MATLAB：Introduction to Assignment Methods in Tracking Systems 目标匹配方法

引言

1、MATLAB R2019b

2、MATLAB中Introduction to Assignment Methods in Tracking Systems介绍了目标匹配的方法。包括背景介绍，2-D匹配介绍（GNN、KNN、JPDA、MHT），S-D匹配介绍。

一、背景

1、目标匹配是目标融合中重要的一步。目标匹配就是将传感器新的探测Detection与存在的目标物Target或轨迹Track匹配。

2、目标匹配分为

        2-D问题：n个target和m个detection匹配，但m个detection来自于同一个传感器。

        S-D问题：n个target和(m1，m2...)个detection匹配，m1是一个传感器，m2是另一个传感器。单摄像头单雷达融合就是3-D匹配问题。

3、简单的例子：

        3个工人，3份工作，每个人做完成每份工作的时间给出如表。

        匹配前提是，每个人只能得到一份工作，每份工作只能由一个人完成。

        最佳匹配就是，总的工作时间最少 ，显然加粗字体给出了答案。

        注：（1,3）如果改成45，答案也不变，但是对于第一个人，他做的并不是他最擅长的工作。

二、2-D匹配问题

1、三种匹配方法

• trackerGNN — adopts a global nearest data assignment approach

• trackerJPDA — adopts a joint probability data association approac

• trackerTOMHT — adopts a tracker-oriented multiple hypothesis tracking approach

 2、Gating

        ①、根据过去的轨迹预测新的轨迹，通过观测模型，输出期望的观测。

        ②、实际的观测与期望的观测得到observation residual vector（不知道怎么翻译）。

         ③、S是detection residual covariance？？？G是Gating Threshold。这里的d2 = yTsy，d2就是马氏距离Mahalanobis distance。（这里的确是马氏距离，S应该是测量协方差？）

         ④、马氏距离小于G的就可以进入Association匹配环节。如图1， T1是track的预测，O1-O6是6个detections，椭圆是根据马氏距离得到的Gating Threshold，所以O1-O3就是得到的3个感兴趣的匹配。

 三、GNN方法

        1、如图2，GNN存在同一个Detection匹配多个Track，如O2；还存在同一个Track匹配了多个Detection，如T1。

        2、如何解决这个问题呢？一种方法是：通过计算Cost，如下公式。dij是马氏距离、ln|Sij|计算协方差，这样具有大的误差可能性的点，Cij较大。

         3、对于图2的问题，给出Cost表，其中X表示不在Gating的椭圆（圆）内。其中O3没有匹配Track，它就生成新的Track。（还可以直接用Gating，然后通过匈牙利算法做匹配，并不需要再加ln|Sij|）

         4、2-D匹配问题，n个track，m个detection，可以写成如图公式。有两个限制：

        ①、每个track最多只能匹配1个detection。

        ②、每个detection最多也只能匹配1个track。

         注：其中的0，表示没有匹配到track，或者detection。 

        5、GNN可以通过下面三个方法匹配。

• assignmunkres – Uses the Munkres algorithm, which guarantees an optimal solution but may require more calculation operations.

• assignauction – Uses the auction algorithm, which requires fewer operations but can possibly converge on an optimal or suboptimal solution.

• assignjv – Uses the Joker-Volgenant algorithm, which also converges on an optimal or suboptimal solution but usually with a faster converging speed.

         上图显示更多的GNN方法。

        6、KNN

         assignkbest 只是每次删除匹配中的的一个匹配，找到下一个最好的匹配。（需要看例子，有什么用？）

五、JPDA

        没看懂，需要自己展开。

六、MHT

        

七、S-D问题

       由于S-D问题计算复杂，Lagrangian relaxation method 常用于优化S-D问题。后面简单介绍了这个方法。

后记：

        此文只是简单介绍。具体还是要看代码，看其他文章。