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_scales.clear();
 145     if (m_use_scale)
 146         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 147             p_scales.push_back(std::pow(p_scale_step, i));
 148     else
 149         p_scales.push_back(1.);
 150
 151 #ifdef CUFFT
 152     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 153         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 154                      "the window dimensions so its size is less or equal to "
 155                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 156                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 157                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 158         std::exit(EXIT_FAILURE);
 159     }
 160
 161     if (m_use_linearkernel) {
 162         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 163         std::exit(EXIT_FAILURE);
 164     }
 165     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 166     p_rot_labels_data = DynMem(p_roi.width * p_roi.height * sizeof(float));
 167     p_rot_labels = cv::Mat(p_roi, CV_32FC1, p_rot_labels_data.hostMem());
 168 #else
 169     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 170 #endif
 171
 172 #if defined(CUFFT) || defined(FFTW)
 173     uint width = p_roi.width / 2 + 1;
 174 #else
 175     uint width = p_roi.width;
 176 #endif
 177     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 178     p_yf.create(p_roi.height, width, 1);
 179     p_xf.create(p_roi.height, width, p_num_of_feats);
 180
 181 #ifndef BIG_BATCH
 182     for (auto scale: p_scales)
 183         d.threadctxs.emplace_back(p_roi, p_num_of_feats, 1, scale);
 184 #else
 185     d.threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, p_num_scales);
 186 #endif
 187
 188     p_current_scale = 1.;
 189
 190     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 191     double max_size_ratio =
 192         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 193                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 194     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 195     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 196
 197     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 198     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 199     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 200     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 201
 202     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 203
 204     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 205     fft.set_window(cosine_window_function(p_roi.width, p_roi.height));
 206
 207     // window weights, i.e. labels
 208     fft.forward(gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf);
 209     DEBUG_PRINTM(p_yf);
 210
 211     // obtain a sub-window for training initial model
 212     int sizes[3] = {p_num_of_feats, p_windows_size.height, p_windows_size.width};
 213     MatDynMem patch_feats(3, sizes, CV_32FC1);
 214     MatDynMem temp(3, tmp, CV_32FC1);
 215     get_features(features, input_rgb, input_gray, p_pose.cx, p_pose.cy, p_windows_size.width, p_windows_size.height);
 216     fft.forward_window(patch_feats, p_model_xf);
 217     DEBUG_PRINTM(p_model_xf);
 218
 219     if (m_use_linearkernel) {
 220         ComplexMat xfconj = p_model_xf.conj();
 221         p_model_alphaf_num = xfconj.mul(p_yf);
 222         p_model_alphaf_den = (p_model_xf * xfconj);
 223     } else {
 224         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 225         uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
 226         cv::Size sz(Fft::freq_size(p_roi));
 227         GaussianCorrelation gaussian_correlation(sz, num_scales);
 228         ComplexMat kf(sz.height, sz.width, num_scales);
 229         gaussian_correlation(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
 230         DEBUG_PRINTM(kf);
 231         p_model_alphaf_num = p_yf * kf;
 232         DEBUG_PRINTM(p_model_alphaf_num);
 233         p_model_alphaf_den = kf * (kf + p_lambda);
 234         DEBUG_PRINTM(p_model_alphaf_den);
 235     }
 236     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 237     DEBUG_PRINTM(p_model_alphaf);
 238     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 239 }
 240
 241 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 242 {
 243     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 244 }
 245
 246 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 247 {
 248     if (p_resize_image) {
 249         BBox_c tmp = bbox;
 250         tmp.scale(p_downscale_factor);
 251         p_pose.cx = tmp.cx;
 252         p_pose.cy = tmp.cy;
 253     } else if (p_fit_to_pw2) {
 254         BBox_c tmp = bbox;
 255         tmp.scale_x(p_scale_factor_x);
 256         tmp.scale_y(p_scale_factor_y);
 257         p_pose.cx = tmp.cx;
 258         p_pose.cy = tmp.cy;
 259     } else {
 260         p_pose.cx = bbox.cx;
 261         p_pose.cy = bbox.cy;
 262     }
 263 }
 264
 265 BBox_c KCF_Tracker::getBBox()
 266 {
 267     BBox_c tmp = p_pose;
 268     tmp.w *= p_current_scale;
 269     tmp.h *= p_current_scale;
 270
 271     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 272     if (p_fit_to_pw2) {
 273         tmp.scale_x(1 / p_scale_factor_x);
 274         tmp.scale_y(1 / p_scale_factor_y);
 275     }
 276
 277     return tmp;
 278 }
 279
 280 double KCF_Tracker::getFilterResponse() const
 281 {
 282     return this->max_response;
 283 }
 284
 285 void KCF_Tracker::track(cv::Mat &img)
 286 {
 287     if (m_debug) std::cout << "NEW FRAME" << '\n';
 288     cv::Mat input_gray, input_rgb = img.clone();
 289     if (img.channels() == 3) {
 290         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 291         input_gray.convertTo(input_gray, CV_32FC1);
 292     } else
 293         img.convertTo(input_gray, CV_32FC1);
 294
 295     // don't need too large image
 296     if (p_resize_image) {
 297         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 298         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 299     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 300                fabs(p_scale_factor_y - 1) > p_floating_error) {
 301         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 302             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 303             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 304         } else {
 305             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 306             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 307         }
 308     }
 309
 310     max_response = -1.;
 311     ThreadCtx *max = nullptr;
 312     cv::Point2i *max_response_pt = nullptr;
 313     cv::Mat *max_response_map = nullptr;
 314
 315 #ifdef ASYNC
 316     for (auto &it : d.threadctxs)
 317         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 318             scale_track(it, input_rgb, input_gray);
 319         });
 320     for (auto const &it : d.threadctxs)
 321         it.async_res.wait();
 322
 323 #else  // !ASYNC
 324     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 325     NORMAL_OMP_PARALLEL_FOR
 326     for (uint i = 0; i < d.threadctxs.size(); ++i)
 327         scale_track(d.threadctxs[i], input_rgb, input_gray);
 328 #endif
 329
 330 #ifndef BIG_BATCH
 331     for (auto &it : d.threadctxs) {
 332         if (it.max_response > max_response) {
 333             max_response = it.max_response;
 334             max_response_pt = &it.max_loc;
 335             max_response_map = &it.response;
 336             max = &it;
 337         }
 338     }
 339 #else
 340     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 341     for (uint j = 0; j < p_scales.size(); ++j) {
 342         if (d.threadctxs[0].max_responses[j] > max_response) {
 343             max_response = d.threadctxs[0].max_responses[j];
 344             max_response_pt = &d.threadctxs[0].max_locs[j];
 345             max_response_map = &d.threadctxs[0].response_maps[j];
 346             max = &d.threadctxs[0];
 347         }
 348     }
 349 #endif
 350
 351     DEBUG_PRINTM(*max_response_map);
 352     DEBUG_PRINT(*max_response_pt);
 353
 354     // sub pixel quadratic interpolation from neighbours
 355     if (max_response_pt->y > max_response_map->rows / 2) // wrap around to negative half-space of vertical axis
 356         max_response_pt->y = max_response_pt->y - max_response_map->rows;
 357     if (max_response_pt->x > max_response_map->cols / 2) // same for horizontal axis
 358         max_response_pt->x = max_response_pt->x - max_response_map->cols;
 359
 360     cv::Point2f new_location(max_response_pt->x, max_response_pt->y);
 361     DEBUG_PRINT(new_location);
 362
 363     if (m_use_subpixel_localization)
 364         new_location = sub_pixel_peak(*max_response_pt, *max_response_map);
 365     DEBUG_PRINT(new_location);
 366
 367     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 368     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 369     if (p_fit_to_pw2) {
 370         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 371         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 372     } else {
 373         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 374         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 375     }
 376
 377     // sub grid scale interpolation
 378     if (m_use_subgrid_scale) {
 379         auto it = std::find_if(d.threadctxs.begin(), d.threadctxs.end(), [max](ThreadCtx &ctx) { return &ctx == max; });
 380         p_current_scale *= sub_grid_scale(std::distance(d.threadctxs.begin(), it));
 381     } else {
 382         p_current_scale *= max->scale;
 383     }
 384
 385     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 386
 387     ThreadCtx &ctx = d.threadctxs.front();
 388     // obtain a subwindow for training at newly estimated target position
 389     std::vector<cv::Mat> patch_feats = get_features(input_rgb, input_gray, p_pose.cx, p_pose.cy,
 390                                                     p_windows_size.width, p_windows_size.height,
 391                                                     p_current_scale);
 392     fft.forward_window(patch_feats, p_xf, ctx.fw_all,
 393                        m_use_cuda ? ctx.data_features.deviceMem() : nullptr);
 394
 395     // subsequent frames, interpolate model
 396     p_model_xf = p_model_xf * (1. - p_interp_factor) + p_xf * p_interp_factor;
 397
 398     ComplexMat alphaf_num, alphaf_den;
 399
 400     if (m_use_linearkernel) {
 401         ComplexMat xfconj = p_xf.conj();
 402         alphaf_num = xfconj.mul(p_yf);
 403         alphaf_den = (p_xf * xfconj);
 404     } else {
 405         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
 406         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
 407         cv::Size sz(Fft::freq_size(p_roi));
 408         ComplexMat kf(sz.height, sz.width, num_scales);
 409         (*gaussian_correlation)(*this, kf, p_xf, p_xf, p_kernel_sigma, true);
 410         //        ComplexMat alphaf = p_yf / (kf + p_lambda); //equation for fast training
 411         //        p_model_alphaf = p_model_alphaf * (1. - p_interp_factor) + alphaf * p_interp_factor;
 412         alphaf_num = p_yf * kf;
 413         alphaf_den = kf * (kf + p_lambda);
 414     }
 415
 416     p_model_alphaf_num = p_model_alphaf_num * (1. - p_interp_factor) + alphaf_num * p_interp_factor;
 417     p_model_alphaf_den = p_model_alphaf_den * (1. - p_interp_factor) + alphaf_den * p_interp_factor;
 418     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
 419 }
 420
 421 void KCF_Tracker::scale_track(ThreadCtx &vars, cv::Mat &input_rgb, cv::Mat &input_gray)
 422 {
 423     std::vector<cv::Mat> patch_feats;
 424     if (BIG_BATCH_MODE) {
 425         BIG_BATCH_OMP_PARALLEL_FOR
 426         for (uint i = 0; i < p_num_scales; ++i) {
 427             patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 428                                        this->p_windows_size.width, this->p_windows_size.height,
 429                                        this->p_current_scale * this->p_scales[i]);
 430         }
 431     } else {
 432         patch_feats = get_features(input_rgb, input_gray, this->p_pose.cx, this->p_pose.cy,
 433                                    this->p_windows_size.width, this->p_windows_size.height,
 434                                    this->p_current_scale * vars.scale);
 435     }
 436
 437     fft.forward_window(patch_feats, vars.zf, vars.fw_all, m_use_cuda ? vars.data_features.deviceMem() : nullptr);
 438     DEBUG_PRINTM(vars.zf);
 439
 440     if (m_use_linearkernel) {
 441         vars.kzf = BIG_BATCH_MODE ? (vars.zf.mul2(this->p_model_alphaf)).sum_over_channels()
 442                                    : (p_model_alphaf * vars.zf).sum_over_channels();
 443         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr);
 444     } else {
 445 #if !defined(BIG_BATCH) && defined(CUFFT) && (defined(ASYNC) || defined(OPENMP))
 446         gaussian_correlation(vars, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 447         vars.kzf = vars.model_alphaf * vars.kzf;
 448 #else
 449         vars.gaussian_correlation(*this, vars.kzf, vars.zf, this->p_model_xf, this->p_kernel_sigma);
 450         DEBUG_PRINTM(this->p_model_alphaf);
 451         DEBUG_PRINTM(vars.kzf);
 452         vars.kzf = BIG_BATCH_MODE ? vars.kzf.mul(this->p_model_alphaf) : this->p_model_alphaf * vars.kzf;
 453 #endif
 454         fft.inverse(vars.kzf, vars.response, m_use_cuda ? vars.data_i_1ch.deviceMem() : nullptr);
 455     }
 456
 457     DEBUG_PRINTM(vars.response);
 458
 459     /* target location is at the maximum response. we must take into
 460     account the fact that, if the target doesn't move, the peak
 461     will appear at the top-left corner, not at the center (this is
 462     discussed in the paper). the responses wrap around cyclically. */
 463 #ifdef BIG_BATCH
 464     cv::split(vars.response, vars.response_maps);
 465
 466     for (size_t i = 0; i < p_scales.size(); ++i) {
 467         double min_val, max_val;
 468         cv::Point2i min_loc, max_loc;
 469         cv::minMaxLoc(vars.response_maps[i], &min_val, &max_val, &min_loc, &max_loc);
 470         DEBUG_PRINT(max_loc);
 471         double weight = p_scales[i] < 1. ? p_scales[i] : 1. / p_scales[i];
 472         vars.max_responses[i] = max_val * weight;
 473         vars.max_locs[i] = max_loc;
 474     }
 475 #else
 476     double min_val;
 477     cv::Point2i min_loc;
 478     cv::minMaxLoc(vars.response, &min_val, &vars.max_val, &min_loc, &vars.max_loc);
 479
 480     DEBUG_PRINT(vars.max_loc);
 481
 482     double weight = vars.scale < 1. ? vars.scale : 1. / vars.scale;
 483     vars.max_response = vars.max_val * weight;
 484 #endif
 485     return;
 486 }
 487
 488 // ****************************************************************************
 489
 490 void KCF_Tracker::get_features(MatDynMem &result_3d, cv::Mat & input_rgb, cv::Mat & input_gray, int cx, int cy, int size_x, int size_y, double scale)
 491 {
 492     assert(result_3d.size[0] == num_of_feats());
 493     assert(result_3d.size[1] == size_x);
 494     assert(result_3d.size[2] == size_y);
 495
 496     int size_x_scaled = floor(size_x * scale);
 497     int size_y_scaled = floor(size_y * scale);
 498
 499     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 500     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 501
 502     // resize to default size
 503     if (scale > 1.) {
 504         // if we downsample use  INTER_AREA interpolation
 505         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 506     } else {
 507         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 508     }
 509
 510     // get hog(Histogram of Oriented Gradients) features
 511     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 512
 513     // get color rgb features (simple r,g,b channels)
 514     std::vector<cv::Mat> color_feat;
 515     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 516         // resize to default size
 517         if (scale > 1.) {
 518             // if we downsample use  INTER_AREA interpolation
 519             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 520         } else {
 521             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 522         }
 523     }
 524
 525     if (m_use_color && input_rgb.channels() == 3) {
 526         // use rgb color space
 527         cv::Mat patch_rgb_norm;
 528         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 529         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 530         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 531         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 532         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 533         cv::split(patch_rgb_norm, rgb);
 534         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 535     }
 536
 537     if (m_use_cnfeat && input_rgb.channels() == 3) {
 538         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 539         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 540     }
 541
 542     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 543     return hog_feat;
 544 }
 545
 546 cv::Mat KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 547 {
 548     cv::Mat labels(dim2, dim1, CV_32FC1);
 549     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 550     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 551
 552     double sigma_s = sigma * sigma;
 553
 554     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 555         float *row_ptr = labels.ptr<float>(j);
 556         double y_s = y * y;
 557         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 558             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 559         }
 560     }
 561
 562     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 563 #ifdef CUFFT
 564     cv::Mat tmp = circshift(labels, range_x[0], range_y[0]);
 565     tmp.copyTo(p_rot_labels);
 566
 567     assert(p_rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 568     return tmp;
 569 #else
 570     cv::Mat rot_labels = circshift(labels, range_x[0], range_y[0]);
 571     // sanity check, 1 at top left corner
 572     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 573
 574     return rot_labels;
 575 #endif
 576 }
 577
 578 cv::Mat KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 579 {
 580     cv::Mat rot_patch(patch.size(), CV_32FC1);
 581     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 582
 583     // circular rotate x-axis
 584     if (x_rot < 0) {
 585         // move part that does not rotate over the edge
 586         cv::Range orig_range(-x_rot, patch.cols);
 587         cv::Range rot_range(0, patch.cols - (-x_rot));
 588         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 589
 590         // rotated part
 591         orig_range = cv::Range(0, -x_rot);
 592         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 593         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 594     } else if (x_rot > 0) {
 595         // move part that does not rotate over the edge
 596         cv::Range orig_range(0, patch.cols - x_rot);
 597         cv::Range rot_range(x_rot, patch.cols);
 598         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 599
 600         // rotated part
 601         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 602         rot_range = cv::Range(0, x_rot);
 603         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 604     } else { // zero rotation
 605         // move part that does not rotate over the edge
 606         cv::Range orig_range(0, patch.cols);
 607         cv::Range rot_range(0, patch.cols);
 608         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 609     }
 610
 611     // circular rotate y-axis
 612     if (y_rot < 0) {
 613         // move part that does not rotate over the edge
 614         cv::Range orig_range(-y_rot, patch.rows);
 615         cv::Range rot_range(0, patch.rows - (-y_rot));
 616         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 617
 618         // rotated part
 619         orig_range = cv::Range(0, -y_rot);
 620         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 621         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 622     } else if (y_rot > 0) {
 623         // move part that does not rotate over the edge
 624         cv::Range orig_range(0, patch.rows - y_rot);
 625         cv::Range rot_range(y_rot, patch.rows);
 626         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 627
 628         // rotated part
 629         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 630         rot_range = cv::Range(0, y_rot);
 631         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 632     } else { // zero rotation
 633         // move part that does not rotate over the edge
 634         cv::Range orig_range(0, patch.rows);
 635         cv::Range rot_range(0, patch.rows);
 636         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 637     }
 638
 639     return rot_patch;
 640 }
 641
 642 // hann window actually (Power-of-cosine windows)
 643 MatDynMem KCF_Tracker::cosine_window_function(int dim1, int dim2)
 644 {
 645     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 646     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 647     for (int i = 0; i < dim1; ++i)
 648         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 649     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 650     for (int i = 0; i < dim2; ++i)
 651         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 652     MatDynMem ret = m2 * m1;
 653     return ret;
 654 }
 655
 656 // Returns sub-window of image input centered at [cx, cy] coordinates),
 657 // with size [width, height]. If any pixels are outside of the image,
 658 // they will replicate the values at the borders.
 659 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height)
 660 {
 661     cv::Mat patch;
 662
 663     int x1 = cx - width / 2;
 664     int y1 = cy - height / 2;
 665     int x2 = cx + width / 2;
 666     int y2 = cy + height / 2;
 667
 668     // out of image
 669     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 670         patch.create(height, width, input.type());
 671         patch.setTo(double(0.f));
 672         return patch;
 673     }
 674
 675     int top = 0, bottom = 0, left = 0, right = 0;
 676
 677     // fit to image coordinates, set border extensions;
 678     if (x1 < 0) {
 679         left = -x1;
 680         x1 = 0;
 681     }
 682     if (y1 < 0) {
 683         top = -y1;
 684         y1 = 0;
 685     }
 686     if (x2 >= input.cols) {
 687         right = x2 - input.cols + width % 2;
 688         x2 = input.cols;
 689     } else
 690         x2 += width % 2;
 691
 692     if (y2 >= input.rows) {
 693         bottom = y2 - input.rows + height % 2;
 694         y2 = input.rows;
 695     } else
 696         y2 += height % 2;
 697
 698     if (x2 - x1 == 0 || y2 - y1 == 0)
 699         patch = cv::Mat::zeros(height, width, CV_32FC1);
 700     else {
 701         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 702                            cv::BORDER_REPLICATE);
 703         //      imshow( "copyMakeBorder", patch);
 704         //      cv::waitKey();
 705     }
 706
 707     // sanity check
 708     assert(patch.cols == width && patch.rows == height);
 709
 710     return patch;
 711 }
 712
 713 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 714                                                    const ComplexMat &yf, double sigma, bool auto_correlation)
 715 {
 716     xf.sqr_norm(xf_sqr_norm);
 717     if (auto_correlation) {
 718         yf_sqr_norm = xf_sqr_norm;
 719     } else {
 720         yf.sqr_norm(yf_sqr_norm);
 721     }
 722     xyf = auto_correlation ? xf.sqr_mag() : xf.mul2(yf.conj());
 723     //DEBUG_PRINTM(xyf);
 724     kcf.fft.inverse(xyf, vars.ifft2_res, m_use_cuda ? vars.data_i_features.deviceMem() : nullptr);
 725 #ifdef CUFFT
 726     cuda_gaussian_correlation(vars.data_i_features.deviceMem(), vars.gauss_corr_res.deviceMem(),
 727                               vars.gc.xf_sqr_norm.deviceMem(), vars.gc.xf_sqr_norm.deviceMem(), sigma, xf.n_channels,
 728                               xf.n_scales, p_roi.height, p_roi.width);
 729 #else
 730     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 731     //DEBUG_PRINTM(vars.ifft2_res);
 732     cv::Mat xy_sum;
 733     if (xf.channels() != p_num_scales * p_num_of_feats)
 734         xy_sum.create(vars.ifft2_res.size(), CV_32FC1);
 735     else
 736         xy_sum.create(vars.ifft2_res.size(), CV_32FC(p_scales.size()));
 737     xy_sum.setTo(0);
 738     for (int y = 0; y < vars.ifft2_res.rows; ++y) {
 739         float *row_ptr = vars.ifft2_res.ptr<float>(y);
 740         float *row_ptr_sum = xy_sum.ptr<float>(y);
 741         for (int x = 0; x < vars.ifft2_res.cols; ++x) {
 742             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 743                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 744                     row_ptr + x * vars.ifft2_res.channels() + sum_ch * (vars.ifft2_res.channels() / xy_sum.channels()),
 745                     (row_ptr + x * vars.ifft2_res.channels() +
 746                      (sum_ch + 1) * (vars.ifft2_res.channels() / xy_sum.channels())),
 747                     0.f);
 748             }
 749         }
 750     }
 751     DEBUG_PRINTM(xy_sum);
 752
 753     std::vector<cv::Mat> scales;
 754     cv::split(xy_sum, scales);
 755
 756     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 757     for (uint i = 0; i < xf.n_scales; ++i) {
 758         cv::Mat in_roi(vars.in_all, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 759         cv::exp(
 760             -1. / (sigma * sigma) *
 761                 cv::max((double(vars.gc.xf_sqr_norm.hostMem()[i] + vars.gc.yf_sqr_norm.hostMem()[0]) - 2 * scales[i]) * double(numel_xf_inv), 0),
 762             in_roi);
 763         DEBUG_PRINTM(in_roi);
 764     }
 765 #endif
 766     DEBUG_PRINTM(vars.in_all);
 767     fft.forward(vars.in_all, auto_correlation ? vars.kf : vars.kzf, m_use_cuda ? vars.gauss_corr_res.deviceMem() : nullptr);
 768     return;
 769 }
 770
 771 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 772 {
 773     int x = pt.x;
 774     int y = pt.y;
 775     if (x < 0) x = response.cols + x;
 776     if (y < 0) y = response.rows + y;
 777     if (x >= response.cols) x = x - response.cols;
 778     if (y >= response.rows) y = y - response.rows;
 779
 780     return response.at<float>(y, x);
 781 }
 782
 783 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response)
 784 {
 785     // find neighbourhood of max_loc (response is circular)
 786     // 1 2 3
 787     // 4   5
 788     // 6 7 8
 789     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);
 790     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 791     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);
 792
 793     // clang-format off
 794     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 795     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 796                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 797                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 798                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 799                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 800                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 801                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 802                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 803                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 804                  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);
 805     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 806                     get_response_circular(p1, response),
 807                     get_response_circular(p2, response),
 808                     get_response_circular(p3, response),
 809                     get_response_circular(p4, response),
 810                     get_response_circular(p5, response),
 811                     get_response_circular(p6, response),
 812                     get_response_circular(p7, response),
 813                     get_response_circular(p8, response),
 814                     get_response_circular(max_loc, response));
 815     // clang-format on
 816     cv::Mat x;
 817     cv::solve(A, fval, x, cv::DECOMP_SVD);
 818
 819     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);
 820
 821     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 822     if (b > 0 || b < 0) {
 823         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 824         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 825     }
 826
 827     return sub_peak;
 828 }
 829
 830 double KCF_Tracker::sub_grid_scale(uint index)
 831 {
 832     cv::Mat A, fval;
 833     if (index >= p_scales.size()) {
 834         // interpolate from all values
 835         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 836         A.create(p_scales.size(), 3, CV_32FC1);
 837         fval.create(p_scales.size(), 1, CV_32FC1);
 838         for (size_t i = 0; i < p_scales.size(); ++i) {
 839             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 840             A.at<float>(i, 1) = float(p_scales[i]);
 841             A.at<float>(i, 2) = 1;
 842 #ifdef BIG_BATCH
 843             fval.at<float>(i) = d.threadctxs.back().max_responses[i];
 844 #else
 845             fval.at<float>(i) = d.threadctxs[i].max_response;
 846 #endif
 847         }
 848     } else {
 849         // only from neighbours
 850         if (index == 0 || index == p_scales.size() - 1)
 851            return p_scales[index];
 852
 853         A = (cv::Mat_<float>(3, 3) <<
 854              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 855              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 856              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 857 #ifdef BIG_BATCH
 858         fval = (cv::Mat_<float>(3, 1) <<
 859                 d.threadctxs.back().max_responses[index - 1],
 860                 d.threadctxs.back().max_responses[index + 0],
 861                 d.threadctxs.back().max_responses[index + 1]);
 862 #else
 863         fval = (cv::Mat_<float>(3, 1) <<
 864                 d.threadctxs[index - 1].max_response,
 865                 d.threadctxs[index + 0].max_response,
 866                 d.threadctxs[index + 1].max_response);
 867 #endif
 868     }
 869
 870     cv::Mat x;
 871     cv::solve(A, fval, x, cv::DECOMP_SVD);
 872     float a = x.at<float>(0), b = x.at<float>(1);
 873     double scale = p_scales[index];
 874     if (a > 0 || a < 0)
 875         scale = -b / (2 * a);
 876     return scale;
 877 }