跟踪算法分类
ST0(短时跟踪器):每帧输出位置,不检测遮挡
ST1(保守更新短时跟踪器):每帧输出位置,依据跟踪置信度判别机制更新目标模型
LT0(伪长时跟踪器):确定目标可见时才输出位置,有检测跟踪失败的机制,但没有显式实现目标重检测
LT1(带有重检测的长时跟踪器):确定目标可见时才输出位置,有检测跟踪失败的机制,显式实现目标重检测
长时跟踪评价指标
已知分类阈值 τ θ \tau_{\theta} τθ和重叠度阈值 τ Ω \tau_{\Omega} τΩ,准确率和召回率可以定义为
分类阈值是指如果输出置信度
θ
t
<
τ
θ
\theta_t<\tau_{\theta}
θt<τθ,则跟踪器输出为空,
A
t
(
τ
θ
)
=
∅
A_t(\tau_{\theta})=\varnothing
At(τθ)=∅
P
r
(
τ
θ
,
τ
Ω
)
=
∣
{
t
:
Ω
(
A
t
(
τ
θ
)
,
G
t
)
≥
τ
Ω
}
∣
/
N
p
,
R
e
(
τ
θ
,
τ
Ω
)
=
∣
{
t
:
Ω
(
A
t
(
τ
θ
)
,
G
t
)
≥
τ
Ω
}
∣
/
N
g
Pr(\tau_{\theta}, \tau_{\Omega})=|\{t:\Omega(A_t(\tau_{\theta}),G_t)\geq \tau_{\Omega}\}|/N_p,\\ Re(\tau_{\theta},\tau_{\Omega})=|\{t:\Omega(A_t(\tau_{\theta}),G_t)\geq \tau_{\Omega}\}|/N_g
Pr(τθ,τΩ)=∣{t:Ω(At(τθ),Gt)≥τΩ}∣/Np,Re(τθ,τΩ)=∣{t:Ω(At(τθ),Gt)≥τΩ}∣/Ng
但是,预定义的阈值无法准确反映跟踪器是否失败,为消除阈值影响,将准确率和召回率对
τ
Ω
\tau_{\Omega}
τΩ进行积分。另外,可以证明,一系列阈值下成功率的平均等于平均重叠率。
P
r
(
τ
θ
)
=
∫
0
1
P
r
(
τ
θ
,
τ
Ω
)
d
τ
Ω
=
1
N
p
∑
t
∈
{
t
:
A
t
(
τ
θ
)
≠
∅
}
Ω
(
A
t
(
τ
θ
)
,
G
t
)
Pr(\tau_{\theta})=\int_0^1Pr(\tau_{\theta},\tau_{\Omega})d\tau_{\Omega}\\ =\frac{1}{N_p}\sum_{t\in\{t:A_t(\tau_{\theta})\neq\varnothing\}}\Omega(A_t(\tau_{\theta}),G_t)
Pr(τθ)=∫01Pr(τθ,τΩ)dτΩ=Np1t∈{t:At(τθ)=∅}∑Ω(At(τθ),Gt)
R e ( τ θ ) = ∫ 0 1 R e ( τ θ , τ Ω ) d τ Ω = 1 N g ∑ t ∈ { t : G t ≠ ∅ } Ω ( A t ( τ θ ) , G t ) Re(\tau_{\theta})=\int_0^1Re(\tau_{\theta},\tau_{\Omega})d\tau_{\Omega}\\ =\frac{1}{N_g}\sum_{t\in\{t:G_t\neq\varnothing\}}\Omega(A_t(\tau_{\theta}),G_t) Re(τθ)=∫01Re(τθ,τΩ)dτΩ=Ng1t∈{t:Gt=∅}∑Ω(At(τθ),Gt)
分别称为跟踪准确率(tracking precision)和跟踪召回率(tracking recall),定义跟踪F-指标
F
(
τ
θ
)
=
2
P
r
(
τ
θ
)
R
e
(
τ
θ
)
/
(
P
r
(
τ
θ
)
+
R
e
(
τ
θ
)
)
F(\tau_{\theta})=2Pr(\tau_{\theta})Re(\tau_{\theta})/(Pr(\tau_{\theta})+Re(\tau_{\theta}))
F(τθ)=2Pr(τθ)Re(τθ)/(Pr(τθ)+Re(τθ))