src/kcf.cpp

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