src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5
   6 #ifdef FFTW
   7 #include "fft_fftw.h"
   8 #define FFT Fftw
   9 #elif defined(CUFFT)
  10 #include "fft_cufft.h"
  11 #define FFT cuFFT
  12 #else
  13 #include "fft_opencv.h"
  14 #define FFT FftOpencv
  15 #endif
  16
  17 #ifdef OPENMP
  18 #include <omp.h>
  19 #endif // OPENMP
  20
  21 #define DEBUG_PRINT(obj)                                                                                               \
  22     if (m_debug) {                                                                                                     \
  23         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  24     }
  25 #define DEBUG_PRINTM(obj)                                                                                              \
  26     if (m_debug) {                                                                                                     \
  27         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  28                   << (obj) << std::endl;                                                                               \
  29     }
  30
  31 template <typename T>
  32 T clamp(const T& n, const T& lower, const T& upper)
  33 {
  34     return std::max(lower, std::min(n, upper));
  35 }
  36
  37 template <typename T>
  38 void clamp2(T& n, const T& lower, const T& upper)
  39 {
  40     n = std::max(lower, std::min(n, upper));
  41 }
  42
  43 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  44                          double output_sigma_factor, int cell_size)
  45     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  46       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size)
  47 {
  48 }
  49
  50 KCF_Tracker::KCF_Tracker() : fft(*new FFT()) {}
  51
  52 KCF_Tracker::~KCF_Tracker()
  53 {
  54     delete &fft;
  55 }
  56
  57 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  58 {
  59     // check boundary, enforce min size
  60     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  61     if (x1 < 0) x1 = 0.;
  62     if (x2 > img.cols - 1) x2 = img.cols - 1;
  63     if (y1 < 0) y1 = 0;
  64     if (y2 > img.rows - 1) y2 = img.rows - 1;
  65
  66     if (x2 - x1 < 2 * p_cell_size) {
  67         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  68         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  69             x1 -= diff;
  70             x2 += diff;
  71         } else if (x1 - 2 * diff >= 0) {
  72             x1 -= 2 * diff;
  73         } else {
  74             x2 += 2 * diff;
  75         }
  76     }
  77     if (y2 - y1 < 2 * p_cell_size) {
  78         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  79         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  80             y1 -= diff;
  81             y2 += diff;
  82         } else if (y1 - 2 * diff >= 0) {
  83             y1 -= 2 * diff;
  84         } else {
  85             y2 += 2 * diff;
  86         }
  87     }
  88
  89     p_pose.w = x2 - x1;
  90     p_pose.h = y2 - y1;
  91     p_pose.cx = x1 + p_pose.w / 2.;
  92     p_pose.cy = y1 + p_pose.h / 2.;
  93
  94     cv::Mat input_gray, input_rgb = img.clone();
  95     if (img.channels() == 3) {
  96         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
  97         input_gray.convertTo(input_gray, CV_32FC1);
  98     } else
  99         img.convertTo(input_gray, CV_32FC1);
 100
 101     // don't need too large image
 102     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 103         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 104         p_resize_image = true;
 105         p_pose.scale(p_downscale_factor);
 106         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 107         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 108     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 109         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 110             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 111             std::exit(EXIT_FAILURE);
 112         }
 113         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 114         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 115         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 116                   << p_scale_factor_y << std::endl;
 117         p_fit_to_pw2 = true;
 118         p_pose.scale_x(p_scale_factor_x);
 119         p_pose.scale_y(p_scale_factor_y);
 120         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 121             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 122                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 123                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 124             } else {
 125                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 126                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 127             }
 128         }
 129     }
 130
 131     // compute win size + fit to fhog cell size
 132     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 133     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 134     p_roi.width = p_windows_size.width / p_cell_size;
 135     p_roi.height = p_windows_size.height / p_cell_size;
 136
 137     p_num_of_feats = 31;
 138     if (m_use_color) p_num_of_feats += 3;
 139     if (m_use_cnfeat) p_num_of_feats += 10;
 140
 141     p_scales.clear();
 142     if (m_use_scale)
 143         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 144             p_scales.push_back(std::pow(p_scale_step, i));
 145     else
 146         p_scales.push_back(1.);
 147
 148 #ifdef CUFFT
 149     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 150         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 151                      "the window dimensions so its size is less or equal to "
 152                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 153                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 154                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 155         std::exit(EXIT_FAILURE);
 156     }
 157
 158     if (m_use_linearkernel) {
 159         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 160         std::exit(EXIT_FAILURE);
 161     }
 162     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 163     p_rot_labels_data = DynMem(p_roi.width * p_roi.height * sizeof(float));
 164     p_rot_labels = cv::Mat(p_roi, CV_32FC1, p_rot_labels_data.hostMem());
 165 #else
 166     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 167 #endif
 168
 169 #if defined(CUFFT) || defined(FFTW)
 170     uint width = p_roi.width / 2 + 1;
 171 #else
 172     uint width = p_roi.width;
 173 #endif
 174     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 175     p_yf.create(p_roi.height, width, 1);
 176     p_xf.create(p_roi.height, width, p_num_of_feats);
 177
 178     int max = BIG_BATCH_MODE ? 2 : p_num_scales;
 179     for (int i = 0; i < max; ++i) {
 180         if (BIG_BATCH_MODE && i == 1)
 181             p_threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, 1, p_num_scales);
 182         else
 183             p_threadctxs.emplace_back(p_roi, p_num_of_feats, p_scales[i], 1);
 184     }
 185
 186     p_current_scale = 1.;
 187
 188     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 189     double max_size_ratio =
 190         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 191                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 192     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 193     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 194
 195     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 196     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 197     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.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 / p_cell_size;
 201
 202     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 203     fft.set_window(cosine_window_function(p_roi.width, p_roi.height));
 204
 205     // window weights, i.e. labels
 206     fft.forward(
 207         gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf,
 208         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr, p_threadctxs.front().stream);
 209     DEBUG_PRINTM(p_yf);
 210
 211     // obtain a sub-window for training initial model
 212     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 213                                                     p_windows_size.width, p_windows_size.height);
 214     fft.forward_window(patch_feats, p_model_xf, p_threadctxs.front().fw_all,
 215                        m_use_cuda ? p_threadctxs.front().data_features.deviceMem() : nullptr,
 216                        p_threadctxs.front().stream);
 217     DEBUG_PRINTM(p_model_xf);
 218 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 219     p_threadctxs.front().model_xf = p_model_xf;
 220     p_threadctxs.front().model_xf.set_stream(p_threadctxs.front().stream);
 221     p_yf.set_stream(p_threadctxs.front().stream);
 222     p_model_xf.set_stream(p_threadctxs.front().stream);
 223     p_xf.set_stream(p_threadctxs.front().stream);
 224 #endif
 225
 226     if (m_use_linearkernel) {
 227         ComplexMat xfconj = p_model_xf.conj();
 228         p_model_alphaf_num = xfconj.mul(p_yf);
 229         p_model_alphaf_den = (p_model_xf * xfconj);
 230     } else {
 231         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 232 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 233         gaussian_correlation(p_threadctxs.front(), p_threadctxs.front().model_xf, p_threadctxs.front().model_xf,
 234                              p_kernel_sigma, true);
 235 #else
 236         gaussian_correlation(p_threadctxs.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 237 #endif
 238         DEBUG_PRINTM(p_threadctxs.front().kf);
 239         p_model_alphaf_num = p_yf * p_threadctxs.front().kf;
 240         DEBUG_PRINTM(p_model_alphaf_num);
 241         p_model_alphaf_den = p_threadctxs.front().kf * (p_threadctxs.front().kf + float(p_lambda));
 242         DEBUG_PRINTM(p_model_alphaf_den);
 243     }
 244     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 245     DEBUG_PRINTM(p_model_alphaf);
 246     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 247
 248 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 249     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 250         it->model_xf = p_model_xf;
 251         it->model_xf.set_stream(it->stream);
 252         it->model_alphaf = p_model_alphaf;
 253         it->model_alphaf.set_stream(it->stream);
 254     }
 255 #endif
 256 }
 257
 258 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 259 {
 260     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 261 }
 262
 263 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 264 {
 265     if (p_resize_image) {
 266         BBox_c tmp = bbox;
 267         tmp.scale(p_downscale_factor);
 268         p_pose.cx = tmp.cx;
 269         p_pose.cy = tmp.cy;
 270     } else if (p_fit_to_pw2) {
 271         BBox_c tmp = bbox;
 272         tmp.scale_x(p_scale_factor_x);
 273         tmp.scale_y(p_scale_factor_y);
 274         p_pose.cx = tmp.cx;
 275         p_pose.cy = tmp.cy;
 276     } else {
 277         p_pose.cx = bbox.cx;
 278         p_pose.cy = bbox.cy;
 279     }
 280 }
 281
 282 BBox_c KCF_Tracker::getBBox()
 283 {
 284     BBox_c tmp = p_pose;
 285     tmp.w *= p_current_scale;
 286     tmp.h *= p_current_scale;
 287
 288     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 289     if (p_fit_to_pw2) {
 290         tmp.scale_x(1 / p_scale_factor_x);
 291         tmp.scale_y(1 / p_scale_factor_y);
 292     }
 293
 294     return tmp;
 295 }
 296
 297 double KCF_Tracker::getFilterResponse() const
 298 {
 299     return this->max_response;
 300 }
 301
 302 void KCF_Tracker::track(cv::Mat &img)
 303 {
 304     if (m_debug) std::cout << "NEW FRAME" << '\n';
 305     cv::Mat input_gray, input_rgb = img.clone();
 306     if (img.channels() == 3) {
 307         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 308         input_gray.convertTo(input_gray, CV_32FC1);
 309     } else
 310         img.convertTo(input_gray, CV_32FC1);
 311
 312     // don't need too large image
 313     if (p_resize_image) {
 314         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 315         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 316     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 317                fabs(p_scale_factor_y - 1) > p_floating_error) {
 318         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 319             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 320             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 321         } else {
 322             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 323             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 324         }
 325     }
 326
 327     max_response = -1.;
 328     ThreadCtx *max = nullptr;
 329     cv::Point2i *max_response_pt = nullptr;
 330     cv::Mat *max_response_map = nullptr;
 331
 332 #ifdef ASYNC
 333     for (auto &it : p_threadctxs)
 334         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 335             scale_track(it, input_rgb, input_gray);
 336         });
 337     for (auto const &it : p_threadctxs)
 338         it.async_res.wait();
 339
 340 #else  // !ASYNC
 341     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 342     NORMAL_OMP_PARALLEL_FOR
 343     for (uint i = 0; i < p_threadctxs.size(); ++i)
 344         scale_track(p_threadctxs[i], input_rgb, input_gray);
 345 #endif
 346
 347 #ifndef BIG_BATCH
 348     for (auto &it : p_threadctxs) {
 349         if (it.max_response > max_response) {
 350             max_response = it.max_response;
 351             max_response_pt = &it.max_loc;
 352             max_response_map = &it.response;
 353             max = &it;
 354         }
 355     }
 356 #else
 357     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 358     for (uint j = 0; j < p_scales.size(); ++j) {
 359         if (p_threadctxs[0].max_responses[j] > max_response) {
 360             max_response = p_threadctxs[0].max_responses[j];
 361             max_response_pt = &p_threadctxs[0].max_locs[j];
 362             max_response_map = &p_threadctxs[0].response_maps[j];
 363             max = &p_threadctxs[0];
 364         }
 365     }
 366 #endif
 367
 368     DEBUG_PRINTM(*max_response_map);
 369     DEBUG_PRINT(*max_response_pt);
 370
 371     // sub pixel quadratic interpolation from neighbours
 372     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 373         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 374     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 375         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 376
 377     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 378     DEBUG_PRINT(new_location);
 379
 380     if (m_use_subpixel_localization)
 381         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 382     DEBUG_PRINT(new_location);
 383
 384     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 385     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 386     if (p_fit_to_pw2) {
 387         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 388         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 389     } else {
 390         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 391         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 392     }
 393
 394     // sub grid scale interpolation
 395     if (m_use_subgrid_scale) {
 396         auto it = std::find_if(p_threadctxs.begin(), p_threadctxs.end(), [max](ThreadCtx &ctx) { return &ctx == max; });
 397         p_current_scale *= sub_grid_scale(std::distance(p_threadctxs.begin(), it));
 398     } else {
 399         p_current_scale *= max->scale;
 400     }
 401
 402     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 403
 404     ThreadCtx &ctx = p_threadctxs.front();
 405     // obtain a subwindow for training at newly estimated target position
 406     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 407                                                     p_windows_size.width, p_windows_size.height,
 408                                                     p_current_scale);
 409     fft.forward_window(patch_feats, p_xf, ctx.fw_all,
 410                        m_use_cuda ? ctx.data_features.deviceMem() : nullptr, ctx.stream);
 411
 412     // subsequent frames, interpolate model
 413     p_model_xf = p_model_xf * float((1. - p_interp_factor)) + p_xf * float(p_interp_factor);
 414
 415     ComplexMat alphaf_num, alphaf_den;
 416
 417     if (m_use_linearkernel) {
 418         ComplexMat xfconj = p_xf.conj();
 419         alphaf_num = xfconj.mul(p_yf);
 420         alphaf_den = (p_xf * xfconj);
 421     } else {
 422         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 423         gaussian_correlation(ctx, p_xf, p_xf, p_kernel_sigma,
 424                              true);
 425         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 426         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 427         alphaf_num = p_yf * ctx.kf;
 428         alphaf_den = ctx.kf * (ctx.kf + float(p_lambda));
 429     }
 430
 431     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 432     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 433     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 434
 435 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 436     for (auto it = p_threadctxs.begin(); it != p_threadctxs.end(); ++it) {
 437         it->model_xf = p_model_xf;
 438         it->model_xf.set_stream(it->stream);
 439         it->model_alphaf = p_model_alphaf;
 440         it->model_alphaf.set_stream(it->stream);
 441     }
 442 #endif
 443 }
 444
 445 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 446 {
 447     std::vector<cv::Mat> patch_feats;
 448     if (BIG_BATCH_MODE) {
 449         BIG_BATCH_OMP_PARALLEL_FOR
 450         for (uint i = 0; i < p_num_scales; ++i) {
 451             patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 452                                        this->p_windows_size.width, this->p_windows_size.height,
 453                                        this->p_current_scale * this->p_scales[i]);
 454         }
 455     } else {
 456         patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 457                                    this->p_windows_size.width, this->p_windows_size.height,
 458                                    this->p_current_scale * vars.scale);
 459     }
 460
 461     fft.forward_window(patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr,
 462                        vars.stream);
 463     DEBUG_PRINTM(vars.zf);
 464
 465     if (m_use_linearkernel) {
 466         vars.kzf = BIG_BATCH_MODE ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 467                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 468         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 469     } else {
 470 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 471         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 472         vars.kzf = vars.model_alphaf * vars.kzf;
 473 #else
 474         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 475         DEBUG_PRINTM(this->p_model_alphaf);
 476         DEBUG_PRINTM(vars.kzf);
 477         vars.kzf = BIG_BATCH_MODE ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 478 #endif
 479         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr, vars.stream);
 480     }
 481
 482     DEBUG_PRINTM(vars.response);
 483
 484     /* target location is at the maximum response. we must take into
 485     account the fact that, if the target doesn't move, the peak
 486     will appear at the top-left corner, not at the center (this is
 487     discussed in the paper). the responses wrap around cyclically. */
 488     if (BIG_BATCH_MODE) {
 489         cv::split(vars.response, vars.response_maps);
 490
 491         for (size_t i = 0; i < p_scales.size(); ++i) {
 492             double min_val, max_val;
 493             cv::Point2i min_loc, max_loc;
 494             cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 495             DEBUG_PRINT(max_loc);
 496             double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 497             vars.max_responses[i] = max_val * weight;
 498             vars.max_locs[i] = max_loc;
 499         }
 500     } else {
 501         double min_val;
 502         cv::Point2i min_loc;
 503         cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 504
 505         DEBUG_PRINT(vars.max_loc);
 506
 507         double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 508         vars.max_response = vars.max_val * weight;
 509     }
 510     return;
 511 }
 512
 513 // ****************************************************************************
 514
 515 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)
 516 {
 517     int size_x_scaled = floor(size_x * scale);
 518     int size_y_scaled = floor(size_y * scale);
 519
 520     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 521     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 522
 523     // resize to default size
 524     if (scale > 1.) {
 525         // if we downsample use  INTER_AREA interpolation
 526         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 527     } else {
 528         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 529     }
 530
 531     // get hog(Histogram of Oriented Gradients) features
 532     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 533
 534     // get color rgb features (simple r,g,b channels)
 535     std::vector<cv::Mat> color_feat;
 536     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 537         // resize to default size
 538         if (scale > 1.) {
 539             // if we downsample use  INTER_AREA interpolation
 540             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 541         } else {
 542             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 543         }
 544     }
 545
 546     if (m_use_color && input_rgb.channels() == 3) {
 547         // use rgb color space
 548         cv::Mat patch_rgb_norm;
 549         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 550         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 551         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 552         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 553         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 554         cv::split(patch_rgb_norm, rgb);
 555         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 556     }
 557
 558     if (m_use_cnfeat && input_rgb.channels() == 3) {
 559         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 560         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 561     }
 562
 563     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 564     return hog_feat;
 565 }
 566
 567 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 568 {
 569     cv::Mat labels(dim2, dim1, CV_32FC1);
 570     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 571     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 572
 573     double sigma_s = sigma * sigma;
 574
 575     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 576         float *row_ptr = labels.ptr<float>(j);
 577         double y_s = y * y;
 578         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 579             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 580         }
 581     }
 582
 583     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 584 #ifdef CUFFT
 585     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 586     tmp.copyTo(p_rot_labels);
 587
 588     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 589     return tmp;
 590 #else
 591     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 592     // sanity check, 1 at top left corner
 593     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 594
 595     return rot_labels;
 596 #endif
 597 }
 598
 599 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 600 {
 601     cv::Mat rot_patch(patch.size(), CV_32FC1);
 602     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 603
 604     // circular rotate x-axis
 605     if (x_rot < 0) {
 606         // move part that does not rotate over the edge
 607         cv::Range orig_range(-x_rot, patch.cols);
 608         cv::Range rot_range(0, patch.cols - (-x_rot));
 609         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 610
 611         // rotated part
 612         orig_range = cv::Range(0, -x_rot);
 613         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 614         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 615     } else if (x_rot > 0) {
 616         // move part that does not rotate over the edge
 617         cv::Range orig_range(0, patch.cols - x_rot);
 618         cv::Range rot_range(x_rot, patch.cols);
 619         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 620
 621         // rotated part
 622         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 623         rot_range = cv::Range(0, x_rot);
 624         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 625     } else { // zero rotation
 626         // move part that does not rotate over the edge
 627         cv::Range orig_range(0, patch.cols);
 628         cv::Range rot_range(0, patch.cols);
 629         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 630     }
 631
 632     // circular rotate y-axis
 633     if (y_rot < 0) {
 634         // move part that does not rotate over the edge
 635         cv::Range orig_range(-y_rot, patch.rows);
 636         cv::Range rot_range(0, patch.rows - (-y_rot));
 637         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 638
 639         // rotated part
 640         orig_range = cv::Range(0, -y_rot);
 641         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 642         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 643     } else if (y_rot > 0) {
 644         // move part that does not rotate over the edge
 645         cv::Range orig_range(0, patch.rows - y_rot);
 646         cv::Range rot_range(y_rot, patch.rows);
 647         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 648
 649         // rotated part
 650         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 651         rot_range = cv::Range(0, y_rot);
 652         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 653     } else { // zero rotation
 654         // move part that does not rotate over the edge
 655         cv::Range orig_range(0, patch.rows);
 656         cv::Range rot_range(0, patch.rows);
 657         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 658     }
 659
 660     return rot_patch;
 661 }
 662
 663 // hann window actually (Power-of-cosine windows)
 664 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 665 {
 666     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 667     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 668     for (int i = 0; i < dim1; ++i)
 669         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 670     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 671     for (int i = 0; i < dim2; ++i)
 672         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 673     cv::Mat ret = m2 * m1;
 674     return ret;
 675 }
 676
 677 // Returns sub-window of image input centered at [cx, cy] coordinates),
 678 // with size [width, height]. If any pixels are outside of the image,
 679 // they will replicate the values at the borders.
 680 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 681 {
 682     cv::Mat patch;
 683
 684     int x1 = cx - width / 2;
 685     int y1 = cy - height / 2;
 686     int x2 = cx + width / 2;
 687     int y2 = cy + height / 2;
 688
 689     // out of image
 690     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 691         patch.create(height, width, input.type());
 692         patch.setTo(double(0.f));
 693         return patch;
 694     }
 695
 696     int top = 0, bottom = 0, left = 0, right = 0;
 697
 698     // fit to image coordinates, set border extensions;
 699     if (x1 < 0) {
 700         left = -x1;
 701         x1 = 0;
 702     }
 703     if (y1 < 0) {
 704         top = -y1;
 705         y1 = 0;
 706     }
 707     if (x2 >= input.cols) {
 708         right = x2 - input.cols + width % 2;
 709         x2 = input.cols;
 710     } else
 711         x2 += width % 2;
 712
 713     if (y2 >= input.rows) {
 714         bottom = y2 - input.rows + height % 2;
 715         y2 = input.rows;
 716     } else
 717         y2 += height % 2;
 718
 719     if (x2 - x1 == 0 || y2 - y1 == 0)
 720         patch = cv::Mat::zeros(height, width, CV_32FC1);
 721     else {
 722         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 723                            cv::BORDER_REPLICATE);
 724         //      imshow( "copyMakeBorder", patch);
 725         //      cv::waitKey();
 726     }
 727
 728     // sanity check
 729     assert(patch.cols == width && patch.rows == height);
 730
 731     return patch;
 732 }
 733
 734 void KCF_Tracker::gaussian_correlation(struct ThreadCtx &vars, const ComplexMat &xf, const ComplexMat &yf,
 735                                        double sigma, bool auto_correlation)
 736 {
 737     xf.sqr_norm(vars.xf_sqr_norm);
 738     if (auto_correlation) {
 739         vars.yf_sqr_norm.hostMem()[0] = vars.xf_sqr_norm.hostMem()[0];
 740     } else {
 741         yf.sqr_norm(vars.yf_sqr_norm);
 742     }
 743     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 744     DEBUG_PRINTM(vars.xyf);
 745     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr, vars.stream);
 746 #ifdef CUFFT
 747     cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(),
 748                               vars.xf_sqr_norm.deviceMem(), vars.xf_sqr_norm.deviceMem(), sigma, xf.n_channels,
 749                               xf.n_scales, p_roi.height, p_roi.width, vars.stream);
 750 #else
 751     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 752     DEBUG_PRINTM(vars.ifft2_res);
 753     cv::Mat xy_sum;
 754     if (xf.channels() != p_num_scales * p_num_of_feats)
 755         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 756     else
 757         xy_sum.create(vars.ifft2_res.size(), CV_32FC(p_scales.size()));
 758     xy_sum.setTo(0);
 759     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 760         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 761         float *row_ptr_sum = xy_sum.ptr<float>(y);
 762         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 763             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 764                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 765                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 766                     (row_ptr + x * vars.ifft2_res.channels() +
 767                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 768                     0.f);
 769             }
 770         }
 771     }
 772     DEBUG_PRINTM(xy_sum);
 773
 774     std::vector<cv::Mat> scales;
 775     cv::split(xy_sum, scales);
 776
 777     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 778     for (uint i = 0; i < xf.n_scales; ++i) {
 779         cv::Mat in_roi(vars.in_all, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 780         cv::exp(
 781             -1. / (sigma * sigma) *
 782                 cv::max((double(vars.xf_sqr_norm.hostMem()[i] + vars.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 783             in_roi);
 784         DEBUG_PRINTM(in_roi);
 785     }
 786 #endif
 787     DEBUG_PRINTM(vars.in_all);
 788     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr,
 789                 vars.stream);
 790     return;
 791 }
 792
 793 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 794 {
 795     int x = pt.x;
 796     int y = pt.y;
 797     if (x < 0) x = response.cols + x;
 798     if (y < 0) y = response.rows + y;
 799     if (x >= response.cols) x = x - response.cols;
 800     if (y >= response.rows) y = y - response.rows;
 801
 802     return response.at<float>(y, x);
 803 }
 804
 805 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 806 {
 807     // find neighbourhood of max_loc (response is circular)
 808     // 1 2 3
 809     // 4   5
 810     // 6 7 8
 811     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);
 812     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 813     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);
 814
 815     // clang-format off
 816     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 817     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 818                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 819                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 820                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 821                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 822                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 823                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 824                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 825                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 826                  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);
 827     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 828                     get_response_circular(p1, response),
 829                     get_response_circular(p2, response),
 830                     get_response_circular(p3, response),
 831                     get_response_circular(p4, response),
 832                     get_response_circular(p5, response),
 833                     get_response_circular(p6, response),
 834                     get_response_circular(p7, response),
 835                     get_response_circular(p8, response),
 836                     get_response_circular(max_loc, response));
 837     // clang-format on
 838     cv::Mat x;
 839     cv::solve(A, fval, x, cv::DECOMP_SVD);
 840
 841     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);
 842
 843     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 844     if (b > 0 || b < 0) {
 845         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 846         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 847     }
 848
 849     return sub_peak;
 850 }
 851
 852 double KCF_Tracker::sub_grid_scale(uint index)
 853 {
 854     cv::Mat A, fval;
 855     if (index >= p_scales.size()) {
 856         // interpolate from all values
 857         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 858         A.create(p_scales.size(), 3, CV_32FC1);
 859         fval.create(p_scales.size(), 1, CV_32FC1);
 860         for (size_t i = 0; i < p_scales.size(); ++i) {
 861             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 862             A.at<float>(i, 1) = float(p_scales[i]);
 863             A.at<float>(i, 2) = 1;
 864             fval.at<float>(i) = BIG_BATCH_MODE ? p_threadctxs.back().max_responses[i] : p_threadctxs[i].max_response;
 865         }
 866     } else {
 867         // only from neighbours
 868         if (index == 0 || index == p_scales.size() - 1)
 869            return p_scales[index];
 870
 871         A = (cv::Mat_<float>(3, 3) <<
 872              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 873              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 874              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 875         fval = (cv::Mat_<float>(3, 1) <<
 876                 (BIG_BATCH_MODE ? p_threadctxs.back().max_responses[index - 1] : p_threadctxs[index - 1].max_response),
 877                 (BIG_BATCH_MODE ? p_threadctxs.back().max_responses[index + 0] : p_threadctxs[index + 0].max_response),
 878                 (BIG_BATCH_MODE ? p_threadctxs.back().max_responses[index + 1] : p_threadctxs[index + 1].max_response));
 879     }
 880
 881     cv::Mat x;
 882     cv::solve(A, fval, x, cv::DECOMP_SVD);
 883     float a = x.at<float>(0), b = x.at<float>(1);
 884     double scale = p_scales[index];
 885     if (a > 0 || a < 0)
 886         scale = -b / (2 * a);
 887     return scale;
 888 }