對於多目標追蹤問題，我們認為乙個理想的評價指標應該滿足下述三點要求：
1）所有出現的目標都要能夠及時找到
2）找到目標位置要盡可能可真實目標位置一致
3）保持追蹤一致性，避免跟蹤目標的跳變
標準clear-mot測量，包括兩個評價標準：
1）multi-object tracking accuracy(mota)
多目標跟蹤準確度：
其中mt,fpt,和mmet分別是t幀時漏檢、誤檢和錯誤匹配的數量。mota可以分為3個部分：
漏檢率，計算的是基於所有幀中總目標數的佔比：
誤檢率：
錯誤匹配率：
將這三種不同錯誤比率合計起來就是總錯誤率etot，而1−etot是跟蹤準確率的結果。mota計算跟蹤在所有幀中所有目標的誤檢，漏檢和錯誤匹配。非常直觀的給出了衡量跟蹤識別目標和保持一致性的能力，且與估計目標位置精確度無關。
2）multi-objecttracking precision (motp)
多目標跟蹤精度：所有幀中匹配的目標-**對的總位置估計誤差，與匹配對數的比值。它衡量了跟蹤估計目標位置精確度的能力，但不衡量跟蹤的識別目標結構能力，以及保持跟蹤一致性能力等。
motp和mota兩個指標同時很高，那麼tracker的效能就越好。
note：這裡在計算motp和mota時，都是計算的整個tracking過程的平均值，而不是每一幀的結果，這是因為單幀計算這些變數然後再計算平均往往會導致和直觀上不同的結果。對於motp和mota，在計算最終均值或者比率之前，先彙總所有幀中的錯誤很重要。如果先計算每幀的錯誤率，然後再合計求平均，那麼結果可能違反直觀意義。如下圖所示。雖然序列中的大多數目標都漏檢了，但是如果先求每幀的錯誤率，再求平均，那麼任然只有50%的漏檢率。但是先分別合計所有幀中所有漏檢和目標數，然後再求平均，則漏檢率有80%，這更符合直觀意義。
計算錯誤率
假設有乙個長度為8幀的序列。從第一幀到第四幀有o1,o2,o3,o4o_1,o_2,o_3,o_4o1,o2,o3,o4四個可見的目標，但是都沒有被跟蹤識別出來。從第五幀到第八幀只有乙個o4目標，不過被h1跟蹤識別出來了。對於第一幀到第四幀來說目標百分之百的被漏檢了，漏檢率就是100%。而第五幀到第八幀都沒有漏檢，漏檢率為0%。那麼平均漏檢率就為(100%*4+0%*4)/8=50%。但是換一種演算法，所有幀出現的總目標個數有20個，漏檢個數有16個，則漏檢率為16/20=80%，顯然後一種演算法的結果更符合直觀意義一些。
此外，額外引入了若干指標來進行評價：
↑：表示得分越高越好，反之亦然。
recall(↑):正確匹配的檢測目標數/ground truth給出的目標數
precision(↑)：正確匹配的檢測目標數/檢測出的目標數
mt(↑)：目標的大部分被跟蹤到的軌跡佔比（大於百分之八十）
ml(↓)：目標的大部分跟丟的軌跡佔比（小於百分之二十）
pt(↓)：目標部分跟蹤到的軌跡佔比（1 - mt – ml）
fm(↓)：真實軌跡被打斷的次數
ids(↓)：一條跟蹤軌跡改變目標標號的次數
mota(↑)：結合了丟失目標，虛警率，標號轉換之後的準確性
motp(↑):：所有跟蹤目標的平均邊框重疊率
多目標跟蹤演算法評價指標
單目標跟蹤演算法的評價指標不用我多說，因為其跟蹤情況較為簡單，已經有較為明確的判斷指標，但是一直以來，多目標跟蹤的評價指標都未統一，跟蹤演算法的 中也是用各種評價指標來分析自身的演算法，但是缺少與其它演算法的橫向比較，孰優孰劣不得而知。因為自己的畢業課題設計到這塊，需要找到一種相對來說大家用的較多的...
多目標跟蹤
目前參與的乙個專案是 足球事件檢索 事件是乙個 high level 概念，需要基於一些 low level 資訊來做。後者主要就是一些影象處理的東西了。兩個 level 之間，會有一些中間層的資訊，比如足球的走向。根據師兄的建議，可以考慮對足球場上的運動員進行多目標跟蹤，在跟蹤軌跡的基礎上抽取一些...
多目標優化演算法評價指標
多目標進化演算法解集的效能評價指標主要分為三個方面 1 解集的收斂性評價 convergence performance,cp 反映解集與真實pareto前沿之間的逼近程度 2 解集的均勻性評價 uniformity performance,up 體現解集中個體分布的均勻程度 3 解集的廣泛性評價 ...