// －－－－－－ 原创，转载请注明出处，谢谢谢谢谢
运动检测（change detection），即给定一组图像序列，编写一种算法实现对图像序列中变化的像素点的检测。通常，输出结果和标准集为两幅二进制图，即 opencv Mat 中某个像素的值为255或0，其中255代表当前像素运动，0则代表静止。
评估一个运动检测算法的性能，通过比较标准集图像和算法输出图像每个像素的值来完成，常用的评估指标有TP（true positive）、TN（true negative）、FP（false positive）和FN（false negative），以及融合上述四种量化指标的recall、precision、F1-score和accuracy评估指标，定义如下。
recall ＝ TP ／（TP + FN）
precision ＝ TP ／（TP ＋ FP）
F1-score ＝（2 x recall x precision）／（recall ＋ precision）
accuracy ＝ （TP ＋ TN）／（TP ＋ TN ＋ FP ＋ FN）
最简单直接的比较两个算法性能情况可以通过计算两个算法的F1-score来完成，其值越大则该算法性能越强。accuracy指标通常难以反映出算法效果，因为运动检测应用中负样本的数量通常远远大于正样本数量，计算过程中 TN 的值通常很大，导致accuracy缺少区分性。recall指标则是具体观察算法将正样本正确估计出来的能力，precision则是观察算法所估计出的正结果中是正样本的数量。recall和precision是相互制约的两个指标，算法设计过程中期望recall和precision两个指标越大越好，却是无法达到的。为此综合两个指标的F1-score被提出，作为一种综合考量。
综上，评估指标的计算核心是获取TP、TN、FP和FN几个基本计量指标。在opencv中，有采用python语言计算几个指标的实例，可参考 /opencv_contrib/modules/bgsegm/samples/evaluation.py。本文所给出的C＋＋实现方法如下。
欢迎批评指正。
int rp_evaluation(Mat gtSrc, Mat rSrc, double &recall, double &precision, double &f1)
{
Mat gt = gtSrc.clone();
Mat r = rSrc.clone();
r = r /51;
gt = gt /5;
Mat sumS = gt + r;
Mat t56 = (sumS == 56);
int TP = countNonZero(t56);
Mat t51 = (sumS == 51);
int FN = countNonZero(t51);
Mat t5 = (sumS == 5);
int FP = countNonZero(t5);
int TN = gt.rows * gt.cols - countNonZero(sumS);
if ( (( TP + FN ) > 0) && (( TP + FP ) > 0)){
recall = (double)TP / (TP + FN);
precision = (double)TP / (TP + FP);
f1 = (2 * precision * recall ) / ( precision + recall );
double accuracy = (double)(TP + TN) / (TP + FN + FP + TN);
}
return 1;
}
