第四章 多目标跟踪与数据关联概论ppt课件.pptx
第四章 目标跟踪与数据关联概论,1,4.1 多目标跟踪的基本思想,2,所谓多目标跟踪，就是为了维持多个目标当前状态的估计而对所接收到的测量信息进行处理的过程。可以看出多目标跟踪过程是一个递推过程，并且在开始扫描期间各目标的航迹已经形成。,3,来自传感器的测量信息首先用于更新已经建立的目标航迹；如果来自传感器的测量数据（回波）落入目标的跟踪门中，则称此回波为有效测量（或有效回波）。即使目标只有一个，由于杂波的干扰，有效测量也可能为多个。跟踪门用来粗略的确定量测/航迹配对是否合理。,4,下图表示一个两目标情形下跟踪门和有效回波的关系示意图。,表示目标1的预报测量；表示目标2的预报测量；(1)(2)(3)是有效回波；(4)不是有效回波；,5,跟踪维持包括机动识别和自适应滤波与预测，用来估计各个目标航迹的真实状态。在跟踪空间中，数据关联的输入是有效测量，与已经建立的目标航迹不相关的量测或回波可能来自潜在的新目标或杂波，由跟踪起始方法可以鉴别其真伪，并相应的建立新的目标航迹。,6,当目标逃离跟踪空间或被摧毁时，由跟踪终结方法可以删除航迹，以减轻不必要的开销。最后，在新的量测到达之前，由目标预测状态和接受正确回波的概率可以确定下一时刻跟踪门的中心和大小，以便从新开始下一时刻的递推循环。,7,4.2 数据关联的概念与基本思路,多目标跟踪过程的关键问题是如何进行有效的数据关联。数据关联问题首先产生于传感器观测过程和多目标跟踪环境的不确定性。实际的传感器系统总是不可避免的存在测量误差，缺乏跟踪环境的先验知识；往往不能确定目标的个数，无法确定观测数据是由真实目标还是由其他虚假目标产生。这些不确定因素破坏了回波观测与其目标源之间的对应关系，是导致多传感器多目标数据关联关系模糊的基本原因。,8,具有相似特征,具有不同特征,数据关联目的,同一个目标在多传感器上建立的量测一定因其物理来源相同而具有某种相似特征。,一定因为杂波的干扰和传感器自身性能的不稳定而导致这些量测的特征不完全相同。,利用这种量测的相似特征来判定这些特征不完全相同的量测是否源于同一目标。,实时的多目标跟踪过程中：,9,数据关联问题广泛存在于多传感器多目标跟踪的各个过程。跟踪过程中的新目标检测，需要在多个采样周期之间进行“观测观测”的数据关联，以便为新的目标建立起始航迹提供的初始化信息。观测数据的直接融合也需要进行“观测观测”的数据关联，以稳定航迹生存周期。为了更新航迹，维持跟踪的持续性，还需要“航迹观测”关联以确定用于航迹修正的新观测数据。,10,4.2.1数据关联举例,【例1】稳定目标观测与观测(或点迹与点迹)的关联。 在图4-1中，假设A1，A2是两个已知实体的位置的估计值，均以经、纬度表示。在数据获取过程中由测量误差、噪声和人为干扰等不确定因素所产生的误差由误差椭圆来表示。,由于假定是稳定目标，不考虑两个实体的可能机动。又假设我们已获得两个实体的三个观测位置Z1，Z2，Z3，现在讨论三个观测位置Z1，Z2，Z3如何与两个已知实体位置A1，A2进行关联的问题。,11,图4-1,由图4-1可见，观测Zi(i=1，2，3)与实体Aj(i=1，2 )关联有三种可能: （1） 观测Zi与实体A1关联； （2） 观测Zi与实体A2关联； （3） 观测Zi与实体Aj均不关联，它要么是由新的实体， 要么是由干扰或杂波剩余产生的观测。 这里我们不考虑虚警影响，并假定实体是稳定的。关联的基本思路如下:,12,1） 建立观测Zi（i=1，2，m）与实体Aj（j=1，2，n） 的关联矩阵，见下表：,在关联矩阵中的每个观测实体对(Zi，Aj)均包含一个关联度量Sij，它是观测Zi与实体Aj接近程度的度量或称相似性度量，它把观测Zi与实体Aj按内在规律联系起来，我们把它称作几何向量距离:,13,2） 对每个观测实体对(Zi，Aj)，将几何向量距离与一个先验 门限 进行比较，以确定观测Zi能否与实体Aj进行关联。 如果Sij, 则用判定逻辑将观测Zi分配给实体Aj 。没有被关联的观测，用追加逻辑确定另一个假设的正确性，是新实体或虚警等。3） 最后进行观测与实体的融合处理， 改善实体的位置与身 份估计精度。,14,【例2】运动目标的观测/点迹与航迹关联。 假定实体A、B均以匀速进行直线运动，在时刻t0位于用符号“+”表示的位置。首先，根据实体的运动方程将它们均外推到任 一时刻t1的位置，这里假定给出三个观测位置。,接下来的问题就是确定哪些观测与已知实体航迹进行关联。预测位置等不确定性与例1相同。,15,关联处理如下:,(1)把实体A和B在时刻t0的位置均外推到新的观测时间t1，即 (2) 给出新的观测集合Zj(t1)， j=1，2，3；(3)计算观测Zj(t1)与每个已知实体在时间t1的估计位置之间的关联度量Sij，形成关联矩阵；(4) 根据Sij和门限，确定哪一个观测Zj(t1)与确定航迹关联； (5)确定关联之后，把该观测分配给实体航迹，利用位置估计技术更新实体的估计位置。,16,多源数据关联问题是多传感器数据融合的关键技术之一， 没有数据关联，就谈不上对目标的跟踪与识别。从以上两个例子中，我们可以这样给数据关联下定义：所谓数据关联就是把来自一个或多个传感器的观测或点迹 Zi，i=1，2，N，与j个已知或已经确认的事件归并到一起，使它们分别属于j个事件的集合， 即保证每个事件集合所包含的观测以较大的概率或接近于1的概率均来自同一个实体。对没有归并到j个事件中的点迹， 其中可能包括新的来自目标的点迹或由噪声或杂波剩余产生的点迹，保留到下个时刻继续处理。,17,实际上，关联是通过一个m维的判定处理来实现的，它对观测与预测的目标状态之间的空间或属性关系进行量化，以确定m个假设中哪一个能最佳地描述该观测。多传感器数据关联是多传感器数据处理的关键技术之一，它通常分以下几种方式：观测/点迹与观测/点迹关联观测/点迹与航迹关联航迹与航迹关联,18,（1）观测/点迹与观测/点迹关联 最终形成航迹或进行航迹初始化。航迹的形成是通过对来自不同采样周期的观测/点迹的处理，按照给定的准则实现对航迹检测的。在下面将要介绍的， 在点迹与航迹关联过程中，那些没有与数据库中的航迹关联的点迹， 其中有的就是新发现的目标的新点迹。与对应目标的延续点迹关联之后，实现对一个新航迹进行初始化，也属于点迹与点迹关联。,19,（2） 观测/点迹与航迹关联一般用于集中式网络结构中， 目的在于对已有航迹进行保持或对状态进行更新。 要判断各个雷达站送来的点迹： 哪些是数据库中已有航迹的延续点迹， 哪些是新航迹的起始点迹，哪些是由杂波剩余或干扰产生的假点迹。然后，根据给定的准则，把延续点迹与数据库中的已有航迹连起来，使航迹得到延续， 并用当前的测量值取代预测值，实现状态更新。经若干周期之后，那些没有连上的点迹，有一些是由杂波剩余或干扰产生的假点迹，由于没有后续点迹， 变成了孤立点迹， 也按一定的准则被剔除。,20,（3） 航迹与航迹关联实际上就是航迹融合，不过只需要重新计算关联以后的全局航迹的状态估计和协方差矩阵， 以便实现状态更新。 在多传感器的情况下，每个传感器都有本身的观测/点迹集合和本身的信息处理系统，实现对目标的跟踪，通常把每个传感器的航迹称作局部航迹。航迹融合通常用在分布式信息处理系统中， 每个传感器按照一定的时间， 把本传感器的全部航迹的状态送给信息处理中心，以便进行航迹融合，因此，航迹融合实际上就是目标状态融合。在融合中心，如果按照某种准则能够确定几个不同传感器的航迹来自同一个目标，则把它们的状态估计和协方差矩阵进行组合， 实现航迹融合。,21,总之，对单传感器信息处理，只存在点迹与点迹、 点迹与航迹关联；对多雷达或多传感器系统，以上三种方式都存在。按照给定的准则，通过对点迹的处理，实现对航迹的初始化，尽可能地去掉假点迹， 并为跟踪作数据准备，这就是数据关联所要完成的任务。在一个实际的信息处理系统中，采用哪种关联方式， 往往跟信息系统所采用的网络结构有关。 在集中式融合系统中，一般采用点迹融合，所以相应的关联方法必然也就是点迹与点迹、 点迹与航迹关联；在分布式信息处理系统中，如上面指出的，一般采用航迹与航迹关联。 为了提高并保证多部传感器数据融合的质量，对各个传感器送来的点迹要有比较高的要求， 并要对其进行预处理。,22,3.2.2 数据关联过程,通过上面两个个具体例子，我们不难看出，数据关联过程包括三部分内容：首先将传感器送过来的观测/点迹进行门限过滤， 利用先验统计知识过滤掉那些门限以外的所不希望的观测/点迹， 包括其它目标形成的真点迹和噪声、干扰形成的假点迹，限制那些不可能的观测航迹对的形成； 在该关联门的输出形成可行或有效点迹航迹对，然后形成关联矩阵，用以度量各个点迹与该航迹接近的程度；最后将最接近预测位置的点迹按赋值策略将它们分别赋予相对应的航迹。一般数据关联过程如图所示。,23,1. 门限过滤前面已经指出，数据关联利用的是多部雷达不同扫描周期送来的数据或点迹。可以想像，在整个雷达网所覆盖的空域中， 可能有许多批目标，如几百批，甚至上千批，那么在指挥中心数据库中也必然有许多相应的航迹与其对应；再考虑到各雷达站天线扫描范围要有较多的覆盖，每部雷达就会将更多的点迹送到指挥中心，不仅包括各个雷达本身覆盖范围内的目标点迹， 还包括重复的，即其它雷达也发现了的点迹；各部雷达给出的点迹中，还包括由干扰和相消剩余所产生的假点迹。,24,面对这样大量的数据， 不可能把每个点迹与数据库中的每条航迹都进行一一比较、判断，看看某个点迹是不是数据库中某条航迹的延续点迹，实际上这是没有必要的，因为同一条航迹中的相邻的两个点迹是有相关性的。 如果前一个点迹确能代表目标的真实位置的话，那么第二个点迹在天线一个扫描周期内，考虑到目标的最大运动速度、 机动变化情况和雷达的各种测量误差，目标不会跑出某个范围。,25,如果根据这个范围在指挥中心针对两坐标或三坐标雷达设立一个二维或三维窗口，就会把其他航迹所对应的点迹及由干扰或相消剩余所产生的假点迹拒之门外了。当然，每一条航迹都必须有这样的一个窗口，这种窗口，就将其称之为关联门。在雷达数据处理中采用关联门来限制非处理航迹和杂波数目的技术，就是我们所说的门限滤除技术，把它与滤波、跟踪结合起来，也将其称为波门跟踪技术，关联门内的点迹称之为有效点迹。,26,显然，门限的大小会直接对关联产生重大影响。 门限小了，套不住可能的目标；门限大了，又起不到抑制其它目标和干扰的作用。通常使相邻延续点迹以较大的概率落入关联门为原则来设立关联门的。实际上，由于关联门限制了由噪声、干扰或杂波剩余产生的假点迹，以及由固定目标产生的孤立点迹，有利于提高系统的正确关联概率和减小运算量，不仅提高了关联质量，同时也提高了系统的关联速度。,27,目前采用的关联门有多种类型， 如图所示。,几种二维波门形状 (a) 环形； (b) 截尾扇形； (c) 椭圆形； (d) 矩形,28,2.数据关联的逻辑原则 (1) 在单目标的情况下，如果已经建立了航迹，在当前扫描 周期，在关联门内只存在一个点迹，则该点迹是航迹 惟一的最佳配对点迹。 (2) 在单部雷达的情况下，不管空间有多少目标，在关联门 内，如果只有一个点迹，则该点迹是已建立航迹的惟 一配对点迹；如果有三个关联门，每个关联门内均只 有一个点迹， 则每个点迹是对应航迹的配对点迹。,29,(3)对单部雷达来说，在一个扫描周期中来自同一部雷达的多个数据或点迹，应属于多个目标的数据或点迹，这些数据或点迹是不能关联的，因为雷达正常工作时，在一个扫描周期中，一个目标只能有一个点迹，而不可能有两个或两个以上的回波数据或点迹， 关联是对不同扫描周期的点迹而言的。(4)在单个目标情况下，多部雷达工作时，在关联门内，每部雷达报来一个数据或点迹，则认为这些数据或点迹属于同一个目标，因为相邻近的可分辨的两个目标，不可能其中一个被某部雷达发现， 而另一个被另一部雷达发现。,30,(5)多部雷达工作时，在关联门内，每部雷达都报来相同数目的观测数据或点迹，这一数量将被认为是目标的数量，当然，这是在多部雷达有共同覆盖区域的情况下的结果。由于每部雷达距目标的距离有远近之分，也不排除远距离信噪比小的雷达漏检一个点迹， 而近距离信噪比大的雷达由于杂波或干扰的影响而多了一个点迹，因为点迹是以概率出现的。(6)在多部一次雷达都配有二次雷达一起工作时，二次雷达的每个回答数据中都包含有目标的编号信息，则可利用每部雷达的编号信息进行多雷达数据关联，使数据关联问题得到简化。,31,(7)在多雷达工作的情况下，只有一个点迹存在，并与几条航迹同时相关，则该点迹应同时属于这几条航迹，这可能是由于航迹交叉等原因造成的。(8)一个点迹只能与数据关联邻域的航迹进行关联，不管是否关联上，不能再与其它航迹进行关联。需要强调的是，在多雷达工作时，必须有公共覆盖区域，否则谈不到多传感器数据的关联和融合。,32,3.2.3 数据关联的一般步骤 根据数据关联过程，我们归纳出用于确定观测观测对或观测航迹对之间进行数据关联处理的6个步骤， 如图所示。,33,1. 查找数据库中的备选实体 有了当前的备选观测之后，首先从数据库中找出前一采样周期的观测zj(tj)和表示当时实体状态估计的状态向量 ，它们表示实体的位置、速度或身份的估计，为后续处理做准备。 数据库中存有前面已经有的观测和状态向量，或者说存储有各种目标的历史记录。,34,2. 把备选实体校正到观测时间ti 对于动态实体，数据关联的第二步就是将备选实体的状态向量校正到观测时间ti。这样，就需要对每个备选实体通过解运动方程确定在时刻ti的状态x的预测值。明确地说,x(ti)=(ti,tj)x(tj)+n,式中: (ti,tj)将状态由时刻tj变到时刻ti的变换矩阵,其分量是在时刻ti的状态向量元素对在时刻tj的状态向量元素的偏导数;n未知噪声， 通常是具有零均值的高斯噪声。,35,3. 计算每个备选实体航迹的预测位置 通过观测方程预测每个备选实体的预测位置， 即,其中，函数g表示实体j通过时刻ti的状态向量xj(ti)预测该实体在时刻ti+1时刻的状态所需的变换; n为观测噪声，通常是零均值分布的高斯噪声。,36,4. 门限过滤 门限过滤的目的在于通过物理的或统计的方法来滤除关联过程中不太可能的或所不希望的观测观测对和观测航迹对以及噪声和干扰，以减少计算量，防止计算机过载，同时提高关联速度，以便实时处理。,37,5. 计算关联矩阵 关联矩阵中的元素Sij是用来衡量k时刻观测zi(k)与预测值xj(k)接近程度或相似程度的一个量。关联过程中，一个经常使用的关联度量是所谓的逆协方差矩阵加权的几何距离:,Sij=zi(k)-xj(k)TRi+Rj-1zi(k)-xj(k),需要注意的是，xj(k)是预测值。,vij=zi(k)-xj(k),它是残差，或称作新息。,38,6. 分配准则的实现 最后一步是应用判定逻辑来说明观测zi(k)与某实体或状态向量之间的关系， 把当前的测量值分配给某个集合或实体。,39,1.最邻近方法2.全邻最优滤波器3.概率数据关联滤波器4.多模型方法5.相互作用多模型概率数据关联滤波器6.联合概率数据关联滤波器7.多假设方法8.航迹分裂方法9.分布多传感器多目标跟踪与数据关联的一般理论10.基于神经网络的多目标数据关联方法,4.2.4 数据关联的几种方法,40,1.“最邻近”方法,“最近邻”方法的思想是：在落入跟踪波门中的所有量测 中，离目标跟踪预测位置最近的量测认为是有效量测。“最近邻”方法的好处是算法最简单，但是精度差，抗杂 波干扰的能力差。在目标回波密度较大的情况 下，多目 标相关波门相关交叉，最近的回波不一定是目标产生。 因此在目标密度较大时容易产生关联错误。“最近邻”因为简单，算法易实现，计算量小，使用与信 噪比高、目标密度小的条件。举例：基于最近邻数据关联法的安瓿溶液可见异物目标跟踪,41,参考论文：机动目标跟踪算法与应用研究,42,2 .“全邻”最优滤波器,Singer,Sea和Housewright发展了一类“全邻”滤波器，这种滤波器不仅考虑了所有候选回波（空间累积信息），而且考虑了跟踪历史，即多扫描相关（时间累积信息）假定多余回波互不相关并且均匀分布于跟踪门内，则任何跟踪门的体积V内多余回波的数目Cx服从均值为V的泊松分布。假定在K-1时刻，轨迹a正确的概率为Pa(k-1)。关键问题是计算k时刻轨迹的正确概率Pa(k)。,43,3.概率数据关联滤波器,概率数据关联滤波器方法的思想是：对于只有一个目标的情况下，所有的量测都源于目标，只是源于目标的概率不同，这样通过计算每一个量测源于目标的概率，进而对所有的量测进行加权，得到一个所需的量测值。这种方法主要用于探测空间的杂波环境比较严重的情况。,44,概率数据关联滤波器（PDA）基本假设：1、杂波环境中，目标已经存在，并且航迹已经形成2、假量测在跟踪门中服从均匀分布3、正确量测服从正态分布4、在每一个采样周期至多有一个真实量测，这个事件发,45,4.多模型方法主要适用于解决目标作大机动运动下的数据关联问题而提出的一种数据关联算法多模型方法的主要思想是根据目标不同的机动水平建立不同的运动模型，利用该组模型对所有的量测进行滤波，并计算在不同量测情况下各模型滤波值的概率，并根据此概率对所有的量测进行加权,46,5.相互作用多模型一概率数据关联滤波器结合了概率数据关联滤波器与多模型方法的特点，可以用于在杂波环境下对高机动目标量测的数据关联概率数据关联滤波器、多型方法和相互作用多模型一概率数据关联滤波器的主要缺点就是不易扩展到多目标环境下的,47,
