MOT：Metrics MOTA

简介：

MOTChallenge是多目标跟踪领域最为常用的benchmark，其中2D MOT15，3D MOT15，MOT16，MOT17，MOT20都是多目标跟踪领域常用的数据集。 下面我们按照MOTChallenge中的评价标准进行介绍，当然MOTChallenge也主要参考《Evaluating Multiple Object Tracking Performance: The CLEAR MOT Metrics》

评价指标：

总结

CLEAR MOT Metrics认为一个好的多目标跟踪器应该有如下三点特性： 1.所有出现的目标都要能够及时找到（检测的性能） 2.找到目标位置要尽可能可真实目标位置一致（检测的性能） 3.保持追踪一致性，避免跟踪目标的跳变 （匹配的性能） 所以可以看出，多目标跟踪和目标检测是密不可分的，检测的性能不可避免的会对跟踪的性能造成影响。 MOTChallenge的评价指标一共有十一个，分别是

MOTA

\begin{aligned} \text {MOTA} = 1 - \frac{|\text {FN}| + |\text {FP}| + |\text {IDSW}|}{|\text {gtDet}|} \end{aligned} 其中，FN为False Negative，FP为False Positive，IDSW为ID Switch，GT为Ground Truth 物体的数量。MOTA考虑了tracking中所有帧中对象匹配错误，主要是FN，FP，ID Switch。MOTA给出了一个非常直观的衡量跟踪器在检测物体和保持轨迹时的性能，与物体位置的估计精度无关。MOTA取值应小于100，当跟踪器产生的错误超过了场景中的物体，MOTA会为负数。需要注意的是，此处的MOTA以及MOTP是计算所有帧的相关指标再进行平均（既加权平均值），而不是计算每帧的rate然后进行rate的平均。 注意MOTA中的FN，FP是检测的结果，而不是跟踪的结果，也就是说MOTA中只有IDs是和跟踪有关系的，剩下的都是检测。MOTA相比于IDF1要更偏向与检测。

MOTP

\begin{aligned} \text {MOTP} = \frac{1}{|\text {TP}|}\sum _{\text {TP}}{ \mathcal {S}} \end{aligned}

其中，d为检测目标i和给它分配的ground truth之间在所有帧中的平均度量距离，在这里是使用bounding box的overlap rate来进行度量（在这里MOTP是越大越好，但对于使用欧氏距离进行度量的就是MOTP越小越好，这主要取决于度量距离d的定义方式）；而c为在当前帧匹配成功的数目。MOTP主要量化检测器的定位精度，几乎不包含与跟踪器实际性能相关的信息。

IDF1

IDF1 = \frac{2\times IDP \times IDR} {IDP + IDR} IDR = \frac{IDTP} {IDTP + IDFN} IDP = \frac{IDTP} {IDTP + IDFP} 而IDTP，IDFN和IDFP就引入了ID考量的TP，FN和FP，这种考量是一种min-cost原则的匹配计算。 比如存在一段GT track，是10个1，有2个predict的track，是track1和track2：

truth ：1-1-1-1-1-1-1-1-1-1 track1：1-1-2-2-3-3-4-4-5-5 track2：1-1-2-2-1-1-2-2-1-1

那么预测的结果是：

那么为什么track2的IDTP是6而不是4呢？ 因为用id1区匹配GT的话，min-cost更小。

FN&FP&IDs&Frag

假设GT只有一条，用虚线表示，也就是说在GT中由6帧图像，并只有一个track id。下面由a，b，c，d四张图，涵盖了FN，FP，IDs和Frag的情况。 在图a中，GT被预测为红蓝两条，红色轨迹F1时并没有匹配上GT，所以GT实际上是一个FN，也就是实际为目标，但是被遗漏了。同理红色轨迹的F1结果，也就是一个FP，因为实际上是一个不存在的东西被判定成了目标。 同理，蓝色轨迹F3，F4也是FP，又因为GT由4到5时，id从红色变成蓝色，所以存在IDs。 在图b中，还是同样的GT，这次红蓝两条轨迹没有交叠，在F3的地方GT断开了，所以存在一次Frag。

在这里插入图片描述

Reference：

• py-motmetrics
• TrackEval