当前位置:首页 > 多媒体 > 图形/图像

视觉追踪算法测试 VOT15 benchmark和TOB benchmark(2013)

优良自学吧提供视觉追踪算法测试 VOT15 benchmark和TOB benchmark(2013),视觉跟踪算法测试 VOT15 benchmark和TOB benchmark(2013)  自己通过查阅国内外基于相关滤波的跟踪算法论文,在实验分析阶段,发

视觉跟踪算法测试 VOT15 benchmark和TOB benchmark(2013)

  自己通过查阅国内外基于相关滤波的跟踪算法论文,在实验分析阶段,发现很多都是将OTBVOTbeachmark结合来用的,当然也有单独用OTB benchmark来分析的。因此,自己这周对这两个benchmark的内容和使用方法做了下了解,现归纳如下。

OTB benchmark2013

  OTBdataset包含51个测试图片序列,其对跟踪算法性能的评价采用两个评价准则center location errorCLE)和area under curve(AUC),并提出了三个算法鲁邦性评价方法one-pass evaluation(OPE)temporal robustness evaluation(TRE)spatial robustness evaluation(SRE)

Precision plot是精度曲线图,其衡量的是估计目标中心与真实目标中心的欧式距离误差大小,其横坐标是一系列不同的距离阈值大小(像素单位),纵坐标是估计目标中心位置的误差距离小于该阈值的所有帧占该序列总帧的百分比。一般采用阈值为20个像素所对应的百分比为评价scoreCLE)。Success plot是成功率曲线图,其表征的是估计目标矩形框与真实目标矩形框的重叠率的大小,即两矩形框的相交部分面积除以两矩形框的相并部分的面积。其横坐标是从01的连续阈值,纵坐标是重叠率大于该阈值的所有帧占该序列总帧的百分比。使用曲线下方的面积来表示评价score

成功率曲线的AUC评价的是跟踪算法的整体性能,而CLE是某一误差阈值下的评价scoreAUC相比CLE而言,其更加准确。因此通常是用AUC来对跟踪算法进行排名,用CLE来进行辅助分析。

OPE:是一种传统的跟踪算法测试方法,即只利用初始帧的目标信息,然后跟踪器来跑某个测试序列,然后基于整个测试集序列得出一个平均精度曲线和成功率曲线。

另外考虑到跟踪器对目标初始化状态敏感,而且在现实的实际应用中,跟踪器可能经常地被人为初始化,这时就会在目标位置和目标尺度上引入初始化错误。不同的起始帧位置的目标状态是不同的,跟踪器可能表现地更好或更坏,而且实际中,跟踪器也会在不同的时间节点被初始化。因此为了分析跟踪器对目标初始化状态和目标初始化位置的鲁棒性,OTB分别又提出了SRETRE测试方法。

SRE:在初始帧中,通过目标位置的改变和目标尺寸的变化,得到12种不同的目标初始化状态,然后分别利用这些状态,在测试序列上进行12次测试,然后得到SRE下的平均精度曲线和成功率曲线。

TRE:通过将一个测试序列按比例分成20等份,然后跟踪器在每一份测试序列上单独进行测试,然后在每一份序列上都进行评价,最后把这些评价结合起来,得到TRE下的平均精度曲线和成功率曲线。

VOT15 benchmark

  VOT使用准确率和鲁邦性两个评价指标来对跟踪算法进行性能分析。准确率accuracy是指跟踪器在单个测试序列下的平均重叠率(两矩形框的相交部分面积除以两矩形框的相并部分的面积)。鲁棒性robustness是指单个测试序列下的跟踪器失败次数,当重叠率为0时即可判定为失败。因为VOT benchmark是针对的短期目标跟踪,当跟踪器失败之后,从失败位置之后的5帧开始,跟踪器会被自动重新初始化。

考虑到以上两个指标的计算原理,在算法分析时,单独分析单个指标是不恰当的。单独看准确率不行,因为当一个跟踪器失败多次时,其就会被多次初始化,很有可能其就会有较高的准确率。单独看鲁邦性也不行,因为只要目标不严重遮挡或是跑出视频帧外,跟踪算法会实现零失败,这时还需看准确率才行。


(本文来自互联网,不代表搜站(http://www.ylzx8.cn/)的观点和立场)
本站所有内容来自互联网,若本站收录的信息无意侵犯了贵司版权,请给我们来信(ylzx8cn@163.com),我们会及时处理和回复,谢谢