Object Tracking Benchmark 目标跟踪中常用算法评价参数

      作为计算机视觉的重要组成部分，最近几年有很多的目标跟踪算法提出。在如何评价算法性能方面也相继有一些方法和视频序列提出。本篇博客主要对2015年发表于IEEE上一篇《Object Tracking Benchmark》当中提出的OPE、TRE、SRE三个基本评价方法进行讲解，同时也会简单介绍一下Precision Plot、Success Plot的matlab实现方法。
      作者除了在文章中介绍了评价算法性能的几种方法和参数之外，还给出了两个用来进行测试的数据集：TB-50 Sequences和TB-100 Sequences。其中有许多视频序列都是我们在近几年的论文中都可以看到的，作者同时也给database添加了label，如FM=Fast Move、SV=scale variance等，方便测试算法在不同环境下的性能。感兴趣的话可以在作者主页找到这些内容。
      有了benchmark之后，接下来就是参考《Object Tracking Benchmark》中定义的参数对目标跟踪算法的性能进行评价。两个衡量目标跟踪精准度的基本参数是Precision Plot和Success Plot。接下来将对这两个参数进行介绍。

Precesion Plot: Euclidean distance between the center locations.
      precesion plot(精度测算)主要指的是预测位置中心点与benchmark中标注的中心位置间的欧式距离，是以像素为单位进行的计算。计算方式比较简单，在进行目标跟踪时我们主要会得到两个参数：跟踪目标左上角的坐标和scale的大小。在这里给出计算的matlab代码。

addpath('../STCT-master/sample_res/');
%res=load('./sample_res/Basketball/res_basketball.txt');
res=load('./sample_res/Basketball/track_res_fct_scale_base1.mat');
res=res.results.res;
ground_tru