【行人检测】miss rate versus false positives per image (FPPI) 前世今生（实战篇-上）

上文我们说到【行人检测】miss rate versus false positives per image (FPPI) 前世今生（理论篇），今天我们来跑通作者绘制FPPI图的代码以及源码解读
（第一、二、三、四都在上一篇文章中，所以这篇文章直接从五开始）

---

五、miss rate versus false positives per image (FPPI) 官方绘制方法

接下来我们用作者提供的数据，跑通作者绘图的代码

（很多人可能会好奇，python现在这么热门，居然不是用python画的，主要原因有两个：1. 因为原作者提供的代码就是matlab的；2. 因为我在网上没有找到一个比较靠谱的python写法，所以目前先只讨论matlab版的。如果后续看到有比较好的python版画法，我再加上吧）

1. 安装第三方工具包

按照这篇文章Caltech评估方法的0 安装步骤安装

2. 下载annotations和res

annotations是数据集的ground truth，res是模型的预测

下载地址：https://drive.google.com/drive/folders/1IBlcJP8YsCaT81LwQ2YwQJac8bf1q8xF

两个都要下载

文件放置如图所示（res文件夹需要自己你新建）：
annotations压缩包解压到../code3.2.1/data-USA中，annotations文件内如图所示：

res文件里的所有压缩包分别解压到独立文件夹中，并放在../code3.2.1/data-USA/res中，res文件内如图所示：

如果你觉得下载annotations和res嫌麻烦的话，可以直接下载我的这个，直接运行dbEval.m就好了

下载地址：miss rate versus false positives per image(FPPI)绘制代码

3. 运行绘图代码

绘图工具的代码地址在：http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/

在Download标题下的Matlab evaluation/labeling code (3.2.1).，解压后里面有个dbEval.m文件，这个文件就是主要用来绘制FPPI曲线的。

打开dbEval.m，将第136行的GDFL算法注释掉，不然会报错

在dbEval.m第292行前加一句：

saveas(gcf, './results/mr-fppi.png')

并且注释掉第293~297行的代码，如下图所示