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 static bool kcf_debug = false;
  23
  24 #define DEBUG_PRINT(obj)                                                                                               \
  25     if (kcf_debug) {                                                                                                     \
  26         std::cout << #obj << " @" << __LINE__ << std::endl << (obj) << std::endl;                                      \
  27     }
  28 #define DEBUG_PRINTM(obj)                                                                                              \
  29     if (kcf_debug) {                                                                                                     \
  30         std::cout << #obj << " @" << __LINE__ << " " << (obj).size() << " CH: " << (obj).channels() << std::endl       \
  31                   << (obj) << std::endl;                                                                               \
  32     }
  33
  34 template <typename T>
  35 T clamp(const T& n, const T& lower, const T& upper)
  36 {
  37     return std::max(lower, std::min(n, upper));
  38 }
  39
  40 template <typename T>
  41 void clamp2(T& n, const T& lower, const T& upper)
  42 {
  43     n = std::max(lower, std::min(n, upper));
  44 }
  45
  46 class Kcf_Tracker_Private {
  47     friend KCF_Tracker;
  48     std::vector<ThreadCtx> threadctxs;
  49 };
  50
  51 KCF_Tracker::KCF_Tracker(double padding, double kernel_sigma, double lambda, double interp_factor,
  52                          double output_sigma_factor, int cell_size)
  53     : fft(*new FFT()), p_padding(padding), p_output_sigma_factor(output_sigma_factor), p_kernel_sigma(kernel_sigma),
  54       p_lambda(lambda), p_interp_factor(interp_factor), p_cell_size(cell_size), d(*new Kcf_Tracker_Private)
  55 {
  56 }
  57
  58 KCF_Tracker::KCF_Tracker() : fft(*new FFT()), d(*new Kcf_Tracker_Private) {}
  59
  60 KCF_Tracker::~KCF_Tracker()
  61 {
  62     delete &fft;
  63     delete &d;
  64 }
  65
  66 void KCF_Tracker::train(cv::Mat input_gray, cv::Mat input_rgb, double interp_factor)
  67 {
  68     // obtain a sub-window for training
  69     int sizes[3] = {p_num_of_feats, p_roi.height, p_roi.width};
  70     MatDynMem patch_feats(3, sizes, CV_32FC1);
  71     MatDynMem temp(3, sizes, CV_32FC1);
  72     get_features(patch_feats, input_rgb, input_gray, p_pose.cx, p_pose.cy,
  73                  p_windows_size.width, p_windows_size.height,
  74                  p_current_scale);
  75     fft.forward_window(patch_feats, p_xf, temp);
  76     p_model_xf = p_model_xf * (1. - interp_factor) + p_xf * interp_factor;
  77     DEBUG_PRINTM(p_model_xf);
  78
  79     ComplexMat alphaf_num, alphaf_den;
  80
  81     if (m_use_linearkernel) {
  82         ComplexMat xfconj = p_xf.conj();
  83         alphaf_num = xfconj.mul(p_yf);
  84         alphaf_den = (p_xf * xfconj);
  85     } else {
  86         // Kernel Ridge Regression, calculate alphas (in Fourier domain)
  87         const uint num_scales = BIG_BATCH_MODE ? p_num_scales : 1;
  88         cv::Size sz(Fft::freq_size(p_roi));
  89         ComplexMat kf(sz.height, sz.width, num_scales);
  90         (*gaussian_correlation)(*this, kf, p_model_xf, p_model_xf, p_kernel_sigma, true);
  91         DEBUG_PRINTM(kf);
  92         p_model_alphaf_num = p_yf * kf;
  93         DEBUG_PRINTM(p_model_alphaf_num);
  94         p_model_alphaf_den = kf * (kf + p_lambda);
  95         DEBUG_PRINTM(p_model_alphaf_den);
  96     }
  97     p_model_alphaf = p_model_alphaf_num / p_model_alphaf_den;
  98     DEBUG_PRINTM(p_model_alphaf);
  99     //        p_model_alphaf = p_yf / (kf + p_lambda);   //equation for fast training
 100 }
 101
 102 void KCF_Tracker::init(cv::Mat &img, const cv::Rect &bbox, int fit_size_x, int fit_size_y)
 103 {
 104     // check boundary, enforce min size
 105     double x1 = bbox.x, x2 = bbox.x + bbox.width, y1 = bbox.y, y2 = bbox.y + bbox.height;
 106     if (x1 < 0) x1 = 0.;
 107     if (x2 > img.cols - 1) x2 = img.cols - 1;
 108     if (y1 < 0) y1 = 0;
 109     if (y2 > img.rows - 1) y2 = img.rows - 1;
 110
 111     if (x2 - x1 < 2 * p_cell_size) {
 112         double diff = (2 * p_cell_size - x2 + x1) / 2.;
 113         if (x1 - diff >= 0 && x2 + diff < img.cols) {
 114             x1 -= diff;
 115             x2 += diff;
 116         } else if (x1 - 2 * diff >= 0) {
 117             x1 -= 2 * diff;
 118         } else {
 119             x2 += 2 * diff;
 120         }
 121     }
 122     if (y2 - y1 < 2 * p_cell_size) {
 123         double diff = (2 * p_cell_size - y2 + y1) / 2.;
 124         if (y1 - diff >= 0 && y2 + diff < img.rows) {
 125             y1 -= diff;
 126             y2 += diff;
 127         } else if (y1 - 2 * diff >= 0) {
 128             y1 -= 2 * diff;
 129         } else {
 130             y2 += 2 * diff;
 131         }
 132     }
 133
 134     p_pose.w = x2 - x1;
 135     p_pose.h = y2 - y1;
 136     p_pose.cx = x1 + p_pose.w / 2.;
 137     p_pose.cy = y1 + p_pose.h / 2.;
 138
 139     cv::Mat input_gray, input_rgb = img.clone();
 140     if (img.channels() == 3) {
 141         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 142         input_gray.convertTo(input_gray, CV_32FC1);
 143     } else
 144         img.convertTo(input_gray, CV_32FC1);
 145
 146     // don't need too large image
 147     if (p_pose.w * p_pose.h > 100. * 100. && (fit_size_x == -1 || fit_size_y == -1)) {
 148         std::cout << "resizing image by factor of " << 1 / p_downscale_factor << std::endl;
 149         p_resize_image = true;
 150         p_pose.scale(p_downscale_factor);
 151         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 152         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 153     } else if (!(fit_size_x == -1 && fit_size_y == -1)) {
 154         if (fit_size_x % p_cell_size != 0 || fit_size_y % p_cell_size != 0) {
 155             std::cerr << "Error: Fit size is not multiple of HOG cell size (" << p_cell_size << ")" << std::endl;
 156             std::exit(EXIT_FAILURE);
 157         }
 158         p_scale_factor_x = (double)fit_size_x / round(p_pose.w * (1. + p_padding));
 159         p_scale_factor_y = (double)fit_size_y / round(p_pose.h * (1. + p_padding));
 160         std::cout << "resizing image horizontaly by factor of " << p_scale_factor_x << " and verticaly by factor of "
 161                   << p_scale_factor_y << std::endl;
 162         p_fit_to_pw2 = true;
 163         p_pose.scale_x(p_scale_factor_x);
 164         p_pose.scale_y(p_scale_factor_y);
 165         if (fabs(p_scale_factor_x - 1) > p_floating_error || fabs(p_scale_factor_y - 1) > p_floating_error) {
 166             if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 167                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 168                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 169             } else {
 170                 cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 171                 cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 172             }
 173         }
 174     }
 175
 176     // compute win size + fit to fhog cell size
 177     p_windows_size.width = round(p_pose.w * (1. + p_padding) / p_cell_size) * p_cell_size;
 178     p_windows_size.height = round(p_pose.h * (1. + p_padding) / p_cell_size) * p_cell_size;
 179     p_roi.width = p_windows_size.width / p_cell_size;
 180     p_roi.height = p_windows_size.height / p_cell_size;
 181
 182     p_scales.clear();
 183     if (m_use_scale)
 184         for (int i = -int(p_num_scales) / 2; i <= int(p_num_scales) / 2; ++i)
 185             p_scales.push_back(std::pow(p_scale_step, i));
 186     else
 187         p_scales.push_back(1.);
 188
 189 #ifdef CUFFT
 190     if (p_roi.height * (p_roi.width / 2 + 1) > 1024) {
 191         std::cerr << "Window after forward FFT is too big for CUDA kernels. Plese use -f to set "
 192                      "the window dimensions so its size is less or equal to "
 193                   << 1024 * p_cell_size * p_cell_size * 2 + 1
 194                   << " pixels . Currently the size of the window is: " << p_windows_size.width << "x" << p_windows_size.height
 195                   << " which is  " << p_windows_size.width * p_windows_size.height << " pixels. " << std::endl;
 196         std::exit(EXIT_FAILURE);
 197     }
 198
 199     if (m_use_linearkernel) {
 200         std::cerr << "cuFFT supports only Gaussian kernel." << std::endl;
 201         std::exit(EXIT_FAILURE);
 202     }
 203     CudaSafeCall(cudaSetDeviceFlags(cudaDeviceMapHost));
 204 #else
 205     p_xf.create(p_roi.height, p_roi.height / 2 + 1, p_num_of_feats);
 206 #endif
 207
 208 #if defined(CUFFT) || defined(FFTW)
 209     uint width = p_roi.width / 2 + 1;
 210 #else
 211     uint width = p_roi.width;
 212 #endif
 213     p_model_xf.create(p_roi.height, width, p_num_of_feats);
 214     p_yf.create(p_roi.height, width, 1);
 215     p_xf.create(p_roi.height, width, p_num_of_feats);
 216
 217 #ifndef BIG_BATCH
 218     for (auto scale: p_scales)
 219         d.threadctxs.emplace_back(p_roi, p_num_of_feats, 1, scale);
 220 #else
 221     d.threadctxs.emplace_back(p_roi, p_num_of_feats * p_num_scales, p_num_scales);
 222 #endif
 223
 224     p_current_scale = 1.;
 225
 226     double min_size_ratio = std::max(5. * p_cell_size / p_windows_size.width, 5. * p_cell_size / p_windows_size.height);
 227     double max_size_ratio =
 228         std::min(floor((img.cols + p_windows_size.width / 3) / p_cell_size) * p_cell_size / p_windows_size.width,
 229                  floor((img.rows + p_windows_size.height / 3) / p_cell_size) * p_cell_size / p_windows_size.height);
 230     p_min_max_scale[0] = std::pow(p_scale_step, std::ceil(std::log(min_size_ratio) / log(p_scale_step)));
 231     p_min_max_scale[1] = std::pow(p_scale_step, std::floor(std::log(max_size_ratio) / log(p_scale_step)));
 232
 233     std::cout << "init: img size " << img.cols << "x" << img.rows << std::endl;
 234     std::cout << "init: win size " << p_windows_size.width << "x" << p_windows_size.height << std::endl;
 235     std::cout << "init: FFT size " << p_roi.width << "x" << p_roi.height << std::endl;
 236     std::cout << "init: min max scales factors: " << p_min_max_scale[0] << " " << p_min_max_scale[1] << std::endl;
 237
 238     p_output_sigma = std::sqrt(p_pose.w * p_pose.h) * p_output_sigma_factor / p_cell_size;
 239
 240     fft.init(p_roi.width, p_roi.height, p_num_of_feats, p_num_scales);
 241     fft.set_window(MatDynMem(cosine_window_function(p_roi.width, p_roi.height)));
 242
 243     // window weights, i.e. labels
 244     fft.forward(gaussian_shaped_labels(p_output_sigma, p_roi.width, p_roi.height), p_yf);
 245     DEBUG_PRINTM(p_yf);
 246
 247     // train initial model
 248     train(input_gray, input_rgb, 1.0);
 249 }
 250
 251 void KCF_Tracker::setTrackerPose(BBox_c &bbox, cv::Mat &img, int fit_size_x, int fit_size_y)
 252 {
 253     init(img, bbox.get_rect(), fit_size_x, fit_size_y);
 254 }
 255
 256 void KCF_Tracker::updateTrackerPosition(BBox_c &bbox)
 257 {
 258     if (p_resize_image) {
 259         BBox_c tmp = bbox;
 260         tmp.scale(p_downscale_factor);
 261         p_pose.cx = tmp.cx;
 262         p_pose.cy = tmp.cy;
 263     } else if (p_fit_to_pw2) {
 264         BBox_c tmp = bbox;
 265         tmp.scale_x(p_scale_factor_x);
 266         tmp.scale_y(p_scale_factor_y);
 267         p_pose.cx = tmp.cx;
 268         p_pose.cy = tmp.cy;
 269     } else {
 270         p_pose.cx = bbox.cx;
 271         p_pose.cy = bbox.cy;
 272     }
 273 }
 274
 275 BBox_c KCF_Tracker::getBBox()
 276 {
 277     BBox_c tmp = p_pose;
 278     tmp.w *= p_current_scale;
 279     tmp.h *= p_current_scale;
 280
 281     if (p_resize_image) tmp.scale(1 / p_downscale_factor);
 282     if (p_fit_to_pw2) {
 283         tmp.scale_x(1 / p_scale_factor_x);
 284         tmp.scale_y(1 / p_scale_factor_y);
 285     }
 286
 287     return tmp;
 288 }
 289
 290 double KCF_Tracker::getFilterResponse() const
 291 {
 292     return this->max_response;
 293 }
 294
 295 void KCF_Tracker::resizeImgs(cv::Mat &input_rgb, cv::Mat &input_gray)
 296 {
 297     if (p_resize_image) {
 298         cv::resize(input_gray, input_gray, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 299         cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_downscale_factor, p_downscale_factor, cv::INTER_AREA);
 300     } else if (p_fit_to_pw2 && fabs(p_scale_factor_x - 1) > p_floating_error &&
 301                fabs(p_scale_factor_y - 1) > p_floating_error) {
 302         if (p_scale_factor_x < 1 && p_scale_factor_y < 1) {
 303             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 304             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_AREA);
 305         } else {
 306             cv::resize(input_gray, input_gray, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 307             cv::resize(input_rgb, input_rgb, cv::Size(0, 0), p_scale_factor_x, p_scale_factor_y, cv::INTER_LINEAR);
 308         }
 309     }
 310 }
 311
 312 void KCF_Tracker::findMaxReponse(uint &max_idx, cv::Point2f &new_location) const
 313 {
 314     double max = -1.;
 315 #ifndef BIG_BATCH
 316     for (uint j = 0; j < d.threadctxs.size(); ++j) {
 317         if (d.threadctxs[j].max.response > max) {
 318             max = d.threadctxs[j].max.response;
 319             max_idx = j;
 320         }
 321     }
 322 #else
 323     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 324     for (uint j = 0; j < p_scales.size(); ++j) {
 325         if (d.threadctxs[0].max[j].response > max) {
 326             max = d.threadctxs[0].max[j].response;
 327             max_idx = j;
 328         }
 329     }
 330 #endif
 331     cv::Point2i &max_response_pt = IF_BIG_BATCH(d.threadctxs[0].max[max_idx].loc,        d.threadctxs[max_idx].max.loc);
 332     cv::Mat max_response_map     = IF_BIG_BATCH(d.threadctxs[0].response.plane(max_idx), d.threadctxs[max_idx].response);
 333
 334     DEBUG_PRINTM(max_response_map);
 335     DEBUG_PRINT(max_response_pt);
 336
 337     // sub pixel quadratic interpolation from neighbours
 338     if (max_response_pt.y > max_response_map.rows / 2) // wrap around to negative half-space of vertical axis
 339         max_response_pt.y = max_response_pt.y - max_response_map.rows;
 340     if (max_response_pt.x > max_response_map.cols / 2) // same for horizontal axis
 341         max_response_pt.x = max_response_pt.x - max_response_map.cols;
 342
 343
 344     if (m_use_subpixel_localization) {
 345         new_location = sub_pixel_peak(max_response_pt, max_response_map);
 346     } else {
 347         new_location = max_response_pt;
 348     }
 349     DEBUG_PRINT(new_location);
 350 }
 351
 352 void KCF_Tracker::track(cv::Mat &img)
 353 {
 354     kcf_debug = m_debug;
 355     if (m_debug) std::cout << "NEW FRAME" << '\n';
 356
 357     cv::Mat input_gray, input_rgb = img.clone();
 358     if (img.channels() == 3) {
 359         cv::cvtColor(img, input_gray, CV_BGR2GRAY);
 360         input_gray.convertTo(input_gray, CV_32FC1);
 361     } else
 362         img.convertTo(input_gray, CV_32FC1);
 363
 364     // don't need too large image
 365     resizeImgs(input_rgb, input_gray);
 366
 367 #ifdef ASYNC
 368     for (auto &it : d.threadctxs)
 369         it.async_res = std::async(std::launch::async, [this, &input_gray, &input_rgb, &it]() -> void {
 370             it.track(*this, input_rgb, input_gray);
 371         });
 372     for (auto const &it : d.threadctxs)
 373         it.async_res.wait();
 374
 375 #else  // !ASYNC
 376     // FIXME: Iterate correctly in big batch mode - perhaps have only one element in the list
 377     NORMAL_OMP_PARALLEL_FOR
 378     for (uint i = 0; i < d.threadctxs.size(); ++i)
 379         d.threadctxs[i].track(*this, input_rgb, input_gray);
 380 #endif
 381
 382     cv::Point2f new_location;
 383     uint max_idx;
 384     findMaxReponse(max_idx, new_location);
 385
 386     p_pose.cx += p_current_scale * p_cell_size * double(new_location.x);
 387     p_pose.cy += p_current_scale * p_cell_size * double(new_location.y);
 388     if (p_fit_to_pw2) {
 389         clamp2(p_pose.cx, 0.0, (img.cols * p_scale_factor_x) - 1);
 390         clamp2(p_pose.cy, 0.0, (img.rows * p_scale_factor_y) - 1);
 391     } else {
 392         clamp2(p_pose.cx, 0.0, img.cols - 1.0);
 393         clamp2(p_pose.cy, 0.0, img.rows - 1.0);
 394     }
 395
 396     // sub grid scale interpolation
 397     if (m_use_subgrid_scale) {
 398         p_current_scale *= sub_grid_scale(max_idx);
 399     } else {
 400         p_current_scale *= p_scales[max_idx];
 401     }
 402
 403     clamp2(p_current_scale, p_min_max_scale[0], p_min_max_scale[1]);
 404
 405     // train at newly estimated target position
 406     train(input_rgb, input_gray, p_interp_factor);
 407 }
 408
 409 void ThreadCtx::track(const KCF_Tracker &kcf, cv::Mat &input_rgb, cv::Mat &input_gray)
 410 {
 411     // TODO: Move matrices to thread ctx
 412     int sizes[3] = {kcf.p_num_of_feats, kcf.p_windows_size.height, kcf.p_windows_size.width};
 413     MatDynMem patch_feats(3, sizes, CV_32FC1);
 414     MatDynMem temp(3, sizes, CV_32FC1);
 415
 416 #ifdef BIG_BATCH
 417     BIG_BATCH_OMP_PARALLEL_FOR
 418     for (uint i = 0; i < kcf.p_num_scales; ++i)
 419 #endif
 420     {
 421         kcf.get_features(patch_feats, input_rgb, input_gray, kcf.p_pose.cx, kcf.p_pose.cy,
 422                          kcf.p_windows_size.width, kcf.p_windows_size.height,
 423                          kcf.p_current_scale * IF_BIG_BATCH(kcf.p_scales[i], scale));
 424     }
 425
 426     kcf.fft.forward_window(patch_feats, zf, temp);
 427     DEBUG_PRINTM(zf);
 428
 429     if (kcf.m_use_linearkernel) {
 430         kzf = zf.mul(kcf.p_model_alphaf).sum_over_channels();
 431     } else {
 432         gaussian_correlation(kcf, kzf, zf, kcf.p_model_xf, kcf.p_kernel_sigma);
 433         DEBUG_PRINTM(kcf.p_model_alphaf);
 434         DEBUG_PRINTM(kzf);
 435         kzf = kzf.mul(kcf.p_model_alphaf);
 436     }
 437     kcf.fft.inverse(kzf, response);
 438
 439     DEBUG_PRINTM(response);
 440
 441     /* target location is at the maximum response. we must take into
 442     account the fact that, if the target doesn't move, the peak
 443     will appear at the top-left corner, not at the center (this is
 444     discussed in the paper). the responses wrap around cyclically. */
 445     double min_val, max_val;
 446     cv::Point2i min_loc, max_loc;
 447 #ifdef BIG_BATCH
 448     for (size_t i = 0; i < kcf.p_scales.size(); ++i) {
 449         cv::minMaxLoc(response.plane(i), &min_val, &max_val, &min_loc, &max_loc);
 450         DEBUG_PRINT(max_loc);
 451         double weight = kcf.p_scales[i] < 1. ? kcf.p_scales[i] : 1. / kcf.p_scales[i];
 452         max[i].response = max_val * weight;
 453         max[i].loc = max_loc;
 454     }
 455 #else
 456     cv::minMaxLoc(response, &min_val, &max_val, &min_loc, &max_loc);
 457
 458     DEBUG_PRINT(max_loc);
 459
 460     double weight = scale < 1. ? scale : 1. / scale;
 461     max.response = max_val * weight;
 462     max.loc = max_loc;
 463 #endif
 464 }
 465
 466 // ****************************************************************************
 467
 468 void KCF_Tracker::get_features(MatDynMem &result_3d, cv::Mat &input_rgb, cv::Mat &input_gray, int cx, int cy,
 469                                int size_x, int size_y, double scale) const
 470 {
 471     assert(result_3d.size[0] == p_num_of_feats);
 472     assert(result_3d.size[1] == size_y / p_cell_size);
 473     assert(result_3d.size[2] == size_x / p_cell_size);
 474
 475     int size_x_scaled = floor(size_x * scale);
 476     int size_y_scaled = floor(size_y * scale);
 477
 478     cv::Mat patch_gray = get_subwindow(input_gray, cx, cy, size_x_scaled, size_y_scaled);
 479     cv::Mat patch_rgb = get_subwindow(input_rgb, cx, cy, size_x_scaled, size_y_scaled);
 480
 481     // resize to default size
 482     if (scale > 1.) {
 483         // if we downsample use  INTER_AREA interpolation
 484         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_AREA);
 485     } else {
 486         cv::resize(patch_gray, patch_gray, cv::Size(size_x, size_y), 0., 0., cv::INTER_LINEAR);
 487     }
 488
 489     // get hog(Histogram of Oriented Gradients) features
 490     std::vector<cv::Mat> hog_feat = FHoG::extract(patch_gray, 2, p_cell_size, 9);
 491
 492     // get color rgb features (simple r,g,b channels)
 493     std::vector<cv::Mat> color_feat;
 494     if ((m_use_color || m_use_cnfeat) && input_rgb.channels() == 3) {
 495         // resize to default size
 496         if (scale > 1.) {
 497             // if we downsample use  INTER_AREA interpolation
 498             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_AREA);
 499         } else {
 500             cv::resize(patch_rgb, patch_rgb, cv::Size(size_x / p_cell_size, size_y / p_cell_size), 0., 0., cv::INTER_LINEAR);
 501         }
 502     }
 503
 504     if (m_use_color && input_rgb.channels() == 3) {
 505         // use rgb color space
 506         cv::Mat patch_rgb_norm;
 507         patch_rgb.convertTo(patch_rgb_norm, CV_32F, 1. / 255., -0.5);
 508         cv::Mat ch1(patch_rgb_norm.size(), CV_32FC1);
 509         cv::Mat ch2(patch_rgb_norm.size(), CV_32FC1);
 510         cv::Mat ch3(patch_rgb_norm.size(), CV_32FC1);
 511         std::vector<cv::Mat> rgb = {ch1, ch2, ch3};
 512         cv::split(patch_rgb_norm, rgb);
 513         color_feat.insert(color_feat.end(), rgb.begin(), rgb.end());
 514     }
 515
 516     if (m_use_cnfeat && input_rgb.channels() == 3) {
 517         std::vector<cv::Mat> cn_feat = CNFeat::extract(patch_rgb);
 518         color_feat.insert(color_feat.end(), cn_feat.begin(), cn_feat.end());
 519     }
 520
 521     hog_feat.insert(hog_feat.end(), color_feat.begin(), color_feat.end());
 522
 523     for (uint i = 0; i < hog_feat.size(); ++i) {
 524         cv::Mat result_plane(result_3d.dims - 1, result_3d.size + 1, result_3d.cv::Mat::type(), result_3d.ptr<void>(i));
 525         result_plane = hog_feat[i];
 526     }
 527 }
 528
 529 MatDynMem KCF_Tracker::gaussian_shaped_labels(double sigma, int dim1, int dim2)
 530 {
 531     MatDynMem labels(dim2, dim1, CV_32FC1);
 532     int range_y[2] = {-dim2 / 2, dim2 - dim2 / 2};
 533     int range_x[2] = {-dim1 / 2, dim1 - dim1 / 2};
 534
 535     double sigma_s = sigma * sigma;
 536
 537     for (int y = range_y[0], j = 0; y < range_y[1]; ++y, ++j) {
 538         float *row_ptr = labels.ptr<float>(j);
 539         double y_s = y * y;
 540         for (int x = range_x[0], i = 0; x < range_x[1]; ++x, ++i) {
 541             row_ptr[i] = std::exp(-0.5 * (y_s + x * x) / sigma_s); //-1/2*e^((y^2+x^2)/sigma^2)
 542         }
 543     }
 544
 545     // rotate so that 1 is at top-left corner (see KCF paper for explanation)
 546     MatDynMem rot_labels = circshift(labels, range_x[0], range_y[0]);
 547     // sanity check, 1 at top left corner
 548     assert(rot_labels.at<float>(0, 0) >= 1.f - 1e-10f);
 549
 550     return rot_labels;
 551 }
 552
 553 MatDynMem KCF_Tracker::circshift(const cv::Mat &patch, int x_rot, int y_rot)
 554 {
 555     MatDynMem rot_patch(patch.size(), CV_32FC1);
 556     cv::Mat tmp_x_rot(patch.size(), CV_32FC1);
 557
 558     // circular rotate x-axis
 559     if (x_rot < 0) {
 560         // move part that does not rotate over the edge
 561         cv::Range orig_range(-x_rot, patch.cols);
 562         cv::Range rot_range(0, patch.cols - (-x_rot));
 563         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 564
 565         // rotated part
 566         orig_range = cv::Range(0, -x_rot);
 567         rot_range = cv::Range(patch.cols - (-x_rot), patch.cols);
 568         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 569     } else if (x_rot > 0) {
 570         // move part that does not rotate over the edge
 571         cv::Range orig_range(0, patch.cols - x_rot);
 572         cv::Range rot_range(x_rot, patch.cols);
 573         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 574
 575         // rotated part
 576         orig_range = cv::Range(patch.cols - x_rot, patch.cols);
 577         rot_range = cv::Range(0, x_rot);
 578         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 579     } else { // zero rotation
 580         // move part that does not rotate over the edge
 581         cv::Range orig_range(0, patch.cols);
 582         cv::Range rot_range(0, patch.cols);
 583         patch(cv::Range::all(), orig_range).copyTo(tmp_x_rot(cv::Range::all(), rot_range));
 584     }
 585
 586     // circular rotate y-axis
 587     if (y_rot < 0) {
 588         // move part that does not rotate over the edge
 589         cv::Range orig_range(-y_rot, patch.rows);
 590         cv::Range rot_range(0, patch.rows - (-y_rot));
 591         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 592
 593         // rotated part
 594         orig_range = cv::Range(0, -y_rot);
 595         rot_range = cv::Range(patch.rows - (-y_rot), patch.rows);
 596         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 597     } else if (y_rot > 0) {
 598         // move part that does not rotate over the edge
 599         cv::Range orig_range(0, patch.rows - y_rot);
 600         cv::Range rot_range(y_rot, patch.rows);
 601         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 602
 603         // rotated part
 604         orig_range = cv::Range(patch.rows - y_rot, patch.rows);
 605         rot_range = cv::Range(0, y_rot);
 606         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 607     } else { // zero rotation
 608         // move part that does not rotate over the edge
 609         cv::Range orig_range(0, patch.rows);
 610         cv::Range rot_range(0, patch.rows);
 611         tmp_x_rot(orig_range, cv::Range::all()).copyTo(rot_patch(rot_range, cv::Range::all()));
 612     }
 613
 614     return rot_patch;
 615 }
 616
 617 // hann window actually (Power-of-cosine windows)
 618 cv::Mat KCF_Tracker::cosine_window_function(int dim1, int dim2)
 619 {
 620     cv::Mat m1(1, dim1, CV_32FC1), m2(dim2, 1, CV_32FC1);
 621     double N_inv = 1. / (static_cast<double>(dim1) - 1.);
 622     for (int i = 0; i < dim1; ++i)
 623         m1.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 624     N_inv = 1. / (static_cast<double>(dim2) - 1.);
 625     for (int i = 0; i < dim2; ++i)
 626         m2.at<float>(i) = float(0.5 * (1. - std::cos(2. * CV_PI * static_cast<double>(i) * N_inv)));
 627     cv::Mat ret = m2 * m1;
 628     return ret;
 629 }
 630
 631 // Returns sub-window of image input centered at [cx, cy] coordinates),
 632 // with size [width, height]. If any pixels are outside of the image,
 633 // they will replicate the values at the borders.
 634 cv::Mat KCF_Tracker::get_subwindow(const cv::Mat &input, int cx, int cy, int width, int height) const
 635 {
 636     cv::Mat patch;
 637
 638     int x1 = cx - width / 2;
 639     int y1 = cy - height / 2;
 640     int x2 = cx + width / 2;
 641     int y2 = cy + height / 2;
 642
 643     // out of image
 644     if (x1 >= input.cols || y1 >= input.rows || x2 < 0 || y2 < 0) {
 645         patch.create(height, width, input.type());
 646         patch.setTo(double(0.f));
 647         return patch;
 648     }
 649
 650     int top = 0, bottom = 0, left = 0, right = 0;
 651
 652     // fit to image coordinates, set border extensions;
 653     if (x1 < 0) {
 654         left = -x1;
 655         x1 = 0;
 656     }
 657     if (y1 < 0) {
 658         top = -y1;
 659         y1 = 0;
 660     }
 661     if (x2 >= input.cols) {
 662         right = x2 - input.cols + width % 2;
 663         x2 = input.cols;
 664     } else
 665         x2 += width % 2;
 666
 667     if (y2 >= input.rows) {
 668         bottom = y2 - input.rows + height % 2;
 669         y2 = input.rows;
 670     } else
 671         y2 += height % 2;
 672
 673     if (x2 - x1 == 0 || y2 - y1 == 0)
 674         patch = cv::Mat::zeros(height, width, CV_32FC1);
 675     else {
 676         cv::copyMakeBorder(input(cv::Range(y1, y2), cv::Range(x1, x2)), patch, top, bottom, left, right,
 677                            cv::BORDER_REPLICATE);
 678         //      imshow( "copyMakeBorder", patch);
 679         //      cv::waitKey();
 680     }
 681
 682     // sanity check
 683     assert(patch.cols == width && patch.rows == height);
 684
 685     return patch;
 686 }
 687
 688 void KCF_Tracker::GaussianCorrelation::operator()(const KCF_Tracker &kcf, ComplexMat &result, const ComplexMat &xf,
 689                                                    const ComplexMat &yf, double sigma, bool auto_correlation)
 690 {
 691     xf.sqr_norm(xf_sqr_norm);
 692     if (auto_correlation) {
 693         yf_sqr_norm = xf_sqr_norm;
 694     } else {
 695         yf.sqr_norm(yf_sqr_norm);
 696     }
 697     xyf = auto_correlation ? xf.sqr_mag() : xf.mul(yf.conj());
 698     //DEBUG_PRINTM(xyf);
 699     kcf.fft.inverse(xyf, ifft_res);
 700 #ifdef CUFFT
 701     cuda_gaussian_correlation(ifft_res.deviceMem(), k.deviceMem(), xf_sqr_norm.deviceMem(),
 702                               auto_correlation ? xf_sqr_norm.deviceMem() : yf_sqr_norm.deviceMem(), sigma,
 703                               xf.n_channels, xf.n_scales, kcf.p_roi.height, kcf.p_roi.width);
 704 #else
 705     // ifft2 and sum over 3rd dimension, we dont care about individual channels
 706     //DEBUG_PRINTM(ifft_res);
 707     cv::Mat xy_sum;
 708     if (xf.channels() != kcf.p_num_scales * kcf.p_num_of_feats)
 709         xy_sum.create(ifft_res.size(), CV_32FC1);
 710     else
 711         xy_sum.create(ifft_res.size(), CV_32FC(kcf.p_scales.size()));
 712     xy_sum.setTo(0);
 713     for (int y = 0; y < ifft_res.rows; ++y) {
 714         float *row_ptr = ifft_res.ptr<float>(y);
 715         float *row_ptr_sum = xy_sum.ptr<float>(y);
 716         for (int x = 0; x < ifft_res.cols; ++x) {
 717             for (int sum_ch = 0; sum_ch < xy_sum.channels(); ++sum_ch) {
 718                 row_ptr_sum[(x * xy_sum.channels()) + sum_ch] += std::accumulate(
 719                     row_ptr + x * ifft_res.channels() + sum_ch * (ifft_res.channels() / xy_sum.channels()),
 720                     (row_ptr + x * ifft_res.channels() +
 721                      (sum_ch + 1) * (ifft_res.channels() / xy_sum.channels())),
 722                     0.f);
 723             }
 724         }
 725     }
 726     DEBUG_PRINTM(xy_sum);
 727
 728     std::vector<cv::Mat> scales;
 729     cv::split(xy_sum, scales);
 730
 731     float numel_xf_inv = 1.f / (xf.cols * xf.rows * (xf.channels() / xf.n_scales));
 732     for (uint i = 0; i < xf.n_scales; ++i) {
 733         cv::Mat k_roi(k, cv::Rect(0, i * scales[0].rows, scales[0].cols, scales[0].rows));
 734         cv::exp(-1. / (sigma * sigma) * cv::max((xf_sqr_norm[i] + yf_sqr_norm[0] - 2 * scales[i]) * numel_xf_inv, 0),
 735                 k_roi);
 736         DEBUG_PRINTM(k_roi);
 737     }
 738 #endif
 739     kcf.fft.forward(k, result);
 740 }
 741
 742 float get_response_circular(cv::Point2i &pt, cv::Mat &response)
 743 {
 744     int x = pt.x;
 745     int y = pt.y;
 746     if (x < 0) x = response.cols + x;
 747     if (y < 0) y = response.rows + y;
 748     if (x >= response.cols) x = x - response.cols;
 749     if (y >= response.rows) y = y - response.rows;
 750
 751     return response.at<float>(y, x);
 752 }
 753
 754 cv::Point2f KCF_Tracker::sub_pixel_peak(cv::Point &max_loc, cv::Mat &response) const
 755 {
 756     // find neighbourhood of max_loc (response is circular)
 757     // 1 2 3
 758     // 4   5
 759     // 6 7 8
 760     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);
 761     cv::Point2i p4(max_loc.x - 1, max_loc.y), p5(max_loc.x + 1, max_loc.y);
 762     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);
 763
 764     // clang-format off
 765     // fit 2d quadratic function f(x, y) = a*x^2 + b*x*y + c*y^2 + d*x + e*y + f
 766     cv::Mat A = (cv::Mat_<float>(9, 6) <<
 767                  p1.x*p1.x, p1.x*p1.y, p1.y*p1.y, p1.x, p1.y, 1.f,
 768                  p2.x*p2.x, p2.x*p2.y, p2.y*p2.y, p2.x, p2.y, 1.f,
 769                  p3.x*p3.x, p3.x*p3.y, p3.y*p3.y, p3.x, p3.y, 1.f,
 770                  p4.x*p4.x, p4.x*p4.y, p4.y*p4.y, p4.x, p4.y, 1.f,
 771                  p5.x*p5.x, p5.x*p5.y, p5.y*p5.y, p5.x, p5.y, 1.f,
 772                  p6.x*p6.x, p6.x*p6.y, p6.y*p6.y, p6.x, p6.y, 1.f,
 773                  p7.x*p7.x, p7.x*p7.y, p7.y*p7.y, p7.x, p7.y, 1.f,
 774                  p8.x*p8.x, p8.x*p8.y, p8.y*p8.y, p8.x, p8.y, 1.f,
 775                  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);
 776     cv::Mat fval = (cv::Mat_<float>(9, 1) <<
 777                     get_response_circular(p1, response),
 778                     get_response_circular(p2, response),
 779                     get_response_circular(p3, response),
 780                     get_response_circular(p4, response),
 781                     get_response_circular(p5, response),
 782                     get_response_circular(p6, response),
 783                     get_response_circular(p7, response),
 784                     get_response_circular(p8, response),
 785                     get_response_circular(max_loc, response));
 786     // clang-format on
 787     cv::Mat x;
 788     cv::solve(A, fval, x, cv::DECOMP_SVD);
 789
 790     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);
 791
 792     cv::Point2f sub_peak(max_loc.x, max_loc.y);
 793     if (b > 0 || b < 0) {
 794         sub_peak.y = ((2.f * a * e) / b - d) / (b - (4 * a * c) / b);
 795         sub_peak.x = (-2 * c * sub_peak.y - e) / b;
 796     }
 797
 798     return sub_peak;
 799 }
 800
 801 double KCF_Tracker::sub_grid_scale(uint index)
 802 {
 803     cv::Mat A, fval;
 804     if (index >= p_scales.size()) {
 805         // interpolate from all values
 806         // fit 1d quadratic function f(x) = a*x^2 + b*x + c
 807         A.create(p_scales.size(), 3, CV_32FC1);
 808         fval.create(p_scales.size(), 1, CV_32FC1);
 809         for (size_t i = 0; i < p_scales.size(); ++i) {
 810             A.at<float>(i, 0) = float(p_scales[i] * p_scales[i]);
 811             A.at<float>(i, 1) = float(p_scales[i]);
 812             A.at<float>(i, 2) = 1;
 813             fval.at<float>(i) = d.threadctxs.back().IF_BIG_BATCH(max[i].response, max.response);
 814         }
 815     } else {
 816         // only from neighbours
 817         if (index == 0 || index == p_scales.size() - 1)
 818            return p_scales[index];
 819
 820         A = (cv::Mat_<float>(3, 3) <<
 821              p_scales[index - 1] * p_scales[index - 1], p_scales[index - 1], 1,
 822              p_scales[index + 0] * p_scales[index + 0], p_scales[index + 0], 1,
 823              p_scales[index + 1] * p_scales[index + 1], p_scales[index + 1], 1);
 824 #ifdef BIG_BATCH
 825         fval = (cv::Mat_<float>(3, 1) <<
 826                 d.threadctxs.back().max[index - 1].response,
 827                 d.threadctxs.back().max[index + 0].response,
 828                 d.threadctxs.back().max[index + 1].response);
 829 #else
 830         fval = (cv::Mat_<float>(3, 1) <<
 831                 d.threadctxs[index - 1].max.response,
 832                 d.threadctxs[index + 0].max.response,
 833                 d.threadctxs[index + 1].max.response);
 834 #endif
 835     }
 836
 837     cv::Mat x;
 838     cv::solve(A, fval, x, cv::DECOMP_SVD);
 839     float a = x.at<float>(0), b = x.at<float>(1);
 840     double scale = p_scales[index];
 841     if (a > 0 || a < 0)
 842         scale = -b / (2 * a);
 843     return scale;
 844 }