王 巖，崔永濤，陳 偉

（解放軍31108 部隊，南京 210016）

1 數(shù)據(jù)關聯(lián)

數(shù)據(jù)關聯(lián)（dataassociation）是將不確定性觀測與軌跡進行關聯(lián)。數(shù)據(jù)關聯(lián)的本質在于將單個或者多個傳感器捕捉的數(shù)據(jù)Zi（i=1，2，...，N），同已確定j 個軌跡進行配對，也就是傳感器測量數(shù)據(jù)構成了集合i，集合中所有數(shù)據(jù)來自于一個目標的概率趨近于1。數(shù)據(jù)關聯(lián)是多傳感器信息融合的關鍵技術，應用于航跡起始、集中式目標跟蹤和分布式目標跟蹤。

分為以下三種情況：

（1）觀測同觀測、點跡之間相互關聯(lián)：展開航跡目標位置以及起始位置的觀測。

（2）觀測和航跡之間相互關聯(lián)：用于目標狀態(tài)的更新。

（3）航跡與航跡關聯(lián)：用于航跡融合，局部航跡形成全局航跡。

2 多目標跟蹤數(shù)據(jù)關聯(lián)算法

處于無雜波的單目標條件下，和目標相關聯(lián)的波門只含有一個點跡，和跟蹤問題相關。處于多目標環(huán)境中，若出現(xiàn)單點跡進入波門相交區(qū)域，或者多點跡在單目標波門中，則會出現(xiàn)數(shù)據(jù)關聯(lián)問題。出現(xiàn)數(shù)據(jù)關聯(lián)問題，意味著一個時刻雷達量測的數(shù)據(jù)與其他數(shù)據(jù)建立關聯(lián)，從而確定量測數(shù)據(jù)是否來源于一個統(tǒng)一的目標。最典型的數(shù)據(jù)關聯(lián)算法有三種，第一種是最近鄰域算法，第二種概率數(shù)據(jù)算法，第三種是聯(lián)合概率算法，其中PDA、JPDA都是首先對當前時刻不同的確認量測來自目標的正確概率進行計算，然后利用這些概率進行加權以獲得目標的狀態(tài)估計，其不同之處在于JPDA 主要針對密集目標環(huán)境，需要考慮多條航跡對同一量測有競爭的情況下互聯(lián)概率的計算。

2.1 最近鄰域法

使用最近鄰域法進行計算，先要對跟蹤門進行設置要求初步篩選獲得候選回撥，對判別數(shù)量加以限制。跟蹤門作為子空間，中心位置設置在預測跟蹤目標的位置上，設計跟蹤門大小要保證按照概率對正確回波接收，量測落入跟蹤門，即作為候選回波。如果只有一個量測落入波門，量測值可以應用于更新航跡路線。若超過一個回波落入波門，還需要確定距離值最小的回波，將其當做是目標回波。最近鄰域法具有計算流程簡單的優(yōu)勢，但是處于多回波的環(huán)境中，和目標預測位置最近距離的回波未必是正確的目標回波，這種方法更加適合用于稀疏回波條件跟蹤中，可以完成非機動目標的跟蹤。

2.2 概率數(shù)據(jù)關聯(lián)算法（PDA）

使用概率數(shù)據(jù)算法進行計算，要考慮到全部候選回波，由于相關情況不同，對回波的計算還需依賴于目標概率數(shù)據(jù)，使用概率數(shù)據(jù)值加權處理波門回波，加權候選回波，當作等效回波，使用等效回波更新目標狀態(tài)。這種算法屬于次優(yōu)濾波算法，在使用上相對簡單，經(jīng)過分解量測最新值，能夠讓跟蹤問題得到妥善處理。分解最新量測之后，單雷達的單目標得到有效跟蹤，即使處于雜波的復雜環(huán)境中，也能處理目標跟蹤問題，處理數(shù)據(jù)關聯(lián)問題。

2.3 聯(lián)合概率數(shù)據(jù)關聯(lián)算法（JPDA）

聯(lián)合概率數(shù)據(jù)關聯(lián)算法與PDA 類似，也是基于確認門內的所有量測為其計算一個加權殘差用于航跡更新，不同之處在于波門有著不同目標，且出現(xiàn)重疊區(qū)域，這時回波落入重疊區(qū)域，必須要對量測目標來源展開全面考量，互聯(lián)概率的計算要注意到多航跡競爭作用，競爭出現(xiàn)勢必需減少加權值，實現(xiàn)其他目標針對量測進行競爭。處于雜波環(huán)境下，對于多個目標的數(shù)據(jù)關聯(lián)在處理目標跟蹤問題上十分困難，若跟蹤的目標波門沒有重疊，或者回波沒有落入重疊位置，處理多目標數(shù)據(jù)相對簡單，可以簡化成處理計算多個單目標關聯(lián)，將復雜問題簡單化處理。

3 關于TrackingByDetecting 的多目標跟蹤數(shù)據(jù)關聯(lián)流程

3.1 一些預備知識點：關于多目標跟蹤的實現(xiàn)方式一般為

TrackingByDetecting

Step1：使用目標檢測算法將每幀中感興趣的目標檢測出來，得到對應的（位置坐標，分類，可信度），假設檢測到的目標數(shù)量為M。

Step2：通過某種方式將Step1中的檢測結果與上一幀中的檢測目標（假設上一幀檢測目標數(shù)量為N）一一關聯(lián)起來。換句話說，就是在M*N 個Pair 中找出最像似的一對組合。

檢測算法有很多種，你可以用到目前比較火的深度學習的Faster-RCNN 算法來檢測目標，也可以使用傳統(tǒng)的方法來對多目標進行檢測。

數(shù)據(jù)關聯(lián)方法也有很多種：（數(shù)據(jù)關聯(lián)需要把前后兩幀的bbox 顏色，ID 對應起來，不是簡單的檢測出目標）

（1）常見的計算兩幀中兩個目標之間的歐幾里得距離（平面兩點之間的直線距離），距離最短就認為是同一個目標，然后通過匈牙利算法找出最匹配的Pair。（2）使用IOU 進行計算，如果前后幀的boundingbox 的交并比接近1，則證明前后兩幀的這個檢測目標是同一目標，就能關聯(lián)起來。

但單純利用前后幀的目標檢測，然后再將前后幀的檢測到的目標進行數(shù)據(jù)關聯(lián)會遇到一點問題。

3.2 所以我們需要解決當目標物體運動時，物體追蹤會失敗的問題。所以提出來了基于軌跡預測的跟蹤方式；

基于軌跡預測的跟蹤方式的核心思想是：

使用faster-RCNN（或其他檢測算法）檢測第一幀的目標--＞將檢測的目標經(jīng)過卡爾曼濾波預測下一幀的軌跡狀態(tài)（u，v，r，h）--＞再使用faster-RCNN 檢測第二幀的目標--＞將檢測到的第二幀目標與預測的軌跡狀態(tài)進行配對，（例如如果兩者IOU 接近1，則代表上幀目標與此幀對應成功）。

重復此過程，其中：faster-RCNN 用于幀幀檢測目標，卡爾曼濾波用于預測。匈牙利算法（或IOU 等方法）用于前后幀數(shù)據(jù)關聯(lián)。這樣再回到之前說過的因為目標前后幀運動過快，導致使用傳統(tǒng)的TrackingByDetecting 會導致最終匹配失敗。但是基于軌跡預測能夠很好的解決這個問題，有了這個預測，就能將下一幀預測的目標狀態(tài)與下一幀的檢測出來目標進行對比關聯(lián)，能夠發(fā)現(xiàn)我下一幀檢測出來的這個目標對應上一幀的目標是哪個；就能將兩幀分別檢測出來的目標聯(lián)系起來。