有人可以解释一下 ROC 曲线在测试序列中的跟踪实际代表什么吗？ ROC曲线示例如下图所示。
【问题讨论】：
标签： computer-vision tracking roc
原始问题的 cmets 包含一些非常有用的链接，可帮助您总体了解 ROC 曲线和所讨论的判别阈值。这是了解 OP 使用的参考（参考 1）的尝试以及特定于检测行人问题的更多信息。
在（参考文献 1）中如何获得 ROC 曲线以及在这种情况下的区分阈值是多少：
运动过滤器和外观过滤器（等式 (2) 第 156 页中的“f_i”）使用来自视频序列的各种时间/空间差异图像的“积分图像”进行评估。
李>使用所有这些过滤器，学习算法构建了最好的分类器（C in eq. (1) p. 156），将正面示例（例如：行人）与负面示例（例如：选择非行人例子 ）。分类器 C 是特征 F 的阈值总和，如等式所示。 (1)。特征 F 是一个过滤器，“f_i”由特征阈值“t_i”阈值。
在 AdaBoost 训练期间计算所涉及的阈值（即过滤器阈值“t_i”和分类器阈值“Theta”），选择训练示例中加权误差最小的特征。
李>与（参考文献 2）中一样，此类分类器的级联用于使检测器非常高效。在训练级联分类器的每个阶段 - 增强分类器 - 使用 2250 个正例（图 5 第 158 页中的示例）和 2250 个负例进行训练。
最终的级联检测器在验证序列上运行以获得真阳性率和假阳性率。这是基于将级联检测器的输出（例如，行人的存在或不存在）与地面实况（基于地面实况或视频序列的手动审查在同一区域存在或不存在行人）的输出进行比较。对于整个级联的一组阈值（级联中所有分类器的“t_i”和“Theta”），获得了一定的真阳性率和假阳性率。这将在 ROC 曲线上画一个点。
可以在此处找到一个简单的 MATLAB 示例，用于测量给定分类器输出和基本事实集的真阳性率和假阳性率：http://www.mathworks.com/matlabcentral/fileexchange/21212-confusion-matrix---matching-matrix-along-with-precision--sensitivity--specificity-and-model-accuracy
因此，在这种情况下，ROC 曲线上的每个点都将取决于为所有级联层选择的阈值（因此在这种情况下判别阈值不是单个数字）。通过一次一个地调整这些阈值，真阳性率和假阳性率的输出值会发生变化（当重复第 5 步时），给出 ROC 曲线上的其他点。
对动态和静态探测器两种情况重复此过程，以获得图中的两条ROC曲线。
请通过ROC 上的此链接浏览更多好的描述和示例：
ROC 曲线可用于比较分类器在区分类别方面的性能，例如，行人与非行人输入样本。 ROC曲线下的面积用来衡量分类器区分类别的能力。
引用来自：
（参考文献 1）P. Viola、M. J. Jones 和 D. Snow，“使用运动和外观模式检测行人”，国际计算机视觉杂志 63(2)，153-161，2005。[在线：截至 2015 年 4 月]http://lear.inrialpes.fr/people/triggs/student/vj/viola-ijcv05.pdf
（参考文献 2）P. Viola 和 M. J. Jones，“使用简单特征的增强级联进行快速对象检测。在 IEEE 计算机视觉和模式识别会议上。更多信息请访问 Viola-Jones Algorithm - "Sum of Pixels"?
【讨论】：