楊凡弟

【摘 要】本文首先介紹了目標(biāo)跟蹤的基本概念和原理，并對在此過程中最重要的數(shù)據(jù)關(guān)聯(lián)進(jìn)行了論述；再對經(jīng)典的數(shù)據(jù)關(guān)聯(lián)方法進(jìn)行了分析與總結(jié)，指出了經(jīng)典的數(shù)據(jù)關(guān)聯(lián)方法的基本特征；并對近幾年受到廣泛關(guān)注的“多對一”問題、以及實際應(yīng)用中基于特征的數(shù)據(jù)關(guān)聯(lián)進(jìn)行了總結(jié)。最后，基于數(shù)據(jù)關(guān)聯(lián)的研究現(xiàn)狀，提出了需要進(jìn)一步研究的若干問題。

【關(guān)鍵詞】多目標(biāo)跟蹤；數(shù)據(jù)關(guān)聯(lián)；綜述

【Abstract】Firstly， the basic concept， principle of target tracking are introduced， and the importance of data association is analyzed； Secondly， the classical data association methods are summarized and the basic feature of those methods are presented； For tracking a target when more than one target originated measurement may exist within the validation gate， the many-to-one measurement set-to-track association methods are summarized， as well methods based on features. Finally， the future study problems of development of data association methods are presented.

【Key words】Multi-target tracking； Data association； Summary

0 引言

目標(biāo)跟蹤是對傳感器接收到的量測信息進(jìn)行處理，從而維持對目標(biāo)當(dāng)前狀態(tài)估計的過程[1]。目標(biāo)跟蹤在軍事和民用領(lǐng)域具有重要的應(yīng)用價值，隨著航空航天、機器人以及智能交通系統(tǒng)等領(lǐng)域的迅速發(fā)展，目標(biāo)跟蹤的越來越受到各國的廣泛關(guān)注；因此，在近幾十年來，這方面的研究相當(dāng)活躍。目標(biāo)跟蹤的基本原理如下所示[2]：

由于在傳感器觀測過程和目標(biāo)跟蹤環(huán)境中存在的各種不確定性以及隨機性，破壞了傳感器量測與產(chǎn)生量測的目標(biāo)源之間的對應(yīng)關(guān)系，因此確定傳感器接收到的量測和目標(biāo)源之間對應(yīng)關(guān)系的數(shù)據(jù)關(guān)聯(lián)方法是多目標(biāo)跟蹤系統(tǒng)中最重要的內(nèi)容。

1 經(jīng)典的數(shù)據(jù)關(guān)聯(lián)方法

最近鄰算法[3]主要思想是，在相關(guān)跟蹤門內(nèi)“唯一”地選擇與被跟蹤目標(biāo)預(yù)測位置距離最近的觀測與其相關(guān)聯(lián)，即測量值與目標(biāo)之間是是一一對應(yīng)的關(guān)系。

概率數(shù)據(jù)關(guān)聯(lián)（PDA）算法[4]，其主要思想是將跟蹤波門中所有量測進(jìn)行概率意義上的加權(quán)平均作為濾波輸出。對多目標(biāo)跟蹤門相交情況進(jìn)行了詳盡的研究之后，Shalom提出了聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（JPDA）算法[5]，該算法首次引入了聚的概念，按照多目標(biāo)的跟蹤門之間的幾何關(guān)系將量測劃分成多個聚。JPDA算法依次處理每個聚中的量測與目標(biāo)的關(guān)聯(lián)概率，該方法對多目標(biāo)跟蹤有較好的跟蹤效果。然而當(dāng)量測雜波密度過大時，該算法計算量增大，可能引發(fā)“組合爆炸”問題[6]。

多假設(shè)[7] （MHT）利用多幀分配算法[8]（MFA），建立多個候選假設(shè)，并將量測-航跡關(guān)聯(lián)通過在全部假設(shè)內(nèi)一對一的聯(lián)合最優(yōu)評估，以及假設(shè)管理來實現(xiàn)多目標(biāo)跟蹤。

2 數(shù)據(jù)關(guān)聯(lián)的其他方法

2.1 “多對一”的數(shù)據(jù)關(guān)聯(lián)方法

經(jīng)典的數(shù)據(jù)關(guān)聯(lián)方法假設(shè)在一個采樣周期內(nèi)，每個目標(biāo)最多只能產(chǎn)生一個量測。在這種情形下，數(shù)據(jù)關(guān)聯(lián)的不確定性僅僅是由于量測來源的不確定。即在一個采樣周期內(nèi)所獲得的量測集，至多只有一個是目標(biāo)產(chǎn)生的，其余的均認(rèn)為是雜波。這個基本假設(shè)使得“一對一”的量測-航跡關(guān)聯(lián)成為一個最優(yōu)問題。然而在某些系統(tǒng)內(nèi)，比如，超視距雷達(dá)跟蹤中，對于同一個目標(biāo)，由于多徑傳播的原因，傳感器可能生成多個檢測。對于同一個目標(biāo)產(chǎn)生的多個量測均落入目標(biāo)跟蹤門內(nèi)的情況，MD-PDA[9]、MD-MHT[10]、MD-JPDA[11]等算法相繼被提出，實驗結(jié)果表明該種方法能夠提高狀態(tài)估計準(zhǔn)確性，并降低虛假軌跡的總數(shù)量。

文獻(xiàn)[12]利用隨機矩陣處理接收到的大量量測雜波信號，提出的廣義概率數(shù)據(jù)關(guān)聯(lián)濾波器。文獻(xiàn)[13]提出的GPDA方法以及文獻(xiàn)[14]提出的一種在證據(jù)理論框架內(nèi)的多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)方法等，這些方法將一對一的量測-航跡數(shù)據(jù)關(guān)聯(lián)推廣到了多對一的情形。

2.2 基于特定場景的數(shù)據(jù)關(guān)聯(lián)

另一方面，在實際的研究過程中，根據(jù)采用的傳感器種類的不同，目標(biāo)跟蹤系統(tǒng)能獲得的目標(biāo)量測包含很多特征，針對特定場景特點的數(shù)據(jù)關(guān)聯(lián)算法的研究不斷被提出。

文獻(xiàn)[15]描述了在車輛感知系統(tǒng)中利用車載網(wǎng)得到的無線通信數(shù)據(jù)與本車采集到的數(shù)據(jù)融合進(jìn)行數(shù)據(jù)關(guān)聯(lián)和跟蹤的方法。在行人檢測場景中，文獻(xiàn)[16]將多個傳感器，比如，GPS、雷達(dá)和攝像頭采集到的信息利用JPDA進(jìn)行融合，提高了行人檢測系統(tǒng)的性能。文獻(xiàn)[17]提出了在密集雜波環(huán)境下的MCMCDA算法，在目標(biāo)數(shù)量固定的情況下，MCMCDA近似于JPDA。在目標(biāo)數(shù)目隨機的情況下，MCMCDA近似于最優(yōu)貝葉斯濾波器。文獻(xiàn)[18]提出了場景適應(yīng)分層數(shù)據(jù)關(guān)聯(lián)框架等。這些方法將目標(biāo)量測所具有的環(huán)境特征引入到數(shù)據(jù)關(guān)聯(lián)過程中，提高了數(shù)據(jù)關(guān)聯(lián)的精度。

3 下一步研究工作

經(jīng)典的數(shù)據(jù)關(guān)聯(lián)方法利用目標(biāo)的運動模型與獲得的量測特點進(jìn)行量測-航跡分配，并假設(shè)在一個采樣周期內(nèi)，每個目標(biāo)最多只能產(chǎn)生一個量測。這個假設(shè)在簡化數(shù)據(jù)關(guān)聯(lián)算法的同時也造成了在多徑效應(yīng)下“一對一”的“量測集-航跡”關(guān)聯(lián)的不精確。另一方面，在實際的應(yīng)用中，目標(biāo)跟蹤系統(tǒng)包含的傳感器比如各類雷達(dá)、攝像頭甚至通信設(shè)備等采集到的目標(biāo)量測信息包含有多種被跟蹤目標(biāo)的信息，在這些特定的場景中進(jìn)行數(shù)據(jù)關(guān)聯(lián)應(yīng)考慮采集到的量測所具有的特征，并加以利用，可以彌補經(jīng)典數(shù)據(jù)關(guān)聯(lián)方法的不足。

【參考文獻(xiàn)】

[1]Kuo C H， Huang C， Nevatia R. Multi-target tracking by on-line learned discriminative appearance models[C].IEEE Conference on Computer Vision & Pattern Recognition. 2010：685-692.

[2]韓崇昭，朱洪艷，段戰(zhàn)勝.多源信息融合[M].北京：清華大學(xué)出版社，2006.

[3]Singer R A， Stein J J. An optimal tracking filter for processing sensor data of imprecisely determined origin in surveillance systems[C].IEEE Conference on Decision and Control， 1971. IEEE， 1972：171-175.

[4]Bar-Shalom Y， Daum F， Huang J. The probabilistic data association filter[J]. IEEE Control Systems， 2010，29（6）：82-100.

[5]Svensson L， Svensson D， Guerriero M， et al. Set JPDA Filter for Multitarget Tracking[J].IEEE Transactions on Signal Processing， 2011，59（10）：4677-4691.

[6]Chen X， Tharmarasa R， Pelletier M， et al. Integrated Bayesian Clutter Estimation with JIPDA/MHT Trackers[J].IEEE Transactions on Aerospace & Electronic Systems，2013，49（1）：395-414.

[7]Blackman S S. Multiple hypothesis tracking for multiple target tracking[J]. IEEE Aerospace & Electronic Systems Magazine， 2004，19（1）：5-18.

[8]Bar-Shalom Y， Kirubarajan T， Gokberk C. Tracking with classification-aided multiframe data association[J].IEEE Transactions on Aerospace & Electronic Systems， 2005， 41（3）：868-878.

[9]Habtemariam B K， Tharmarasa R， Kirubarajan T， et al. Multiple Detection Probabilistic Data Association filter for multistatic target tracking[C]. Information Fusion（FUSION）， 2011 Proceedings of the 14th International Conference on. IEEE， 2011：1-6.

[10]Sathyan T， Chin T J， Arulampalam S， et al. A Multiple Hypothesis Tracker for Multitarget Tracking With Multiple Simultaneous Measurements[J].Selected Topics in Signal Processing IEEE Journal of， 2013，7（3）：448-460.

[11]Habtemariam B， Tharmarasa R， Thayaparan T， et al. A Multiple-Detection Joint Probabilistic Data Association Filter[J].IEEE Journal of Selected Topics in Signal Processing， 2013，7（3）：461-471.

[12]Schuster M，Reuter J， Wanielik G. Probabilistic data association for tracking extended targets under clutter using random matrices[C].Information Fusion（Fusion）， 2015 18th International Conference on. IEEE， 2015.

[13]Schubert R， Adam C， Richter E， et al. Generalized probabilistic data association for vehicle tracking under clutter[C].Intelligent Vehicles Symposium（IV），2012 IEEE. 2012：962-968.

[14]Dallil A， Oussalah M， Ouldali A. Sensor Fusion and Target Tracking Using Evidential Data Association[J].IEEE Sensors Journal， 2013，13（1）：285-293.

[15]Thomaidis G， Vassilis K， Lytrivis P， et al. Target tracking and fusion in vehicular networks[C].Intelligent Vehicles Symposium （IV）， 2011 IEEE. IEEE，2011：1080-1085.

[16]Garcia F， De l E A， Armingol J M. Joint Probabilistic Data Association fusion approach for pedestrian detection[C].Intelligent Vehicles Symposium（IV），2013 IEEE. IEEE， 2013：1344-1349.

[17]Oh S， Russell S， Sastry S. Markov Chain Monte Carlo Data Association for Multi-Target Tracking[J].IEEE Transactions on Automatic Control， 2009，54（3）：481-497.

[18]Wang C， Liu H， Gao Y. Scene-Adaptive Hierarchical Data Association for Multiple Objects Tracking[J].IEEE Signal Processing Letters， 2014，21（6）：697-701.

[責(zé)任編輯：王楠]