目标跟踪tracker_benchmark_v1.0的配置

tracker_benchmark_v1.0的配置

---

不使用tracker_benchmark_v1.0工具自己保存OTB数据集格式结果参考：OTB数据集和VOT数据集融合跟踪算法接口示例_博博有个大大大的Dream-CSDN博客_otb数据集

---

目录

一、代码及依赖库下载

二、运行测试代码

三、画Precision和Success曲线

四、画跟踪效果图

至此，所有步骤全部配置完，配置的好的版本百度云下载地址如下 ：

---

一、代码及依赖库下载

1、下载Object Tracking Benchmark工具：tracker_benchmark_v1.0.zip

下载地址：Visual Tracker Benchmark

2、下载OTB100数据集：

建议使用百度云下载： 目标跟踪数据集OTB、VOT下载_博博有个大大大的Dream-CSDN博客_otb50数据集

注：tracker_benchmark_v1.0初始用的是虽然是OTB50的数据集，但是程序中拓展了一些OTB100的图像序列，所以，我们下载数据集时，应该用OTB100的数据集，否则会有一些图像序列无法找到。

3、下载vlfeat工具包

下载地址：VLFeat - Home

二、运行测试代码

4、打开main_running.m，更改vlfeat工具包所在路径，将20行改为 evalType='OPE'; %'OPE','SRE','TRE'（我们只测试OPE）

4、打开util目录下的configSeqs.m，更改读取图像序列路径（数据集下载地址：目标跟踪数据集OTB、VOT下载_博博有个大大大的Dream-CSDN博客_otb50数据集）

数据集所在路径可以通过“Ctrl+F”选择替换，但是更深一层路径img\需要一个一个地添加，工作量大。提供百度云下载地址，直接使用即可：链接：https://pan.baidu.com/s/1ZFW1fffaDcUq9lkhfyk8Lw  提取码：kb72

5、打开util目录下的configTrackers.m，更改测试目标跟踪算法（此处用ICCV2017跟踪算法BACF为例）

 6、在trackers路径下新建BACF文件夹，并且将算法代码放入文件夹中（BACF代码下载和配置地址：ICCV2017跟踪算法BACF的配置（Learning Background-Aware Correlation Filters for Visual Tracking）_博博有个大大大的Dream-CSDN博客）

7、打开run_BACF.m

（1）更改31行为：

params.learning_rate       = 0.013;        % learning rate

（2）更改46-48行为：

params.no_fram = numel(params.s_frames);
%params.seq_st_frame = seq.st_frame;
%params.seq_en_frame = seq.en_frame;

8、简单说明

（1） 当我们在configTrackers.m中配置算法名称为BACF时，主程序会跳转到trackers\BACF\run_BACF.m来执行我们的跟踪代码。举一反三，如果我们的算法名称为XXX，主程序则会跳转到trackers\XXX\run_XXX.m来执行我们的跟踪代码。

（2）跟踪代码run_XXX.m参考以下格式：

function results=run_XXX(seq, video_path, bSaveImage)

%获取图像序列
s_frames = seq.s_frames;

%存放每一帧目标框的位置
rect_position = zeros(numel(s_frames), 4);

%循环处理每一帧图像
for frame = 1:numel(s_frames),
	%load image
	im = imread(s_frames{frame});
	if size(im,3) > 1,
		im = rgb2gray(im);
	end
    %你的跟踪代码

end

%返回的跟踪结果
results.type = 'rect';
results.res = rect_position;%each row is a rectangle
results.fps = fps;

9、运行main_running.m，最终结果保存在results\results_OPE_CVPR13目录下

注： 如果不想显示实时跟踪效果，加快运算速度，可以更改run_BACF.m的56行为params.visualization = 0;

三、画Precision和Success曲线

10、将results\results_OPE_CVPR13中生成跟踪结果mat文件拷贝到results\results_SRE_CVPR13和results\results_TRE_CVPR13文件夹中

11、打开perfPlot.m

（1）更改103行为：

evalTypeSet = 'OPE';

注：不要加中括号写成evalTypeSet = {'OPE'}，否则会报错。

（2）更改105行为：

rankingType = 'threshold';%AUC, threshod

注：不要直接复制105行后面的threshod，因为作者粗心写错了，中间少了一个“l”。

（3）更改140行为：

for j=1:1

（4）更改142行为：

evalType = evalTypeSet;%SRE, TRE, OPE

12、运行perfPlot.m，得到12张Precision和12张Success图，结果保存在tracker_benchmark_v1.0\figs\overall目录中

注：如果更新算法得到新的跟踪结果mat文件，在plot之前，请务必先删除 tracker_benchmark_v1.0\perfMat\overall目录下的所有.mat文件，否则数据将不会更新。

 13、多个算法对比

更改util\configTrackers.m为：

function trackers=configTrackers
trackersNew={
    struct('name','SMS','namePaper','SMS'),...
    struct('name','CT','namePaper','CT'),...
    struct('name','TLD','namePaper','TLD'),...
    struct('name','CSK','namePaper','CSK'),...
    struct('name','BACF','namePaper','BACF')};
trackers = trackersNew;

运行perfPlot.m

四、画跟踪效果图

14、运行drawResultBB.m，跟踪结果保存在tracker_benchmark_v1.0\tmp\imgs目录中

15、更改 util\configTrackers.m可以添加对比算法，更改util\configSeqs.m可以控制需要画图的图像序列

16、去除保存边框

原始代码保存的图像如下，存在厚厚的边框，不助于论文排版

更改drawResultBB.m的116行为：

q=get(gca,'position');
q(1)=0;%设置左边距离值为零
q(2)=0;%设置右边距离值为零
set(gca,'position',q);
[m,n,flag]=size(img);
imwrite(frame2im(getframe(gcf,[0,0,n,m])), [pathSave  num2str(i) '.png']);
%imwrite(frame2im(getframe(gcf)), [pathSave  num2str(i) '.png']);

再次运行drawResultBB.m，得到保存图像

至此，所有步骤全部配置完，配置的好的版本百度云下载地址如下 ：

链接：https://pan.baidu.com/s/1eCFfoUtlSGM98YJlwpFT3w 
提取码：xexv（注：为了减小文件大小，里面不包含BACF及所有对比算法的结果）