多目标跟踪中的数据关联：轨迹式MHT（多假设跟踪）详解

多目标跟踪中的数据关联：轨迹式MHT（多假设跟踪）详解

1. 背景与概述

多目标跟踪（Multi-Target Tracking, MTT）是跟踪多个运动目标在时间序列中的状态（位置、速度等）的过程，应用于雷达、视频监控、自动驾驶等众多领域。 其中一个最关键、最具挑战性的环节就是数据关联（Data Association）：如何在纷繁复杂、测量噪声和遮挡等条件下，确定当前时刻获得的观测（或检测）属于哪个目标，以及如何从这些观测中保持目标轨迹的连续性。在多目标场景中，每个时刻往往会得到多个观测，为了给每个目标分配正确观测并更新目标状态，需要综合考虑各种假设（Hypothesis）。如果仅依赖对“局部时刻”和“局部数据”的简单关联规则，容易产生误关联或漏关联，从而导致目标身份混淆，轨迹断裂或错误合并。 因此，一个更加系统化和稳定的方法就是多假设跟踪（Multi-Hypothesis Tracking, MHT）。MHT方法根据历史观测和当前观测，以分支的形式维护多个“合理”假设，然后在之后的时刻基于“证据”逐渐淘汰不合理假设，保留并合并最可信的关联结果。
在MHT家族中，根据实现思路或数据结构的不同，可以分为基于假设（Hypothesis-Oriented）的MHT和基于轨迹（Track-Oriented）的MHT。我们这里着重介绍轨迹式MHT（Track-Oriented MHT）。

---

2. 轨迹式MHT的基本思想

2.1 基本概念

1. 观测集：在第 $k$ 时刻，我们得到的观测（测量）集合为
   Z k = { z k , 1 , z k , 2 , … , z k , m k } , Z_k = \{ \mathbf{z}_{k,1}, \mathbf{z}_{k,2}, \dots, \mathbf{z}_{k,m_k} \}, Zk​={ zk,1​,zk,2​,…,zk,mk​​},
   其中 $m_k$ 是在第 $k$ 时刻检测到的目标数（或测量数）。

2. 轨迹（Track）：在MHT中，我们将从初始时刻到当前时刻，某个目标的测量序列视为一条轨迹。对于轨迹式MHT，当我们说“产生一个轨迹”时，意味着我们对一系列时刻里各个观测的关联给出一种假设：哪些观测属于同一个目标。

3. 多假设：由于每次都有多个观测，可能存在多种观测-轨迹的匹配方式。MHT算法对于每一种合理的匹配都生成并保留一个假设分支，以防止过早地做出“错误决策”。

2.2 思路：分支与合并

• 分支（Branching）：当新时刻到来时，每条轨迹可能与若干个新观测匹配（或者未匹配），从而分裂出不同假设，使轨迹数成倍增加。
• 合并（Pruning / Merging）：为了限制轨迹数目的指数式膨胀，我们需要定期或实时地将相似轨迹合并、修剪概率很小或似然很低的轨迹分支。

轨迹式MHT的独特之处在于，它围绕“轨迹”这个核心概念去建模并展开，而非直接在全局假设空间中维护巨大而繁杂的全局数据关联树。

---

3. 轨迹式MHT的数学框架

3.1 目标状态与观测模型

一般来说，系统可以用状态方程与观测方程来描述目标的运动及其测量关系：

• 状态方程：
  $${\mathbf{x}}_k={\mathbf{F}}_{k-1}{\mathbf{x}}_{k-1}+{\mathbf{w}}_{k-1},$$
  其中 ${\mathbf{x}}_k\in {\mathbb{R}}^n$ 表示目标在时刻 $k$ 的状态（位置、速度等），${\mathbf{F}}_{k-1}$ 是状态转移矩阵，${\mathbf{w}}_{k-1}$ 是过程噪声。

• 观测方程：
  $${\mathbf{z}}_{k,j}={\mathbf{H}}_k{\mathbf{x}}_k+{\mathbf{v}}_{k,j},$$
  其中 ${\mathbf{z}}_{k,j}$ 表示时刻 $k$ 获得的第 $j$ 个观测向量，${\mathbf{H}}_k$ 是测量矩阵，${\mathbf{v}}_{k,j}$ 是测量噪声。

3.2 关联假设的概率模型

在MHT中，一条轨迹对应于一串测量序列 { z k , i ( k ) } \{\mathbf{z}_{k,i(k)}\} { zk,i(k)​}，其对应的关联假设可以用“事件”表示：

• 事件 $\alpha$: “时刻 $k$ 的观测 ${\mathbf{z}}_{k,j}$ 来自某个目标轨迹 $\tau$”；
• 事件 $\beta$: “时刻 $k$ 未检测到目标 $\tau$”；
• 事件 $\gamma$: “时刻 $k$ 的观测 ${\mathbf{z}}_{k,j}$ 是杂波 / 虚警。”

如果我们建立了一个（部分）关联假设 $\Theta$，则它对应一个“联合事件”
$$\Theta =\bigcap _{\tau \in \mathcal{T},k=1,\dots ,K}{E}_{\tau ,k},$$
其中 $\mathcal{T}$ 表示所有可能的目标轨迹集合，$E_{\tau ,k}$ 表示对轨迹 $\tau$ 在时刻 $k$ 对应的具体关联事件（可能是$\alpha ,\beta$ 或 $\gamma$中的一种）。MHT希望在所有可能的 $\Theta$ 中找出具有最高后验概率或最大似然值的关联假设。假设我们有先验的目标出现概率、探测概率、虚警率等参数，则可通过贝叶斯公式进行推理。

3.3 轨迹似然与打分

3.3.1 似然函数

对于一条轨迹 $\tau$（假设包含了时刻1到时刻K之间若干测量），它的似然可以表示为
$$p(\tau )=p(\tau \mid Z_{}$$