1.2.2　雷达数据处理研究现状

在交通场景中利用雷达进行多目标跟踪有两个重要过程：聚类和数据关联。聚类的目的是提取有效观测点并完成分类，数据关联的目的是使观测点与目标的预测点正确关联。观测点主要由雷达回波信号得到的样本点数据组成，包括目标信息和噪声信号。预测点是对当前时刻的观测点进行预测而得到的下一时刻的目标位置估计。国内外学者对聚类算法和数据关联算法进行了大量研究。

目前，聚类算法有四类：第一类是基于划分的聚类算法；第二类是基于密度的聚类算法；第三类是基于网格的聚类算法；第四类是基于约束的聚类算法。K-Means聚类算法是典型的基于划分的聚类算法，该算法必须事先为每个类别确定一个聚类中心，其收敛速度慢，只能处理数值型数据，对异常值敏感，很多学者对该算法进行了改进。Pelleg等提出了X-Means算法，提高了算法的收敛速度；Nguyen等提出了K-Modes算法，拓展了算法适用的数据类型；Bezdek提出了模糊C均值（Fuzzy C-Means，FCM）聚类算法，用隶属度表示样本点之间的相似性，是一种具有良好收敛性的软聚类算法。

DBSCAN（Density-based Spatial Clustering of Applications with Noise）聚类算法基于密度划分，将具有足够密度的区域分为一类，聚类结果为密度相连的点的最大集合。Birant等对DBSCAN聚类算法进行了改进，提出了ST-DBSCAN（Spatial-Temporal DBSCAN）聚类算法，该算法可以更准确地对不同维度的数据进行聚类；钱鹏江等提出了自适应GRC（Graph-based Relaxed Clustering）聚类算法；Mihael Ankers提出了在参数次序结构上的OPTICS（Ordering Points to Identify the Clustering Structure）聚类算法；Martin Ester提出了DENCLUE（Density-based Clustering）聚类算法；Wang提出了STING聚类算法。

数据关联算法包括单目标关联算法和多目标关联算法。1971年，Singer提出了最近邻数据关联（Nearest Neighbor Data Association，NNDA）算法，其应用于单目标跟踪时效果较好。该算法将距离目标预测点最近的观测点定为关联点迹，并利用该观测点继续进行状态更新。在杂波较少且目标较分散的情况下，算法的执行效率很高，但在密集的多目标场景或临近目标场景中，会出现关联错误的情况，存在正确率低、抗干扰能力弱等问题。有学者对最近邻数据关联算法进行了改进，提出了全局最近邻数据关联（Global Nearest Neighbor Data Association，GNNDA）算法，利用总统计距离最小寻找关联点迹，逐步形成了基于贝叶斯思想的“软关联”算法。

概率数据关联（Probability Data Association，PDA）算法是Bar-Shalom和Jaffer提出的次优滤波算法。因为PDA算法是在假设关联区域内仅存在一个目标的情况下应用的，所以在利用该算法进行目标关联时能处理的目标数量和最近邻数据关联算法类似。为了解决多目标数据关联问题，Bar-Shalom提出了联合概率数据关联（Joint Probability Data Association，JPDA）算法。JPDA算法通过计算所有联合事件出现的概率来选择最合适的事件，导致计算量随雷达回波信号的增加呈指数级增加。虽然该算法可以很好地解决多目标数据关联问题，但实时性不好。在数据关联算法研究方面，国内专家和学者们也做出了卓越贡献，比较有代表性的是西北工业大学的潘泉教授，他在JPDA算法的基础上，提出了一种广义概率数据关联（Generalized Probability Data Association，GPDA）算法。该算法结合了更多关联事件信息，计算量仅随雷达回波信号的增加线性增加，与JPDA算法相比，其精度更高、实时性更强。Reid等提出了多假设跟踪（Multiple Hypothesis Tracking，MHT）算法，该算法考虑了观测点源于已有目标、新目标和背景杂波的多种可能性，通过评估来解决目标跟踪问题。因为MHT算法几乎考虑了所有情况，所以其跟踪精度较高，实时性不好。

很多学者在上述算法的基础上进行了改进和创新。例如，Musicki和Evans提出了联合集成概率数据关联（Joint Integrated Probability Data Association，JIPDA）算法；Song等提出了概率多假设跟踪（Probabilistic Multiple Hypothesis Tracking，PMHT）算法；Turkmen等提出了简化的联合概率数据关联（Cheap Joint Integrated Probability Data Association，CJPDA）算法；Roecker等提出了次优联合概率数据关联（Suboptimal Joint Integrated Probability Data Association，SJPDA）算法；Fitzgerald等提出了精确最近邻PDA（Exact Nearest Neighbor PDA，ENNPDA）算法；Blom和Bloem提出了耦合概率数据关联（Coupled Probability Data Association，CPDA）算法。