椭圆扩展目标跟踪方法性能评估的度量标准（Matlab代码实现）
椭圆扩展目标跟踪方法性能评估的度量标准（Matlab代码实现）
扩展目标跟踪是计算机视觉和目标跟踪领域的重要研究方向，其核心目标是同时跟踪目标对象并估计其形状。在评估扩展目标跟踪方法的性能时，选择合适的度量标准至关重要。本文综述了现有度量标准，并提出使用高斯瓦瑟斯坦度量作为优选方案，通过Matlab代码展示了具体实现。
1 概述
扩展目标跟踪的目标是同时跟踪目标对象并估计其形状。因此，有必要将位置和形状误差同时纳入扩展目标跟踪方法的性能评估中。在本研究中，我们强调选择适当的度量标准的困难，并讨论目前文献中使用的度量标准。此外，我们建议使用高斯瓦瑟斯坦度量来比较椭圆形状，并说明其优势。
扩展目标跟踪是一个新兴的研究领域，涉及基于波动的检测数量确定目标对象的空间范围的问题，可参考[12]进行最新概述。典型的应用可以在移动机器人领域找到，例如基于激光扫描仪的行人跟踪；以及遥感领域，例如基于雷达的飞机跟踪。由于从目标对象获得的检测数量通常很低，而检测本身又受到噪声干扰，通常非常具有挑战性从收集的传感器数据中提取详细的形状信息。因此，在许多实际的扩展目标应用中，人们通常只能关注简单的形状[2]，[9]，[14]，[20]。出于这个原因，许多扩展目标跟踪方法都专注于椭圆形状的目标[3]，[7]，[10]，[16]，[18]，[23]，[25]，[26]，[31]，[33]，因为它提供了有关目标对象的方向、范围和大小的信息。
随着不断发展的跟踪椭圆扩展目标的方法数量增加，自然会产生一个问题，即如何评估扩展目标跟踪方法的性能。对于单点目标，平方欧氏距离是将地面实况与估计进行比较的自然选择，但对于扩展目标，情况完全不同。因为度量标准还必须包括对象的形状，所以不再有明显的选择。
迄今为止，文献中没有一种一致用于衡量扩展目标跟踪算法性能的度量。与我们的工作相关的研究可以在计算机视觉领域找到，在这里形状和轮廓也起着重要作用，例如参见[6]，[22]，[29]。然而，在计算机视觉中，通常处理像素化形状，小的位置误差，所以对于分类而言，仿射不变性的度量是感兴趣的。在扩展目标跟踪中，通常处理参数化形状，潜在的大位置误差（甚至不重叠的形状），而仿射参数（缩放和方向）是至关重要的。
本研究的贡献如下：(i) 我们概述了用于评估椭圆扩展目标跟踪算法性能的现有度量和相似度分数。(ii) 我们通过模拟扩展目标跟踪中的典型场景直观地解释和讨论它们的优缺点。(iii) 我们建议首选的性能度量是高斯瓦瑟斯坦距离，据我们所知，这种度量以前尚未用于扩展目标跟踪算法的性能评估。
2 运行结果
部分代码：
nr_points_boundary = 50; % nr of points that used for the calculation of the uniform OSPA
% ellipse parameterization: [center1,center2,angle,length 0f
% semmi-axis1,length of semmi-axis2]
%
%% set the ground truth
gt = [0 0 0 1 2];
%% set the estimate
est = [0 0 pi/6 1 2];
figure
hold on
gt_plot = plot_extent(gt, '-', 'k', 1);
est_plot = plot_extent(est,'--','g',1);
axis equal
xlim([-2,2])
ylim([-2,2])
grid on
box on
[gt_points_4, est_points_4] = get_uniform_points_boundary(gt, est,4);
[gt_points_m, est_points_m] = get_uniform_points_boundary(gt,est,nr_points_boundary);
[~, assignment_m]= ospa_dist(gt_points_m,est_points_m,10000,2);
for j = 1:size(gt_points_m,2)
[~,b(j)]=find(assignment_m(j,:));
plot([gt_points_m(1,j) est_points_m(1,b(j))],[gt_points_m(2,j) est_points_m(2,b(j))],'r--');
end
[~, assignment_4]= ospa_dist(gt_points_4,est_points_4,10000,2);
for j = 1:size(gt_points_4,2)
[~,b(j)]=find(assignment_4(j,:));
gt_points = plot(gt_points_4(1,j),gt_points_4(2,j),'k*','LineWidth',5);
est_points = plot(est_points_4(1,j),est_points_4(2,j),'g*','LineWidth',5);
plot([gt_points_4(1,j) est_points_4(1,b(j))],[gt_points_4(2,j) est_points_4(2,b(j))],'k');
end
legend([gt_plot,est_plot],{'Ground Truth','Estimate'})
3 参考文献
S. Yang, M. Baum and K. Granström, "Metrics for performance evaluation of elliptic extended object tracking methods," 2016 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI), Baden-Baden, Germany, 2016, pp. 523-528, doi: 10.1109/MFI.2016.7849541. keywords: {Shape;Object tracking;Computer vision;Performance evaluation;Radar tracking;Target tracking},