多目标跟踪数据关联方法综述

杨凡弟

【摘 要】本文首先介绍了目标跟踪的基本概念和原理，并对在此过程中最重要的数据关联进行了论述；再对经典的数据关联方法进行了分析与总结，指出了经典的数据关联方法的基本特征；并对近几年受到广泛关注的“多对一”问题、以及实际应用中基于特征的数据关联进行了总结。最后，基于数据关联的研究现状，提出了需要进一步研究的若干问题。

【关键词】多目标跟踪；数据关联；综述

【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

目标跟踪是对传感器接收到的量测信息进行处理，从而维持对目标当前状态估计的过程[1]。目标跟踪在军事和民用领域具有重要的应用价值，随着航空航天、机器人以及智能交通系统等领域的迅速发展，目标跟踪的越来越受到各国的广泛关注；因此，在近几十年来，这方面的研究相当活跃。目标跟踪的基本原理如下所示[2]：

由于在传感器观测过程和目标跟踪环境中存在的各种不确定性以及随机性，破坏了传感器量测与产生量测的目标源之间的对应关系，因此确定传感器接收到的量测和目标源之间对应关系的数据关联方法是多目标跟踪系统中最重要的内容。

1 经典的数据关联方法

最近邻算法[3]主要思想是，在相关跟踪门内“唯一”地选择与被跟踪目标预测位置距离最近的观测与其相关联，即测量值与目标之间是是一一对应的关系。

概率数据关联（PDA）算法[4]，其主要思想是将跟踪波门中所有量测进行概率意义上的加权平均作为滤波输出。对多目标跟踪门相交情况进行了详尽的研究之后，Shalom提出了联合概率数据关联（JPDA）算法[5]，该算法首次引入了聚的概念，按照多目标的跟踪门之间的几何关系将量测划分成多个聚。JPDA算法依次处理每个聚中的量测与目标的关联概率，该方法对多目标跟踪有较好的跟踪效果。然而当量测杂波密度过大时，该算法计算量增大，可能引发“组合爆炸”问题[6]。

多假设[7] （MHT）利用多帧分配算法[8]（MFA），建立多个候选假设，并将量测-航迹关联通过在全部假设内一对一的联合最优评估，以及假设管理来实现多目标跟踪。

2 数据关联的其他方法

2.1 “多对一”的数据关联方法

经典的数据关联方法假设在一个采样周期内，每个目标最多只能产生一个量测。在这种情形下，数据关联的不确定性仅仅是由于量测来源的不确定。即在一个采样周期内所获得的量测集，至多只有一个是目标产生的，其余的均认为是杂波。这个基本假设使得“一对一”的量测-航迹关联成为一个最优问题。然而在某些系统内，比如，超视距雷达跟踪中，对于同一个目标，由于多径传播的原因，传感器可能生成多个检测。对于同一个目标产生的多个量测均落入目标跟踪门内的情况，MD-PDA[9]、MD-MHT[10]、MD-JPDA[11]等算法相继被提出，实验结果表明该种方法能够提高状态估计准确性，并降低虚假轨迹的总数量。

文献[12]利用随机矩阵处理接收到的大量量测杂波信号，提出的广义概率数据关联滤波器。文献[13]提出的GPDA方法以及文献[14]提出的一种在证据理论框架内的多目标跟踪数据关联方法等，这些方法将一对一的量测-航迹数据关联推广到了多对一的情形。

2.2 基于特定场景的数据关联

另一方面，在实际的研究过程中，根据采用的传感器种类的不同，目标跟踪系统能获得的目标量测包含很多特征，针对特定场景特点的数据关联算法的研究不断被提出。

文献[15]描述了在车辆感知系统中利用车载网得到的无线通信数据与本车采集到的数据融合进行数据关联和跟踪的方法。在行人检测场景中，文献[16]将多个传感器，比如，GPS、雷达和摄像头采集到的信息利用JPDA进行融合，提高了行人检测系统的性能。文献[17]提出了在密集杂波环境下的MCMCDA算法，在目标数量固定的情况下，MCMCDA近似于JPDA。在目标数目随机的情况下，MCMCDA近似于最优贝叶斯滤波器。文献[18]提出了场景适应分层数据关联框架等。这些方法将目标量测所具有的环境特征引入到数据关联过程中，提高了数据关联的精度。

3 下一步研究工作

经典的数据关联方法利用目标的运动模型与获得的量测特点进行量测-航迹分配，并假设在一个采样周期内，每个目标最多只能产生一个量测。这个假设在简化数据关联算法的同时也造成了在多径效应下“一对一”的“量测集-航迹”关联的不精确。另一方面，在实际的应用中，目标跟踪系统包含的传感器比如各类雷达、摄像头甚至通信设备等采集到的目标量测信息包含有多种被跟踪目标的信息，在这些特定的场景中进行数据关联应考虑采集到的量测所具有的特征，并加以利用，可以弥补经典数据关联方法的不足。

【参考文献】

[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]韩崇昭，朱洪艳，段战胜.多源信息融合[M].北京：清华大学出版社，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.

[责任编辑：王楠]