1 引言：从航机起始方法开始

我们为什么会有这个议题？因为航机起始方法。

处理目标航迹起始的方法主要分为两大类：批处理和序贯。

在杂波密度比较高的环境下，比如有红外卫星或地面雷达监视区域，则选用批处理方法；而在杂波密度相对比较小的区域，则选用序贯方法会比较合适；

采用理论分析方法和实验方法，将虚假航迹概率和航迹检测概率作为性能评价指标，对比研究两种批处理方法（Hough 变换法与扩展 Hough 变换法）和两种序贯方法（基于逻辑的处理方法与基于规则的启发式方法），可得出如下结论：

1）Hough 变换方法主要适用于高密度杂波环境下，对直线运动目标的航迹起
始处理，而基于逻辑的方法则主要适用于虚警概率较低的情况下；
2）扩展 Hough 变换方法和基于规则的启发式方法，都优于上述另外两种方法，
而且前者更加适用于高密度杂波环境，后者更适用于移动目标；

DS理论和航机起始方法批处理和序贯有什么关系？

DS理论，即Dempster-Shafer理论，也称为证据理论或信任函数理论，是一种用于处理不确定性和不完全信息的推理方法。它扩展了贝叶斯概率理论，允许在不知道先验概率或存在多个可能的概率分布时进行推理。DS理论通过引入信任函数和似然函数来描述对某个命题的信任程度和不信任程度。

航机起始方法是指在航空领域中对飞行器进行初始识别和跟踪的方法。这通常涉及到从传感器数据中提取飞行器的轨迹信息，并对其进行处理和分析，以便对飞行器的位置、速度和其他参数进行准确的估计。

批处理和序贯是两种不同的数据处理方式：

• 批处理是指一次性处理所有数据或一批数据，然后得出结果。在航机起始方法中，批处理可能意味着在收集到一定数量的传感器数据后，一次性进行轨迹提取和参数估计。
• 序贯处理是指逐个或逐序处理数据，每处理一个或一批数据后，就根据已处理的数据更新模型或结果。在航机起始方法中，序贯处理可能意味着在收集到每个新的传感器数据时，都立即对其进行处理，并更新飞行器的轨迹和参数估计。

DS理论和航机起始方法之间的关系在于，DS理论可以为航机起始方法提供一种处理不确定性和不完全信息的推理框架。在航机起始过程中，由于传感器数据的噪声、丢失或其他不确定性因素，可能会导致提取的轨迹信息存在不确定性。通过应用DS理论，可以在不完全和不确定的信息基础上，对飞行器的轨迹和参数进行更加准确和可靠的估计。

在批处理和序贯方面，DS理论同样适用。在批处理模式下，可以使用DS理论对所有收集到的传感器数据进行综合处理，得到飞行器的最终轨迹和参数估计。而在序贯模式下，可以在每个新的传感器数据到达时，使用DS理论进行增量更新，逐步调整和优化飞行器的轨迹和参数估计。

2 DS证据理论从教材的角度分析

稍微进行总结：

• 利用上、下限概率来解决多值映射问题。
• 证据理论是一种处理不确定性问题的完整理论。
• 证据理论的核心：Dempster合成规则。

计算每一个假设的 信度函数 (Belief function) 以及 似然函数 （Plausibility function）， 得到的信度函数和似然函数就是这个假设A 的概率范围了：

参考：

• DS证据理论概述
• 浙江大学计算机学院人工智能系 徐从富 教授的《人工智能》课件

3 实践论文：基于 DS 与 EKF 技术的高精准多目标跟踪方法

多信息融合的多目标跟踪算法总共分为三部分：目标航迹管理，目标关联匹配，以及目标运动跟踪滤波算法。

我分析的论文目录：

• 4.2 基于 DS 证据理论的多目标跟踪方法
  • 4.2.2 基于 DS 证据理论的目标航迹管理
  • 4.2.3 全局最近邻关联匹配算法
• 4.3 基于 EKF 理论的目标融合跟踪方法
• 4.4 性能测试与分析
  • 传统方法采用简单状态转移的生命周期管理和最近邻匹配的数据关联
    方法；本研究提出的方法采用基于 DS 证据理论的生命周期管理和全局最近邻匹配的数据关联方法，并采用直接更新法处理无序观测滤波。

3.1 基于 DS 证据理论的目标航迹管理

目标航迹管理主要是指目标从出现到消亡所经历的过程，通常航迹管理包括
如下几个状态：新目标、成熟期和消亡期这三个部分

当一个观测值连续被观测若干帧，那么该目标就是一个新生成的目标；新生成
的目标参与目标关联，若该目标被持续关联，则标志着目标的成熟期，不断利用观
测值去更新目标的成熟度；一旦目标连续失联若干帧，则该目标加入消亡队列中，
准备删除目标。但是这种目标状态转换的形式比较简单，一旦将目标标志为成熟的
目标时，就对控制系统产生了一定的影响，且新目标的生成到目标成熟期太过突兀，
易产生误跟踪传感器杂波的问题，导致系统稳定性不高。

DS 证据理论的本质是提供模糊过程，随着时间的推移以及每一步的证据迭代，
能够使这种模糊过程变得越来越清晰，从而达到收敛，这种方式能够完美解决新目
标的生成到目标成熟期比较突兀的问题。

根据实际控制系统要求，对于有威胁性的目标优先生成，但是对于一些比较杂乱的静止目标不需要输出，防止不当的错误目标影响控制效果。

将成熟期的目标分为 I（重要的）和 U（不重要的），一些对自车存在威胁的目标标志为成熟且重要的，符合人类的注意力聚焦的特点，从而降低系统对障碍物处
理的时间和空间需求。由匹配失败的观测生成的新航迹，通过连续数帧的关联成功，
转变为成熟的航迹；成熟的航迹在连续数帧关联失败后，转变为消亡的航迹，进而
被删除。也就是说，航迹成熟和航迹删除采用的是阈值状态转变法。

其中，事件 A、A1 和 A2 分别是2Θ的一个子集，A 表示当前时刻的航迹状态，
A1 表示上一时刻的航迹状态，A2 表示根据当前时刻与该航迹匹配的传感器观测特
性所设定的航迹状态量。判断目标是否重要的依据包括但不限于：对于多个传感器
视野重叠区域，若目标只与一个传感器的观测匹配上，说明该目标很有可能是不重
要的杂波观测；对于速度接近于零的目标，其重要性程度低。

参考:
[基于复杂工况的高精准可预测自动驾驶环境认知方法]-中国知网

4 实践专利

本发明公开了一种基于D-S证据理论信息融合的多核目标跟踪方法，其特征在于，包括以下步骤：
（1）对初始选定的目标跟踪框划分；
（2）计算颜色特征和边缘特征的联合概率密度；
（3）计算子块的权重系数；
（4）利用mean-shift非参数密度估计算法对位移矢量求取极大值；
（5）利用D-S证据理论信息融合方法，对多个目标位置估计进行融合计算以获得最佳的跟踪目标位置。

本发明能够有效地处理目标被遮挡下特征单一、光线的强烈变化及目标自身形状的改变的情况、具有良好的跟踪效果。

参考:
基于d-s证据理论信息融合的多核目标跟踪方法

(正文完)