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