皮盼资讯网移动版

VOT数据库以竞赛为主，与ImageNet相似，VOT-2016维护60个彩色视频序列。并且VOT评价标准与OTB不同，VOT-2016以短视频为主，并且每一帧都是精细标注，以第一帧初始化算法运行，在跟踪失败时，会运行平台给出的目标检测算法检测出目标物体再次运行算法。OTB-2015从随机帧开始，或矩形框加随机干扰来初始化跟踪算法，更加符合实际情况。具体评价指标有如下：

(1) Precision plot：算法估计的目标位置中心点与人工标注的目标中心点，当两者的距离小于给定阈值，计数器加一，最后统计百分比。不同的阈值，得到的百分比不一样，因此可以获得一条曲线。黄色代表算法估计目标位置，绿色代表人工标注目标位置，黄色中心与绿色中心的距离为红色线，根据距离大小表示跟踪效果。

(2) Success Plot：算法估计的目标位置记为a，人工标注的目标位置记为b，重合比例记为：

(3) 标志重叠像素比例，设定一个阈值，当像素重叠比例高于阈值，计数器加一，统计计数器占总视频帧数的比例，根据不同阈值，可以画出一条曲线。黄色代表算法估计目标位置，绿色代表人工标注目标位置，黑色区域代表两者之间的重叠部分，根据重叠比例大小表示跟踪效果。

(4) TRE: 在一个视频序列中，每个跟踪算法从不同的帧作为起始帧，进行追踪，比如分别从第一帧开始进行跟踪，从第十帧开始进行跟踪，从第二十帧开始进行跟踪等,初始化采用对应帧标注的ground-truth，分别求得到平均值。

(5) SRE: 某些算法对初始位置是比较敏感的，采用人工标注的位置进行跟踪，为评估算法对人工标注位置的敏感程度，将初始框进行轻微平移和尺度缩放，进而评估。

(6) OPER:算法在工作期间，容易出现跟踪失败的情况，此时对下一帧目标进行初始化，其余与OPE一致。

(7) 对于VOT benchmark来说，accuracy (A), robustness (R) and expected average overlap (EAO)是VOT的评价指标。一个好的跟踪算法，要求有较高的A值，较低的R值和较高的EAO值。

(8) OPE评价方法包括Precision plot和Success Plot，是比较简单直观的两种评价方式，但存在对初始位置比较敏感和没有重新初始化机制的问题。TRE评价指标通过设置不同起始帧完成对算法是否对初始位置敏感的考察，SRE评价指标通过将初始框进行平移和缩放考察是否对初始位置敏感。当算法出现跟踪失败的情况下，OPER评价指标在下一帧重新初始化再跟踪，解决了算法失败的问题的考察。我们将基于特征融合的跟踪算法在相应数据集上进行毕竟和测评。

在OTB-2015平台上将这两种优化方法与其他顶级跟踪算法的性能作对比，作为补充实验，实验结果如图3-3所示。

4.1系统整体设计与实现

基于系统需求和功能分析的结果，系统应当包括五个主要模块，分别为：前端交互模块、中央控制模块、物体检测模块、目标跟踪模块和系统复位模块。

整体的系统功能模块图及数据流动如图4.1所示。

前端模块用于实时地接受用户指令并展示物体检测和目标跟踪过程的状态和性能信息，为用户留出交互接口，具有良好的人机交互性和逻辑正确性，用户指令转发给中央控制模块。前端原型设计图如图4-2所示。采用功能按钮区和展示功能区分别集中布置的布局思路，保证界面的简洁美观。

中央控制模块用于根据前端发回的指令控制系统运行和停止，并实时性的分析系统当前运行的性能、记录和保存相关数据结果用于算法和系统性能测试。物体检测模块用于检测视频帧当中出现的物体并给出检测框位置、物体分类信息以及置信率，并将相关信息交付给目标检测模块。目标检测模块中嵌入基于检测的多种跟踪算法，将检测算法结果作为输入，在视频帧流不断前进的过程中实现实时的跟踪，并将跟踪的情况在反馈给中央控制模块，最终将图片跟踪结果和系统跟踪性能数据展示在前端界面。系统复位模块能够清除系统运行过程中产生的垃圾数据，保障相邻两次系统运行流程间互不干扰。

如图4-3所示点击执行初帧检测，经过运算展示初帧图像中物体检测框位置和物体类别信息。

如图4-4所示，点击执行跟踪按钮，系统开始运行跟踪算法，跟踪框漂移情况和算法fps、IOU性能分别给予不同形式的展示。

如图4-5所示，点击保存跟踪视频处理结果，弹出对话框，用户选择处理视频文件保存位置。视频自动保存。如图4-6所示是保存的视频播放结果。

如图4-7和图4-8所示分别是保存fps和IOU性能结果在系统中运行的操作截图。图4-9和图4-10分别是保存的fps和IOU性能结果图内容。

5.1结论