快要开始写毕业论文了，算法性能测试不可避免，今天要写的这些东西大部分是在年前弄完的，趁热记录一下。
网上是有各种测试VOT的代码的，我找到的大部分是matlab的，比如这个：VOC_TOOL_KIT,不过我一直在做的这个算法是用CPP写的,所以还是想写一个CPP的性能测试框架，结合cpp11的一些调试器，这个东西其实是不难的，下面分享一下。
根据VOT数据的格式，大概是这么一个流程：
流程
1. 根据list自动读取视频
VOT数据的格式长这样：
VOT
每个文件夹里包含图片序列，list里面写的是每个文件夹的名称，是为了读取文件夹下的图片和groundtruth信息用的。
把每一行的信息存储为一个字符串，这样会得到一个字符串列表，我们用vector来存储：
// 读取list列表的信息,输入参数为`list`的路径。
vector read_list(const string &list_name)
{
vector list_mes;
ifstream list(list_name); //ifstream对象。
string line;
while(getline(list,line)) //读取list列表信息
{
//cout< 2. 读取groundtruth和图片序列
首先来讲groundtruth的读取，groundtruth是标注的跟踪框信息，每一行有8个数字(竟然还是小数?)，分别是：
分别是矩形的四个点的坐标，但是值得注意的是，这四个点并没有对应的位置关系（这个问题应该是标注的时候的问题），所以我们就只能根据坐标之间相互的大小关系来得到矩形框的信息，我们希望最后groundtruth提取到vector里面。
过程和上面的类似，先拿到每一行，然后把每一行分割出来（这种题目在LeetCode里刷的太多了）转换为数字。而后根据他们之间的大小关系来构建cv::Rect对象，这个过程中把小数转换为整数，我用的是四舍五入，这个不是最重要的。
cv::Rect split_line(string &line)
vector read_groundtruth(const string &groundtruth_txt,int &num_of_line) //const常量才可以由字符串隐式转换
{
vector groundtruth; // vector 用来存groundtruth
ifstream groundtruth_file; // 文件对象
groundtruth_file.open(groundtruth_txt); //打开txt文件
string line; //当前行
Rect rect_tmp; //每一行搞成一个rect
while(getline(groundtruth_file,line))
{
rect_tmp=split_line(line); //分解字符串为RECT
groundtruth.push_back(rect_tmp); //压入vector
num_of_line++;
}
groundtruth_file.close();
return groundtruth;
}
cv::Rect split_line(string &line)
{
double pos[8]; //八个点
int index=0; //点的索引
string tmp; //暂存的string，来转换为double
tmp.clear(); //清零
for(auto l:line) //遍历字符串，这里面是一个比较简单的字符串根据特定字符分离的一个算法
{
if(l==',')
{
pos[index]=stod(tmp);
index++;
tmp.clear(); //一定要记得清零
}
else
{
tmp+=l;
}
}
pos[index]=stod(tmp); //处理最后一个
//四个点，对应矩形的四个点
/* 我后来发现标注的点并不是遵循这样的规律，不一定一开始是左上角的点，这取决于当时标注的
人先从哪个点开始点的，所以应该来使用坐标之间的大小关系来确定到底是哪个点
cv::Point2f up_left(pos[0],pos[1]);
cv::Point2f up_right(pos[2],pos[3]);
cv::Point2f down_right(pos[4],pos[5]);
cv::Point2f down_left(pos[6],pos[7]);
//cout< 3. 初始化跟踪器并运行
我这里用的KCF，大概的框架如下：
void kcf_test()
{
//读取list信息
vector list=read_list("vot2015//list.txt");
//主循环，每一个循环代表一个图片序列
for(int i=0;i groundtruth=read_groundtruth(path+"groundtruth.txt",num_of_line);
int index=1;
for(auto gg:groundtruth)
{
res_ground< track_res;
track_res.push_back(groundtruth[0]);
//读取第一张图片并初始化跟踪器
string zeros8="00000000";
cv::Mat img=imread(path+"00000001.jpg");
imshow("img",img);
double all_time=0;
KCFTracker tracker(true,true,true,true); //构造
KCFTracker tracker_NI(true,true,true,false); //构造
tracker.init(groundtruth[0],img); //初始化
tracker_NI.init(groundtruth[0],img);
cv::rectangle(img,groundtruth[0],cv::Scalar(0,0,255)); //第一帧画框
for(int j=2;j(getTickCount());
cv::Rect Rect_kcf_i=tracker.update(frame);
cv::Rect Rect_kcf=tracker_NI.update(frame);
double time=((double)getTickCount()-start)/getTickFrequency();
//主要的参数
res_kcf << j << "\t" << Rect_kcf.x << "\t" << Rect_kcf.y << "\t" << Rect_kcf.width << "\t" << Rect_kcf.height << "\n";
res_kcf_inter << j << "\t" << Rect_kcf_i.x << "\t" << Rect_kcf_i.y << "\t" << Rect_kcf_i.width << "\t" << Rect_kcf_i.height << "\n";
all_time+=time；
//cout<<"fps\t"<<1./time< 我会把跟踪器的跟踪结果(cv::Rect)保存到txt里面，然后使用matlab或者python写脚本来解析这些txt文件来画图或者干你想干的任何事情。
4.解析TXT文件并画图（以PrecisionPlot为例）
为了练习使用python，后面的画图之类的脚本都是用python写的，可能用的不熟，代码难免有冗余。
我主要画两个图，第一个是CLE（center location erroe）,就是中心位置误差，就是跟踪框的中心和标注的跟踪框的位置之间的欧氏距离，横轴用帧数，纵轴用CLE。
第二个也是跟踪里面常用的，PrecisionPlot，横轴是阈值，从0-100，纵轴是一个百分比，这个百分比的含义为：CLE小于等于当前阈值的帧数在所有帧数中所占的比例。
代码在下面，主要的功夫还是花在了解析字符串和批量处理上面，注释写的比较清楚。
# -*- coding: utf-8 -*-
"""
Created on Mon Jan 28 20:16:05 2019
@author: zhxing
this code can draw position precision of tracking result in vot challenge
"""
import math
import matplotlib.pyplot as plt
import numpy
#存放文件的路径以及各种文件的路径
path="results//"
ave_fps_kcf="_ave_fps_kcf.txt"
ave_fps_kcf_inter="_ave_fps_kcf_inter.txt"
res_ground="_res_ground.txt"
res_kcf="_res_kcf.txt"
res_kcf_interpolation="_res_kcf_interpolation.txt"
file=open(path+"list.txt")
lines=file.readlines()
#calculate the Pre,CLE is CENTOR LOCATION ERROR,and it is a list
def calculatePre(CLE):
res=[]
for thresh in range(1,100):
tmp=numpy.array(CLE) #get the temporary variable
tmp[tmp<=thresh]=1
tmp[tmp>thresh]=0
num=sum(tmp)
rate=float(num)/float(tmp.size)
res.append(rate)
return res
#定义画中心位置误差图像的函数
def drawCLE(title,ResGroundLines,ResKcfLines,ResKcfILines):
CleKcf=[]
CleKcfI=[]
num_of_frame=len(ResGroundLines)-2 #帧数，去掉表头和最后一帧（主要是我结果好像少写了一帧）
for index in range(1,(num_of_frame+1)):
#每一行拿出来，第一列是分别是 frame x y width height,分离出来并转换成数字
GroundPos=(ResGroundLines[index]).split('\t')
KcfPos=(ResKcfLines[index]).split('\t')
KcfIPos=(ResKcfILines[index]).split('\t')
GroundPos=list(map(int,GroundPos))
KcfPos=list(map(int,KcfPos))
KcfIPos=list(map(int,KcfIPos))
#提取中心位置
P_G=[GroundPos[1]+GroundPos[3]/2,GroundPos[2]+GroundPos[3]/2]
P_K=[KcfPos[1]+KcfPos[3]/2,KcfPos[2]+KcfPos[4]/2]
P_KI=[KcfIPos[1]+KcfIPos[3]/2,KcfIPos[2]+KcfIPos[4]/2]
CLE_KCF=math.sqrt((P_K[0]-P_G[0])**2+(P_K[1]-P_G[1])**2)
CLE_KCF_I=math.sqrt((P_KI[0]-P_G[0])**2+(P_KI[1]-P_G[1])**2)
CleKcf.append(CLE_KCF)
CleKcfI.append(CLE_KCF_I)
plt.figure() #CLE CENTOR LOCATION ERROR
plt.title(title+"CLE Plot")
plt.plot(CleKcf,color='red',label="KCF")
plt.plot(CleKcfI,color='blue',label="KCF_I")
plt.legend()
plt.savefig("results//png//"+title+".png",dpi=600)
PreKcf=calculatePre(CleKcf)
PreKcfI=calculatePre(CleKcfI)
plt.figure() #PRECISION PERCENT
plt.title(title+"Precision Plot")
plt.plot(PreKcf,color='red',label='KCF')
plt.plot(PreKcfI,color='blue',label="KCF_I")
plt.legend()
plt.savefig("results//png//"+title+"_Pre.png",dpi=600)
#主函数
for target in lines:
print("this is the:\t"+target)
#target有个回车，这里需要把这个回车给去掉,然后下面把当前target下的文件读取
AveFpsKcf=open(path+target[:-1]+ave_fps_kcf)
AveFpsKcfI=open(path+target[:-1]+ave_fps_kcf_inter)
ResGround=open(path+target[:-1]+res_ground)
ResKcf=open(path+target[:-1]+res_kcf)
ResKcfI=open(path+target[:-1]+res_kcf_interpolation)
AveFpsKcfLines=AveFpsKcf.readlines()
AveFpsKcfILines=AveFpsKcfI.readlines()
ResGroundLines=ResGround.readlines()
ResKcfLines=ResKcf.readlines()
ResKcfILines=ResKcfI.readlines()
drawCLE(target,ResGroundLines,ResKcfLines,ResKcfILines)
大概就是这样了。这个代码我不是单独写的，而是写在了darknet里面了，具体在src/image_opencv.cpp里面，可以参考。
github地址：https://github.com/zhxing001/DarkNet