【行人检测】miss rate versus false positives per image (FPPI) 前世今生（实战篇-上）

上文我们说到【行人检测】miss rate versus false positives per image (FPPI) 前世今生（理论篇），今天我们来跑通作者绘制FPPI图的代码以及源码解读
（第一、二、三、四都在上一篇文章中，所以这篇文章直接从五开始）

五、miss rate versus false positives per image (FPPI) 官方绘制方法

接下来我们用作者提供的数据，跑通作者绘图的代码

（很多人可能会好奇，python现在这么热门，居然不是用python画的，主要原因有两个：1. 因为原作者提供的代码就是matlab的；2. 因为我在网上没有找到一个比较靠谱的python写法，所以目前先只讨论matlab版的。如果后续看到有比较好的python版画法，我再加上吧）

1. 安装第三方工具包

按照这篇文章Caltech评估方法的0 安装步骤安装

2. 下载annotations和res

annotations是数据集的ground truth，res是模型的预测

下载地址：https://drive.google.com/drive/folders/1IBlcJP8YsCaT81LwQ2YwQJac8bf1q8xF

两个都要下载

文件放置如图所示（res文件夹需要自己你新建）：
annotations压缩包解压到../code3.2.1/data-USA中，annotations文件内如图所示：

res文件里的所有压缩包分别解压到独立文件夹中，并放在../code3.2.1/data-USA/res中，res文件内如图所示：

如果你觉得下载annotations和res嫌麻烦的话，可以直接下载我的这个，直接运行dbEval.m就好了

下载地址：miss rate versus false positives per image(FPPI)绘制代码

3. 运行绘图代码

绘图工具的代码地址在：http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/

在Download标题下的Matlab evaluation/labeling code (3.2.1).，解压后里面有个dbEval.m文件，这个文件就是主要用来绘制FPPI曲线的。

打开dbEval.m，将第136行的GDFL算法注释掉，不然会报错

在dbEval.m第292行前加一句：

saveas(gcf, './results/mr-fppi.png')

并且注释掉第293~297行的代码，如下图所示

然后运行dbEval.m，第一遍运行的时候会有点久，成功后results文件夹下输出名叫mr-fppi.png的图片（results文件夹是自动生成的）

因为算法太多了，所以legend框中只显示了一部分

如果模型更新了，想重新检测的话，记得把原本生成的results文件夹删掉，否则的话就会一直重新读取原本的FPPI图

以上，就是跑通作者绘图的代码的过程

六、代码解读

接下来，我们把FPPI绘图原理和dbEval.m代码给对应上

1. 首先看看有哪些函数

function dbEval：主函数，评估并绘制所有行人检测结果
function res = evalAlgs( plotName, algs, exps, gts, dts )：在每个实验中评估每种算法
function plotExps( res, plotRoc, plotAlg, plotNum, plotName, …
samples, lims, colors, styles )：绘制所有的ROC或PR曲线
function plotBbs( res, plotName, pPage, type )：给定algs/exps，绘制fp/tp/fn样本的检测框
function plotBbSheet( bb, ind, bbo, varargin )：画检测框
function A = loadVbb( s, v )：加载给定的annotation
function gts = loadGt( exps, plotName, aspectRatio, bnds )：对于所有帧，加载所有试验的grouth truth
function dts = loadDt( algs, plotName, aspectRatio )：对于所有帧，加载所有算法的检测结果

2. 看看主函数的流程

设置实验类型exps
设置每种算法的名字及是否需要rescale height of each box、对应曲线的颜色、线性algs
设置数据集名称dataNames
参数选择：

需要验证的数据集dataNames
进行的实验种类exps
用到的算法algs
检测框的默认纵横比aspectRatio
丢弃超出此像素范围的检测框bnds
是否画ROC曲线或PR曲线plotRoc
是否为每一个算法一张图或者每一个实验一张图plotAlg
是否只显示最佳的plotNum曲线plotNum
曲线下计算面积的样本范围samples
ROC曲线的坐标范围lims
是否可视化每个算法或每个实验的样本bbsShow
可视化的种类(fp/tp/fn/dt)bbsType

5. 接下来是一个大的for循环，在for循环中完成图片的绘制，这个for循环是真针对数据集来循环的，因为我们目前只有一个数据集，所以相当于只跑了一遍

所以上面的流程中，前面都是在设置参数，比较关键的就是for循环

3. 看看for循环内部的流程

选择拥有当前这个数据集检测结果的算法，若有则变量keep对应位置为1，否则为0
处理特定于数据库的特殊情况，我们的数据集UsaTest是不会经过这一步的
设置绘图文件的保存名称及保存地址
加载检测结果函数loadDt、加载ground truth函数loadGt、计算评估结果函数evalAlgs
绘制曲线函数plotExps
可视化检测框函数plotBbs（默认是不可视化的）

所以上面的流程中，比较关键的就是计算评估结果函数evalAlgs和函数plotExps

4. 看看评估结果函数`evalAlgs`内部的流程

函数的input为：

保存文件的名称plotName
算法种类algs
试验种类exps
该数据集上的ground truthgts及检测结果dts

gts是一个1*1的cell，表示评估一种实验类型。这个cell内部的维度是1*4024，表示这个数据集中有4024张图片。
dts是一个1*78的cell，表示涉及到78种算法。这个cell内部的维度是1*4024，表示这个数据集中有4024张图片。

函数的output为res，包含四列：

算法名称
实验名称
gtr：每一帧ground truth的结果，具体为[x y w h match]
dtr：每一帧检测的结果，具体为[x y w h score match]

gtr和dtr中的match为一个匹配标志位，表示是否有检测结果dt检测到ground truthgt或是否有ground truthgt对应这个检测结果dt，用于统计后续的fp、fn、tp：

对于gt: -1=ignore, 0=fn [unmatched], 1=tp [matched]
对于dt: -1=ignore, 0=fp [unmatched], 1=tp [matched]

在下面的评估函数bbGt中会有具体解释。

我们可以看到，函数evalAlgs最主要是两个嵌套的for循环，第一个nGt的循环表示根据实验类型循环，第二个nDt的循环表示根据算法类型循环。由此得到每一种算法在每一种实验类型下的检测评估结果。

我们直接看最里层nDt的循环在做什么：

读取某一实验种类ground truth和某一种算法的检测结果、算法名称、实验名称
设置保存文件的名称、显示当前验证进度
根据实验种类，设置检测框的height的阈值，并且从所有检测结果中，提取出符合height阈值范围的检测框
通过函数bbGt('evalRes',gt,dt,exps(g).overlap)，计算ground truth与检测结果的匹配程度，并保存到res中

所以上面的流程中，比较关键的就是函数bbGt，前面的设置主要是为了各种实验类型、算法而准备的。

函数bbGt其实内部还有很多个函数，因为用的是参数'evalRes'，所以实际调用的是函数[gt,dt] = evalRes( gt0, dt0, thr, mul )，所以我们来看看函数evalRes

5. 看看函数`evalRes`内部的流程

函数的input为：

ground truthgt0：维度为m*5，m为实际的行人数量，每一行为[x y w h ignore]。
检测结果dt0：维度为n*5，n为输出的检测框数量，每一行为[x y w h score]
thr表示重合程度的阈值，因为判断一个框是否真的检测到某一行人，还需要判断ground truth和检测结果之间的IoU，所以需要用到重合程度的阈值
mul：每个gt是否允许匹配多个dt，默认为0不可

[x y w h]分别为左上角的x坐标、左上角的y坐标、框的宽度、框的高度。

ignore表示这个ground truth是否需要忽略，若为1，则评估的性能的时候忽略这个ground truth。为什么要有ignore呢，因为在论文中作者分别评估了不同类型的行人，例如评估near scale的行人时，不满足near scale的行人就需要忽略掉，ignore设置为1

函数的output为：

gt：维度为m*5，m为实际的行人数量。对于gt，第五列: -1=ignore, 0=fn [unmatched], 1=tp [matched]
dt：维度为n*5，n为输出的检测框数量。对于dt，第五列: -1=ignore, 0=fp [unmatched], 1=tp [matched]

因为对于每一张图片来说，计算gt和dt匹配程度的方式是一样的，而由于我们输进这个函数数据格式是一个元胞、每个元胞表示一张图片的结果，所以作者通过递归的写法，把每一张图片的信息分别取出来去算gt和dt匹配程度（感觉这段代码作者是在秀操作啊）

针对每一张图片，计算gt和dt匹配程度的流程为：

检测框按照置信度降序排列
计算所有ground truth与所有检测框之间的IoU
对于每一个的检测框，遍历每个ground truth
1. 判断这个ground truth是否已经被匹配了，若是则遍历下一个ground truth；若否则继续往下
2. 判断这个检测结果是否已经找到最佳匹配，若是则为下一个检测框找匹配；若否则继续往下
3. 判断IoU是否满足IoU阈值条件，若不满足，则遍历下一个ground truth；若是则继续往下
4. 将最佳匹配的ground truth与检测框标记为1，即“已匹配”

通过上面的流程，我们就可以找到所有的tp、fn、fp了，因为求tp、fn、fp的过程本质就是在计数：

gt中匹配成功的，就是成功检测出来的行人，即tp
gt中没有匹配成功的，就是漏掉的行人，即fn
dt中没有匹配成功的，就是明明没有行人却认为有行人，即fp

6. 看看函数`plotExps``内部的流程

函数的input为：

res评估的结果
画图种类的参数：plotRoc、plotAlg、plotNum、plotName
综合评估的参数samples
图形的参数lims、colors、styles

第一步，对于每一种实验、每一种算法，计算其ROC需要用到的x点、y点、综合评分score

[xs{g,d},ys{g,d},~,score] = ... bbGt('compRoc',res(g,d).gtr,res(g,d).dtr,plotRoc,samples);

此时返回的xs表示x轴FPPI、ys表示TPR。我们知道在FPPI曲线中，y轴其实是miss rate，那怎么办呢，也很简单，作者通过ys{g,d}=1-ys{g,d}将TPR变成了miss rate。

TPR就是recall！miss rate = 1 - reacall = 1 - TPR！！！忘了的朋友请回到上一篇文章的《四、由ROC曲线得到FPPI曲线》再复习下【行人检测】miss rate versus false positives per image (FPPI) 前世今生（理论篇）

综合评分score指理论篇中提到的量化评价指标，是9个参考点处的miss rate。

例如在代码中，9个参考点的选取方式为samples = 10.^(-2:.25:0)，即范围从 1 0 − 2 10^{-2} 10−2 到 1 0 0 10^{0} 100之间，均匀地取9个fppi值

然后再找到这9个fppi值对应的miss rate值

然后通过score=exp(mean(log(score)))变成一个值，即log-average miss rate

第二步，根据plotName，提取前N个分数最高的算法相关数据

第三步，绘制图形，并调整为图片的细节，例如坐标轴、字体大

以上，就是FPPI绘图代码的解读。

在下一篇文章中【行人检测】miss rate versus false positives per image (FPPI) 前世今生（实战篇-下），我们将介绍如何通过使用自己的数据，绘制FPPI图