《表1 算法仿真实验结果比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应在线判别外观学习的分层关联多目标跟踪》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体为每列最优值，“-”表示原文献没有此项数据。

使用公共标准CLEAR MOT（Bernardin和Stiefelhagen，2008）来定量地评估算法性能，该标准包含了多种评估指标:多目标跟踪精度（multi-object tracking precision，MOTP↑）、多目标跟踪准确度（multi-object tracking accuracy，MOTA↑）。除此之外，还利用了Wu和Nevatia（2006）提供的几种常用评估指标:跟踪轨迹标签转换次数（identity switch，IDS↓）、与真值相比在整个序列中超过80%视频帧被跟踪的轨迹数量比（mostly tracked，MT↑）、在整个序列中低于20%视频帧被跟踪的轨迹数量比（mostly lost，ML↓）及轨迹分段的数量（fragmentation，Frag↓）。↑表示数据越高越好，↓表示数据越小越好，本文算法与5种在线跟踪算法:Zhu等人（2016）、Tesfaye等人（2016）、Possegger等人（2014）、Wang等人（2016）、Yamaguchi等人（2011）和5种离线跟踪算法:张丽娟和周治平（2018）、齐美彬等人（2017）、Pirsiavash等人（2011）、Li等人（2009）、Milan等人（2014）定量对比结果如表1所示，实验数据由相关文献提供。