什么是 轨迹完整度与碎片化？
轨迹完整度与碎片化是一组 Trajectory Diagnostic：它按每个 Ground Truth Identity 的已匹配生命周期比例分类，并统计成功跟踪被打断后又恢复的次数。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
在 Matching 后按完整 Ground Truth 生命周期分类
对每个 Ground Truth Identity g，先计算 r_g = 已匹配 Occurrence / 参与评测的 Occurrence。按常用 py-motmetrics 口径，r_g >= 0.8 属于 MT，0.2 <= r_g < 0.8 属于 PT，r_g < 0.2 属于 ML。报告 Count，或分别除以 Ground Truth Trajectory 总数得到 MTR、PTR 与 MLR。
已匹配分子可以由不同预测 ID 贡献，因此 MT 表示时间覆盖高，不代表身份正确。MOTChallenge把它们作为 Track-quality Diagnostic，应与检测、定位和身份指标共同报告。
统计恢复后的中断而不是每个漏失帧
当一条 Ground Truth Trajectory 曾被跟踪，随后进入未跟踪状态，并在更晚时刻重新被跟踪，就产生一次 Fragmentation。连续漏失十帧仍是一次 Fragmentation；末尾漏失后没有恢复则不计。持续 Match 期间即使预测 ID 改变，也属于 ID Switch，不必然产生 Fragmentation。
py-motmetrics与TrackEval都实现了这种恢复片段语义。
但 Matching Continuity 与预处理仍会改变事件序列。
把阈值边界与聚合方式视为协议
实现对精确 0.8 的归类并不一致：py-motmetrics 将其计为 MT，上述 TrackEval Revision 使用严格 > 0.8，因此会计为 PT；两者都把精确 0.2 计入 PT。跨序列通常先汇总轨迹 Count 再计算 Ratio，直接平均各序列百分比会放大短序列权重。
应声明 Evaluator Commit、Overlap Threshold、Ignore Region、最低 Visibility、类别过滤以及展示的是 Count 还是 Rate。再用 TID 与 LGD衡量 Gap Duration，用 HOTA 或 IDF1 衡量身份，用 MOTA 衡量 False 与 Missed Detection。
主要特点
- 按已匹配生命周期比例分类每条 Ground Truth Trajectory
- 区分 Mostly Tracked、Partially Tracked 与 Mostly Lost
- 统计中断后恢复的跟踪片段
- 覆盖分类不要求预测身份保持一致
- 依赖 Matching、Lifetime、Ignore 与 Visibility 规则
- 精确 80% 处存在 Evaluator 实现边界差异
常见用途
- 审计 Tracker 是否覆盖对象完整生命周期
- 比较遮挡场景下的持续跟踪能力
- 诊断反复丢失与重新获取
- 报告兼容 MOTChallenge 的辅助指标
- 测试 Track Management 的确认与终止策略
示例
Loading code...常见问题
MT、PT 与 ML 如何计算？
先用每条 Ground Truth Trajectory 的成功 Match 次数除以参与评测的生命周期。常用口径以至少 80% 为 MT、20% 至低于 80% 为 PT、低于 20% 为 ML，但必须注明 Evaluator 的精确边界。
Mostly Tracked 是否表示身份一直正确？
不是。覆盖比例只统计 Ground Truth Trajectory 获得成功 Match 的时刻，即使这些 Match 来自不同预测 ID 也会计入。身份连续性应使用 IDF1、HOTA Association Component 或 ID Switch Count。
Fragmentation 如何计数？
只有 Ground Truth Trajectory 从已跟踪变为未跟踪，并在后来重新跟踪时才计一次 Fragmentation。Gap 长度不改变次数，开头漏失或末尾未恢复也不构成完整的中断恢复事件。
为什么 py-motmetrics 与 TrackEval 的 MT 可能不同？
在引用的 Revision 中，py-motmetrics 使用 `ratio >= 0.8`，TrackEval 使用 `ratio > 0.8`。因此恰好 80% 被匹配的轨迹在前者是 MT，在后者是 PT。
报告 MT、PT、ML 与 Frag 时还需要什么？
应同时报告 Count 与 Rate、Evaluator 版本、Matching Threshold、Ignore 与 Visibility Rule、Sequence Aggregation 和生命周期分布，并补充 LGD、身份指标和原始错误计数。