目标跟踪tracker_benchmark_v1.0的配置OTB100数据集

目标跟踪tracker_benchmark_v1.0的配置OTB100数据集

5、特点

（1）11种跟踪难点：光照变化 Illumination Variation，尺度变化 Scale Variation，遮挡 Occlusion，形变 Deformation，运动模糊 Motion Blur，快速运动 Fast Motion，平面内旋转 In-Plane Rotation，平面外旋转 Out-of-Plane Rotation，出视野(完全消失) Out-of-View，背景杂波(背景相似目标干扰) Background Clutters，低分辨率 Low Resolution。（注意，VOT中没有出视野这一情况，有遮挡但没有消失，任何时候目标的标注都追求真实准确，而OTB有目标完全消失的情况，这时候的标注框只是理论上的位置，猜的~~没法说错也没法说对；VOT的序列长度都比较短，即short-term，而OTB有long-term测试）

（2）2种评价指标：Precision plot，指标是中心位置偏差 center location error，这个指标没法反映跟踪的尺度和大小是否准确，所以用的不多，我也基本不看这个；Success plot，指标是交叠比 overlap score，这个比较靠谱，VOT中的accuracy也是这个，大部分论文也只放这个结果，请大家只看这个就够了。

（3）3种评价方式： one-pass evaluation (OPE) 一遍过评测，传统方式，第一帧给groundtruth，没有随机性的算法只跑一遍就可以了；temporal robustness evaluation (TRE)时域鲁棒性评测，加入时间干扰，从任意帧开始跟踪测试；spatial robustness evaluation (SRE)空域鲁棒性评测，给第一帧的groundtruth加干扰去初始化。我一般只看OPE，这个与TRE和SRE基本一致。(15’TPAMI中加入了Restart，跟踪失败下一帧马上重新初始化， 这个比较像VOT的重新初始化，不过VOT 5帧以后再初始化更科学合理，Restart的次数反映算法的robust，Restart次数越少、平均交叠比分数越高、说明算法越好）

例外情况：设想一下，有个算法非常非常差，跟一帧丢一帧，那它就会持续初始化，跑出来的结果有一半是groundtruth，会造成robust很低但accuracy比较高的情况；再设想一下，有个算法总是趋向于选择比较大的跟踪框，极限情况如果跟踪框一直是整个图像，那交叠比永远不可能为0，永远不会Restart，会造成accuracy很低但robust很高的情况；正常算法的accuracy和robust是比较均衡的，如果一高一低一定要当心。