多目标跟踪数据关联算法

王 岩，崔永涛，陈 伟

（解放军31108 部队，南京 210016）

1 数据关联

数据关联（dataassociation）是将不确定性观测与轨迹进行关联。数据关联的本质在于将单个或者多个传感器捕捉的数据Zi（i=1，2，...，N），同已确定j 个轨迹进行配对，也就是传感器测量数据构成了集合i，集合中所有数据来自于一个目标的概率趋近于1。数据关联是多传感器信息融合的关键技术，应用于航迹起始、集中式目标跟踪和分布式目标跟踪。

分为以下三种情况：

（1）观测同观测、点迹之间相互关联：展开航迹目标位置以及起始位置的观测。

（2）观测和航迹之间相互关联：用于目标状态的更新。

（3）航迹与航迹关联：用于航迹融合，局部航迹形成全局航迹。

2 多目标跟踪数据关联算法

处于无杂波的单目标条件下，和目标相关联的波门只含有一个点迹，和跟踪问题相关。处于多目标环境中，若出现单点迹进入波门相交区域，或者多点迹在单目标波门中，则会出现数据关联问题。出现数据关联问题，意味着一个时刻雷达量测的数据与其他数据建立关联，从而确定量测数据是否来源于一个统一的目标。最典型的数据关联算法有三种，第一种是最近邻域算法，第二种概率数据算法，第三种是联合概率算法，其中PDA、JPDA都是首先对当前时刻不同的确认量测来自目标的正确概率进行计算，然后利用这些概率进行加权以获得目标的状态估计，其不同之处在于JPDA 主要针对密集目标环境，需要考虑多条航迹对同一量测有竞争的情况下互联概率的计算。

2.1 最近邻域法

使用最近邻域法进行计算，先要对跟踪门进行设置要求初步筛选获得候选回拨，对判别数量加以限制。跟踪门作为子空间，中心位置设置在预测跟踪目标的位置上，设计跟踪门大小要保证按照概率对正确回波接收，量测落入跟踪门，即作为候选回波。如果只有一个量测落入波门，量测值可以应用于更新航迹路线。若超过一个回波落入波门，还需要确定距离值最小的回波，将其当做是目标回波。最近邻域法具有计算流程简单的优势，但是处于多回波的环境中，和目标预测位置最近距离的回波未必是正确的目标回波，这种方法更加适合用于稀疏回波条件跟踪中，可以完成非机动目标的跟踪。

2.2 概率数据关联算法（PDA）

使用概率数据算法进行计算，要考虑到全部候选回波，由于相关情况不同，对回波的计算还需依赖于目标概率数据，使用概率数据值加权处理波门回波，加权候选回波，当作等效回波，使用等效回波更新目标状态。这种算法属于次优滤波算法，在使用上相对简单，经过分解量测最新值，能够让跟踪问题得到妥善处理。分解最新量测之后，单雷达的单目标得到有效跟踪，即使处于杂波的复杂环境中，也能处理目标跟踪问题，处理数据关联问题。

2.3 联合概率数据关联算法（JPDA）

联合概率数据关联算法与PDA 类似，也是基于确认门内的所有量测为其计算一个加权残差用于航迹更新，不同之处在于波门有着不同目标，且出现重叠区域，这时回波落入重叠区域，必须要对量测目标来源展开全面考量，互联概率的计算要注意到多航迹竞争作用，竞争出现势必需减少加权值，实现其他目标针对量测进行竞争。处于杂波环境下，对于多个目标的数据关联在处理目标跟踪问题上十分困难，若跟踪的目标波门没有重叠，或者回波没有落入重叠位置，处理多目标数据相对简单，可以简化成处理计算多个单目标关联，将复杂问题简单化处理。

3 关于TrackingByDetecting 的多目标跟踪数据关联流程

3.1 一些预备知识点：关于多目标跟踪的实现方式一般为

TrackingByDetecting

Step1：使用目标检测算法将每帧中感兴趣的目标检测出来，得到对应的（位置坐标，分类，可信度），假设检测到的目标数量为M。

Step2：通过某种方式将Step1中的检测结果与上一帧中的检测目标（假设上一帧检测目标数量为N）一一关联起来。换句话说，就是在M*N 个Pair 中找出最像似的一对组合。

检测算法有很多种，你可以用到目前比较火的深度学习的Faster-RCNN 算法来检测目标，也可以使用传统的方法来对多目标进行检测。

数据关联方法也有很多种：（数据关联需要把前后两帧的bbox 颜色，ID 对应起来，不是简单的检测出目标）

（1）常见的计算两帧中两个目标之间的欧几里得距离（平面两点之间的直线距离），距离最短就认为是同一个目标，然后通过匈牙利算法找出最匹配的Pair。（2）使用IOU 进行计算，如果前后帧的boundingbox 的交并比接近1，则证明前后两帧的这个检测目标是同一目标，就能关联起来。

但单纯利用前后帧的目标检测，然后再将前后帧的检测到的目标进行数据关联会遇到一点问题。

3.2 所以我们需要解决当目标物体运动时，物体追踪会失败的问题。所以提出来了基于轨迹预测的跟踪方式；

基于轨迹预测的跟踪方式的核心思想是：

使用faster-RCNN（或其他检测算法）检测第一帧的目标--＞将检测的目标经过卡尔曼滤波预测下一帧的轨迹状态（u，v，r，h）--＞再使用faster-RCNN 检测第二帧的目标--＞将检测到的第二帧目标与预测的轨迹状态进行配对，（例如如果两者IOU 接近1，则代表上帧目标与此帧对应成功）。

重复此过程，其中：faster-RCNN 用于帧帧检测目标，卡尔曼滤波用于预测。匈牙利算法（或IOU 等方法）用于前后帧数据关联。这样再回到之前说过的因为目标前后帧运动过快，导致使用传统的TrackingByDetecting 会导致最终匹配失败。但是基于轨迹预测能够很好的解决这个问题，有了这个预测，就能将下一帧预测的目标状态与下一帧的检测出来目标进行对比关联，能够发现我下一帧检测出来的这个目标对应上一帧的目标是哪个；就能将两帧分别检测出来的目标联系起来。