多目标跟踪性能评估方法范文

《系统工程与电子技术杂志》2014年第五期

1传统评估方法研究现状

传统评估方法针对不同的应用环境，提出了很多具有明确物理意义的评价指标。这些评价指标一般基于人的主观感受建立，简单易于理解，现梳理如下。多平台多目标跟踪的一个基本目的是获得单一完整空情图。针对多平台环境，文献提出了多平台评估方法的若干评价指标，包括平台间不一致航迹比例、一致航迹间状态估计偏差和平台间通信负载等。这些评价指标试图对跟踪算法的实用性以及不同平台间跟踪算法输出结果的一致性进行评价，但无法反映跟踪结果与目标真实状态的接近程度。跟踪算法相关评估方法针对特定跟踪算法而设计。文献[12]提出使用目标航迹建立概率和虚假航迹密度来评价多假设跟踪（multiplehypothesistracking,MHT）算法的方法；文献提出一种针对交互多模型（interactivemultiplemodel,IMM）算法的非MonteCarlo性能评估方法，该方法的核心是求解状态误差协方差阵的条件期望；文献[16]尝试使用完整概率数据关联（integratedprobabilisticdataassociation,IPDA）本身计算过程中的目标存在概率、可感知概率等指标来评价IPDA算法。显然，由于跟踪算法相关评估方法不具有跟踪算法普适性，其难以用于不同类别跟踪算法的对比分析。在现实场景中，目标真实信息k,jy和kJ通常是无法准确知道的。在这种情况下，只能使用目标真实状态无关评估方法。文献[22]给出了该方法的主要评价指标，包括有航迹平均生命周期、航迹成功关联率、航迹状态估计误差与协方差阵的一致性及计算代价等。由于没有评估参照对象，目标真实状态无关评估方法仅能使用跟踪算法输出结果建立评估指标。考虑到高性能跟踪算法在这些评估指标上一般会表现良好，从而可以借助这些指标衡量跟踪算法性能好坏与否。但是，这些指标只是说明一个跟踪算法性能优良的必要而非充分条件。目标真实状态相关评估方法特别适合MonteCarlo仿真场景，对于仿真来讲，目标真实状态通常是可以知道的。对于现实场景，若目标为合作目标，可提供自身的高精度状态信息，则此时也可以使用目标真实状态相关评估方法。文献[17]提出了若干目标真实状态相关评价指标，这些评价指标可分为势差评价指标和状态精度评价指标。势差评价指标主要通过集合nkX和kY之间势的差异来评估跟踪算法性能，其包括有目标平均航迹交换次数、目标平均航迹中断次数、冗余航迹比值、虚假航迹比例及关联完整性等。而状态精度评价指标则通过集合nkX和kY元素间差异来评估跟踪算法性能，其主要包括有航迹起始延迟、航迹终止延迟、均方根误差、均欧氏误差、均调和误差和均几何误差。整体来看，传统评估方法在具体使用时存在以下问题：（1）如何选择评价指标集，怎样的指标集对于性能评价来讲是完备的，可以被广泛接受的。由于传统评估方法指标集的建立具有主观性，一个适合不同目的、被科研工作者广泛接受的指标集难以建立。（2）指标间存在相关性。比如航迹起始延迟和虚假航迹比例就存在很强的相关性，较短的航迹起始延迟总会带来较高的虚假航迹比例。（3）不同指标评价结果之间的矛盾性。比如跟踪算法A在某些评价指标上优于算法B，而在另一些评价指标上劣于算法B，此时比较算法A和B性能优劣是比较困难的。

2综合度量评估方法研究现状

不同于传统评估方法，综合度量评估试图基于数学理论建立一种“距离”来描述跟踪算法输出多航迹估计状态集合与多目标真实状态集合之间的接近程度，这种接近程度可以看作是对跟踪算法性能的一种整体评价。这样的距离一般建立在两个有限集上面，并需满足（1）具有严密的数学理论支撑，是有限集上的度量；（2）具有自然的、有意义的直观解释；（3）能够同时兼顾有限集间势差和有限集元素间差异；（4）计算方便。目前已提出的性能评估综合度量主要有Hausdorff距离、optimalmasstransfer(OMAT)距离、optimalsubpatternassignment(OSPA)距离以及基于OSPA距离改进的综合度量。3.1Hausdorff距离Hausdorff距离[18]具有严密的数学理论基础，满足度量定义的三条性质（非负性、对称性和三角不等式）。nkX和kY之间Hausdorff距离定义为Hausdorff距离已经被证明是综合评价多目标跟踪算法的有效方法，并已应用于LockheedMartin公司的多目标数据融合系统[30-35]。但Hausdorff距离具有以下缺点：（1）对离群值“惩罚”过重：如图2(b)所示，场景右上角的离群值使得该场景Hausdorff距离远远大于其它场景（图2(a)除外）。（2）对集合势间差异不敏感：如图2(c)~图2(f)所示，当集合势改变时，Hausdorff距离没有发生变化。（3）当集合之一为空时，没有合适的定义：如Hausdorff距离定义应取值为无穷，这显然是不合适的。3.2OMAT距离为了克服Hausdorff距离的缺点，文献[18]提出了OMAT距离。OMAT距离是Mallows距离[36]在概率密度函数服从离散均匀分布情况下的特例。nkX和kY之间p（1p）阶OMAT距离定义为OMAT距离部分解决了Hausdorff距离的集势差异不敏感问题（如图2(c)~图2(f)所示）和离群值“惩罚”过重问题（如图2(b)所示）。但是OMAT具有一些新的问题，主要有。LOSPA较OSPA的优势体现在可以把不同时刻目标状态估计之间的对应关系纳入评估。考虑图5所示某一想定（该想定仅有5个扫描周期）下目标真实状态，及跟踪算法1对目标的状态估计。假设跟踪算法2可以无误差地给出目标状态估计。由OSPA定义可知，此时两种跟踪算法的OSPA度量始终为0，但事实上跟踪算法2明显好于跟踪算法1，这揭示了OSPA的局限性。而LOSPA对两个跟踪算法的评估结果（假设目标与航迹关联正确，取=0.5）如图6所示，可以看到LOSPA较好地评估了两个跟踪算法。类似于LOSPA距离把航迹标记差异纳入OSPA，[24]和[25]在OSPA的基础上分别考虑航迹不确定性和航迹质量而构建了相应综合度量评估指标。

3总结与展望

本文综述了各种多目标跟踪算法评估方法，对评估方法进行了分类，介绍了各类评估方法的基本原理，并阐述了其优缺点。从整体来看，综合度量评估方法是该领域最有潜力的一类方法。综合度量应用及发展趋势主要表现在以下几个方面：（1）综合度量不仅可以用于评估，还可用于传感器管理和新型估计算法的设计。综合度量给出了两个有限集之间差异程度的量化描述，该量化值可作为传感器管理控制过程或估计算法的目标函数，从而促进新型传感器管理和状态估计方法的出现。（2）综合度量的改进和发展将建立在严密数学理论的基础上。综合度量导出拓扑应为现有成熟拓扑，从而可以使用对应的性质和理论。（3）综合度量应保持与人的主观感觉的一致性。也就是说，若主观可以明显判断估计状态集合A比估计状态集合B更接近目标真实状态集合，则前者与目标真实状态集合之间的差异综合度量值要小于后者与目标真实状态集合之间的差异综合度量值。4）综合度量应考虑非状态数据。非状态数据，比如航迹与目标在属性上的差异，应该像集合势差异、集合状态元素差异和航迹标记差异一样纳入综合度量的考虑范畴。其难点在于如何在非状态数据空间构建度量来描述差异，以及该度量如何融入综合度量的计算等。从发展程度来看，多目标跟踪性能评估方法还是一个远未成熟的研究领域，其发展将会极大地推动跟踪算法的理论发展和工程应用。

作者：井沛良徐世友李贤陈曾平单位：国防科技大学自动目标识别重点实验室中南大学信息科学与工程学院