《Online Object Tracking: A Benchmark》简述

引言

  虽然目标跟踪已经研究了几十年，但是光照背景、遮挡等问题，并不存在能够成功处理所有场景问题的跟踪方法，因此评估最先进跟踪器的性能至关重要，以展示他们的优缺点，并帮助确定该领域的未来研究方向，设计更具有鲁棒性的算法。

相关工作

  从几个主要的模块上来回顾近年来的目标跟踪算法：目标表示方式、搜索机制和模型更新。另外，介绍一些基于联合几个跟踪器或者挖掘上下文信息的跟踪方法。

评估算法和数据集

  1）评价的算法：

  以及mean shift(MS-V), template matching (TM-V), ratio shift(RS-V) andpeak difference (PD-V) 方法。
  2）评价的数据集

3）评价的视频属性

评价方法

  使用精度和成功率做定量分析：
  1）精度图：在跟踪精度评估中，一个被广泛使用的标准是中心位置误差，其被定义为跟踪目标的中心位置和手工标定的准确位置之间的平均欧氏距离。精度图显示正确估计（在一定阈值范围内，本文中为20像素）的帧在所有帧中所占比例。
  2）成功率图：评估标准是边界框的重叠率
  3）鲁棒性评估：两个测试分别称为时间鲁棒性评估（TRE）和空间鲁棒性评估（SRE）。
  时间鲁棒性评估：给定一个标记了目标准确边界框的初试帧，跟踪器被初始化并运行直到序列结束，即整个序列的一部分。跟踪器会在每一个序列的片段上进行评估且整体的统计数据也会被记录下来。
  空间鲁棒性评估：在第一帧使用8个空间偏移（其中4个中心偏移和4个角偏移，都为目标尺寸的10%）和4个尺度偏移（0.8,0.9,1.1 和 1.2）。共运行12次。

评估结果

总结

  本文建立了一个跟踪数据集，其中包含50个完全标注好的序列以便于跟踪算法的评估，整合了29个比较的算法，用11种属性标注所有序列来进行分类，这些对于后续的实验具有重大意义。并且在实验方法上，评估跟踪器的传统方式是，根据第一帧中的准确位置进行初始化，然后在一个测试序列中运行算法，最后得出平均精确度或成功率的结果报告。这种方法即一次通过的评估方法（OPE），然而跟踪器可能对初始化非常敏感，并且在不同的初试帧给予不同的初始化会使其性能变得更差或更好。因此，还有两种方式来评估跟踪器对初始化的鲁棒性，即在时间上（即在不同帧开始跟踪）和空间上（即以不同的边界框开始跟踪）扰乱初始化。这两个测试分别称为时间鲁棒性评估（TRE）和空间鲁棒性评估（SRE）。
  但局限在于本篇文章比较的方法已经是十年前左右的算法了
  写作借鉴：
  本文中摘要第一句：Object tracking is one of the most important components in numerous applications of computer vision. 引言第一句：Object tracking is one of the most important components in a wide range of applications in computer vision.两句意思一样但换了词。