多目标追踪各项指标详解

多目标追踪的核心是：在每一帧中，将检测器输出的“检测框”与上一帧的“轨迹框”进行关联。

常用流程：

• 计算每对检测框与轨迹框的相似度（IoU、外观特征距离、时空先验(卡尔曼滤波器)等）。
• 构建相似度矩阵，通常用匈牙利算法（Hungarian）或贪心策略解最优匹配。
• 设定 IoU 阈值（如 0.5）：低于阈值的匹配视为不可信，记为未匹配。

匹配情况：

• TP（True Positive）：成功匹配的检测——轨迹对。
• FP（False Positive）：检测框未匹配到任何真实轨迹（误检）。
• FN（False Negative）：真实轨迹在本帧没有对应检测（漏检）。
• IDs（ID Switches）：某个真实目标在相邻两帧中，对应轨迹标号发生变化。
• Frag（Fragmentation）：同一真实目标的轨迹被多次断开再重连。

一、CLEAR-MOT 指标：MOTA 与 MOTP

1. MOTA 详解

每项含义：

所有帧的漏检总数

所有帧的误检总数

所有帧的 ID 切换总次数

所有帧的真实目标总数

注意事项：

ID 切换与 FP/FN 权重相同：若关注身份一致性，应结合 IDF1 而非单看 MOTA。

对小目标敏感：若目标尺寸小，稍微低的 IoU 会被判为 FN，从而影响 MOTA。

2. MOTP 详解

含义：在所有正确匹配对中，平均 IoU。越高说明框定位越精准。

示例：
若三对 TP 的 IoU 分别为 0.6, 0.8, 0.4，则

不反映漏检、误检和 ID 错，更适合单纯评估定位精度。

二、身份保持指标：IDP / IDR / IDF1

1. 定义

• IDTP（True Positive ID）：正确地保持目标身份一致的帧数。
• IDFP（False Positive ID）：错误地将一个 ID 分配给另一个目标的帧数。
• IDFN（False Negative ID）：未能正确识别一个目标的帧数。

2. 计算示例

假设跟踪过程中，共出现 50 个身份片段：正确（IDTP）40、误分（IDFP）5、漏分（IDFN）10，则

强调“身份连贯性”时优先参考，如智能监控中的人物再识别跟踪。

三、HOTA：检测与关联的平衡

HOTA 从检测质量和关联质量两方面拆分，并通过几何平均融合。

1、检测准确率 DetA

2、关联准确率 AssA

3、HOTA

• 示例
  若 DetA=0.7, AssA=0.6，则

克服 MOTA 对三种错误一视同仁的问题；明确分开检测 vs 关联，诊断更直观。

四、持久性指标：MT / ML / Frag

1. MT（Mostly Tracked）：某目标在 ≥ 80% 帧被跟到。
2. ML（Mostly Lost）：某目标在 ≤ 20% 帧被跟到。
3. Frag（Fragmentation）：一条真实轨迹被切断并重连的次数。

• 示例
  一条目标共出现 100 帧，其中有 85 帧 TP、10 帧 FN、5 帧 ID 切换：

• • 跟踪率 85% ≥ 80%，计入 MT。
  • Frag = id 切换次数 = 5。