多目标跟踪评价指标及其计算方式

基于MOT的benchmark记录相关的评价指标以及其计算方式和意义
MOTA ( Multiple Object Tracking Accuracy)

MOTA计算所有帧的匹配情况，t为帧数，FN为False Negative，FP为False Positive，IDSW为ID Switch，GT为Ground Truth 物体的数量，计算所有帧的漏检数和误检数以及ID发生变化的情况。
上述公式可以拆解成三块
$\frac{{\sum }_{t}F{N}_t}{{\sum }_{t}G{T}_t}$,$\frac{{\sum }_{t}F{P}_t}{{\sum }_{t}G{T}_t}$,$\frac{{\sum }_{t}IDS{W}_t}{{\sum }_{t}G{T}_t}$
其中FN和FP主要是观测检测器性能，
而IDSW是同时观测检测器和跟踪器的性能，

MOTP (Multiple Object Tracking Precision)

其中d为distance，指在第t帧检测到的目标i与对应的gt之间坐标框的差异,一般采用iou或者欧式距离。
ct为在第t帧匹配到的目标数。

IDF1(Identification F-Score)

在跟踪中，IDTP和IDFP以及IDFN的计算规则如下

图中再每次id变化的第一帧都为FP，若没有检测到则为FN，若前后帧ID一样则为TP。
MT (Mostly Tracked)

满足Ground Truth至少在80%的时间内都匹配成功的track，在所有追踪目标中所占的比例。这里的匹配成功不考虑ID是否发生变化，主要衡量的是检测器的性能

ML（Mostly Lost）

满足Ground Truth仅在小于20%的时间内匹配成功的tracks，在所有追踪目标中所占的比例。

Rcll (Recall)
衡量检测器性能，检测器中检测出的正确目标除以总数。
$Rcll=\frac{{\sum }_{t}T{P}_t}{{\sum }_{t}G{T}_t}$

HOTA(Higher Order Tracking Accuracy)





结合图片梳理下TPA(True Positive Associations),FPA(False Positive Associations）,FNA(False Negative Associations)

根据上述我们可以看出来HOTA是对序列的粘合程度进行量化的。
TPA_c：在图中对于c而言就是预测C时的ID所有轨迹中和C实际轨迹匹配的那些目标
FPA_c: 在图中预测c时的id的所有轨迹中与c的实际轨迹没有匹配的目标
FNA_c: 在图中c的真实轨迹和预测轨迹没有匹配的目标