多目标跟踪评价指标介绍：MOTA和IDF1，附py-motmetrics代码

最新推荐文章于 2024-02-26 12:24:34 发布

Chris_Tang021

最新推荐文章于 2024-02-26 12:24:34 发布

阅读量3.8k

点赞数 31

分类专栏：人工智能神经网络文章标签：目标跟踪人工智能计算机视觉 python pytorch AI编程机器学习

本文链接：https://blog.csdn.net/weixin_44517742/article/details/136068468

版权

人工智能神经网络专栏收录该内容

9 篇文章

订阅专栏

文章目录

介绍
评价指标公式
- Multiple Object Tracking Accuracy, MOTA
- IDF1
计算评价指标

介绍

多目标跟踪（MOT）技术在视频分析和计算机视觉领域扮演着至关重要的角色，它的主要任务是在视频序列中跟踪多个对象。MOT通常涉及两个主要阶段：目标检测和数据关联。

首先，目标检测阶段通过图像处理技术识别视频中的多个对象，比如识别出路上的行人。然后，在数据关联阶段，算法需要将连续帧中检测到的对象正确关联起来，形成对象的运动轨迹。如下图所示：
在这里插入图片描述常用的常用的跟踪方法包括基于卡尔曼滤波的追踪、深度学习方法等。深度学习方法在处理大量复杂数据时显示出强大的性能，比如用ResNet对行人图片进行特征提取。

接下来的内容主要介绍如何以下两个核心评价指标：多目标跟踪准确率（Multiple Object Tracking Accuracy, MOTA）和IDF1（ID F1 Score, IDF1）。

评价指标公式

Multiple Object Tracking Accuracy, MOTA

MOTA是一种广泛使用的评价指标，用于衡量多目标跟踪算法的整体性能。它综合考虑了三种错误类型：误检（false positives）、漏检（false negatives）和身份交换（identity switches）。MOTA的计算公式如下：
$1-\frac{\sum_t (FN_t+FP_t+IDSW_t)}{\sum_t GT_t}$

其中， $FN_t$ 是第 $t$ 帧的漏检数量，FP是误检数量，IDSW是身份交换的次数，而 GT是实际的目标数量。

# ref: https://github.com/cheind/py-motmetrics/blob/7210fcce0be1b76c96a62f6fe4ddbc90d944eacb/motmetrics/metrics.py#L563
def mota(df, num_misses, num_switches, num_false_positives, num_objects):
    """Multiple object tracker accuracy."""
    del df  # unused
    return 1.0 - math_util.quiet_divide(
        num_misses + num_switches + num_false_positives, num_objects
    )

IDF1

IDF1是评估多目标跟踪中身份保持一致性的重要指标。 F1分数是精确度（precision）和召回率（recall）的调和平均。在多目标跟踪的背景下，精确度是指正确识别的身份占所有识别身份的比例，而召回率是指正确识别的身份占所有实际身份的比例。IDF1的计算公式如下：

$IDF1=\frac{2\times IDTP}{2\times IDTP + IDFP + IDFN}$
其中，IDTP（True Positives）是正确匹配的身份数量，IDFP（False Positives）是错误匹配的身份数量，而 IDFN（False Negatives）是漏检的身份数量。

# ref: https://github.com/cheind/py-motmetrics/blob/7210fcce0be1b76c96a62f6fe4ddbc90d944eacb/motmetrics/metrics.py#L743
def idf1(df, idtp, num_objects, num_predictions):
    """ID measures: global min-cost F1 score."""
    del df  # unused
    return math_util.quiet_divide(2 * idtp, num_objects + num_predictions)

计算评价指标

可以使用py-motmetrics库。这个库提供了一个简单API来计算多目标跟踪指标。

py-motmetrics定义了以下几种事件类别：

'MATCH' a match between a object and hypothesis was found
'SWITCH' a match between a object and hypothesis was found but differs from previous assignment (hypothesisid != previous)
'MISS' no match for an object was found
'FP' no match for an hypothesis was found (spurious detections)
'RAW' events corresponding to raw input
'TRANSFER' a match between a object and hypothesis was found but differs from previous assignment (objectid != previous)
'ASCEND' a match between a object and hypothesis was found but differs from previous assignment (hypothesisid is new)
'MIGRATE' a match between a object and hypothesis was found but differs from previous assignment (objectid is new)