1、第五章 數據關聯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。主要有以下幾種：a、觀測與觀測、或觀測與點跡的關聯：用于航跡起始或估計目標位置b、觀測與航跡關聯：用于目標狀態的更新c、航跡與航跡關聯：用于航跡融合，局部航跡形成全局航跡數據關聯的一般過程：例：有兩個實體和，三個測量、和，對測量與實體進行關聯1、 建立關聯門，確定關聯門限：橢圓關聯門2、 門限過濾：將測量過濾掉3、 確定相似性度量方法：幾何向量距離4、 建立關聯矩陣5、 確定關聯判定準則：最近鄰方法6、 形成關聯對一、關聯門與門限：關聯門通常有兩種，矩形和橢圓形橢圓門：位置：位置速度：關聯門限

2、，可由兩種方法獲取，一是最大似然法，另一種是分布法。分布法是M個獨立高斯分布隨機變量平方和，它服從自由度為M的概率分布，給出漏檢率，查分布表得到門限二、相似度量方法距離度量: 歐幾里得距離：，向量間的幾何距離加權歐氏距離：City Block: ,一階明可夫斯基距離，也稱Manhatta 距離明可夫斯基距離：，Mahalanobis距離：，加權歐氏，權等于協方差逆矩陣Bhattacharyya距離：用得最廣泛的是加權歐氏距離概率度量：隸屬度度量： 用隸屬度作為度量標準。三、關聯算法適合于點與點、點與航跡（利用濾波器的預測功能使點與航跡時間對正）、或航跡與航跡（利用濾波器的預測功能使點與時間對正

3、）。1、最近鄰數據關聯：將落在關聯門內并且與被跟蹤目標的預測位置“最鄰近”的觀測點作為與航跡相關聯的觀測。如有三批目標和三個測量，所形成的關聯矩陣為按最近鄰 特點：一個目標最多只與跟蹤門中一個測量相關，取跟蹤門中距目標最近的測量與目標相關。2、全局最近鄰：使總的距離或關聯代價達到最小，最優分配的問題其中為二值變量，為0表示不關聯，為1表關聯，用矩陣表示時，矩陣的每行每列只能有1個元素為1。例： 關聯結果：矩陣表示關聯矩陣關聯矩陣較大時，二維分配問題可Munkre算法或Burgeois算法求解，求解具多項式復雜度,非NP問題特點：一個目標最多只與跟蹤門中一個測量相關，以總關聯代價（或總距離）作為

4、關聯評價標準，取總關聯代價或總距離最小的關聯對為正確關聯對。3、概率數據互聯（PDA）：(概率度量)設目標運動模型及測量模型為：狀態轉移矩陣：過程噪聲增益矩陣V: 過程噪聲W：觀測噪聲目標狀態的一步預測值預測協方差預測的觀測向量為新息或量測殘差為殘差協方差：h的雅可比矩陣，對目標狀態求導數；：觀測噪聲的方差矩陣。設有個測量落入跟蹤門內，即有個測量滿足：跟蹤門門限：按概率計算個測量在狀態更新時的權重因子。設：用第j個測量對濾波器更新時得到的狀態估計值為目標的狀態估計為其中；：目標檢測概率：正確測量落入跟蹤門內的概率。：跟蹤門的體積，測量為二維時，測量為三維時， M:測量的維數。目標的狀態估計及狀

5、態估計的協方差矩陣為其中特點：考慮跟蹤門中所有測量的影響，各測量由于距跟蹤門中心的距離不同其影響系數不同，各影響系數之和為1，影響系數用概率求取。4、FCM數據關聯(模糊隸屬度度量)以模糊C均值聚類算法（FCM）為基礎。在FCM中，目標函數定義為可以證明，當時，達到局部最小。數據融合中，用表示目標數目，n為所接收到的觀測總數，是s維的觀測向量，在每條航跡的預測值已知的情況下，可以建立分割矩陣。其中，如可用最近鄰法或全局最近鄰法確定測量與航跡的關聯對。5、基于模糊綜合判決函數的數據關聯（模糊隸屬度度量）(1) 模糊綜合判決函數是一個映射將模糊向量映射至的函數。例如下列的都是綜合函數；;；，；，(

6、2)基于模糊綜合函數關聯的步驟：a.建立模糊因素集（各因素間的距離）：例：判定兩航跡間的相關性。設在時刻，兩航跡的狀態向量為和定義兩航跡位置、速度和航向間的距離為或者取為加權距離b.選取一個隸屬度函數，由模糊因素集建立模糊向量采用高斯型隸屬度函數（也可采用其它隸屬度函數，如哥西分布，三角形分布等），則元素間的相似隸屬度為c.由模糊向量建立模糊綜合函數，并用模糊綜合函數建立相似度量矩陣。兩航跡間的模糊綜合函數可定義為由模糊綜合函數可建立關聯矩陣。再由最近鄰法或全局最近鄰法可給出關聯結果。四、航跡起始的關聯問題(不同時刻測量的關聯)目標跟蹤關聯的一般過程：測量與已有航真跡關聯？假對已有的航跡更新與舊測量關聯？建立新航跡利用不同時刻的測量起始航跡：規則基的方法和Hough變換航跡起始方法主要講規則基方法：用于起始航跡規則可描述如下：1）估計的速度大于最小