optical flow光流估计的评价指标

评价指标

Endpoint error(EPE)

计算的是估计光流和groundtruth光流的欧氏距离:
$$EPE=\sqrt{((u_{est}-u_{gt}{)}^2+(v_{est}-v_{gt}{)}^2)}$$
这是一种比较普遍的评估指标，通常会用EPE的均值来评估光流估计的结果。

Angular error(AE)

计算的是光流向量之间的角度误差：($(u_0,v_0,1)$表示一个列向量)
$$AE=\arccos (\frac{(u_{est},v_{est},1{)}^T\ast (u_{gt},v_{gt},1)}{\sqrt{1.0+u_{est}\ast u_{est}+v_{est}\ast v_{est}}\sqrt{1.0+u_{gt}\ast u_{gt}+v_{gt}\ast v_{gt}}})$$

Interpolation error(IE)

插值误差指的是真值图像和估计的插值图像颜色值的root-mean-square(RMS) diffenrence
$$IE=\sqrt{\frac{1}{N}\sum _{(x,y)}(I(x,y)-I_{gt}(x,y){)}^2}$$
N是像素点的个数，对于RGB图像，取RGB颜色差别的L2 norm。

Normalized interpolation error(NE)

$$IE=\sqrt{\frac{1}{N}\sum _{(x,y)}\frac{(I(x,y)-I_{gt}(x,y){)}^2}{||▽I_{gt}|{|}^2+ϵ}}$$
论文中取$ϵ=1.0$。 对于RGB图像，取向量差的L2 norm，并分别计算梯度。
得到插值图像的方法见论文的3.3.2

光流数据集

Middlebury Optical flow dataset 最经典
MPI Sintel Dataset
Robust Vision Challenge
KITTI Flow 2012 evaluation
KITTI Flow 2015 evaluation
Heidelberg HD1K Flow benchmark

---

参考：
论文 A Database and Evaluation Methodology for Optical Flow
https://vision.middlebury.edu/flow/eval/
https://stackoverflow.com/questions/49699739/what-is-endpoint-error-between-optical-flows
https://github.com/philferriere/tfoptflow/blob/master/README.md