**：
otb 可以用來衡量你的目標跟蹤演算法好壞，它包含一些 benchmark 結果，打好標記（即ground-truth.txt )的資料集，以及乙個用來測試你的演算法的**庫。
不同的資料集還標有不同的屬性，這些屬性可以代表目標跟蹤領域的常見難點。例如，iv（illumination variation）表示光照變化，sv（scale variation ）表示尺度變化，occ（occlusion ）表示遮擋，def（deformation ）表示變形，mb（motion blur ）表示運動模糊，fm（fast motion）表示快速移動，ipr（in-plane rotation）表示平面內旋轉，opr（out-of-plane rotation）表示平面外旋轉，ov（out-of-view ）表示離開視野，bc（background clutters ）表示相似的背景，lr（low resolution）表示低的解析度。
精確圖 precision plot該評估方法的缺點：無法反映目標物體大小與尺度的變化。
成功率圖 success plot
首先定義重合率得分（overlap score，os），追蹤演算法得到的bounding box（記為a），與ground-truth給的box（記為b），重合率定義為：os = |a∩b|/|a∪b|，|·|表示區域的畫素數目。當某一幀的os大於設定的閾值時，則該幀被視為成功的（success），總的成功的幀佔所有幀的百分比即為成功率（success rate）。os的取值範圍為0~1，因此可以繪製出一條曲線。
ope
用ground-truth中目標的位置初始化第一幀，然後執行跟蹤演算法得到平均精度和成功率。這種方法被稱為one-pass evaluation (ope)。
魯棒性評估（sre，tre）
通過從時間（temporally，從不同幀起始）和空間（spatially，不同的bounding box）上打亂，然後進行評估。可以分為：temporal robustness evaluation (tre) 和 spatial robustness evaluation (sre)。
由於有些演算法對初始化時給定的bounding box比較敏感，而目前測評用的ground-truth都是人工標註的，因此可能會對某些跟蹤演算法產生 影響。因此為了評估這些跟蹤演算法是否對初始化敏感，作者通過將ground-truth輕微的平移和尺度的擴大與縮小來產生bounding box。平移 的大小為目標物體大小的10%，尺度變化範圍為ground-truth的80%到120%，每10%依次增加。最後取這些結果的平均值作為sre score。
以上，就是otb評估的幾個指標。
tensorflow 目標檢測訓練及評估
基於tensorflow訓練車輛檢測器原始碼已上傳github,裡面整合了一鍵式訓練的指令碼。0.硬體，一塊1080ti及以上顯示卡的機器，不建議用cpu訓練。1.安裝gpu版tensorflow,並搭建訓練環境 sudo pip install tensorflow gpu sudo pip in...
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...
多目標跟蹤的評價指標
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 ...