这一篇均是在上一篇的基础上实现的，在上一篇写了如何批量测试VOT数据集及保存跟踪结果。并进行了简单的CLE绘制，这一篇总结一下常用的跟踪评价标准及其实现。
在此之前，已经得到了每一个视频序列的groundtruth和跟踪的结果，保存的格式如下:(groundtruth和跟踪结果都是以这个格式保存在txt之中的)
1. 中心位置误差（CLE）
这个上一篇已经讲过了，这里再重复一下它的概念，因为下面还有几个评价标准是以此为基础的。
CLE计算的是跟踪框中心位置的欧式距离，假设某一帧，groundtruth标注的中心位置为,跟踪结果的中心位置为
,这个位置需要通过简单的转换得来：
中心位置的误差则为：
2. 区域重叠度。
在真正的跟踪过程中，因为有尺度变化存在，单纯的CLE并不能全面衡量跟踪算法的性能，所以区域重叠度可以作为一个重要的辅助标准。
所谓区域重叠度就是标注的跟踪框和跟踪的跟踪框之间的重叠程度，显而易见需要寻找一种相对的衡量标准，如果用重叠面积这种绝对的衡量标准是不合适的。
这里，用的是交并比（Intersection-over-Union，IOU），这个标准在目标检测中也用的比较多。
如图，交并比即交集的面积比上并集的面积。
这样的话，就是一个相对值，比较能客观的展示两个矩形的重叠成都。
实现起来也不算难，我也是参考了别人的一些思路，有很多种方法，但是我觉得这种方法是比较简单而且易于理解的。
首先来分析两个矩形相交的情况。
大概是这些情况，总结交集的状态可以发现这么一个规律：
- 交集的
上边(上面的一条边，下面的以此类推)是两个矩形上边靠下的那个。- 交集的
左边是两个矩形左边靠右的那个。- 交集的
右边是两个矩形右边靠左的那个。- 交集的
右边是两个矩形右边靠左的那个。
这个规律是可以通过左边之间的转换来表现。
那么要是不相交呢？如果不相交的话，那么依照上面的规律得到的就不是矩形，上边跑到了下边的下面或者左边跑到了右边的右边。
这样的话思路就很清晰了，代码如下：
我也不是故意要写中文注释，虚拟机的中文输入法好像崩掉了！！
#calculate IOU,rect1 and rect2 are rectangles(x,y,width,height)
def calculateIOU(rect1,rect2):
#calculate the area
area1=rect1[2]*rect1[3]
area2=rect2[2]*rect2[3]
#calculate the sum area
area=area1+area2
#calculate the edge line of every rect
top1=rect1[1]
left1=rect1[0]
bottom1=rect1[1]+rect1[3]
right1=rect1[0]+rect1[2]
top2=rect2[1]
left2=rect2[0]
bottom2=rect2[1]+rect2[3]
right2=rect2[0]+rect2[2]
#calculate the intersect rectangle
top=max(top1,top2)
left=max(left1,left2)
bottom=min(bottom1,bottom2)
right=min(right1,right2)
#if no intersect
if top>=bottom or right<=left:
return 0
else:
intersectArea=(bottom-top)*(right-left)
return intersectArea/(area-intersectArea)
计算完了再画图就比较简单了，一帧一帧计算然后放入列表之中，再使用plt.plot()来画图就可以了，看一套效果还不错的图：（其实在数据集上整体的效果是非常一般的，数据集上的整体ACU（这个参数我现在还不知道什么东西，应该是平均准确率的意思吧！）才0.5左右）
未完待续！！
