吕奇辰 中国人民解放军93117 部队

引言

多目标实时跟踪过程中，多个传感器对同一目标的测量数据，具有相似特征，但杂波干扰和传感器的测量误差，使得测量数据的特征不完全相同，利用相似特征来判定量测数据的来源就是数据关联方法。

数据关联通常分为几种方式，其中观测/点迹与观测/点迹关联、观测/点迹与航迹关联，一般用于集中式结构；而在分布式信息处理系统中多采用航迹与航迹关联。三种方式都存在于多传感器系统中，按照给定的准则，对数据进行处理，去除干扰数据，实现对航迹的初始化，即为数据关联的任务。

1 集中式数据关联方法

1.1 最近邻域数据关联(NNDA)

最近邻域数据关联算法属于数据挖掘技术，是最简单、最有效、最早提出的数据关联方法之一。如图1 所示，NNDA 中的N 表示统计距离达到最小或是残差概率密度为最大。

图1 最近邻域数据关联

该方法适用于跟踪目标稀疏的情况，是一种局部最优的“贪心算法”，NNDA 算法的运算量小，易于实现，但在杂波干扰或者目标密集的情况下，错误关联较多。

1.2 联合概率数据关联(JPDA)

JPDA 是Bar Shalom 等人提出的一种数据关联算法，当观测数据落入跟踪门相交区域时，表示这些观测数据可能来源于多个目标。JPDA 计算观测数据与每一个目标之间的关联概率，认为所有的有效回波都源于每个特定目标的概率不同。在杂波环境中JPDA 方法对多目标跟踪的结果较为理想，不需要任何关于目标和杂波的先验信息，但目标和量测数目增多时，与其他算法相比，计算比较复杂，算法详见文献。

2 分布式航迹关联方法

考虑到系统中分布于不同位置的传感器，其信息处理系统的航迹是否具有唯一目标指向性，传感器覆盖范围内是否存在重复跟踪目标的问题，航迹关联算法可以分为基于统计和基于模糊数学的算法。

2.1 基于统计的算法

航迹关联问题可以通过不同的检验统计转化成假设检验问题，如加权修正法、最近邻域法、序贯法和双门限法等。加权修正法在密集目标环境下关联性能下降，在交叉和分岔航迹较多的场合会出现较多错漏关联航迹，最近邻域法也存在错漏关联航迹的情况，序贯算法和双门限算法能较好的修正这个问题。

(1)加权修正

当航迹估计误差间不独立时，可以修正检验统计量为：

(2)最近邻域法

(3)序贯法和双门限法

序贯法考虑历史航迹，改善了加权修正法的问题。该算法来源于雷达信号中的序贯检测。

双门限法，需要设定计数器T，流程如图2 所示，对R 个估计误差样本（系统中两个任意节点），逐个基于X2分布门限进行假设检验，若判定为同一目标的航迹，则T=T+1，否则T 不变。将T 与指定的数 L 进行比较，经过R 次检验后，如果T ≥L，航迹关联判决结束，否则判定为不关联航迹。

图2 双门限法流程图

2.2 基于模糊数学的航迹关联方法

在某些场合中，例如目标密集、随机目标较多、存在较多分岔航迹或者系统中存在较大导航误差、传感器校准误差、传感器转换和延迟误差，用统计学方法来判断航迹关联性是很困难的，不能满足实际要求。

考虑到在航迹关联判决中的模糊性，可以用隶属度函数来界定两个航迹的相似程度，这种方法可以称之为模糊航迹关联法。可细分为模糊函数法和模糊逻辑法，其特点见表1。

表1 基于模糊数学的航迹关联法

3 结论

航迹关联问题在传感器的间距远或没有干扰时，比较简单。对于多目标、噪声、多交叉及分岔航迹的情况，就会比较困难。再考虑更实际的状况，比如传感器组合失配、传感器位置误差、监测目标的误差，航迹关联问题就更为复杂。

文中提到的加权修正法等统计方法均是在某时刻就做出最终判决，准确度不可控。概率数据关联算法或者将各种算法进行组合优化，会相对完善，但是目标增多时，计算量会剧增，应进一步探讨简单实用的关联方法。