原始論文鏈接：
Online Object Tracking: A Benchmark （CVPR 2013）
http://faculty.ucmerced.edu/mhyang/papers/cvpr13_benchmark.pdf
後來2015年擴充到100庫再版發表到TPAMI。
Object Tracking Benchmark。
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7001050
官方鏈接：
http://cvlab.hanyang.ac.kr/tracker_benchmark/
新版的OTB補充了50個video，加上過去的50個組成了100個video。
我使用的是Benchmark V1.0來顯示tracking的結果，在下載完代碼之後，裏面已經存在了關於各種tracker在不同數據集上的結果了。
如果要驗證自己的算法在這個數據集上的效果，其實特別簡單：
直接的方法：
首先將代碼先拷到OTB_ROOT_PATH/tackers/這個文件夾下，你會發現裏面已有好幾個算法的代碼文件夾了。
第二步是：到OTB_ROOT_PATH/util/configTrackers.m這個函數中，在trackers1這個結構體中添加上你的代碼的名字，比如：struct('name','KCFDP','namePaper','KCFDP'),...。
第三步是：運行main_running.m函數。
具體的例子可以參考：https://github.com/masa-nudt/KCFDP
這個作者介紹如何用OTB跑作者自己的算法
間接的方法：
比較笨的方法就是：當我需要驗證自己的結果的時候，我只需要將自己算法的結果保存成作者放在results文件夾中的mat數據的樣子。
下面具體講講：
打開文件夾會發現很多子文件夾和四個主要的函數;依次是drawResultBB.m, genPerfMat.m , main_running.m 和perfPlot.m 函數。
對於mainrunning函數是主函數，這個函數的作用是能夠將視頻分割成20段，以驗證TRE。同時，能夠對第一幀的ground_truth進行一定的變換（一共12種），從而驗證SRE。最後可以在這個裏面將自己的代碼加進去，從而能夠按照特定的形式保存好tracking的results，簡而言之就是能夠實現所有的效果。
而想畫各種tracker算法在圖像上的效果（bounding boxes），可以調用drawResultBB.m函數，就可以實現：drawing bounding boxes (BBs) of different trackers on each frame
如果想畫各種精度曲線的話，就可以調用perfPlot函數，這個函數調用genPerMat函數得到需要的精度數據以及錯誤率(DP,OP)，然後放到perfMat\overall\文件中，畫出來的圖保存在figs\overall\文件夾下。
同時作者畫出了29個tracker方法中10個方法的結果，採用的是rankNum=10這個參數來設置的，從中選取前10個結果最好的。rankingtype採用的是AUC的方法。
另外需要注意的參數是evalTypeSet = {'OPE'};%{'SRE', 'TRE', 'OPE'};
還是和drawResultBB一樣，genPerfMat在生成數據的時候訪問的是results/文件夾，所以我們需要將結果保存成標準的格式並且放到對應的文件夾中。
然後講各個文件夾的作用：anno文件夾放的是51個測試視頻的ground_truth。figs用來存放上面說的drawResultBB.m畫出來的圖片。initOmit是每一個視頻不能夠用來初始化的幀，這些幀一般都是target比較模糊。perfMat用來存放genPerMat的結果。results存放的是作者已經跑好的不同數據集上不同算法的結果。rstEval存放的是一些評價函數。tmp存放臨時變量，trackers存放這個各種tracking算法的源碼或者exe文件。util中的函數最有用，也是最可能需要修改的。比如configSeqs.m和configTrackers.m函數。
OK！！
對於util文件夾我們需要衡量那些個數據集就去函數configSeqs中取修改參數,如果要比較那些算法就去config