MOT：Metrics MOTA

简介：

MOTChallenge是多目标跟踪领域最为常用的benchmark，其中2D MOT15，3D MOT15，MOT16，MOT17，MOT20都是多目标跟踪领域常用的数据集。
下面我们按照MOTChallenge中的评价标准进行介绍，当然MOTChallenge也主要参考《Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics》

评价指标：

总结

CLEAR MOT Metrics认为一个好的多目标跟踪器应该有如下三点特性：
1.所有出现的目标都要能够及时找到（检测的性能）
2.找到目标位置要尽可能可真实目标位置一致（检测的性能）
3.保持追踪一致性，避免跟踪目标的跳变 （匹配的性能）
所以可以看出，多目标跟踪和目标检测是密不可分的，检测的性能不可避免的会对跟踪的性能造成影响。
MOTChallenge的评价指标一共有十一个，分别是

Measure	Better	Perfect	Description
MOTA	higher	100%	跟踪的准确度，和出现FN，FP，IDs的数量负相关，可能出现负值。
MOTP	higher	100%	跟踪的精度，GT和检测的bbox的匹配交叠
IDF1	higher	100%	引入track ID的F1
FAF	lower	0	每帧的平均误报警数
MT	higher	100%	命中的轨迹占总轨迹的占比，定义命中的轨迹为长度小于ground truth 80%的轨迹
ML	lower	0	丢失的轨迹占总轨迹的占比，定义丢失轨迹为长度小于ground truth 20%的轨迹
FP	lower	0	FP的总数量，false positives也就是误检
FN	lower	0	FN的总数量，false negatives也就是漏检
IDs	lower	0	ID改变的总数量
Frag	lower	0	轨迹被打断的总数量
Hz	higher	Inf	处理速度，不包括检测器的耗时，而且这个指标由作者提供，MOTChallenge是计算不出来的，因为递交的是offline文件。

MOTA

$$\begin{array}{r}\text{MOTA}=1-\frac{|\text{FN}|+|\text{FP}|+|\text{IDSW}|}{|\text{gtDet}|}\end{array}$$
其中，FN为False Negative，FP为False Positive，IDSW为ID Switch，GT为Ground Truth 物体的数量。MOTA考虑了tracking中所有帧中对象匹配错误，主要是FN，FP，ID Switch。MOTA给出了一个非常直观的衡量跟踪器在检测物体和保持轨迹时的性能，与物体位置的估计精度无关。MOTA取值应小于100，当跟踪器产生的错误超过了场景中的物体，MOTA会为负数。需要注意的是，此处的MOTA以及MOTP是计算所有帧的相关指标再进行平均（既加权平均值），而不是计算每帧的rate然后进行rate的平均。
注意MOTA中的FN，FP是检测的结果，而不是跟踪的结果，也就是说MOTA中只有IDs是和跟踪有关系的，剩下的都是检测。MOTA相比于IDF1要更偏向与检测。

MOTP

$$MOTP=\frac{{\sum }_{t,i}^{}{d}_{t,i}}{{\sum }_t^{}{c}_t}$$

其中，$c_t$为t帧时候匹配到的个数，$d_{t,i}$为t帧时，第i个匹配目标与gt之间的距离，MOTP主要量化检测器的定位精度，几乎不包含与跟踪器实际性能相关的信息。
距离的定义有2种：

• by MOT challenge，使用检测框与匹配框的iou表征分数，或者说这已经不能被称为距离了，因为越大的iou表示精度越高。
• by clear，它的实现在py-motmetrics，使用检测框与匹配框中心点的l2距离分数，因此越小表示精度越高。

IDF1

$$IDF1=\frac{2\times IDP\times IDR}{IDP+IDR}$$
$$IDR=\frac{IDTP}{IDTP+IDFN}$$
$$IDP=\frac{IDTP}{IDTP+IDFP}$$
将IDR和IDP带入，就会得到一种更为常见的IDF1的表达形式：
$$\begin{array}{rl}& \text{IDF1}=\frac{|\text{IDTP}|}{|\text{IDTP}|+0.5|\text{IDFN}|+0.5|\text{IDFP}|}\end{array}$$

IDTP&IDFN&IDFP

而IDTP，IDFN和IDFP就引入了ID考量的TP，FN和FP，这种考量是一种min-cost原则的匹配计算。
比如存在一段GT track，是10个1，有2个predict的track，是track1和track2：

truth ：1-1-1-1-1-1-1-1-1-1
track1：1-1-2-2-3-3-4-4-5-5
track2：1-1-2-2-1-1-2-2-1-1

那么预测的结果是：

track	IDTP	IDFN	IDFP	IDP	IDR	IDF1
track1	2	8	8	20%	20%	20%
track2	6	4	4	60%	60%	60%

那么为什么track2的IDTP是6而不是4呢？
因为用id1区匹配GT的话，min-cost更小。

上面是一个例子，那抽象后的具体的过程为：
将n条gt轨迹和m条预测轨迹计算二部图，二部图的尺寸即为$m\ast n$，图上的分数表征了这两个轨迹的匹配误差，所以通过类似匈牙利算法，就能给出一个误差最小情况下的最优匹配结果。
而匹配误差的定义为：
将轨迹与轨迹的匹配定义成不同时间戳上（timestamp）的bbox的交叠情况，如果IOU小于一个设定阈值，那么将t2t匹配误差加1，那么可以得出：
这个值最大为两个轨迹的时间并集
最小为0

FN&FP&IDs&Frag

假设GT只有一条，用虚线表示，也就是说在GT中由6帧图像，并只有一个track id。下面由a，b，c，d四张图，涵盖了FN，FP，IDs和Frag的情况。
在图a中，GT被预测为红蓝两条，红色轨迹F1时并没有匹配上GT，所以GT实际上是一个FN，也就是实际为目标，但是被遗漏了。同理红色轨迹的F1结果，也就是一个FP，因为实际上是一个不存在的东西被判定成了目标。
同理，蓝色轨迹F3，F4也是FP，又因为GT由4到5时，id从红色变成蓝色，所以存在IDs。
在图b中，还是同样的GT，这次红蓝两条轨迹没有交叠，在F3的地方GT断开了，所以存在一次Frag。

Reference：

• py-motmetrics
• TrackEval