tracker_benchmark_v1.0配置过程中出现的问题及解决方案

于 2021-06-07 14:40:15 发布
阅读量1.7k 收藏 22
点赞数 6
分类专栏： CV 文章标签： 目标跟踪 CV OTB benchmark
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42717239/article/details/117654202
版权

毕业设计是CV方向的，一直在调试tracker_benchmark_v1.0的代码，遇到了很多的问题，本篇博客记录我遇到的问题和解决的办法，也许还有错误的地方，欢迎大家一起讨论研究~

一、介绍和注意事项
我用的环境是MATLAB2019b
首先是到Visual Tracker Benchmark官网下载压缩包

解压得到文件后会有十五个项目，这里我对几个重要的项目进行介绍

项目名称存储的内容或功能
figsoverall文件夹下存储perfPlot.m运行得到的图像，每次运行结果会得到24张图片，其中12张准确率图12张成功率图，12张图片中1张是全局对比图11张是11种挑战属性下对比图
perfMatoverall文件夹下存储perfPlot.m运行得到的图像对应的.mat文件，一般有两个
results存储的是main_running.m运行生成的.mat文件
tmpimgs文件夹下存储的是drawResultBB.m运行得到的实时跟踪图
trackers一共23个项目，其中VIVID_Tracker中包含5种跟踪算法
util存储的是一些重要的.m文件
drawResultBB.m用于绘制实时跟踪图
main_running.m用于生成.mat文件
perfPlot.m用于绘制准确率和成功率对比曲线

注意
1.11种挑战属性

挑战属性缩写挑战属性含义
IV光照变化
SV尺度变化
OCC遮挡
DEF形变
MB运动模糊
FM快速运动
IPR平面内旋转
OPR平面外旋转
OV离开视野
BC相似背景
LR低分辨率

2.我有一个习惯就是每次运行不同跟踪算法的perfPlot.m之前，我都会删除figs\overall和perfMat\overall下的所有文件

3.我们需要手动在results文件夹下创建一个results_OPE_CVPR13文件，存放OPE标准下生成的.mat文件

4.我们需要手动在tmp文件夹下创建OPE.txt和SRE.txt，用于存储OPE标准下或SRE标准下运行程序生成的日志

5.util文件夹下我们主要修改configSeqs.m和congfiTrackers.m

运行的流程主要是main_running.m生成.mat文件，drawResultBB.m生成实时跟踪图，perfPlot.m生成对比曲线图。

二、configSeqs.m配置
1.到Visual Tracker Benchmark官网下载OTB数据集所有视频序列，包括OTB50和OTB100（依次点击每个图片）
如果你觉得费劲
OTB50网盘链接，提取码：2gvh
OTB100网盘链接，提取码：cqiw

2.修改configSeqs.m视频路径
按照下述方法修改，主要就是把视频路径更改一下然后在后面加上\img
如果你觉得费劲
修改好的configSeqs.m网盘链接，提取码：59jv
（视频是在OTB50还是OTB100我已经对应好了，你只需要修改前面的路径，也就是C:\Users\86139\Desktop\这块内容）

seqVTD={struct('name','singer1','path','C:\Users\86139\Desktop\otb100\Singer1\img\','startFrame',1,'endFrame',351,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','soccer','path','C:\Users\86139\Desktop\otb50\Soccer\img\','startFrame',1,'endFrame',392,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','matrix','path','C:\Users\86139\Desktop\otb50\Matrix\img\','startFrame',1,'endFrame',100,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','ironman','path','C:\Users\86139\Desktop\otb50\Ironman\img\','startFrame',1,'endFrame',166,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','deer','path','C:\Users\86139\Desktop\otb50\Deer\img\','startFrame',1,'endFrame',71,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','skating1','path','C:\Users\86139\Desktop\otb50\Skating1\img\','startFrame',1,'endFrame',400,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','shaking','path','C:\Users\86139\Desktop\otb50\Shaking\img\','startFrame',1,'endFrame',365,'nz',4,'ext','jpg','init_rect', [0,0,0,0]),...
    struct('name','singer2','path','C:\Users\86139\Desktop\otb50\Singer2\img\','startFrame',1,'endFrame',366,'nz',4,'ext','jpg','init_rect', [0,0,0,0])};

三、configTrackers.m配置
1.其中包含三个部分trackersVIVID、trackers1、trackersEXE，我是注释了三个部分（ctrl+r），然后自己写了一个模块trackersTEST，测试CXT和CSK跟踪算法（你有什么需求可以更改对应的代码），对应的代码如下

function trackers=configTrackers

trackersTEST={struct('name','CSK','namePaper','CSK'),...
    struct('name','CXT','namePaper','CXT')};

trackers = [trackersTEST];

2.至于trackerVIVID中包含的MS、PD、RS、TM、VR5种跟踪算法，我一直没有调试出来，调试运行到每个run_XXX.m文件中报错

函数或变量tkMeanShift_Init未定义
函数或变量tkMeanShift_Next未定义
函数或变量tkPeakDifference_Init未定义
函数或变量tkPeakDifference_Next未定义
函数或变量tkRatioShift_Init未定义
函数或变量tkRatioShift_Next未定义
函数或变量tkTemplateMatch_Init未定义
函数或变量tkTemplateMatch_Next未定义
函数或变量tkVarianceRatio_Init未定义
函数或变量tkVarianceRatio_Next未定义

其中每个函数都有对应的dll文件，我一开始怀疑自己的MATLAB版本过高，无法解析动态dll库，以致函数无法识别，但是我尝试了很多版本的MATLAB以后发现还是不行，如果有解决这个问题的同学，欢迎一起交流讨论（最后我是放弃了这五个跟踪算法，还有很多跟踪算法在调试的过程中出现问题，我也是直接选择了放弃，我主要利用这个数据集进行自己算法和KCF等一些算法的比较，所以这些算法没有调试出来也没有太大的影响）

注意
1.像视频序列Jogging里面有两个groundtruth_rect.txt，对于这种视频序列，我们把其一分为二，分成Jogging-1和Jogging-2两个视频序列（其中的img文件夹是一样的，这种情况是因为视频序列中由两个跟踪目标，每一个.txt文件对应其中一个目标的pos和target_sz）

四、main_running.m配置
1.我建议把MATLAB的当前文件夹改成tracker_benchmark_v1.0，这样所有的addPath都不会报错，否则需要更改为绝对路径
在这里插入图片描述
2.下载vlfeat工具，修改代码第八行（对应好自己的路径和vlfeat的版本）

addpath(('C:\Users\86139\Desktop\vlfeat-0.9.21\toolbox'));

3.把代码第20行更改为OPE，数据集一共有三种评价标准OPE、SRE、TRE，其中OPE需要运行1次，SRE需要运行12次，TRE需要运行20次（其中TRE第1次结果为OPE）。我建议选择OPE评价标准，因为只需要运行一次，而且能满足你的绝大部分需求。此外，有的跟踪算法光是OPE一个视频就要跑很久，如果是SRE或者TRE的话，没几天下不来。

evalType='OPE'; %'OPE','SRE','TRE'

运行之后的结果图
在这里插入图片描述


一共是102个项目，一个跟踪算法有51个项目
在这里插入图片描述

注意
1.如果需要调试代码的话，建议在第136和第144行设置两个断点，如果调试到第140行的时候直接跳转到end，说明当前文件不在tracker_benchmark_v1.0目录下，极大可能是进入到了trackers下的某个算法文件夹中，需要手动返回上一级目录；第136行运行结束后进入到相应算法的run_XXX.m，我一般习惯再在run_XXX.m中设置断点进行调试，最好在run_XXX.m最后一部分显示fps（一般在计算fps的下一行添加，如果原文件有显示的话就不必了，如果能显示出fps的话，基本上这个算法是没问题的，如果调试后迟迟没显示fps，就是太慢了）

disp(fps);

2.如果显示empty all表示错误运行，生成empty all的原因是已经存在了对应算法的.mat文件，所以代码在第105行进入到了checkResult.m，在load相应的.mat的文件时发现为空，说明生成了错误的.mat文件，需要手动删除results_OPE_CVPR13目录下的所有.mat文件（这里说明，如果已经生成了.mat文件且没有错误的情况下，再次运行main_running.m不会生成新的.mat文件，如果有需求则需要删除原来的所有.mat文件）

3.如果在调试的过程中能够显示跟踪算法的fps但是一直显示error的话，建议把第157~163行注释掉

五、drawResultBB.m配置
我们把results_OPE_CVPR13中的结果，也就是102个项目复制到results_SRE_CVPR13和results_TRE_CVPR13中（在results_SRE_CVPR13和results_TRE_CVPR13已经存在各个算法的.mat文件，由于我这次举得例子是CXT和CSK算法的对比，所以选择替换，还是根据自己的需求进行更改）

运行drawResultBB.m，在tmp\imgs文件夹下可以看到每个视频序列中每一帧的实时跟踪图，由于我是进行了两种算法的对比，所以有两种框线
在这里插入图片描述
在这里插入图片描述

六、perfPlot.m配置
1.代码的第49~59行是生成曲线图的形状配置，可以是直线、虚线、点等形状，原代码

plotDrawStyle10={   struct('color',[1,0,0],'lineStyle','-'),...
    struct('color',[0,1,0],'lineStyle','--'),...
    struct('color',[0,0,1],'lineStyle',':'),...
    struct('color',[0,0,0],'lineStyle','-'),...%    struct('color',[1,1,0],'lineStyle','-'),...%yellow
    struct('color',[1,0,1],'lineStyle','--'),...%pink
    struct('color',[0,1,1],'lineStyle',':'),...
    struct('color',[0.5,0.5,0.5],'lineStyle','-'),...%gray-25%
    struct('color',[136,0,21]/255,'lineStyle','--'),...%dark red
    struct('color',[255,127,39]/255,'lineStyle',':'),...%orange
    struct('color',[0,162,232]/255,'lineStyle','-'),...%Turquoise
    };

由于我喜欢直线，所以我都改成了直线图（看自己的需求）

plotDrawStyle10={   struct('color',[1,0,0],'lineStyle','-'),...
    struct('color',[0,1,0],'lineStyle','-'),...
    struct('color',[0,0,1],'lineStyle','-'),...
    struct('color',[0,0,0],'lineStyle','-'),...%    struct('color',[1,1,0],'lineStyle','-'),...%yellow
    struct('color',[1,0,1],'lineStyle','-'),...%pink
    struct('color',[0,1,1],'lineStyle','-'),...
    struct('color',[0.5,0.5,0.5],'lineStyle','-'),...%gray-25%
    struct('color',[136,0,21]/255,'lineStyle','-'),...%dark red
    struct('color',[255,127,39]/255,'lineStyle','-'),...%orange
    struct('color',[0,162,232]/255,'lineStyle','-'),...%Turquoise
    };

2.由于我们主要测试OPE评价标准下跟踪算法的性能，所以我们将原代码第103行和第142行改为

103：
evalTypeSet = 'OPE';
142：
evalType = evalTypeSet;%SRE, TRE, OPE

3.为了得到准确率图和成功率图，我们将第105行修改为

rankingType = 'threshold';

在figs\overall文件夹下生成了24张图片，12张准确率图12张成功率图
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
全部的流程大概就是这样，如果大家有什么疑问或者本篇博客有什么错误，欢迎大家到下方评论，我有时间一定会及时解答

三千越甲可吞吴、
关注
  • 6
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
专栏目录
video_spot_tracker_v08.11-1_tracker_tracking_
09-29
半自动追踪算法，video_spot_tracker_v08.11，安装软件
T10-tracker DJ01 protocol V1.0_tracker_GPS_
10-03
protocolo para gps tracker
目标跟踪数据集UAV123的配置
博博有个大大大的Dream
06-27 5101
官方主页： https://cemse.kaust.edu.sa/ivul/uav123 论文下载： A Benchmark and Simulator for UAV Tracking 数据集下载： 链接：https://pan.baidu.com/s/1R1pWZYQExqkPXys9bmO1zw 提取码：xa9f UAV123其实只有91个视频序列，有的视频存在几个目标，跟踪的目标个数为123。 官方toolkits下载： 链接：https://pan.baidu.com/s/1Mt.
目标跟踪tracker_benchmark_v1.0的配置
博博有个大大大的Dream
08-27 1万+
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：https://blog.csdn.net/qq_17783559/article/details/90485701 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...
【OTB使用介绍一】tracker_benchmark_v1.0小白使用配置OTB100
devil_08的专栏
04-19 2万+
tracker_benchmark_v1.0的配置教程，尽量写的详细些，从下载到配置完成可以使用 先说明tracker_benchmark_v1.0就是OTB（object tracking benchmark）一个版本，吴毅老师发的论文有两篇，第二篇是第一篇的扩展，将视频测试序列从原来的50个扩充到现在的100个。 · Wu Y, Lim J, Yang M H. Online object...
tracker_benchmark_v1.0.zip
09-11
OTB 数据集工具包评测工具包tracker_benchmark_v1.0.zip
tracker_benchmark_v1.0计算OTB2013或OTB2015数据集的平均FPS
博博有个大大大的Dream
05-14 2945
方法一：总帧数除以总时间（算出来的结果很真实，但是偏小） 1、在目标跟踪tracker_benchmark_v1.0的目录下新建FPSperfPlot.m，内容代码如下： clear close all; clc addpath('./util'); seqs=configSeqs; trackers=configTrackers; % seqs = seqs(1:10); %...
原Tracker Benchmark v1.0 代码出错解决方法
wengjingwen1026的博客
03-24 1457
因为在写关于目标跟踪的小论文，用到Tracker Benchmark v1.0这个官方评估算法性能程序，针对第一次跑Tracker Benchmark v1.0出错问题，进行的总结：从其他博客文章中了解到第一次下载下来的Tracker Benchmark v1.0中，可以首先跑下perFlot.m这个文件，可以出现已有的算法各种结果图。结果我的出现了错误：我又打开main_runing.m文件，运...
Visual Tracker Benchmark v1.0全过程配置方法,测试跟踪序列OTB50/OTB100
热门推荐
劲草浅躬行
08-01 3万+
Visual Tracker Benchmark v1.0全过程配置方法,测试跟踪序列OTB50/OTB100前言：最近在实习公司做long-time tracking算法.主要目的是在实时的前提下,解决长时跟踪中遇到的out of view,occlusion,fast motion等问题(目前这个算法应对变形能力较差,需要改进!).写完了算法，接下来开始测试算法性能。目前主流的跟踪测试集有两个：
目标跟踪tracker_benchmark_v1.0的配置OTB100数据集
博博有个大大大的Dream
10-18 1万+
OTB数据集官方网站：http://cvlab.hanyang.ac.kr/tracker_benchmark/datasets.html OTB数据集分为四种，大家不要搞混淆了 TB50，TB100，OTB2013，OTB2015 1.TB50 TB50是指OTB数据集官网上的前49个视频序列，50个测试场景，其中有一个视频序列Skating2具有两个测试场景。 2.TB100 ...
matlab的egde源代码-tracker_benchmark:tracker_benchmark
05-21
matlab的egde源代码Trakcer Benchmark（在python 2.7.10上测试） 用法 默认值（对于所有跟踪器，所有序列，所有评估类型（OPE，SRE，TRE）） 命令：python run_trackers.py 对于特定的跟踪器，序列，评估类型 命令：python run_trackers.py -t“ tracker” -s“ sequence” -e“ evaltype” sequence可以是Sequence的名称，“ tb50”，“ tb100”和“ cvpr13”（使用data / tb_50.txt，tb_100.txt，cvpr13.txt） 例如 python run_trackers.py -t IVT,TLD -s Couple,Crossing -e OPE,SRE ） python run_trackers.py -s tb50 绘图 成功率绘图命令： python draw_graph.py 精度绘图包含： python draw_graph.py precision 绘制bbox结果： python draw_bbox.py 图书馆
matlabgui绘图代码-tracker_benchmark_v1.0:tracker_benchmark_v1.0仅适用于绘图结果
05-27
matlab gui 绘图 代码
跟踪篇(1)--Visual_Tracker_Benchmark_v1.0完整配置+踩坑实录
Felaim的博客
07-19 3821
又要接受新的挑战了，因为实习公司有要求，需要进行视频跟踪，所以LZ又成了小白，但是导师说要先用传统方法，刚好LZ最近也很想把传统的图像处理再恶补一下，所以，就加油干吧！ 第一步：Visual_Tracker_Benchmark_v1.0下载 官网是在：http://cvlab.hanyang.ac.kr/tracker_benchmark/benchmark_v10.html 但是，网速渣渣，下了...
tracker_benchmark_v1.0的使用方法
mini猿要成长QAQ
11-08 9284
评估算法的效果，无疑会涉及到很多数据集上的测试 Online Object Tracking：A Benchmark 一文中，把之前先进的跟踪算法都集成了起来，通过Precision plot和Success plot来直观展示不同trackers的效果对比。
Visual Tracker Benchmark简易教程
yao1131的博客
09-22 2520
Visual Tracker Benchmark使用总结一·简单介绍  Visual Tracker Benchmark是一个认可度比较高的评估单目标跟踪算法的标准，里面的主要有两个方面的图像评估标准：precision_plot 和 success_plot，可以通过三种方式对图像进行评估：OPE,TRE,SRE.具体介绍可以参见：http://blog.csdn.net/hjl240/artic
OTB Tracker Benchmark v1.0源码使用
qq_38261075的博客
05-10 213
包括Tracker Benchmark v1.0的配置、代码介绍、如何加入自己的算法可以参考如下博客，很是详细： 【OTB使用介绍一】tracker_benchmark_v1.0小白使用配置OTB100 【OTB使用介绍二】对Visual Tracker Benchmark v1.0源码进行介绍 【OTB使用介绍三】如何将自己的算法加入到Visual Tracker Benchmark v1.0中，以KCF为例 ...
OTB测试之Visual Tracker Benchmark v1.0全过程配置流程---后续《二》
skywalker_123的博客
11-08 2730
今天把一个修改的算法写了个接口在OTB上跑，期间参考的这个博客专栏（这位同学可以说是总结的非常全了） https://blog.csdn.net/devil_08   这一次因为新算法加入了深度特征，所以跑起来要用到之前的vlfeat_toolbox外还用到了matconvnet，这里有一个问题，在OTB-2013中怎样使用两个工具箱？自己写的接口里面是不addpath这两个的，所以写到...
【资源分享】visual tracker bechmark v1.0 TB-50 Sequences合集
agassy的博客
03-14 2981
最近在做单目标视觉跟踪方面的工作。为了能对不同跟踪算法的性能与优缺点作相对客观的评价，我们需要一个“在公共视频数据集上对不同跟踪算法进行计算，得到跟踪结果，并基于Ground Truth对结果进行评价”这样的机制，也就是我们所谓的benchmark。benchmark所使用的视频数据集常用的为TB-50。本人将下载好的TB-50共49个视频打包上传到百度云并予以共享，希望能省去后来人的不必要繁琐操作。
基于matlab实现实现了基于项目的协同过滤代码，MATLAB实现.rar
最新发布
05-04
基于matlab实现实现了基于项目的协同过滤代码，MATLAB实现.rar
class MLPs(nn.Module): def __init__(self, W_sizes_ope, hidden_size_ope, out_size_ope, num_head, dropout): super(MLPs, self).__init__() self.in_sizes_ope = W_sizes_ope self.hidden_size_ope = hidden_size_ope self.out_size_ope = out_size_ope self.num_head = num_head self.dropout = dropout self.gnn_layers = nn.ModuleList() for i in range(len(self.in_sizes_ope)): self.gnn_layers.append(MLPsim(self.in_sizes_ope[i],self.out_size_ope, self.hidden_size_ope, self.num_head, self.dropout, self.dropout)) self.project = nn.Sequential( nn.ELU(), nn.Linear(self.out_size_ope * len(self.in_sizes_ope), self.hidden_size_ope), nn.ELU(), nn.Linear(self.hidden_size_ope, self.hidden_size_ope), nn.ELU(), nn.Linear(self.hidden_size_ope, self.out_size_ope), ) def forward(self, ope_ma_adj_batch, ope_pre_adj_batch, ope_sub_adj_batch, batch_idxes, feats): h = (feats[1], feats[0], feats[0], feats[0]) self_adj = torch.eye(feats[0].size(-2),dtype=torch.int64).unsqueeze(0).expand_as(ope_pre_adj_batch[batch_idxes]) adj = (ope_ma_adj_batch[batch_idxes], ope_pre_adj_batch[batch_idxes], ope_sub_adj_batch[batch_idxes], self_adj) MLP_embeddings = [] for i in range(len(adj)): MLP_embeddings.append(self.gnn_layers[i](h[i], adj[i])) MLP_embedding_in = torch.cat(MLP_embeddings, dim=-1) mu_ij_prime = self.project(MLP_embedding_in) return mu_ij_prime
06-09
这是一个 PyTorch 中的神经网络模型 MLPs 的定义。它包含了两个主要的部分：gnn_layers 和 project。 gnn_layers 是一个 nn.ModuleList，其中包含了多个 MLPsim 模块，每个 MLPsim 模块都对应一个输入张量，用于对输入进行处理。MLPsim 模块的定义可能在其他地方，无法得知其具体实现。 project 是一个 nn.Sequential，其中包含了多个线性层和激活函数，用于将 MLPsim 的输出进行进一步处理，并得到最终的输出结果 mu_ij_prime。 forward 函数是 MLPs 的前向传播函数，接收多个输入参数：ope_ma_adj_batch、ope_pre_adj_batch、ope_sub_adj_batch、batch_idxes 和 feats。其中，ope_ma_adj_batch、ope_pre_adj_batch 和 ope_sub_adj_batch 是三个邻接矩阵，用于描述不同类型的关系；batch_idxes 是一个张量，用于指定当前批次的样本的下标；feats 是一个元组，包含了两个张量，分别表示节点的特征和节点的度数。 在 forward 函数中，首先根据输入张量和邻接矩阵计算出 MLP_embeddings，即 MLPsim 模块的输出结果。然后将 MLP_embeddings 沿着最后一个维度进行拼接，并将拼接后的结果输入到 project 中进行后续处理，得到最终的输出 mu_ij_prime。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
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
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