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(duì)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(duì)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(duì)近幾年受到廣泛關(guān)注的“多對(duì)一”問題、以及實(shí)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(duì)傳感器接收到的量測(cè)信息進(jìn)行處理，從而維持對(duì)目標(biāo)當(dāng)前狀態(tài)估計(jì)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(jià)值，隨著航空航天、機(jī)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(guó)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(cè)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(jī)性，破壞了傳感器量測(cè)與產(chǎn)生量測(cè)的目標(biāo)源之間的對(duì)應(yīng)關(guān)系，因此確定傳感器接收到的量測(cè)和目標(biāo)源之間對(duì)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(cè)位置距離最近的觀測(cè)與其相關(guān)聯(lián)，即測(cè)量值與目標(biāo)之間是是一一對(duì)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(cè)進(jìn)行概率意義上的加權(quán)平均作為濾波輸出。對(duì)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(cè)劃分成多個(gè)聚。JPDA算法依次處理每個(gè)聚中的量測(cè)與目標(biāo)的關(guān)聯(lián)概率，該方法對(duì)多目標(biāo)跟蹤有較好的跟蹤效果。然而當(dāng)量測(cè)雜波密度過大時(shí)，該算法計(jì)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(gè)候選假設(shè)，并將量測(cè)-航跡關(guān)聯(lián)通過在全部假設(shè)內(nèi)一對(duì)一的聯(lián)合最優(yōu)評(píng)估，以及假設(shè)管理來實(shí)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(duì)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(gè)采樣周期內(nèi)，每個(gè)目標(biāo)最多只能產(chǎn)生一個(gè)量測(cè)。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(cè)來源的不確定。即在一個(gè)采樣周期內(nèi)所獲得的量測(cè)集，至多只有一個(gè)是目標(biāo)產(chǎn)生的，其余的均認(rèn)為是雜波。這個(gè)基本假設(shè)使得“一對(duì)一”的量測(cè)-航跡關(guān)聯(lián)成為一個(gè)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(duì)于同一個(gè)目標(biāo)，由于多徑傳播的原因，傳感器可能生成多個(gè)檢測(cè)。對(duì)于同一個(gè)目標(biāo)產(chǎn)生的多個(gè)量測(cè)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(shí)驗(yàn)結(jié)果表明該種方法能夠提高狀態(tài)估計(jì)準(zhǔn)確性，并降低虛假軌跡的總數(shù)量。

文獻(xiàn)[12]利用隨機(jī)矩陣處理接收到的大量量測(cè)雜波信號(hào)，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(duì)一的量測(cè)-航跡數(shù)據(jù)關(guān)聯(lián)推廣到了多對(duì)一的情形。

2.2 基于特定場(chǎng)景的數(shù)據(jù)關(guān)聯(lián)

另一方面，在實(shí)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(cè)包含很多特征，針對(duì)特定場(chǎng)景特點(diǎn)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(cè)場(chǎng)景中，文獻(xiàn)[16]將多個(gè)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(cè)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(jī)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(chǎng)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(cè)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(yùn)動(dòng)模型與獲得的量測(cè)特點(diǎn)進(jìn)行量測(cè)-航跡分配，并假設(shè)在一個(gè)采樣周期內(nèi)，每個(gè)目標(biāo)最多只能產(chǎn)生一個(gè)量測(cè)。這個(gè)假設(shè)在簡(jiǎn)化數(shù)據(jù)關(guān)聯(lián)算法的同時(shí)也造成了在多徑效應(yīng)下“一對(duì)一”的“量測(cè)集-航跡”關(guān)聯(lián)的不精確。另一方面，在實(shí)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(cè)信息包含有多種被跟蹤目標(biāo)的信息，在這些特定的場(chǎng)景中進(jìn)行數(shù)據(jù)關(guān)聯(lián)應(yīng)考慮采集到的量測(cè)所具有的特征，并加以利用，可以彌補(bǔ)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]