif
 205
 206 #if defined(CUFFT) || defined(FFTW)
 207     uint width = p_roi.width / 2 + 1;
 208 #else
 209     uint width = p_roi.width;
 210 #endif
 211     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 212     p_yf.create(p_roi.height, width, 1);
 213     p_xf.create(p_roi.height, width, p_num_of_feats);
 214
 215 #ifndef BIG_BATCH
 216     for (auto scale: p_scales)
 217         d.threadctxs.emplace_back(p_roi, p_num_of_feats, 1, scale);
 218 #else
 219     d.threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, p_num_scales);
 220 #endif
 221
 222     p_current_scale = 1.;
 223
 224     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 225     double max_size_ratio =
 226         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 227                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 228     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 229     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 230
 231     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 232     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 233     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 234     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 235
 236     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 237
 238     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 239     fft.set_window(MatDynMem(cosine_window_function(p_roi.width, p_roi.height)));
 240
 241     // window weights, i.e. labels
 242     fft.forward(gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf);
 243     DEBUG_PRINTM(p_yf);
 244
 245     // train initial model
 246     train(input_gray, input_rgb, 1.0);
 247 }
 248
 249 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 250 {
 251     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 252 }
 253
 254 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 255 {
 256     if (p_resize_image) {
 257         BBox_c tmp = bbox;
 258         tmp.scale(p_downscale_factor);
 259         p_pose.cx = tmp.cx;
 260         p_pose.cy = tmp.cy;
 261     } else if (p_fit_to_pw2) {
 262         BBox_c tmp = bbox;
 263         tmp.scale_x(p_scale_factor_x);
 264         tmp.scale_y(p_scale_factor_y);
 265         p_pose.cx = tmp.cx;
 266         p_pose.cy = tmp.cy;
 267     } else {
 268         p_pose.cx = bbox.cx;
 269         p_pose.cy = bbox.cy;
 270     }
 271 }
 272
 273 BBox_c KCF_Tracker::getBBox()
 274 {
 275     BBox_c tmp = p_pose;
 276     tmp.w *= p_current_scale;
 277     tmp.h *= p_current_scale;
 278
 279     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 280     if (p_fit_to_pw2) {
 281         tmp.scale_x(1 / p_scale_factor_x);
 282         tmp.scale_y(1 / p_scale_factor_y);
 283     }
 284
 285     return tmp;
 286 }
 287
 288 double KCF_Tracker::getFilterResponse() const
 289 {
 290     return this->max_response;
 291 }
 292
 293 void KCF_Tracker::resizeImgs(cv::Mat &input_rgb, cv::Mat &input_gray)
 294 {
 295     if (p_resize_image) {
 296         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 297         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 298     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 299                fabs(p_scale_factor_y - 1) > p_floating_error) {
 300         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 301             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 302             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 303         } else {
 304             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 305             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 306         }
 307     }
 308 }
 309
 310 void KCF_Tracker::findMaxReponse(uint &max_idx, cv::Point2f &new_location) const
 311 {
 312     double max = -1.;
 313 #ifndef BIG_BATCH
 314     for (uint j = 0; j < d.threadctxs.size(); ++j) {
 315         if (d.threadctxs[j].max_response > max) {
 316             max = d.threadctxs[j].max_response;
 317             max_idx = j;
 318         }
 319     }
 320 #else
 321     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 322     for (uint j = 0; j < p_scales.size(); ++j) {
 323         if (d.threadctxs[0].max_responses[j] > max) {
 324             max = d.threadctxs[0].max_responses[j];
 325             max_idx = j;
 326         }
 327     }
 328 #endif
 329     cv::Point2i &max_response_pt = IF_BIG_BATCH(d.threadctxs[0].max_locs[max_idx],      d.threadctxs[max_idx].max_loc);
 330     cv::Mat &max_response_map    = IF_BIG_BATCH(d.threadctxs[0].response_maps[max_idx], d.threadctxs[max_idx].response);
 331
 332     DEBUG_PRINTM(max_response_map);
 333     DEBUG_PRINT(max_response_pt);
 334
 335     // sub pixel quadratic interpolation from neighbours
 336     if (max_response_pt.y > max_response_map.rows / 2) // wrap around to negative half-space of vertical axis
 337         max_response_pt.y = max_response_pt.y - max_response_map.rows;
 338     if (max_response_pt.x > max_response_map.cols / 2) // same for horizontal axis
 339         max_response_pt.x = max_response_pt.x - max_response_map.cols;
 340
 341
 342     if (m_use_subpixel_localization) {
 343         new_location = sub_pixel_peak(max_response_pt, max_response_map);
 344     } else {
 345         new_location = max_response_pt;
 346     }
 347     DEBUG_PRINT(new_location);
 348 }
 349
 350 void KCF_Tracker::track(cv::Mat &img)
 351 {
 352     if (m_debug) std::cout << "NEW FRAME" << '\n';
 353     cv::Mat input_gray, input_rgb = img.clone();
 354     if (img.channels() == 3) {
 355         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 356         input_gray.convertTo(input_gray, CV_32FC1);
 357     } else
 358         img.convertTo(input_gray, CV_32FC1);
 359
 360     // don't need too large image
 361     resizeImgs(input_rgb, input_gray);
 362
 363 #ifdef ASYNC
 364     for (auto &it : d.threadctxs)
 365         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 366             scale_track(it, input_rgb, input_gray);
 367         });
 368     for (auto const &it : d.threadctxs)
 369         it.async_res.wait();
 370
 371 #else  // !ASYNC
 372     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 373     NORMAL_OMP_PARALLEL_FOR
 374     for (uint i = 0; i < d.threadctxs.size(); ++i)
 375         scale_track(d.threadctxs[i], input_rgb, input_gray);
 376 #endif
 377
 378     cv::Point2f new_location;
 379     uint max_idx;
 380     findMaxReponse(max_idx, new_location);
 381
 382     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 383     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 384     if (p_fit_to_pw2) {
 385         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 386         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 387     } else {
 388         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 389         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 390     }
 391
 392     // sub grid scale interpolation
 393     if (m_use_subgrid_scale) {
 394         p_current_scale *= sub_grid_scale(max_idx);
 395     } else {
 396         p_current_scale *= p_scales[max_idx];
 397     }
 398
 399     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 400
 401     // train at newly estimated target position
 402     train(input_rgb, input_gray, p_interp_factor);
 403 }
 404
 405 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 406 {
 407     // TODO: Move matrices to thread ctx
 408     int sizes[3] = {p_num_of_feats, p_windows_size.height, p_windows_size.width};
 409     MatDynMem patch_feats(3, sizes, CV_32FC1);
 410     MatDynMem temp(3, sizes, CV_32FC1);
 411
 412 #ifdef BIG_BATCH
 413     BIG_BATCH_OMP_PARALLEL_FOR
 414     for (uint i = 0; i < p_num_scales; ++i)
 415 #endif
 416     {
 417         get_features(patch_feats, input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 418                      this->p_windows_size.width, this->p_windows_size.height,
 419                      this->p_current_scale * IF_BIG_BATCH(this->p_scales[i], vars.scale));
 420     }
 421
 422     fft.forward_window(patch_feats, vars.zf, temp);
 423     DEBUG_PRINTM(vars.zf);
 424
 425     if (m_use_linearkernel) {
 426         vars.kzf = vars.zf.mul(p_model_alphaf).sum_over_channels();
 427     } else {
 428         (*gaussian_correlation)(*this, vars.kzf, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 429         DEBUG_PRINTM(this->p_model_alphaf);
 430         DEBUG_PRINTM(vars.kzf);
 431         vars.kzf = vars.kzf.mul(this->p_model_alphaf);
 432     }
 433     fft.inverse(vars.kzf, vars.response);
 434
 435     DEBUG_PRINTM(vars.response);
 436
 437     /* target location is at the maximum response. we must take into
 438     account the fact that, if the target doesn't move, the peak
 439     will appear at the top-left corner, not at the center (this is
 440     discussed in the paper). the responses wrap around cyclically. */
 441 #ifdef BIG_BATCH
 442     cv::split(vars.response, vars.response_maps);
 443
 444     for (size_t i = 0; i < p_scales.size(); ++i) {
 445         double min_val, max_val;
 446         cv::Point2i min_loc, max_loc;
 447         cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 448         DEBUG_PRINT(max_loc);
 449         double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 450         vars.max_responses[i] = max_val * weight;
 451         vars.max_locs[i] = max_loc;
 452     }
 453 #else
 454     double min_val;
 455     cv::Point2i min_loc;
 456     cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 457
 458     DEBUG_PRINT(vars.max_loc);
 459
 460     double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 461     vars.max_response = vars.max_val * weight;
 462 #endif
 463     return;
 464 }
 465
 466 // ****************************************************************************
 467
 468 void KCF_Tracker::get_features(MatDynMem &result_3d, cv::Mat & input_rgb, cv::Mat & input_gray, int cx, int cy, int size_x, int size_y, double scale)
 469 {
 470     assert(result_3d.size[0] == p_num_of_feats);
 471     assert(result_3d.size[1] == size_x);
 472     assert(result_3d.size[2] == size_y);
 473
 474     int size_x_scaled = floor(size_x * scale);
 475     int size_y_scaled = floor(size_y * scale);
 476
 477     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 478     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 479
 480     // resize to default size
 481     if (scale > 1.) {
 482         // if we downsample use  INTER_AREA interpolation
 483         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 484     } else {
 485         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 486     }
 487
 488     // get hog(Histogram of Oriented Gradients) features
 489     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 490
 491     // get color rgb features (simple r,g,b channels)
 492     std::vector<cv::Mat> color_feat;
 493     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 494         // resize to default size
 495         if (scale > 1.) {
 496             // if we downsample use  INTER_AREA interpolation
 497             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 498         } else {
 499             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 500         }
 501     }
 502
 503     if (m_use_color && input_rgb.channels() == 3) {
 504         // use rgb color space
 505         cv::Mat patch_rgb_norm;
 506         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 507         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 508         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 509         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 510         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 511         cv::split(patch_rgb_norm, rgb);
 512         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 513     }
 514
 515     if (m_use_cnfeat && input_rgb.channels() == 3) {
 516         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 517         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 518     }
 519
 520     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 521
 522     for (uint i = 0; i < hog_feat.size(); ++i) {
 523         cv::Mat result_plane(result_3d.dims - 1, result_3d.size + 1, result_3d.cv::Mat::type(), result_3d.ptr<void>(i));
 524         result_plane = hog_feat[i];
 525     }
 526 }
 527
 528 MatDynMem KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 529 {
 530     MatDynMem labels(dim2, dim1, CV_32FC1);
 531     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 532     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 533
 534     double sigma_s = sigma * sigma;
 535
 536     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 537         float *row_ptr = labels.ptr<float>(j);
 538         double y_s = y * y;
 539         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 540             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 541         }
 542     }
 543
 544     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 545     MatDynMem rot_labels = circshift(labels, range_x[0], range_y[0]);
 546     // sanity check, 1 at top left corner
 547     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 548
 549     return rot_labels;
 550 }
 551
 552 MatDynMem KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 553 {
 554     MatDynMem rot_patch(patch.size(), CV_32FC1);
 555     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 556
 557     // circular rotate x-axis
 558     if (x_rot < 0) {
 559         // move part that does not rotate over the edge
 560         cv::Range orig_range(-x_rot, patch.cols);
 561         cv::Range rot_range(0, patch.cols - (-x_rot));
 562         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 563
 564         // rotated part
 565         orig_range = cv::Range(0, -x_rot);
 566         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 567         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 568     } else if (x_rot > 0) {
 569         // move part that does not rotate over the edge
 570         cv::Range orig_range(0, patch.cols - x_rot);
 571         cv::Range rot_range(x_rot, patch.cols);
 572         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 573
 574         // rotated part
 575         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 576         rot_range = cv::Range(0, x_rot);
 577         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 578     } else { // zero rotation
 579         // move part that does not rotate over the edge
 580         cv::Range orig_range(0, patch.cols);
 581         cv::Range rot_range(0, patch.cols);
 582         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 583     }
 584
 585     // circular rotate y-axis
 586     if (y_rot < 0) {
 587         // move part that does not rotate over the edge
 588         cv::Range orig_range(-y_rot, patch.rows);
 589         cv::Range rot_range(0, patch.rows - (-y_rot));
 590         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 591
 592         // rotated part
 593         orig_range = cv::Range(0, -y_rot);
 594         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 595         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 596     } else if (y_rot > 0) {
 597         // move part that does not rotate over the edge
 598         cv::Range orig_range(0, patch.rows - y_rot);
 599         cv::Range rot_range(y_rot, patch.rows);
 600         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 601
 602         // rotated part
 603         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 604         rot_range = cv::Range(0, y_rot);
 605         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 606     } else { // zero rotation
 607         // move part that does not rotate over the edge
 608         cv::Range orig_range(0, patch.rows);
 609         cv::Range rot_range(0, patch.rows);
 610         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 611     }
 612
 613     return rot_patch;
 614 }
 615
 616 // hann window actually (Power-of-cosine windows)
 617 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 618 {
 619     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 620     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 621     for (int i = 0; i < dim1; ++i)
 622         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 623     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 624     for (int i = 0; i < dim2; ++i)
 625         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 626     cv::Mat ret = m2 * m1;
 627     return ret;
 628 }
 629
 630 // Returns sub-window of image input centered at [cx, cy] coordinates),
 631 // with size [width, height]. If any pixels are outside of the image,
 632 // they will replicate the values at the borders.
 633 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 634 {
 635     cv::Mat patch;
 636
 637     int x1 = cx - width / 2;
 638     int y1 = cy - height / 2;
 639     int x2 = cx + width / 2;
 640     int y2 = cy + height / 2;
 641
 642     // out of image
 643     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 644         patch.create(height, width, input.type());
 645         patch.setTo(double(0.f));
 646         return patch;
 647     }
 648
 649     int top = 0, bottom = 0, left = 0, right = 0;
 650
 651     // fit to image coordinates, set border extensions;
 652     if (x1 < 0) {
 653         left = -x1;
 654         x1 = 0;
 655     }
 656     if (y1 < 0) {
 657         top = -y1;
 658         y1 = 0;
 659     }
 660     if (x2 >= input.cols) {
 661         right = x2 - input.cols + width % 2;
 662         x2 = input.cols;
 663     } else
 664         x2 += width % 2;
 665
 666     if (y2 >= input.rows) {
 667         bottom = y2 - input.rows + height % 2;
 668         y2 = input.rows;
 669     } else
 670         y2 += height % 2;
 671
 672     if (x2 - x1 == 0 || y2 - y1 == 0)
 673         patch = cv::Mat::zeros(height, width, CV_32FC1);
 674     else {
 675         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 676                            cv::BORDER_REPLICATE);
 677         //      imshow( "copyMakeBorder", patch);
 678         //      cv::waitKey();
 679     }
 680
 681     // sanity check
 682     assert(patch.cols == width && patch.rows == height);
 683
 684     return patch;
 685 }
 686
 687 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 688                                                    const ComplexMat &yf, double sigma, bool auto_correlation)
 689 {
 690     xf.sqr_norm(xf_sqr_norm);
 691     if (auto_correlation) {
 692         yf_sqr_norm = xf_sqr_norm;
 693     } else {
 694         yf.sqr_norm(yf_sqr_norm);
 695     }
 696     xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 697     //DEBUG_PRINTM(xyf);
 698     kcf.fft.inverse(xyf, ifft_res);
 699 #ifdef CUFFT
 700     cuda_gaussian_correlation(ifft_res.deviceMem(), k.deviceMem(), xf_sqr_norm.deviceMem(),
 701                               auto_correlation ? xf_sqr_norm.deviceMem() : yf_sqr_norm.deviceMem(), sigma,
 702                               xf.n_channels, xf.n_scales, kcf.p_roi.height, kcf.p_roi.width);
 703 #else
 704     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 705     //DEBUG_PRINTM(vars.ifft2_res);
 706     cv::Mat xy_sum;
 707     if (xf.channels() != p_num_scales * p_num_of_feats)
 708         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 709     else
 710         xy_sum.create(vars.ifft2_res.size(), CV_32FC(p_scales.size()));
 711     xy_sum.setTo(0);
 712     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 713         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 714         float *row_ptr_sum = xy_sum.ptr<float>(y);
 715         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 716             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 717                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 718                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 719                     (row_ptr + x * vars.ifft2_res.channels() +
 720                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 721                     0.f);
 722             }
 723         }
 724     }
 725     DEBUG_PRINTM(xy_sum);
 726
 727     std::vector<cv::Mat> scales;
 728     cv::split(xy_sum, scales);
 729
 730     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 731     for (uint i = 0; i < xf.n_scales; ++i) {
 732         cv::Mat in_roi(vars.in_all, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 733         cv::exp(
 734             -1. / (sigma * sigma) *
 735                 cv::max((double(vars.gc.xf_sqr_norm.hostMem()[i] + vars.gc.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 736             in_roi);
 737         DEBUG_PRINTM(in_roi);
 738     }
 739 #endif
 740     kcf.fft.forward(k, result);
 741     return;
 742 }
 743
 744 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 745 {
 746     int x = pt.x;
 747     int y = pt.y;
 748     if (x < 0) x = response.cols + x;
 749     if (y < 0) y = response.rows + y;
 750     if (x >= response.cols) x = x - response.cols;
 751     if (y >= response.rows) y = y - response.rows;
 752
 753     return response.at<float>(y, x);
 754 }
 755
 756 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response) const
 757 {
 758     // find neighbourhood of max_loc (response is circular)
 759     // 1 2 3
 760     // 4   5
 761     // 6 7 8
 762     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);
 763     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 764     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);
 765
 766     // clang-format off
 767     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 768     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 769                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 770                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 771                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 772                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 773                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 774                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 775                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 776                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 777                  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);
 778     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 779                     get_response_circular(p1, response),
 780                     get_response_circular(p2, response),
 781                     get_response_circular(p3, response),
 782                     get_response_circular(p4, response),
 783                     get_response_circular(p5, response),
 784                     get_response_circular(p6, response),
 785                     get_response_circular(p7, response),
 786                     get_response_circular(p8, response),
 787                     get_response_circular(max_loc, response));
 788     // clang-format on
 789     cv::Mat x;
 790     cv::solve(A, fval, x, cv::DECOMP_SVD);
 791
 792     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);
 793
 794     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 795     if (b > 0 || b < 0) {
 796         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 797         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 798     }
 799
 800     return sub_peak;
 801 }
 802
 803 double KCF_Tracker::sub_grid_scale(uint index)
 804 {
 805     cv::Mat A, fval;
 806     if (index >= p_scales.size()) {
 807         // interpolate from all values
 808         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 809         A.create(p_scales.size(), 3, CV_32FC1);
 810         fval.create(p_scales.size(), 1, CV_32FC1);
 811         for (size_t i = 0; i < p_scales.size(); ++i) {
 812             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 813             A.at<float>(i, 1) = float(p_scales[i]);
 814             A.at<float>(i, 2) = 1;
 815 #ifdef BIG_BATCH
 816             fval.at<float>(i) = d.threadctxs.back().max_responses[i];
 817 #else
 818             fval.at<float>(i) = d.threadctxs[i].max_response;
 819 #endif
 820         }
 821     } else {
 822         // only from neighbours
 823         if (index == 0 || index == p_scales.size() - 1)
 824            return p_scales[index];
 825
 826         A = (cv::Mat_<float>(3, 3) <<
 827              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 828              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 829              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 830 #ifdef BIG_BATCH
 831         fval = (cv::Mat_<float>(3, 1) <<
 832                 d.threadctxs.back().max_responses[index - 1],
 833                 d.threadctxs.back().max_responses[index + 0],
 834                 d.threadctxs.back().max_responses[index + 1]);
 835 #else
 836         fval = (cv::Mat_<float>(3, 1) <<
 837                 d.threadctxs[index - 1].max_response,
 838                 d.threadctxs[index + 0].max_response,
 839                 d.threadctxs[index + 1].max_response);
 840 #endif
 841     }
 842
 843     cv::Mat x;
 844     cv::solve(A, fval, x, cv::DECOMP_SVD);
 845     float a = x.at<float>(0), b = x.at<float>(1);
 846     double scale = p_scales[index];
 847     if (a > 0 || a < 0)
 848         scale = -b / (2 * a);
 849     return scale;
 850 }