src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <future>
   5 #include <algorithm>
   6
   7 #ifdef FFTW
   8 #include "fft_fftw.h"
   9 #define FFT Fftw
  10 #elif defined(CUFFT)
  11 #include "fft_cufft.h"
  12 #define FFT cuFFT
  13 #else
  14 #include "fft_opencv.h"
  15 #define FFT FftOpencv
  16 #endif
  17
  18 #ifdef OPENMP
  19 #include <omp.h>
  20 #endif // OPENMP
  21
  22 #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 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  33                          double output_sigma_factor, int cell_size)
  34     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  35       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size)
  36 {
  37 }
  38
  39 KCF_Tracker::KCF_Tracker() : fft(*new FFT()) {}
  40
  41 KCF_Tracker::~KCF_Tracker()
  42 {
  43     delete &fft;
  44 }
  45
  46 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  47 {
  48     // check boundary, enforce min size
  49     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  50     if (x1 < 0) x1 = 0.;
  51     if (x2 > img.cols - 1) x2 = img.cols - 1;
  52     if (y1 < 0) y1 = 0;
  53     if (y2 > img.rows - 1) y2 = img.rows - 1;
  54
  55     if (x2 - x1 < 2 * p_cell_size) {
  56         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  57         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  58             x1 -= diff;
  59             x2 += diff;
  60         } else if (x1 - 2 * diff >= 0) {
  61             x1 -= 2 * diff;
  62         } else {
  63             x2 += 2 * diff;
  64         }
  65     }
  66     if (y2 - y1 < 2 * p_cell_size) {
  67         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  68         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  69             y1 -= diff;
  70             y2 += diff;
  71         } else if (y1 - 2 * diff >= 0) {
  72             y1 -= 2 * diff;
  73         } else {
  74             y2 += 2 * diff;
  75         }
  76     }
  77
  78     p_pose.w = x2 - x1;
  79     p_pose.h = y2 - y1;
  80     p_pose.cx = x1 + p_pose.w / 2.;
  81     p_pose.cy = y1 + p_pose.h / 2.;
  82
  83     cv::Mat input_gray, input_rgb = img.clone();
  84     if (img.channels() == 3) {
  85         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  86         input_gray.convertTo(input_gray, CV_32FC1);
  87     } else
  88         img.convertTo(input_gray, CV_32FC1);
  89
  90     // don't need too large image
  91     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
  92         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
  93         p_resize_image = true;
  94         p_pose.scale(p_downscale_factor);
  95         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  96         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
  97     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
  98         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
  99             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 100             std::exit(EXIT_FAILURE);
 101         }
 102         double tmp = (p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 103         if (fabs(tmp - fit_size_x) > p_floating_error) p_scale_factor_x = fit_size_x / tmp;
 104         tmp = (p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 105         if (fabs(tmp - fit_size_y) > p_floating_error) p_scale_factor_y = fit_size_y / tmp;
 106         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 107                   << p_scale_factor_y << std::endl;
 108         p_fit_to_pw2 = true;
 109         p_pose.scale_x(p_scale_factor_x);
 110         p_pose.scale_y(p_scale_factor_y);
 111         if (fabs(p_scale_factor_x - 1) > p_floating_error && fabs(p_scale_factor_y - 1) > p_floating_error) {
 112             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 113                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 114                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 115             } else {
 116                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y,
 117                            cv::INTER_LINEAR);
 118                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 119             }
 120         }
 121     }
 122
 123     // compute win size + fit to fhog cell size
 124     p_windows_size.width = int(round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size);
 125     p_windows_size.height = int(round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size);
 126
 127     p_num_of_feats = 31;
 128     if (m_use_color) p_num_of_feats += 3;
 129     if (m_use_cnfeat) p_num_of_feats += 10;
 130     p_roi_width = p_windows_size.width / p_cell_size;
 131     p_roi_height = p_windows_size.height / p_cell_size;
 132
 133     p_scales.clear();
 134     if (m_use_scale)
 135         for (int i = -p_num_scales / 2; i <= p_num_scales / 2; ++i)
 136             p_scales.push_back(std::pow(p_scale_step, i));
 137     else
 138         p_scales.push_back(1.);
 139
 140 #ifdef CUFFT
 141     if (p_windows_size.height / p_cell_size * (p_windows_size.width / p_cell_size / 2 + 1) > 1024) {
 142         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 143                      "the window dimensions so its size is less or equal to "
 144                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 145                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 146                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 147         std::exit(EXIT_FAILURE);
 148     }
 149
 150     if (m_use_linearkernel) {
 151         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 152         std::exit(EXIT_FAILURE);
 153     }
 154     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 155     p_rot_labels_data = DynMem(
 156         ((uint(p_windows_size.width) / p_cell_size) * (uint(p_windows_size.height) / p_cell_size)) * sizeof(float));
 157     p_rot_labels = cv::Mat(p_windows_size.height / int(p_cell_size), p_windows_size.width / int(p_cell_size), CV_32FC1,
 158                            p_rot_labels_data.hostMem());
 159 #else
 160     p_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.height / p_cell_size)) / 2 + 1,
 161                 p_num_of_feats);
 162 #endif
 163
 164 #if defined(CUFFT) || defined(FFTW)
 165     p_model_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)) / 2 + 1,
 166                       uint(p_num_of_feats));
 167     p_yf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)) / 2 + 1, 1);
 168     p_xf.create(uint(p_windows_size.height) / p_cell_size, (uint(p_windows_size.width) / p_cell_size) / 2 + 1,
 169                 p_num_of_feats);
 170 #else
 171     p_model_xf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)),
 172                       uint(p_num_of_feats));
 173     p_yf.create(uint(p_windows_size.height / p_cell_size), (uint(p_windows_size.width / p_cell_size)), 1);
 174     p_xf.create(uint(p_windows_size.height) / p_cell_size, (uint(p_windows_size.width) / p_cell_size), p_num_of_feats);
 175 #endif
 176
 177     int max = m_use_big_batch ? 2 : p_num_scales;
 178     for (int i = 0; i < max; ++i) {
 179         if (m_use_big_batch && i == 1) {
 180             p_threadctxs.emplace_back(
 181                 new ThreadCtx(p_windows_size, p_cell_size, p_num_of_feats * p_num_scales, p_num_scales));
 182         } else {
 183             p_threadctxs.emplace_back(new ThreadCtx(p_windows_size, p_cell_size, p_num_of_feats, 1));
 184         }
 185     }
 186
 187     p_current_scale = 1.;
 188
 189     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 190     double max_size_ratio =
 191         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 192                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 193     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 194     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 195
 196     std::cout << "init: img size " << img.cols << " " << img.rows << std::endl;
 197     std::cout << "init: win size. " << p_windows_size.width << " " << p_windows_size.height << std::endl;
 198     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 199
 200     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / static_cast<double>(p_cell_size);
 201
 202     fft.init(uint(p_windows_size.width / p_cell_size), uint(p_windows_size.height / p_cell_size), uint(p_num_of_feats),
 203              uint(p_num_scales), m_use_big_batch);
 204     fft.set_window(cosine_window_function(p_windows_size.width / p_cell_size, p_windows_size.height / p_cell_size));
 205
 206     // window weights, i.e. labels
 207     fft.forward(
 208         gaussian_shaped_labels(p_output_sigma, p_windows_size.width / p_cell_size, p_windows_size.height / p_cell_size), p_yf,
 209         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr, p_threadctxs.front()->stream);
 210     DEBUG_PRINTM(p_yf);
 211
 212     // obtain a sub-window for training initial model
 213     p_threadctxs.front()->patch_feats.clear();
 214     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 215                  *p_threadctxs.front());
 216     fft.forward_window(p_threadctxs.front()->patch_feats, p_model_xf, p_threadctxs.front()->fw_all,
 217                        m_use_cuda ? p_threadctxs.front()->data_features.deviceMem() : nullptr, p_threadctxs.front()->stream);
 218     DEBUG_PRINTM(p_model_xf);
 219 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 220     p_threadctxs.front()->model_xf = p_model_xf;
 221     p_threadctxs.front()->model_xf.set_stream(p_threadctxs.front()->stream);
 222     p_yf.set_stream(p_threadctxs.front()->stream);
 223     p_model_xf.set_stream(p_threadctxs.front()->stream);
 224     p_xf.set_stream(p_threadctxs.front()->stream);
 225 #endif
 226
 227     if (m_use_linearkernel) {
 228         ComplexMat xfconj = p_model_xf.conj();
 229         p_model_alphaf_num = xfconj.mul(p_yf);
 230         p_model_alphaf_den = (p_model_xf * xfconj);
 231     } else {
 232         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 233 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 234         gaussian_correlation(*p_threadctxs.front(), p_threadctxs.front()->model_xf, p_threadctxs.front()->model_xf,
 235                              p_kernel_sigma, true);
 236 #else
 237         gaussian_correlation(*p_threadctxs.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 238 #endif
 239         DEBUG_PRINTM(p_threadctxs.front()->kf);
 240         p_model_alphaf_num = p_yf * p_threadctxs.front()->kf;
 241         DEBUG_PRINTM(p_model_alphaf_num);
 242         p_model_alphaf_den = p_threadctxs.front()->kf * (p_threadctxs.front()->kf + float(p_lambda));
 243         DEBUG_PRINTM(p_model_alphaf_den);
 244     }
 245     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 246     DEBUG_PRINTM(p_model_alphaf);
 247     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 248
 249 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 250     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 251         (*it)->model_xf = p_model_xf;
 252         (*it)->model_xf.set_stream((*it)->stream);
 253         (*it)->model_alphaf = p_model_alphaf;
 254         (*it)->model_alphaf.set_stream((*it)->stream);
 255     }
 256 #endif
 257 }
 258
 259 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 260 {
 261     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 262 }
 263
 264 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 265 {
 266     if (p_resize_image) {
 267         BBox_c tmp = bbox;
 268         tmp.scale(p_downscale_factor);
 269         p_pose.cx = tmp.cx;
 270         p_pose.cy = tmp.cy;
 271     } else if (p_fit_to_pw2) {
 272         BBox_c tmp = bbox;
 273         tmp.scale_x(p_scale_factor_x);
 274         tmp.scale_y(p_scale_factor_y);
 275         p_pose.cx = tmp.cx;
 276         p_pose.cy = tmp.cy;
 277     } else {
 278         p_pose.cx = bbox.cx;
 279         p_pose.cy = bbox.cy;
 280     }
 281 }
 282
 283 BBox_c KCF_Tracker::getBBox()
 284 {
 285     BBox_c tmp = p_pose;
 286     tmp.w *= p_current_scale;
 287     tmp.h *= p_current_scale;
 288
 289     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 290     if (p_fit_to_pw2) {
 291         tmp.scale_x(1 / p_scale_factor_x);
 292         tmp.scale_y(1 / p_scale_factor_y);
 293     }
 294
 295     return tmp;
 296 }
 297
 298 void KCF_Tracker::track(cv::Mat &img)
 299 {
 300     if (m_debug) std::cout << "NEW FRAME" << '\n';
 301     cv::Mat input_gray, input_rgb = img.clone();
 302     if (img.channels() == 3) {
 303         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 304         input_gray.convertTo(input_gray, CV_32FC1);
 305     } else
 306         img.convertTo(input_gray, CV_32FC1);
 307
 308     // don't need too large image
 309     if (p_resize_image) {
 310         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 311         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 312     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 313                fabs(p_scale_factor_y - 1) > p_floating_error) {
 314         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 315             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 316             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 317         } else {
 318             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 319             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 320         }
 321     }
 322
 323     double max_response = -1.;
 324     int scale_index = 0;
 325     cv::Point2i *max_response_pt = nullptr;
 326     cv::Mat *max_response_map = nullptr;
 327
 328     if (m_use_multithreading) {
 329         std::vector<std::future<void>> async_res(p_scales.size());
 330         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 331             uint index = uint(std::distance(p_threadctxs.begin(), it));
 332             async_res[index] = std::async(std::launch::async, [this, &input_gray, &input_rgb, index, it]() -> void {
 333                 return scale_track(*(*it), input_rgb, input_gray, this->p_scales[index]);
 334             });
 335         }
 336         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 337             uint index = uint(std::distance(p_threadctxs.begin(), it));
 338             async_res[index].wait();
 339             if ((*it)->max_response > max_response) {
 340                 max_response = (*it)->max_response;
 341                 max_response_pt = &(*it)->max_loc;
 342                 max_response_map = &(*it)->response;
 343                 scale_index = int(index);
 344             }
 345         }
 346     } else {
 347         uint start = m_use_big_batch ? 1 : 0;
 348         uint end = m_use_big_batch ? 2 : uint(p_num_scales);
 349         NORMAL_OMP_PARALLEL_FOR
 350         for (uint i = start; i < end; ++i) {
 351             auto it = p_threadctxs.begin();
 352             std::advance(it, i);
 353             scale_track(*(*it), input_rgb, input_gray, this->p_scales[i]);
 354
 355             if (m_use_big_batch) {
 356                 for (size_t j = 0; j < p_scales.size(); ++j) {
 357                     if ((*it)->max_responses[j] > max_response) {
 358                         max_response = (*it)->max_responses[j];
 359                         max_response_pt = &(*it)->max_locs[j];
 360                         max_response_map = &(*it)->response_maps[j];
 361                         scale_index = int(j);
 362                     }
 363                 }
 364             } else {
 365                 NORMAL_OMP_CRITICAL
 366                 {
 367                     if ((*it)->max_response > max_response) {
 368                         max_response = (*it)->max_response;
 369                         max_response_pt = &(*it)->max_loc;
 370                         max_response_map = &(*it)->response;
 371                         scale_index = int(i);
 372                     }
 373                 }
 374             }
 375         }
 376     }
 377
 378     DEBUG_PRINTM(*max_response_map);
 379     DEBUG_PRINT(*max_response_pt);
 380
 381     // sub pixel quadratic interpolation from neighbours
 382     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 383         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 384     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 385         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 386
 387     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 388     DEBUG_PRINT(new_location);
 389
 390     if (m_use_subpixel_localization) new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 391     DEBUG_PRINT(new_location);
 392
 393     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 394     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 395     if (p_fit_to_pw2) {
 396         if (p_pose.cx < 0) p_pose.cx = 0;
 397         if (p_pose.cx > (img.cols * p_scale_factor_x) - 1) p_pose.cx = (img.cols * p_scale_factor_x) - 1;
 398         if (p_pose.cy < 0) p_pose.cy = 0;
 399         if (p_pose.cy > (img.rows * p_scale_factor_y) - 1) p_pose.cy = (img.rows * p_scale_factor_y) - 1;
 400     } else {
 401         if (p_pose.cx < 0) p_pose.cx = 0;
 402         if (p_pose.cx > img.cols - 1) p_pose.cx = img.cols - 1;
 403         if (p_pose.cy < 0) p_pose.cy = 0;
 404         if (p_pose.cy > img.rows - 1) p_pose.cy = img.rows - 1;
 405     }
 406
 407     // sub grid scale interpolation
 408     double new_scale = p_scales[uint(scale_index)];
 409     if (m_use_subgrid_scale) new_scale = sub_grid_scale(scale_index);
 410
 411     p_current_scale *= new_scale;
 412
 413     if (p_current_scale < p_min_max_scale[0]) p_current_scale = p_min_max_scale[0];
 414     if (p_current_scale > p_min_max_scale[1]) p_current_scale = p_min_max_scale[1];
 415
 416     // obtain a subwindow for training at newly estimated target position
 417     p_threadctxs.front()->patch_feats.clear();
 418     get_features(input_rgb, input_gray, int(p_pose.cx), int(p_pose.cy), p_windows_size.width, p_windows_size.height,
 419                  *p_threadctxs.front(), p_current_scale);
 420     fft.forward_window(p_threadctxs.front()->patch_feats, p_xf, p_threadctxs.front()->fw_all,
 421                        m_use_cuda ? p_threadctxs.front()->data_features.deviceMem() : nullptr, p_threadctxs.front()->stream);
 422
 423     // subsequent frames, interpolate model
 424     p_model_xf = p_model_xf * float((1. - p_interp_factor)) + p_xf * float(p_interp_factor);
 425
 426     ComplexMat alphaf_num, alphaf_den;
 427
 428     if (m_use_linearkernel) {
 429         ComplexMat xfconj = p_xf.conj();
 430         alphaf_num = xfconj.mul(p_yf);
 431         alphaf_den = (p_xf * xfconj);
 432     } else {
 433         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 434         gaussian_correlation(*p_threadctxs.front(), p_xf, p_xf, p_kernel_sigma,
 435                              true);
 436         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 437         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 438         alphaf_num = p_yf * p_threadctxs.front()->kf;
 439         alphaf_den = p_threadctxs.front()->kf * (p_threadctxs.front()->kf + float(p_lambda));
 440     }
 441
 442     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 443     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 444     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 445
 446 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 447     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 448         (*it)->model_xf = p_model_xf;
 449         (*it)->model_xf.set_stream((*it)->stream);
 450         (*it)->model_alphaf = p_model_alphaf;
 451         (*it)->model_alphaf.set_stream((*it)->stream);
 452     }
 453 #endif
 454 }
 455
 456 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray, double scale)
 457 {
 458     if (m_use_big_batch) {
 459         vars.patch_feats.clear();
 460         BIG_BATCH_OMP_PARALLEL_FOR
 461         for (uint i = 0; i < uint(p_num_scales); ++i) {
 462             get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 463                          this->p_windows_size.height, vars, this->p_current_scale * this->p_scales[i]);
 464         }
 465     } else {
 466         vars.patch_feats.clear();
 467         get_features(input_rgb, input_gray, int(this->p_pose.cx), int(this->p_pose.cy), this->p_windows_size.width,
 468                      this->p_windows_size.height, vars, this->p_current_scale *scale);
 469     }
 470
 471     fft.forward_window(vars.patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr,
 472                        vars.stream);
 473     DEBUG_PRINTM(vars.zf);
 474
 475     if (m_use_linearkernel) {
 476         vars.kzf = m_use_big_batch ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 477                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 478         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 479     } else {
 480 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 481         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 482         vars.kzf = vars.model_alphaf * vars.kzf;
 483 #else
 484         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 485         DEBUG_PRINTM(this->p_model_alphaf);
 486         DEBUG_PRINTM(vars.kzf);
 487         vars.kzf = m_use_big_batch ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 488 #endif
 489         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 490     }
 491
 492     DEBUG_PRINTM(vars.response);
 493
 494     /* target location is at the maximum response. we must take into
 495     account the fact that, if the target doesn't move, the peak
 496     will appear at the top-left corner, not at the center (this is
 497     discussed in the paper). the responses wrap around cyclically. */
 498     if (m_use_big_batch) {
 499         cv::split(vars.response, vars.response_maps);
 500
 501         for (size_t i = 0; i < p_scales.size(); ++i) {
 502             double min_val, max_val;
 503             cv::Point2i min_loc, max_loc;
 504             cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 505             DEBUG_PRINT(max_loc);
 506             double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 507             vars.max_responses[i] = max_val * weight;
 508             vars.max_locs[i] = max_loc;
 509         }
 510     } else {
 511         double min_val;
 512         cv::Point2i min_loc;
 513         cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 514
 515         DEBUG_PRINT(vars.max_loc);
 516
 517         double weight = scale < 1. ? scale : 1. / scale;
 518         vars.max_response = vars.max_val * weight;
 519     }
 520     return;
 521 }
 522
 523 // ****************************************************************************
 524
 525 void KCF_Tracker::get_features(cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy, int size_x, int size_y,
 526                                ThreadCtx &vars, double scale)
 527 {
 528     int size_x_scaled = int(floor(size_x * scale));
 529     int size_y_scaled = int(floor(size_y * scale));
 530
 531     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 532     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 533
 534     // resize to default size
 535     if (scale > 1.) {
 536         // if we downsample use  INTER_AREA interpolation
 537         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 538     } else {
 539         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 540     }
 541
 542     // get hog(Histogram of Oriented Gradients) features
 543     FHoG::extract(patch_gray, vars, 2, p_cell_size, 9);
 544
 545     // get color rgb features (simple r,g,b channels)
 546     std::vector<cv::Mat> color_feat;
 547     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 548         // resize to default size
 549         if (scale > 1.) {
 550             // if we downsample use  INTER_AREA interpolation
 551             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0.,
 552                        cv::INTER_AREA);
 553         } else {
 554             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0.,
 555                        cv::INTER_LINEAR);
 556         }
 557     }
 558
 559     if (m_use_color && input_rgb.channels() == 3) {
 560         // use rgb color space
 561         cv::Mat patch_rgb_norm;
 562         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 563         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 564         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 565         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 566         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 567         cv::split(patch_rgb_norm, rgb);
 568         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 569     }
 570
 571     if (m_use_cnfeat && input_rgb.channels() == 3) {
 572         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 573         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 574     }
 575     BIG_BATCH_OMP_ORDERED
 576     vars.patch_feats.insert(vars.patch_feats.end(), color_feat.begin(), color_feat.end());
 577     return;
 578 }
 579
 580 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 581 {
 582     cv::Mat labels(dim2, dim1, CV_32FC1);
 583     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 584     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 585
 586     double sigma_s = sigma * sigma;
 587
 588     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 589         float *row_ptr = labels.ptr<float>(j);
 590         double y_s = y * y;
 591         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 592             row_ptr[i] = float(std::exp(-0.5 * (y_s + x * x) / sigma_s)); //-1/2*e^((y^2+x^2)/sigma^2)
 593         }
 594     }
 595
 596     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 597 #ifdef CUFFT
 598     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 599     tmp.copyTo(p_rot_labels);
 600
 601     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 602     return tmp;
 603 #else
 604     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 605     // sanity check, 1 at top left corner
 606     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 607
 608     return rot_labels;
 609 #endif
 610 }
 611
 612 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 613 {
 614     cv::Mat rot_patch(patch.size(), CV_32FC1);
 615     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 616
 617     // circular rotate x-axis
 618     if (x_rot < 0) {
 619         // move part that does not rotate over the edge
 620         cv::Range orig_range(-x_rot, patch.cols);
 621         cv::Range rot_range(0, patch.cols - (-x_rot));
 622         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 623
 624         // rotated part
 625         orig_range = cv::Range(0, -x_rot);
 626         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 627         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 628     } else if (x_rot > 0) {
 629         // move part that does not rotate over the edge
 630         cv::Range orig_range(0, patch.cols - x_rot);
 631         cv::Range rot_range(x_rot, patch.cols);
 632         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 633
 634         // rotated part
 635         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 636         rot_range = cv::Range(0, x_rot);
 637         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 638     } else { // zero rotation
 639         // move part that does not rotate over the edge
 640         cv::Range orig_range(0, patch.cols);
 641         cv::Range rot_range(0, patch.cols);
 642         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 643     }
 644
 645     // circular rotate y-axis
 646     if (y_rot < 0) {
 647         // move part that does not rotate over the edge
 648         cv::Range orig_range(-y_rot, patch.rows);
 649         cv::Range rot_range(0, patch.rows - (-y_rot));
 650         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 651
 652         // rotated part
 653         orig_range = cv::Range(0, -y_rot);
 654         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 655         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 656     } else if (y_rot > 0) {
 657         // move part that does not rotate over the edge
 658         cv::Range orig_range(0, patch.rows - y_rot);
 659         cv::Range rot_range(y_rot, patch.rows);
 660         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 661
 662         // rotated part
 663         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 664         rot_range = cv::Range(0, y_rot);
 665         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 666     } else { // zero rotation
 667         // move part that does not rotate over the edge
 668         cv::Range orig_range(0, patch.rows);
 669         cv::Range rot_range(0, patch.rows);
 670         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 671     }
 672
 673     return rot_patch;
 674 }
 675
 676 // hann window actually (Power-of-cosine windows)
 677 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 678 {
 679     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 680     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 681     for (int i = 0; i < dim1; ++i)
 682         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 683     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 684     for (int i = 0; i < dim2; ++i)
 685         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 686     cv::Mat ret = m2 * m1;
 687     return ret;
 688 }
 689
 690 // Returns sub-window of image input centered at [cx, cy] coordinates),
 691 // with size [width, height]. If any pixels are outside of the image,
 692 // they will replicate the values at the borders.
 693 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 694 {
 695     cv::Mat patch;
 696
 697     int x1 = cx - width / 2;
 698     int y1 = cy - height / 2;
 699     int x2 = cx + width / 2;
 700     int y2 = cy + height / 2;
 701
 702     // out of image
 703     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 704         patch.create(height, width, input.type());
 705         patch.setTo(double(0.f));
 706         return patch;
 707     }
 708
 709     int top = 0, bottom = 0, left = 0, right = 0;
 710
 711     // fit to image coordinates, set border extensions;
 712     if (x1 < 0) {
 713         left = -x1;
 714         x1 = 0;
 715     }
 716     if (y1 < 0) {
 717         top = -y1;
 718         y1 = 0;
 719     }
 720     if (x2 >= input.cols) {
 721         right = x2 - input.cols + width % 2;
 722         x2 = input.cols;
 723     } else
 724         x2 += width % 2;
 725
 726     if (y2 >= input.rows) {
 727         bottom = y2 - input.rows + height % 2;
 728         y2 = input.rows;
 729     } else
 730         y2 += height % 2;
 731
 732     if (x2 - x1 == 0 || y2 - y1 == 0)
 733         patch = cv::Mat::zeros(height, width, CV_32FC1);
 734     else {
 735         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 736                            cv::BORDER_REPLICATE);
 737         //      imshow( "copyMakeBorder", patch);
 738         //      cv::waitKey();
 739     }
 740
 741     // sanity check
 742     assert(patch.cols == width && patch.rows == height);
 743
 744     return patch;
 745 }
 746
 747 void KCF_Tracker::gaussian_correlation(struct ThreadCtx &vars, const ComplexMat &xf, const ComplexMat &yf,
 748                                        double sigma, bool auto_correlation)
 749 {
 750 #ifdef CUFFT
 751     xf.sqr_norm(vars.xf_sqr_norm.deviceMem());
 752     if (!auto_correlation) yf.sqr_norm(vars.yf_sqr_norm.deviceMem());
 753 #else
 754     xf.sqr_norm(vars.xf_sqr_norm.hostMem());
 755     if (auto_correlation) {
 756         vars.yf_sqr_norm.hostMem()[0] = vars.xf_sqr_norm.hostMem()[0];
 757     } else {
 758         yf.sqr_norm(vars.yf_sqr_norm.hostMem());
 759     }
 760 #endif
 761     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 762     DEBUG_PRINTM(vars.xyf);
 763     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr, vars.stream);
 764 #ifdef CUFFT
 765     if (auto_correlation)
 766         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.xf_sqr_norm.deviceMem(),
 767                                   sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 768     else
 769         cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(), vars.xf_sqr_norm.deviceMem(), vars.yf_sqr_norm.deviceMem(),
 770                                   sigma, xf.n_channels, xf.n_scales, p_roi_height, p_roi_width, vars.stream);
 771 #else
 772     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 773     DEBUG_PRINTM(vars.ifft2_res);
 774     cv::Mat xy_sum;
 775     if (xf.channels() != p_num_scales * p_num_of_feats)
 776         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 777     else
 778         xy_sum.create(vars.ifft2_res.size(), CV_32FC(int(p_scales.size())));
 779     xy_sum.setTo(0);
 780     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 781         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 782         float *row_ptr_sum = xy_sum.ptr<float>(y);
 783         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 784             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 785                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 786                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 787                     (row_ptr + x * vars.ifft2_res.channels() +
 788                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 789                     0.f);
 790             }
 791         }
 792     }
 793     DEBUG_PRINTM(xy_sum);
 794
 795     std::vector<cv::Mat> scales;
 796     cv::split(xy_sum, scales);
 797
 798     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 799     for (uint i = 0; i < uint(xf.n_scales); ++i) {
 800         cv::Mat in_roi(vars.in_all, cv::Rect(0, int(i) * scales[0].rows, scales[0].cols, scales[0].rows));
 801         cv::exp(
 802             -1. / (sigma * sigma) *
 803                 cv::max((double(vars.xf_sqr_norm.hostMem()[i] + vars.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 804             in_roi);
 805         DEBUG_PRINTM(in_roi);
 806     }
 807 #endif
 808     DEBUG_PRINTM(vars.in_all);
 809     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr,
 810                 vars.stream);
 811     return;
 812 }
 813
 814 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 815 {
 816     int x = pt.x;
 817     int y = pt.y;
 818     if (x < 0) x = response.cols + x;
 819     if (y < 0) y = response.rows + y;
 820     if (x >= response.cols) x = x - response.cols;
 821     if (y >= response.rows) y = y - response.rows;
 822
 823     return response.at<float>(y, x);
 824 }
 825
 826 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 827 {
 828     // find neighbourhood of max_loc (response is circular)
 829     // 1 2 3
 830     // 4   5
 831     // 6 7 8
 832     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);
 833     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 834     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);
 835
 836     // clang-format off
 837     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 838     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 839                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 840                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 841                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 842                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 843                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 844                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 845                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 846                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 847                  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);
 848     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 849                     get_response_circular(p1, response),
 850                     get_response_circular(p2, response),
 851                     get_response_circular(p3, response),
 852                     get_response_circular(p4, response),
 853                     get_response_circular(p5, response),
 854                     get_response_circular(p6, response),
 855                     get_response_circular(p7, response),
 856                     get_response_circular(p8, response),
 857                     get_response_circular(max_loc, response));
 858     // clang-format on
 859     cv::Mat x;
 860     cv::solve(A, fval, x, cv::DECOMP_SVD);
 861
 862     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);
 863
 864     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 865     if (b > 0 || b < 0) {
 866         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 867         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 868     }
 869
 870     return sub_peak;
 871 }
 872
 873 double KCF_Tracker::sub_grid_scale(int index)
 874 {
 875     cv::Mat A, fval;
 876     if (index < 0 || index > int(p_scales.size()) - 1) {
 877         // interpolate from all values
 878         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 879         A.create(int(p_scales.size()), 3, CV_32FC1);
 880         fval.create(int(p_scales.size()), 1, CV_32FC1);
 881         for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 882             uint i = uint(std::distance(p_threadctxs.begin(), it));
 883             int j = int(i);
 884             A.at<float>(j, 0) = float(p_scales[i] * p_scales[i]);
 885             A.at<float>(j, 1) = float(p_scales[i]);
 886             A.at<float>(j, 2) = 1;
 887             fval.at<float>(j) =
 888                 m_use_big_batch ? float(p_threadctxs.back()->max_responses[i]) : float((*it)->max_response);
 889         }
 890     } else {
 891         // only from neighbours
 892         if (index == 0 || index == int(p_scales.size()) - 1) return p_scales[uint(index)];
 893
 894         A = (cv::Mat_<float>(3, 3) << p_scales[uint(index) - 1] * p_scales[uint(index) - 1], p_scales[uint(index) - 1],
 895              1, p_scales[uint(index)] * p_scales[uint(index)], p_scales[uint(index)], 1,
 896              p_scales[uint(index) + 1] * p_scales[uint(index) + 1], p_scales[uint(index) + 1], 1);
 897         auto it1 = p_threadctxs.begin();
 898         std::advance(it1, index - 1);
 899         auto it2 = p_threadctxs.begin();
 900         std::advance(it2, index);
 901         auto it3 = p_threadctxs.begin();
 902         std::advance(it3, index + 1);
 903         fval = (cv::Mat_<float>(3, 1) << (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index) - 1]
 904                                                           : (*it1)->max_response),
 905                 (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index)] : (*it2)->max_response),
 906                 (m_use_big_batch ? p_threadctxs.back()->max_responses[uint(index) + 1] : (*it3)->max_response));
 907     }
 908
 909     cv::Mat x;
 910     cv::solve(A, fval, x, cv::DECOMP_SVD);
 911     float a = x.at<float>(0), b = x.at<float>(1);
 912     double scale = p_scales[uint(index)];
 913     if (a > 0 || a < 0) scale = double(-b / (2 * a));
 914     return scale;
 915 }