src/kcf.cpp

   1 #include "kcf.h"
   2 #include <numeric>
   3 #include <thread>
   4 #include <algorithm>
   5 #include "threadctx.hpp"
   6
   7 #ifdef FFTW
   8 #include "fft_fftw.h"
   9 #define FFT Fftw
  10 #elif defined(CUFFT)
  11 #include "fft_cufft.h"
  12 #define FFT cuFFT
  13 #else
  14 #include "fft_opencv.h"
  15 #define FFT FftOpencv
  16 #endif
  17
  18 #ifdef OPENMP
  19 #include <omp.h>
  20 #endif // OPENMP
  21
  22 #define DEBUG_PRINT(obj)                                                                                               \
  23     if (m_debug) {                                                                                                     \
  24         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  25     }
  26 #define DEBUG_PRINTM(obj)                                                                                              \
  27     if (m_debug) {                                                                                                     \
  28         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  29                   << (obj) << std::endl;                                                                               \
  30     }
  31
  32 template <typename T>
  33 T clamp(const T& n, const T& lower, const T& upper)
  34 {
  35     return std::max(lower, std::min(n, upper));
  36 }
  37
  38 template <typename T>
  39 void clamp2(T& n, const T& lower, const T& upper)
  40 {
  41     n = std::max(lower, std::min(n, upper));
  42 }
  43
  44 class Kcf_Tracker_Private {
  45     friend KCF_Tracker;
  46     std::vector<ThreadCtx> threadctxs;
  47 };
  48
  49 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  50                          double output_sigma_factor, int cell_size)
  51     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  52       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size), d(*new Kcf_Tracker_Private)
  53 {
  54 }
  55
  56 KCF_Tracker::KCF_Tracker() : fft(*new FFT()), d(*new Kcf_Tracker_Private) {}
  57
  58 KCF_Tracker::~KCF_Tracker()
  59 {
  60     delete &fft;
  61     delete &d;
  62 }
  63
  64 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
  65 {
  66     // check boundary, enforce min size
  67     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
  68     if (x1 < 0) x1 = 0.;
  69     if (x2 > img.cols - 1) x2 = img.cols - 1;
  70     if (y1 < 0) y1 = 0;
  71     if (y2 > img.rows - 1) y2 = img.rows - 1;
  72
  73     if (x2 - x1 < 2 * p_cell_size) {
  74         double diff = (2 * p_cell_size - x2 + x1) / 2.;
  75         if (x1 - diff >= 0 && x2 + diff < img.cols) {
  76             x1 -= diff;
  77             x2 += diff;
  78         } else if (x1 - 2 * diff >= 0) {
  79             x1 -= 2 * diff;
  80         } else {
  81             x2 += 2 * diff;
  82         }
  83     }
  84     if (y2 - y1 < 2 * p_cell_size) {
  85         double diff = (2 * p_cell_size - y2 + y1) / 2.;
  86         if (y1 - diff >= 0 && y2 + diff < img.rows) {
  87             y1 -= diff;
  88             y2 += diff;
  89         } else if (y1 - 2 * diff >= 0) {
  90             y1 -= 2 * diff;
  91         } else {
  92             y2 += 2 * diff;
  93         }
  94     }
  95
  96     p_pose.w = x2 - x1;
  97     p_pose.h = y2 - y1;
  98     p_pose.cx = x1 + p_pose.w / 2.;
  99     p_pose.cy = y1 + p_pose.h / 2.;
 100
 101     cv::Mat input_gray, input_rgb = img.clone();
 102     if (img.channels() == 3) {
 103         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 104         input_gray.convertTo(input_gray, CV_32FC1);
 105     } else
 106         img.convertTo(input_gray, CV_32FC1);
 107
 108     // don't need too large image
 109     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 110         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 111         p_resize_image = true;
 112         p_pose.scale(p_downscale_factor);
 113         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 114         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 115     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 116         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 117             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 118             std::exit(EXIT_FAILURE);
 119         }
 120         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 121         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 122         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 123                   << p_scale_factor_y << std::endl;
 124         p_fit_to_pw2 = true;
 125         p_pose.scale_x(p_scale_factor_x);
 126         p_pose.scale_y(p_scale_factor_y);
 127         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 128             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 129                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 130                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 131             } else {
 132                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 133                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 134             }
 135         }
 136     }
 137
 138     // compute win size + fit to fhog cell size
 139     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 140     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 141     p_roi.width = p_windows_size.width / p_cell_size;
 142     p_roi.height = p_windows_size.height / p_cell_size;
 143
 144     p_num_of_feats = 31;
 145     if (m_use_color) p_num_of_feats += 3;
 146     if (m_use_cnfeat) p_num_of_feats += 10;
 147
 148     p_scales.clear();
 149     if (m_use_scale)
 150         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 151             p_scales.push_back(std::pow(p_scale_step, i));
 152     else
 153         p_scales.push_back(1.);
 154
 155 #ifdef CUFFT
 156     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 157         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 158                      "the window dimensions so its size is less or equal to "
 159                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 160                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 161                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 162         std::exit(EXIT_FAILURE);
 163     }
 164
 165     if (m_use_linearkernel) {
 166         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 167         std::exit(EXIT_FAILURE);
 168     }
 169     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 170     p_rot_labels_data = DynMem(p_roi.width * p_roi.height * sizeof(float));
 171     p_rot_labels = cv::Mat(p_roi, CV_32FC1, p_rot_labels_data.hostMem());
 172 #else
 173     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 174 #endif
 175
 176 #if defined(CUFFT) || defined(FFTW)
 177     uint width = p_roi.width / 2 + 1;
 178 #else
 179     uint width = p_roi.width;
 180 #endif
 181     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 182     p_yf.create(p_roi.height, width, 1);
 183     p_xf.create(p_roi.height, width, p_num_of_feats);
 184
 185     int max = BIG_BATCH_MODE ? 2 : p_num_scales;
 186     for (int i = 0; i < max; ++i) {
 187         if (BIG_BATCH_MODE && i == 1)
 188             p_threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, 1, p_num_scales);
 189         else
 190             p_threadctxs.emplace_back(p_roi, p_num_of_feats, p_scales[i], 1);
 191     }
 192
 193     p_current_scale = 1.;
 194
 195     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 196     double max_size_ratio =
 197         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 198                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 199     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 200     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 201
 202     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 203     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 204     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 205     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 206
 207     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 208
 209     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 210     fft.set_window(cosine_window_function(p_roi.width, p_roi.height));
 211
 212     // window weights, i.e. labels
 213     fft.forward(
 214         gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf,
 215         m_use_cuda ? p_rot_labels_data.deviceMem() : nullptr);
 216     DEBUG_PRINTM(p_yf);
 217
 218     // obtain a sub-window for training initial model
 219     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 220                                                     p_windows_size.width, p_windows_size.height);
 221     fft.forward_window(patch_feats, p_model_xf, d.threadctxs.front().fw_all,
 222                        m_use_cuda ? d.threadctxs.front().data_features.deviceMem() : nullptr);
 223     DEBUG_PRINTM(p_model_xf);
 224 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 225     d.threadctxs.front().model_xf = p_model_xf;
 226 #endif
 227
 228     if (m_use_linearkernel) {
 229         ComplexMat xfconj = p_model_xf.conj();
 230         p_model_alphaf_num = xfconj.mul(p_yf);
 231         p_model_alphaf_den = (p_model_xf * xfconj);
 232     } else {
 233         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 234 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 235         gaussian_correlation(d.threadctxs.front(), d.threadctxs.front().model_xf, d.threadctxs.front().model_xf, p_kernel_sigma, true);
 236 #else
 237         gaussian_correlation(d.threadctxs.front(), p_model_xf, p_model_xf, p_kernel_sigma, true);
 238 #endif
 239         DEBUG_PRINTM(d.threadctxs.front().kf);
 240         p_model_alphaf_num = p_yf * d.threadctxs.front().kf;
 241         DEBUG_PRINTM(p_model_alphaf_num);
 242         p_model_alphaf_den = d.threadctxs.front().kf * (d.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 = d.threadctxs.begin(); it != d.threadctxs.end(); ++it) {
 251         it->model_xf = p_model_xf;
 252         it->model_alphaf = p_model_alphaf;
 253     }
 254 #endif
 255 }
 256
 257 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 258 {
 259     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 260 }
 261
 262 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 263 {
 264     if (p_resize_image) {
 265         BBox_c tmp = bbox;
 266         tmp.scale(p_downscale_factor);
 267         p_pose.cx = tmp.cx;
 268         p_pose.cy = tmp.cy;
 269     } else if (p_fit_to_pw2) {
 270         BBox_c tmp = bbox;
 271         tmp.scale_x(p_scale_factor_x);
 272         tmp.scale_y(p_scale_factor_y);
 273         p_pose.cx = tmp.cx;
 274         p_pose.cy = tmp.cy;
 275     } else {
 276         p_pose.cx = bbox.cx;
 277         p_pose.cy = bbox.cy;
 278     }
 279 }
 280
 281 BBox_c KCF_Tracker::getBBox()
 282 {
 283     BBox_c tmp = p_pose;
 284     tmp.w *= p_current_scale;
 285     tmp.h *= p_current_scale;
 286
 287     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 288     if (p_fit_to_pw2) {
 289         tmp.scale_x(1 / p_scale_factor_x);
 290         tmp.scale_y(1 / p_scale_factor_y);
 291     }
 292
 293     return tmp;
 294 }
 295
 296 double KCF_Tracker::getFilterResponse() const
 297 {
 298     return this->max_response;
 299 }
 300
 301 void KCF_Tracker::track(cv::Mat &img)
 302 {
 303     if (m_debug) std::cout << "NEW FRAME" << '\n';
 304     cv::Mat input_gray, input_rgb = img.clone();
 305     if (img.channels() == 3) {
 306         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 307         input_gray.convertTo(input_gray, CV_32FC1);
 308     } else
 309         img.convertTo(input_gray, CV_32FC1);
 310
 311     // don't need too large image
 312     if (p_resize_image) {
 313         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 314         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 315     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 316                fabs(p_scale_factor_y - 1) > p_floating_error) {
 317         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 318             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 319             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 320         } else {
 321             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 322             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 323         }
 324     }
 325
 326     max_response = -1.;
 327     ThreadCtx *max = nullptr;
 328     cv::Point2i *max_response_pt = nullptr;
 329     cv::Mat *max_response_map = nullptr;
 330
 331 #ifdef ASYNC
 332     for (auto &it : d.threadctxs)
 333         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 334             scale_track(it, input_rgb, input_gray);
 335         });
 336     for (auto const &it : d.threadctxs)
 337         it.async_res.wait();
 338
 339 #else  // !ASYNC
 340     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 341     NORMAL_OMP_PARALLEL_FOR
 342     for (uint i = 0; i < d.threadctxs.size(); ++i)
 343         scale_track(d.threadctxs[i], input_rgb, input_gray);
 344 #endif
 345
 346 #ifndef BIG_BATCH
 347     for (auto &it : d.threadctxs) {
 348         if (it.max_response > max_response) {
 349             max_response = it.max_response;
 350             max_response_pt = &it.max_loc;
 351             max_response_map = &it.response;
 352             max = &it;
 353         }
 354     }
 355 #else
 356     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 357     for (uint j = 0; j < p_scales.size(); ++j) {
 358         if (d.threadctxs[0].max_responses[j] > max_response) {
 359             max_response = d.threadctxs[0].max_responses[j];
 360             max_response_pt = &d.threadctxs[0].max_locs[j];
 361             max_response_map = &d.threadctxs[0].response_maps[j];
 362             max = &d.threadctxs[0];
 363         }
 364     }
 365 #endif
 366
 367     DEBUG_PRINTM(*max_response_map);
 368     DEBUG_PRINT(*max_response_pt);
 369
 370     // sub pixel quadratic interpolation from neighbours
 371     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 372         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 373     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 374         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 375
 376     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 377     DEBUG_PRINT(new_location);
 378
 379     if (m_use_subpixel_localization)
 380         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 381     DEBUG_PRINT(new_location);
 382
 383     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 384     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 385     if (p_fit_to_pw2) {
 386         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 387         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 388     } else {
 389         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 390         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 391     }
 392
 393     // sub grid scale interpolation
 394     if (m_use_subgrid_scale) {
 395         auto it = std::find_if(d.threadctxs.begin(), d.threadctxs.end(), [max](ThreadCtx &ctx) { return &ctx == max; });
 396         p_current_scale *= sub_grid_scale(std::distance(d.threadctxs.begin(), it));
 397     } else {
 398         p_current_scale *= max->scale;
 399     }
 400
 401     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 402
 403     ThreadCtx &ctx = d.threadctxs.front();
 404     // obtain a subwindow for training at newly estimated target position
 405     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 406                                                     p_windows_size.width, p_windows_size.height,
 407                                                     p_current_scale);
 408     fft.forward_window(patch_feats, p_xf, ctx.fw_all,
 409                        m_use_cuda ? ctx.data_features.deviceMem() : nullptr);
 410
 411     // subsequent frames, interpolate model
 412     p_model_xf = p_model_xf * float((1. - p_interp_factor)) + p_xf * float(p_interp_factor);
 413
 414     ComplexMat alphaf_num, alphaf_den;
 415
 416     if (m_use_linearkernel) {
 417         ComplexMat xfconj = p_xf.conj();
 418         alphaf_num = xfconj.mul(p_yf);
 419         alphaf_den = (p_xf * xfconj);
 420     } else {
 421         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 422         gaussian_correlation(ctx, p_xf, p_xf, p_kernel_sigma,
 423                              true);
 424         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 425         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 426         alphaf_num = p_yf * ctx.kf;
 427         alphaf_den = ctx.kf * (ctx.kf + float(p_lambda));
 428     }
 429
 430     p_model_alphaf_num = p_model_alphaf_num * float((1. - p_interp_factor)) + alphaf_num * float(p_interp_factor);
 431     p_model_alphaf_den = p_model_alphaf_den * float((1. - p_interp_factor)) + alphaf_den * float(p_interp_factor);
 432     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 433
 434 #if  !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 435     for (auto it = d.threadctxs.begin(); it != d.threadctxs.end(); ++it) {
 436         it->model_xf = p_model_xf;
 437         it->model_alphaf = p_model_alphaf;
 438     }
 439 #endif
 440 }
 441
 442 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 443 {
 444     std::vector<cv::Mat> patch_feats;
 445     if (BIG_BATCH_MODE) {
 446         BIG_BATCH_OMP_PARALLEL_FOR
 447         for (uint i = 0; i < p_num_scales; ++i) {
 448             patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 449                                        this->p_windows_size.width, this->p_windows_size.height,
 450                                        this->p_current_scale * this->p_scales[i]);
 451         }
 452     } else {
 453         patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 454                                    this->p_windows_size.width, this->p_windows_size.height,
 455                                    this->p_current_scale * vars.scale);
 456     }
 457
 458     fft.forward_window(patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr);
 459     DEBUG_PRINTM(vars.zf);
 460
 461     if (m_use_linearkernel) {
 462         vars.kzf = BIG_BATCH_MODE ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 463                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 464         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr);
 465     } else {
 466 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 467         gaussian_correlation(vars, vars.zf, vars.model_xf, this->p_kernel_sigma);
 468         vars.kzf = vars.model_alphaf * vars.kzf;
 469 #else
 470         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 471         DEBUG_PRINTM(this->p_model_alphaf);
 472         DEBUG_PRINTM(vars.kzf);
 473         vars.kzf = BIG_BATCH_MODE ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 474 #endif
 475         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr);
 476     }
 477
 478     DEBUG_PRINTM(vars.response);
 479
 480     /* target location is at the maximum response. we must take into
 481     account the fact that, if the target doesn't move, the peak
 482     will appear at the top-left corner, not at the center (this is
 483     discussed in the paper). the responses wrap around cyclically. */
 484 #ifdef BIG_BATCH
 485     cv::split(vars.response, vars.response_maps);
 486
 487     for (size_t i = 0; i < p_scales.size(); ++i) {
 488         double min_val, max_val;
 489         cv::Point2i min_loc, max_loc;
 490         cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 491         DEBUG_PRINT(max_loc);
 492         double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 493         vars.max_responses[i] = max_val * weight;
 494         vars.max_locs[i] = max_loc;
 495     }
 496 #else
 497     double min_val;
 498     cv::Point2i min_loc;
 499     cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 500
 501     DEBUG_PRINT(vars.max_loc);
 502
 503     double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 504     vars.max_response = vars.max_val * weight;
 505 #endif
 506     return;
 507 }
 508
 509 // ****************************************************************************
 510
 511 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)
 512 {
 513     int size_x_scaled = floor(size_x * scale);
 514     int size_y_scaled = floor(size_y * scale);
 515
 516     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 517     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 518
 519     // resize to default size
 520     if (scale > 1.) {
 521         // if we downsample use  INTER_AREA interpolation
 522         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 523     } else {
 524         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 525     }
 526
 527     // get hog(Histogram of Oriented Gradients) features
 528     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 529
 530     // get color rgb features (simple r,g,b channels)
 531     std::vector<cv::Mat> color_feat;
 532     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 533         // resize to default size
 534         if (scale > 1.) {
 535             // if we downsample use  INTER_AREA interpolation
 536             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 537         } else {
 538             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 539         }
 540     }
 541
 542     if (m_use_color && input_rgb.channels() == 3) {
 543         // use rgb color space
 544         cv::Mat patch_rgb_norm;
 545         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 546         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 547         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 548         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 549         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 550         cv::split(patch_rgb_norm, rgb);
 551         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 552     }
 553
 554     if (m_use_cnfeat && input_rgb.channels() == 3) {
 555         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 556         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 557     }
 558
 559     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 560     return hog_feat;
 561 }
 562
 563 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 564 {
 565     cv::Mat labels(dim2, dim1, CV_32FC1);
 566     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 567     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 568
 569     double sigma_s = sigma * sigma;
 570
 571     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 572         float *row_ptr = labels.ptr<float>(j);
 573         double y_s = y * y;
 574         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 575             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 576         }
 577     }
 578
 579     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 580 #ifdef CUFFT
 581     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 582     tmp.copyTo(p_rot_labels);
 583
 584     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 585     return tmp;
 586 #else
 587     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 588     // sanity check, 1 at top left corner
 589     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 590
 591     return rot_labels;
 592 #endif
 593 }
 594
 595 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 596 {
 597     cv::Mat rot_patch(patch.size(), CV_32FC1);
 598     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 599
 600     // circular rotate x-axis
 601     if (x_rot < 0) {
 602         // move part that does not rotate over the edge
 603         cv::Range orig_range(-x_rot, patch.cols);
 604         cv::Range rot_range(0, patch.cols - (-x_rot));
 605         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 606
 607         // rotated part
 608         orig_range = cv::Range(0, -x_rot);
 609         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 610         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 611     } else if (x_rot > 0) {
 612         // move part that does not rotate over the edge
 613         cv::Range orig_range(0, patch.cols - x_rot);
 614         cv::Range rot_range(x_rot, patch.cols);
 615         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 616
 617         // rotated part
 618         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 619         rot_range = cv::Range(0, x_rot);
 620         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 621     } else { // zero rotation
 622         // move part that does not rotate over the edge
 623         cv::Range orig_range(0, patch.cols);
 624         cv::Range rot_range(0, patch.cols);
 625         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 626     }
 627
 628     // circular rotate y-axis
 629     if (y_rot < 0) {
 630         // move part that does not rotate over the edge
 631         cv::Range orig_range(-y_rot, patch.rows);
 632         cv::Range rot_range(0, patch.rows - (-y_rot));
 633         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 634
 635         // rotated part
 636         orig_range = cv::Range(0, -y_rot);
 637         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 638         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 639     } else if (y_rot > 0) {
 640         // move part that does not rotate over the edge
 641         cv::Range orig_range(0, patch.rows - y_rot);
 642         cv::Range rot_range(y_rot, patch.rows);
 643         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 644
 645         // rotated part
 646         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 647         rot_range = cv::Range(0, y_rot);
 648         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 649     } else { // zero rotation
 650         // move part that does not rotate over the edge
 651         cv::Range orig_range(0, patch.rows);
 652         cv::Range rot_range(0, patch.rows);
 653         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 654     }
 655
 656     return rot_patch;
 657 }
 658
 659 // hann window actually (Power-of-cosine windows)
 660 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 661 {
 662     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 663     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 664     for (int i = 0; i < dim1; ++i)
 665         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 666     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 667     for (int i = 0; i < dim2; ++i)
 668         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 669     cv::Mat ret = m2 * m1;
 670     return ret;
 671 }
 672
 673 // Returns sub-window of image input centered at [cx, cy] coordinates),
 674 // with size [width, height]. If any pixels are outside of the image,
 675 // they will replicate the values at the borders.
 676 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 677 {
 678     cv::Mat patch;
 679
 680     int x1 = cx - width / 2;
 681     int y1 = cy - height / 2;
 682     int x2 = cx + width / 2;
 683     int y2 = cy + height / 2;
 684
 685     // out of image
 686     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 687         patch.create(height, width, input.type());
 688         patch.setTo(double(0.f));
 689         return patch;
 690     }
 691
 692     int top = 0, bottom = 0, left = 0, right = 0;
 693
 694     // fit to image coordinates, set border extensions;
 695     if (x1 < 0) {
 696         left = -x1;
 697         x1 = 0;
 698     }
 699     if (y1 < 0) {
 700         top = -y1;
 701         y1 = 0;
 702     }
 703     if (x2 >= input.cols) {
 704         right = x2 - input.cols + width % 2;
 705         x2 = input.cols;
 706     } else
 707         x2 += width % 2;
 708
 709     if (y2 >= input.rows) {
 710         bottom = y2 - input.rows + height % 2;
 711         y2 = input.rows;
 712     } else
 713         y2 += height % 2;
 714
 715     if (x2 - x1 == 0 || y2 - y1 == 0)
 716         patch = cv::Mat::zeros(height, width, CV_32FC1);
 717     else {
 718         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 719                            cv::BORDER_REPLICATE);
 720         //      imshow( "copyMakeBorder", patch);
 721         //      cv::waitKey();
 722     }
 723
 724     // sanity check
 725     assert(patch.cols == width && patch.rows == height);
 726
 727     return patch;
 728 }
 729
 730 void KCF_Tracker::gaussian_correlation(struct ThreadCtx &vars, const ComplexMat &xf, const ComplexMat &yf,
 731                                        double sigma, bool auto_correlation)
 732 {
 733     xf.sqr_norm(vars.xf_sqr_norm);
 734     if (auto_correlation) {
 735         vars.yf_sqr_norm.hostMem()[0] = vars.xf_sqr_norm.hostMem()[0];
 736     } else {
 737         yf.sqr_norm(vars.yf_sqr_norm);
 738     }
 739     vars.xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 740     DEBUG_PRINTM(vars.xyf);
 741     fft.inverse(vars.xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr);
 742 #ifdef CUFFT
 743     cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(),
 744                               vars.xf_sqr_norm.deviceMem(), vars.xf_sqr_norm.deviceMem(), sigma, xf.n_channels,
 745                               xf.n_scales, p_roi.height, p_roi.width);
 746 #else
 747     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 748     DEBUG_PRINTM(vars.ifft2_res);
 749     cv::Mat xy_sum;
 750     if (xf.channels() != p_num_scales * p_num_of_feats)
 751         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 752     else
 753         xy_sum.create(vars.ifft2_res.size(), CV_32FC(p_scales.size()));
 754     xy_sum.setTo(0);
 755     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 756         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 757         float *row_ptr_sum = xy_sum.ptr<float>(y);
 758         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 759             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 760                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 761                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 762                     (row_ptr + x * vars.ifft2_res.channels() +
 763                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 764                     0.f);
 765             }
 766         }
 767     }
 768     DEBUG_PRINTM(xy_sum);
 769
 770     std::vector<cv::Mat> scales;
 771     cv::split(xy_sum, scales);
 772
 773     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 774     for (uint i = 0; i < xf.n_scales; ++i) {
 775         cv::Mat in_roi(vars.in_all, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 776         cv::exp(
 777             -1. / (sigma * sigma) *
 778                 cv::max((double(vars.xf_sqr_norm.hostMem()[i] + vars.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 779             in_roi);
 780         DEBUG_PRINTM(in_roi);
 781     }
 782 #endif
 783     DEBUG_PRINTM(vars.in_all);
 784     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr);
 785     return;
 786 }
 787
 788 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 789 {
 790     int x = pt.x;
 791     int y = pt.y;
 792     if (x < 0) x = response.cols + x;
 793     if (y < 0) y = response.rows + y;
 794     if (x >= response.cols) x = x - response.cols;
 795     if (y >= response.rows) y = y - response.rows;
 796
 797     return response.at<float>(y, x);
 798 }
 799
 800 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 801 {
 802     // find neighbourhood of max_loc (response is circular)
 803     // 1 2 3
 804     // 4   5
 805     // 6 7 8
 806     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);
 807     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 808     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);
 809
 810     // clang-format off
 811     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 812     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 813                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 814                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 815                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 816                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 817                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 818                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 819                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 820                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 821                  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);
 822     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 823                     get_response_circular(p1, response),
 824                     get_response_circular(p2, response),
 825                     get_response_circular(p3, response),
 826                     get_response_circular(p4, response),
 827                     get_response_circular(p5, response),
 828                     get_response_circular(p6, response),
 829                     get_response_circular(p7, response),
 830                     get_response_circular(p8, response),
 831                     get_response_circular(max_loc, response));
 832     // clang-format on
 833     cv::Mat x;
 834     cv::solve(A, fval, x, cv::DECOMP_SVD);
 835
 836     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);
 837
 838     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 839     if (b > 0 || b < 0) {
 840         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 841         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 842     }
 843
 844     return sub_peak;
 845 }
 846
 847 double KCF_Tracker::sub_grid_scale(uint index)
 848 {
 849     cv::Mat A, fval;
 850     if (index >= p_scales.size()) {
 851         // interpolate from all values
 852         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 853         A.create(p_scales.size(), 3, CV_32FC1);
 854         fval.create(p_scales.size(), 1, CV_32FC1);
 855         for (size_t i = 0; i < p_scales.size(); ++i) {
 856             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 857             A.at<float>(i, 1) = float(p_scales[i]);
 858             A.at<float>(i, 2) = 1;
 859 #ifdef BIG_BATCH
 860             fval.at<float>(i) = d.threadctxs.back().max_responses[i];
 861 #else
 862             fval.at<float>(i) = d.threadctxs[i].max_response;
 863 #endif
 864         }
 865     } else {
 866         // only from neighbours
 867         if (index == 0 || index == p_scales.size() - 1)
 868            return p_scales[index];
 869
 870         A = (cv::Mat_<float>(3, 3) <<
 871              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 872              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 873              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 874 #ifdef BIG_BATCH
 875         fval = (cv::Mat_<float>(3, 1) <<
 876                 d.threadctxs.back().max_responses[index - 1],
 877                 d.threadctxs.back().max_responses[index + 0],
 878                 d.threadctxs.back().max_responses[index + 1]);
 879 #else
 880         fval = (cv::Mat_<float>(3, 1) <<
 881                 d.threadctxs[index - 1].max_response,
 882                 d.threadctxs[index + 0].max_response,
 883                 d.threadctxs[index + 1].max_response);
 884 #endif
 885     }
 886
 887     cv::Mat x;
 888     cv::solve(A, fval, x, cv::DECOMP_SVD);
 889     float a = x.at<float>(0), b = x.at<float>(1);
 890     double scale = p_scales[index];
 891     if (a > 0 || a < 0)
 892         scale = -b / (2 * a);
 893     return scale;
 894 }