近鄰數據分類器在多目標跟蹤中的應用研究

韓春雷，蔚 婧

(1.中國電子科技集團公司第二十研究所，陜西 西安 710068；2.西北工業大學 航海學院，陜西 西安 710072)

在分布式的多傳感器多目標探測系統中，一個關鍵問題是如何判斷探測到的數據來自哪個目標，它實際上是要確定空間傳感器探測到的信號與不同目標之間的對應關系[1-5]。

多目標探測在智能監控、視頻檢索、導航、定位等多個領域都有重要的應用，只有將探測到的目標進行正確分類，后續的目標特性提取、參數估計等后續處理工作才有價值。然而，在多目標、干擾、交叉航跡等場合下，由于運動場景及目標數目的不確定性，多目標分類問題往往變得十分困難[6-8]。因此，針對多目標的快速、高效分類方法值得科研人員進行更進一步的研究。

現有的目標分類方法，主要劃分為兩類：基于概率密度的方法和基于判別函數的方法。基于概率密度的方法主要借助于貝葉斯理論體系，采用潛在的類條件概率密度函數的知識進行分類；基于判別函數的方法使用訓練數據估計分類的邊界來完成分類[9-12]。目前被證實有效的分類算法有近鄰分類器、樸素貝葉斯分類器、支持向量機、決策樹算法等。其中近鄰數據分類器計算量小，便于實現，在實際工程中廣泛采用。

1 近鄰分類算法

近鄰法是距離度量學習方法中的一種，其在對樣本進行分類時，是根據查詢樣本最近的k個近鄰的標簽來將其分類[13]。因此近鄰法又被稱為k近鄰法。當k=1時，稱最近鄰法。

近鄰法由Cover和Hart提出，具體思路是：對于一個待識別目標，系統在訓練集中找到最近的k個近鄰，看這k個近鄰中的多數屬于哪一類，就把待識別的目標歸為哪一類。……