多目标跟踪MOT评价指标

1. MOT评价指标

MOT:multiple object tracking

评价出发点

  • 所有出现的目标都要及时能够找到;
  • 目标位置要尽可能与真实目标位置一致;
  • 每个目标都应该被分配一个独一无二的ID,并且该目标分配的这个ID在整个序列中保持不变。

评价指标数学模型
评价过程的步骤:

  1. 建立 目标与假设最优间的最优一一对应关系,称为correspondence
  2. 对所有的correspondence,计算位置偏移误差
  3. 累积结构误差 a. 计算漏检数 b. 计算虚警数(不存在目标却判断为目标) c. 跟踪目标发生跳变的次数

2. 实现思路

  • 确定对应关系
    如何确定对应关系,最直接的想法就是使用最邻近法?具体而言,就是比较groundtruth与预测框中心的距离。
    另一个问题,如果没有检测到目标呢,所以需要设置一个距离阈值。
    第三个问题,距离使用什么距离?欧氏距离。(曼哈顿距离、余弦距离、马氏距离不考虑,具体了解每种距离的物理意义和适用的情形、度量的特性)
    20190326232247.png

20190326232349.png

简而言之,就是只要在一定的距离范围内,就认为是匹配到了目标。

  • 如何刻画追踪一致性(持续跟踪)
    追踪一致性:追踪预测目标和对应目标长时间保持对应关系不变的能力
    20190326232725.png

20190326231451.png
上图分析:O1在正确匹配三帧之后发生了误匹配问题。
总结:误匹配问题多发生在两个跟踪目标很接近的时候。
问题与思考:如何记录整个目标在整个帧频中的无匹配次数。

蓝色点:匹配到了错误的目标
红色点:匹配到了正确的目标
上述示意图都在跟踪对象O1,如果记录无匹配次数的话,整个过程发生一次无匹配;
如果记录无匹配的帧数,case1是2次误匹配,case2是4次误匹配

采用最优匹配序列对整个跟踪链进行统计。具体方法如下:

  • 构建假设位置与目标的匹配序列,Mt = {(Oi, Hi)} (该变量表示到t帧为止所建立的匹配序列)。在t+1帧,如果Oi的匹配对象是Hk, 发生误匹配。同时将(Oi, Hk)更新到M(t+1)中。

20190327095708.png

20190327095839.png

3. 计算指标

20190327100124.png

转载于:https://www.cnblogs.com/wemo/p/10628836.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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