多目标跟踪 | 评测指标

已于 2023-11-15 20:59:26 修改
阅读量1.4w 收藏 116
点赞数 11
分类专栏： 感知算法 文章标签： 目标跟踪 人工智能 计算机视觉 多目标跟踪 评测指标
于 2022-01-24 18:58:13 首次发布
© 本文为博主原创文章，未经博主允许不得转载；请联系博主@一颗小树（国溥）
本文链接：https://blog.csdn.net/qq_41204464/article/details/122664366
版权
本文详细介绍了多目标跟踪的评测指标，包括MOTA、MOTP、IDP、IDR、IDF1以及HOTA，同时讨论了MOT Challenge和kitti数据集在多目标跟踪中的应用，最后提到了几种流行的跟踪方案如DeepSort、JDE和FairMOT。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

多目标跟踪器的性能需要某些指标来进行度量，目前使用比较广泛的评测指标主要有 Bernardin 等人定义的 CLEAR MOT 指标、Ristani 等人定义的 ID scores 指标以及最新的 Luiten 等人定义的HOTA 指标。

目录

一、基础的评测指标

二、MOTA 和 MOTP

2.1 MOTA：多目标跟踪精度 。

2.2 MOTP: 多目标跟踪准确度

三、IDP、IDR、IDF

3.1 IDP：识别精确度

3.2 IDR：识别召回率

 3.3 IDF1：平均数比率

四、HOTA 更高维跟踪精度

五、MOT Challenge 多目标跟踪

六、kitti 多目标跟踪

七、方案选择

7.1 DeepSort

7.2 JDE

7.3 FairMOT

一、基础的评测指标

1、ID Switches (ID Sw.)：被跟踪目标身份发生错误地更改时被称为身份跳变。在对视频序列的跟踪过程当中，ID Sw.表示所有跟踪目标身份交换的次数。

2、Frames Per Second (FPS)：多目标跟踪器的跟踪速度。

3、False Positives (FP)：在视频序列中不能与 真实轨迹的边界框 相匹配的 假设边界框 被称为假阳性；即本来是假的，预测认为是真的。FP 表示整个视频序列中假阳性的数量。

4、False Negatives (FN)：在视频序

了解本专栏 订阅专栏 解锁全文
目标跟踪心得篇四：多目标跟踪的测评(性能指标)详解
认真努力，做一只会飞的毛毛虫。
01-16 1856
MOT的性能指标分为两种，一种是目标检测任务的测评结果。一种是跟踪任务的测评结果。前者在任何目标检测框架下在训练过程中都可以得到。后者则需要用test.py输出，而非目标检测任务的train.py。此外，验证集是一定要有标注的哦。对于MMTracking而言，是不能直接使用MOT17或MOT20(和MOT17大差小不差)格式的标注文件的，需要用mmtracking-1.0.0rc1\tools\dataset_converters\mot\mot2coco.py转一下。因此，最开始标注成标准的MOT格式是方
人员检测与跟踪：人员跟踪_（15）.人员跟踪系统性能评估
zhubeibei168的博客
03-23 661
通过以上介绍，您可以了解人员跟踪系统的主要评估指标和方法，包括 MOTP、MOTA、轨迹精确度、轨迹召回率、平均精度 (AP)、交叉验证、时间序列分析、真实场景测试和混淆矩阵。每种方法都有其适用场景和优缺点，选择合适的评估方法可以帮助您更全面地了解系统的性能，并进行有效的优化。希望这些示例代码能帮助您在实际项目中更好地应用这些评估方法。
目标跟踪综合知识
最新发布
xihuanniNI的博客
04-01 349
目标跟踪综合的知识
MOT评价指标
weixin_40912987的博客
04-26 3051
MOT评价指标 MOT问题中有众多眼花缭乱的评价指标，在这里对这些指标先做一个大概的呈现，然后对其中重点指标进行进一步解释。 整体图示 再给出一个图示： 详细介绍 1.MOTA （MOT Accuracy） 衡量检测物体和保持轨迹方面的性能 可以看到，MOTA考虑了FN、FP、ID Switch三个问题（分母GT为Ground Truth的数量）。另外从公式中可以看出的是，它的分子分母是分别对所有帧求和，再求商，即加权平均，而不是分别计算每帧再求平均。 2. MOTP（MOT Precision
多目标跟踪指标
danger2的博客
11-15 698
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。其中，d为检测目标i和给它分配的ground truth之间在所有帧中的平均度量距离，在这里是使用bonding box的overlap rate来进行度量（在这里MOTP是越大越好，但对于使用欧氏距离进行度量的就是MOTP越小越好，这主要取决于度量距离d的定义方式）；匹配检测的关联Jaccard指数，平均计算所有匹配的检测，并在所有定位界限上进行平均。
多目标跟踪评价指标及其计算方式
ckqsars的博客
02-18 5470
基于MOT的benchmark记录相关的评价指标以及其计算方式和意义 MOTA ( Multiple Object Tracking Accuracy) MOTA计算所有帧的匹配情况，t为帧数，FN为False Negative，FP为False Positive，IDSW为ID Switch，GT为Ground Truth 物体的数量，计算所有帧的漏检数和误检数以及ID发生变化的情况。 上述公式可以拆解成三块 ∑tFNt∑tGTt\frac{\sum_t{FN_t}}{\sum_t{GT_t}}∑t​
多目标追踪评价指标有哪些
githubcurry
02-26 2054
同时考虑误报、漏报和 IDS，衡量跟踪算法在检测目标和保持轨迹时的性能，与目标检测精度无关，值越大表示算法的性能越好。：识别平均数比率，考虑了正确匹配的目标数量和未匹配的目标数量，可用于评估目标级别的追踪性能。是识别精确率与识别召回率的调和平均数，用于评价跟踪算法的稳定性，值越大说明算法越能长时间地对某个目标进行准确地跟踪。：多目标追踪精确度，指预测轨迹与真实轨迹之间的距离，反映了追踪结果的准确性。：分别表示大部分时间被正确追踪和大部分时间未能正确追踪的目标比例，可以帮助分析追踪算法的稳定性。
多目标跟踪(MOT,Multiple Object Tracking)评价指标
qq_42835363的博客
04-17 2697
多目标跟踪(MOT,Multiple Object Tracking)评价指标
【多目标跟踪任务——评价指标】
selami的博客
04-12 3589
MOTA, IDF1, MOTP, MT, ML分别代表啥？侧重考虑什么因素？
多目标跟踪评价指标学习
m0_46582737的博客
07-09 599
多目标跟踪评价指标详解：个人学习笔记分享。探讨IDF1、MOTA等关键指标，理解它们如何衡量跟踪系统性能。技术探索，力求简明易懂，希望对你有所启发。
多目标跟踪multiple object tracking(MOT)
01-06
1。 参考视频效果 https://www.bilibili.com/video/av59547404/?spm_id_from=333.788.b_7265636f5f6c697374.14 People Tracking and Counting [ VIDEO ]: TownCentreXVID_OUTPUT_20FPS [ MODEL ]: YOLOv3 + DeepSORT [ GITHUB ]: 代码： https://github.com/yehengchen/Object-Detection-and-Tracking/tree/master/OneStage， tensorfl
kitti-eval:KITTI的评估代码
05-17
任务 鸟瞰（2017）
多目标跟踪(SORT,Deep_SORT,IOU17,SST)代码
12-04
多目标跟踪（Multiple Object Tracking, MOT）是计算机视觉领域中的一个重要课题，其目的是在连续的视频帧中识别并追踪多个独立的目标对象。本资源包含了四种常见的多目标跟踪算法的实现：SORT (Simple Online and ...
amilan-motchallenge-devkit-master_多目标跟踪评价代码_
10-03
MOT挑战（MOTChallenge）是这个领域的权威评测平台，而“amilan-motchallenge-devkit-master”则是该平台提供的一个评估工具包，用于对多目标跟踪算法的性能进行科学、全面的评估。本文将深入解析这个代码库，探讨其...
目标跟踪心得篇七：解决目标跟踪评价指标输出为0或异常（Trackeval、MMtracking）
认真努力，做一只会飞的毛毛虫。
01-31 1419
如果在做跟踪任务测评时，发现输出的评价指标全为0或者异常值时该怎么办（如下图）？博主调试了很久发现其实这是MMtracking的一个Bug，因此如果不是用MMtracking框架的话本节可能对你帮助不大。大致有以下两个内容： TrackEval目前还不能做到对多类别的MOT任务计算评价指标，因此如果为异常值而非0值，则考虑是标注是多类别引起的。对于这种情况，有以下两种解决方式： 办法一：修改mot2coco.py脚本，我们将所有的标注类别全都弄成1类去计算评价指标，当然这样有违背初衷，不过很多场景下这样也
多目标追踪评价指标
wwwwwyyrr的博客
12-08 988
多目标追踪性能评价基础：GT：Ground Truth，是指真实的标签或者真实的对象；TP：True Positive，被正确预测检测到的样本；TN：True Negative，被预测为负的负样本；FP：False Positive，被预测为正的负样本，也就是误检；FN：False Negative，被预测为负的正样本，也就是漏检；
多目标跟踪MOT
bblingbbling的博客
06-19 1612
MOTA关注的是总体的跟踪准确度，包括了检测和关联的效果。HOTA是一种更综合的评估指标，旨在同时优化检测和关联。IDF1则专注于评估跟踪系统在目标身份识别方面的性能。每个指标都有其适用的场景，选择哪个指标作为评价标准取决于具体应用的需求。
多目标跟踪算法
qq_42301955的博客
11-23 2228
多目标跟踪（Multi-Object Tracking, MOT）是计算机视觉领域的一个重要任务，旨在同时跟踪视频序列中的多个目标。多目标跟踪算法经历了从传统方法到深度学习方法的转变。
目标追踪StrongSORT——基于DeepSORT重大升级提高多目标跟踪的准确性和鲁棒性
知来者逆的博客
04-04 9088
通过改进MOT任务中的早期深度模型DeepSORT，实现了最先进的性能（SOTA），引入了两种计算成本较低的后处理技术：AFLink和GSI，它们被证明能够进一步提升跟踪的准确度。 这些后处理方法不仅对所提出的模型有益，还能够显著提高其他几个模型的准确性。 这些改进表明，通过精心设计的后处理步骤，可以在不显著增加计算负担的情况下，显著提高多目标跟踪任务的性能。AFLink和GSI作为有效的后处理工具，为MOT领域的研究和应用提供了新的可能性。
多目标跟踪评价指标
03-25
### 多目标跟踪的评估指标 多目标跟踪（Multi-Object Tracking, MOT）是一项复杂的技术任务，其核心在于精确地估计视频序列中的多个运动对象的位置并分配唯一的身份标识。为了全面评价一个多目标跟踪算法的表现，通常会使用一组标准化的定量指标来衡量不同方面的能力。 #### 跟踪精度 (Multiple Object Tracking Accuracy, MOTA) MOTA 是一种综合性的指标，用于量化整体跟踪效果的好坏。它通过减少三类错误——漏检（Misses）、误报（False Positives）和 ID 切换（Identity Switches）的数量来提高分数。具体定义如下： \[ \text{MOTA} = 1 - \frac{\sum (\text{misses}, \text{false positives}, \text{id switches})}{\sum \text{ground truth objects}} \] 其中分子部分代表所有可能影响跟踪质量的因素总和，分母则表示真实标注的目标总数[^1]。 #### 平均距离误差 (Multiple Object Tracking Precision, MOTP) 不同于 MOTA 关注的是匹配上的正确程度而非数量多少,MOTP 反映了平均每次成功配对时预测框中心点偏离实际位置的程度: \[ \text{MOTP}=\frac{{\Sigma}_{i=1}^{n}\left(\mathrm{}d_{i}\right)}{{\Sigma}_{j=1}^{m}\left(o_j\right)} \] 这里 \( d_i \) 表示第 i 对检测结果与对应真值间的欧几里得距离; o_j 记录有多少次有效关联发生过。 #### 其他补充性统计量 除了上述两项关键性能参数外，还有一些辅助性质的数据可以帮助进一步理解系统的优劣之处： - **Mostly Tracked Targets (MT):** 至少80%的时间都被持续追踪到的对象比例。 - **Partially Tracked Targets (PT):** 时间覆盖率介于20%-80%之间的那些个体所占百分比。 - **Mostly Lost Targets (ML):** 少于20%生命周期获得监控的情况占比情况。 - **False Positive Rate:** 单位时间内产生的额外虚假发现次数频率。 - **False Negative Rate:** 应当识别却未被捕捉到的真实实体数目比率。 - **Fragmentations:** 同一物体因各种原因中途断开再重新连接形成的片段总计数。 - **ID Switch Count:** 整个过程中发生的重复编号现象累计计数值。 这些丰富的维度共同构成了完整的评测体系框架，使得研究人员能够更加细致入微地分析各自方案的优势劣势所在，并据此做出针对性改进措施。 ```python def calculate_mota(misses, fps, id_switches, gt_objects): mota = 1 - ((misses + sum(fps.values()) + id_switches)/gt_objects) return mota ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一颗小树x

您的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值