Online object tracking: A benchmark

原创于 2021-03-10 19:53:22 发布 · 446 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪

本文介绍了一种用于评估在线目标跟踪算法性能的方法。通过构建标准化的数据集和库，该研究为评估跟踪算法提供了一个基准，有助于明确未来研究方向并提高算法的鲁棒性。

Wu Y , Lim J , Yang M H . Online Object Tracking: A Benchmark[C]// Computer Vision & Pattern Recognition. IEEE, 2013.

总结

解决问题
使用的方法
贡献：

解决问题

开发一套库和标准用于评估当前最先进的跟踪算法。评估这些最先进的跟踪器的性能以展示其优势和弱点，有助于明确该领域未来的研究方向，从而设计出更加鲁棒的算法。（这篇文献的研究工作主要专注于单目标的在线跟踪。）

使用的方法

以多种评价标准进行了大量的实验，用于研究这些算法的性能。测试图片序列分别被标注了不同的特性，便于性能评估和分析。
收集具有代表性的数据集用于综合性能评估。
从空间和时间上扰乱真实目标位置的初始状态（评估跟踪算法时一个常见的问题是，结果报告仅仅基于少量不同初始条件和参数的序列）来进行公平和综合的性能评估。
使用基于位置误差度量的精确度图和基于重叠度量的成功率图来分析每一个算法的性能。
使用精度和成功率做定量分析，从时间和空间鲁棒性评估。

贡献：

通过定量分析结果，得出了实现鲁棒性跟踪的有效方法，并给出了目标跟踪领域潜在的未来研究方向。

数据集：建立了一个跟踪数据集，其中包含50个完全标注好的序列以便于跟踪算法的评估。
代码库：在代码库里，整合了大部分公开可获得的跟踪器，并且统一了输入输出格式以便于大规模的算法性能评估。
鲁棒性评估：跟踪中的初试边界框在时空上被抽样用于评估跟踪器的鲁棒性和特点。每一个跟踪器通过分析超过660000个边界框输出结果被全面地评估。