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