多目標跟蹤數據關聯算法

王 巖，崔永濤，陳 偉

（解放軍31108 部隊，南京 210016）

1 數據關聯

數據關聯（dataassociation）是將不確定性觀測與軌跡進行關聯。數據關聯的本質在于將單個或者多個傳感器捕捉的數據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據構成了集合i，集合中所有數據來自于一個目標的概率趨近于1。數據關聯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：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：用于目標狀態的更新。

（3）航跡與航跡關聯：用于航跡融合，局部航跡形成全局航跡。

2 多目標跟蹤數據關聯算法

處于無雜波的單目標條件下，和目標相關聯的波門只含有一個點跡，和跟蹤問題相關。處于多目標環境中，若出現單點跡進入波門相交區域，或者多點跡在單目標波門中，則會出現數據關聯問題。出現數據關聯問題，意味著一個時刻雷達量測的數據與其他數據建立關聯，從而確定量測數據是否來源于一個統一的目標。最典型的數據關聯算法有三種，第一種是最近鄰域算法，第二種概率數據算法，第三種是聯合概率算法，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估計，其不同之處在于JPDA 主要針對密集目標環境，需要考慮多條航跡對同一量測有競爭的情況下互聯概率的計算。

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勢，但是處于多回波的環境中，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 概率數據關聯算法（PDA）

使用概率數據算法進行計算，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據，使用概率數據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。這種算法屬于次優濾波算法，在使用上相對簡單，經過分解量測最新值，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境中，也能處理目標跟蹤問題，處理數據關聯問題。

2.3 聯合概率數據關聯算法（JPDA）

聯合概率數據關聯算法與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，且出現重疊區域，這時回波落入重疊區域，必須要對量測目標來源展開全面考量，互聯概率的計算要注意到多航跡競爭作用，競爭出現勢必需減少加權值，實現其他目標針對量測進行競爭。處于雜波環境下，對于多個目標的數據關聯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，處理多目標數據相對簡單，可以簡化成處理計算多個單目標關聯，將復雜問題簡單化處理。

3 關于TrackingByDetecting 的多目標跟蹤數據關聯流程

3.1 一些預備知識點：關于多目標跟蹤的實現方式一般為

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量為N）一一關聯起來。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，也可以使用傳統的方法來對多目標進行檢測。

數據關聯方法也有很多種：（數據關聯需要把前后兩幀的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據關聯會遇到一點問題。

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--＞將檢測的目標經過卡爾曼濾波預測下一幀的軌跡狀態（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）用于前后幀數據關聯。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與下一幀的檢測出來目標進行對比關聯，能夠發現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系起來。