多目标追踪——简介

Reference：
1.matlab关于多目标追踪的讨论：
https://www.mathworks.com/help/fusion/ug/introduction-to-multiple-target-tracking.html

1.多目标追踪做了什么？

多目标追踪可分为三步：检测、匹配、更新。
1）检测指使用一个或多个传感器从多个目标生成多个观测值。
2）匹配指如何将多个观测值分配给目标。
3）更新指使用观测值更新目标状态。

2.对于目标应该考虑什么？

考虑其数目与状态，所谓状态是指运动学相关的参数或属性，如速度、位置、航向角等。在参考资料里面常将目标表述为tracks，翻译一下就是轨迹，我在这里有一个疑问，就是为什么要用tracks来表征目标target？比如一个目标可能有大小，颜色，位置等特征值，为什么不选择这些呢？仔细一想，发现可以从静态和动态的角度来考虑，比如说大小和颜色等特征都是静态的，不需要进行更新，因而可以主要用于关联匹配阶段。而速度、位置、航向角这些特征值是动态的，是需要通过观测值进行更新的，并且当你有了轨迹的数据以后，这些动态参数都可以推算出来。因此当你主要关注于动态数据的变化时，就可以用tracks来表示target。

3.单目标追踪（Single Target Tracking，STT）与多目标追踪（Multi Target Tracking，MTT）的关系？

单目标追踪是多目标追踪的特例，因为只有一个目标，所以直接将检测值用于目标状态估计而无需进行关联匹配。

4.多目标追踪的挑战（有哪些难点）？

1）观测值和目标的关联匹配问题。当目标稀疏时，将观测值与目标匹配相对比较容易，但是当目标比较密集甚至有重合的时候呢，这时候如何匹配？
2）传感器漏检。如果目标没被传感器检测出来应该怎么处理？抢占其它目标的观测值吗？
3）传感器误检。
4）计算量问题。随着目标和观测值的增加，分配的计算量会指数增长。

5.MTT系统结构？

结构如上图所示，在解释之前，先做一个假设，即对于任意目标，系统都已经根据之前的观测维护了相应的轨迹，这个轨迹根据置信度可分为确定性的或临时的。现在，系统考虑如何进行分配及更新，具体步骤如下：
1）检测产生多个观测值。
2）使用滤波器（如EKF、PF等）根据之前的轨迹预测目标的当前位置，生成一个估计值。
3）利用估计值和协方差生成一个有效门限（或者说设置一个阈值，目标只可能落在阈值内）。
4）保留落在门限内的有效值，剔除无效的关联。
5）使用分配算法（常分为硬判决和软判决，前者只选其中一个，后者加权求和）进行关联匹配。
6）基于分配的观测值，进行目标轨迹的维护，即初始化（未被分配的观测值成为新的临时轨迹）、确认（如果轨迹满足条件，则将临时轨迹转为确定性轨迹）、轨迹删除（当轨迹不满足条件时进行删除）。
重复上述步骤。

6.检测？

检测是指利用传感器生成观测值的过程。观测值主要包括运动学描述的变量如位置、速度、航向角等，此外还包括目标的属性，如类型、ID、外观等。观测的时刻也是观测值的一部分。
对于可将目标抽象为一个点的情况（点目标追踪）而言，通常基于如下假设：即单一传感器的单次检测最多产生目标的一个观测值（位置）。这个假设可以极大地简化分配问题。
然而当目标包含多个维度的数据时（多维目标追踪），高分辨率的传感器可能产生多个观测值（位置，外观等），这时，需要将这些观测值结构化以供后续的分配算法使用。

7.门限（gating）设置和观测值的分配？

有关这一问题的更详细的介绍可以参考
https://www.mathworks.com/help/fusion/ug/introduction-to-assignment-methods-in-tracking-systems.html
在这里只简单做一个总结。正如上文提到的，门限用于筛选哪些观测值相对于某个轨迹来说是有效的，这样可以减少不必要的计算量。一个有效的门限常根据目标状态的估计和相应的协方差来设置，这种设置方式意味着落在门限内的观测值与目标匹配的概率更高，并且只有在门限内的观测值才会被视为可能的有效观测值。
常用的分配方法有GNN(Global Nearest Neighbor)、JPDA(Joint Probability Data Association)、TOMHT(Track-Oriented Multiple Hypothesis Tracking)等，进一步的讨论可参见上面的链接，实例可参考https://www.mathworks.com/help/fusion/ug/tracking-closely-spaced-targets-under-ambiguity.html

8.轨迹更新

轨迹可分为临时的和确定性的。临时轨迹指不确定是否是真实存在的轨迹，它可能由误检产生。确定性轨迹指真实存在的目标所形成的轨迹。
轨迹更新主要包含三个部分：初始化、确认、删除。
1）初始化：指构造一条新的临时轨迹。在GNN中，初始化的条件是观测没有被分配给已有的轨迹。在JPDA中，初始化条件为观测的关联概率低于某个阈值。在TOMHT中，初始化的条件是观测值与现有轨迹的距离大于某个阈值。
2）确认：指通过确认机制将临时轨迹转换为确定性轨迹，目前有三种常用的确认机制（历史机制，得分机制，联合概率机制）。
    历史机制（History Logic）：指在过去N次更新中，轨迹至少有M次被分配了观测值，M和N可自由设定。该机制被用于GNN和JPDA中。
    得分机制（Track Score Logic）：分数指轨迹来自真实目标与轨迹来自误检的概率比，当分数高于阈值时进行确认。该机制被用于GNN和TOMHT中。
    联合概率机制（Integrated Logic）：如果轨迹的联合概率高于阈值则确认。该机制被用于JPDA中。
3）删除：机制与确认相同，共有三种（历史机制，得分机制，联合概率机制）。
    历史机制（History Logic）：指在过去N次更新中，轨迹至少有P次没被分配观测值，P和N可自由设定。该机制被用于GNN和JPDA中。
    得分机制（Track Score Logic）：分数指轨迹来自真实目标与轨迹来自误检的概率比，当分数低于阈值时进行删除。该机制被用于GNN和TOMHT中。
    联合概率机制（Integrated Logic）：如果轨迹的联合概率低于阈值则删除。该机制被用于JPDA中。
更多细节可参考https://www.mathworks.com/help/fusion/ug/introduction-to-track-logic.html

9.滤波器的作用？

1）预测目标当前时刻的状态。
2）计算预测值与观测值的误差，门限和分配方法基于该误差进行筛选和分配。
3）利用分配的观测值矫正预测值。
有关滤波器的详细讨论参见https://www.mathworks.com/help/fusion/ug/introduction-to-estimation-filters.html

10.判断跟踪好坏的指标？

占个坑，这里我会另写一篇。

11.其他的多目标追踪方法

随机有限集（Random Finite Set, RFS）。GNN、JPDA、TOMHT都是基于轨迹与检测匹配的方式，而随机有限集不是。