目录
1. MOT评价指标
MOT：multiple object tracking
评价出发点：
- 所有出现的目标都要及时能够找到；
- 目标位置要尽可能与真实目标位置一致；
- 每个目标都应该被分配一个独一无二的ID，并且该目标分配的这个ID在整个序列中保持不变。
评价指标数学模型：
评价过程的步骤：
- 建立 目标与假设最优间的最优一一对应关系，称为correspondence
- 对所有的correspondence，计算位置偏移误差
- 累积结构误差
a. 计算漏检数
b. 计算虚警数（不存在目标却判断为目标）
c. 跟踪目标发生跳变的次数
2. 实现思路
- 确定对应关系
如何确定对应关系，最直接的想法就是使用最邻近法？具体而言，就是比较groundtruth与预测框中心的距离。
另一个问题，如果没有检测到目标呢，所以需要设置一个距离阈值。
第三个问题，距离使用什么距离？欧氏距离。（曼哈顿距离、余弦距离、马氏距离不考虑，具体了解每种距离的物理意义和适用的情形、度量的特性）
简而言之，就是只要在一定的距离范围内，就认为是匹配到了目标。
- 如何刻画追踪一致性（持续跟踪）
追踪一致性：追踪预测目标和对应目标长时间保持对应关系不变的能力
上图分析：O1在正确匹配三帧之后发生了误匹配问题。
总结：误匹配问题多发生在两个跟踪目标很接近的时候。
问题与思考：如何记录整个目标在整个帧频中的无匹配次数。
蓝色点：匹配到了错误的目标
红色点：匹配到了正确的目标
上述示意图都在跟踪对象O1，如果记录无匹配次数的话，整个过程发生一次无匹配；
如果记录无匹配的帧数，case1是2次误匹配，case2是4次误匹配
采用最优匹配序列对整个跟踪链进行统计。具体方法如下：
- 构建假设位置与目标的匹配序列，Mt = {(Oi, Hi)} (该变量表示到t帧为止所建立的匹配序列）。在t+1帧，如果Oi的匹配对象是Hk, 发生误匹配。同时将（Oi, Hk）更新到M(t+1)中。
3. 计算指标
