【跟踪】跟踪篇（3）--对于Object Tracking Benchmark的理解-北京尧图网络

文章主要是使用OTB作为评测时会产生很多图包括测试方法的选择所以还是有必要对这些评测方法进行系统的梳理的。论文的下载链接https://www.cv-foundation.org/openaccess/content_cvpr_2013/papers/Wu_Online_Object_Tracking_2013_CVPR_paper.pdf。主要是对Object Online Tracking: A Benchmark中进行一些总结。一些背景知识啥的就不再赘述了网上都可以百度到O(∩_∩)Obenchmark中被评估的算法和数据集具体表格中的含义如下MU: model update 模型更新FPS: frames per second 帧率对于表达方式LLocal 局部HHolistic 整体TTemplate 模板IH: Intensity Histogram 亮度直方图BP: Binary Pattern 二值模式PCA: Principal component analysis 主成分分析SPCA: Sparse PCA 稀疏主成分分析SR: Sparse Representation 稀疏表示DM: Discriminative model 判别模型GM: Generative model 生成模型搜索机制PF: Partical Filter 粒子滤波MCMC: Markov Chain Monte Carlo 马尔科夫链蒙特卡洛法LOS: Local optimum search 局部最优搜索DS: Dense sample search 密集采样搜索代码类型CodeM: MatlabC: C/CMC: Matlab和C/C混编suffix E: executable binary code 可执行二进制代码测试序列的特征属性描述IVIllumination Variation(光照变化)-目标区域内的光照剧烈变化SVScale Variation(尺度变化)-视频中第一帧和当前帧的边界框尺寸之比的范围超过[1/ts, ts], ts1 (ts2)OCCOcclusion(遮挡)-目标被部分或全部遮挡DEFDeformation(形变)-非刚体目标发生形变MBMotion blur(运动模糊)-目标或相机的运动导致目标区域变模糊FMFast Motion(快速运动)-ground truth的运动大于tm个像素点tm20IPRIn-Plane Rotation(平面内旋转)-目标在图像平面内发生旋转OPROut-Of-Plane Rotation(平面外旋转)-目标在平面外发生旋转OVOut-of-View(超出视野)-目标的一部分离开视野BCBackgroud Clutters(背景凌乱)-目标附近的背景具有和目标类似的颜色或纹理LRLow Resolution(低分辨率)-ground truth边界框内的像素点个数少于tr(tr400)下图是整个测试数据集的属性分布评估方法这个其实是重头戏文中主要是使用精度和成功率做定量分析的。精确度图跟踪精度评估时主要使用的标准是中心位置误差定义为跟踪目标中心位置和手工标定的准确位置之间的欧氏距离一个序列中所有帧的平均中心位置误差被用于概括跟踪算法对该序列的总体性能。但是当跟踪器跟丢时输出的位置是随机的所以上述的平均误差值可能无法正确估算跟踪的性能。最近使用的主要是精确度图精确度图能够显示出评估的位置在给定的准确值的阈值距离之内的帧数占总帧数的百分比。对于每个跟踪器具有代表性的精度评分使用的阈值为20个像素点。成功率图主要是指边界框的重叠率假设给定的边界框是rtr_trt,真实值的边界框是rar_ara,则重叠率则被定义为S∣rt∩ra∣∣rt∪ra∣S\frac{|r_t\cap r_a|}{|r_t\cup r_a|}S∣rt∪ra∣∣rt∩ra∣,其中∩\cap∩和∪\cup∪分别表示两个区域的交集和并集∣.∣|.|∣.∣表示的是区域内像素点的个数。为了测试跟踪器在视频序列中的性能我们需要计算重叠率SSS大于给定阈值tot_oto的成功帧的数量成功率图给出了阈值从0到1变化是成功帧所占的比例。使用某一特定阈值如to0.5t_o0.5to0.5下的成功了下来评价跟踪器可能并不公平所以在文中使用的是成功率图的曲线下面积AUC作为替代用于给跟踪算法进行排序。鲁棒性评估传统方式OPE一次通过评估根据第一帧中的准确位置进行初始化然后在一个测试序列中运行算法最后得出平均精确度或成功率的结果。但是跟踪器可能对初始化非常敏感并且在不同的初始帧给与不同的初始化会使得性能变好或变差所以又存在下面两种方式来评估跟踪器对初始化的鲁棒性。时间鲁棒性评估Temporal robustness evaluation, TRE:给定一个标记了目标准确边界框的初始帧跟踪器被初始化后运行到序列结束。运行的序列是整个序列的子集跟踪器会在每个序列的片段上进行评估并且整日的数据也会记录下来。在实验中将每个序列选择20个不同的帧作为初始位置然后运行视频序列。空间鲁棒性Spatial robustness evaluation, SRE:文中作者在第一帧通过移动或缩放准确的ground truth来抽取初始化边框。文中使用了8种空间位置上的便宜包括4种中心偏移和4种角偏移还有4中尺度变化。偏移量为目标尺寸的10%尺度比例变化可取0.80.91.1和1.2。因此对于SRE,需要对每个完整的序列测试12次。其他的一些都是文中的细节小伙伴们可自行阅读O(∩_∩)O

【跟踪】跟踪篇（3）--对于Object Tracking Benchmark的理解

相关推荐

彻底关闭系统自带防护：分层拆解与防复活实操指南

WinEdt 11 LaTeX智能编译快捷键重配指南

串口服务器如何实现DLT645到IEC104协议深度转换

更多资讯

基于 Spring Boot 的研究生导师信息管理系统设计与实现

基于 Spring Boot 的学校浴室管理系统设计与实现

ADK A2A 实战：从零跑通分布式智能体协作，把孤岛智能体连成网络

如何快速选对 Rime 输入方案：awesome-rime 完整指南

平衡车FOC固件改造完全实战：hoverboard-firmware-hack-FOC 上手指南

Minecraft启动器PCL2：免费开源，5分钟跑起来还能自动装Java

今日更新

Verilog实现FPGA密码锁：矩阵键盘与状态机设计实战

数据服务监控运维实战：从指标体系到告警治理与故障排查

FreeRTOS任务通知实战详解：内核原理、API与避坑指南

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？