第5期 付昆，等：多特征融合的异视角目标关联算法 ·853· 3500 3500 3000 3000 2500 2500 2000 2000 1500 1500 1000 500 500 123456789101112 123456789101112 方位角区间/（π/6rad 方位角区间/（π/6rad (a)目标"在视角1下的拓扑特征向量 (b)目标，在视角2下的拓扑特征向量 图5目标7在视角1及视角2下的拓扑特征向量 Fig.5 Topological characteristics of target 7 from different perspectives 基于拓扑特征向量计算的相似度矩阵如式(2)，同一目标的拓扑特征相似度都在0.9以上。 0.9050.9680.9340.3810.3120.8070.1260.175 0.8330.9080.8740.1300.0720.7580.0820.129 0.8640.9390.9060.3530.2870.7840.0960.144 0.4520.7880.4360.9510.8420.6590.1320.386 similarity 0.3300.7390.3170.8990.9720.5330.1300.380 (2) 0.2140.6350.1930.6350.7360.9590.6780.678 0.1590.6920.3030.5220.6030.8620.9430.978 0.1530.3040.3110.2570.2200.8110.8840.941 0.3130.7260.2860.8390.9370.5460.2040.373 3.2.2基于拓扑特征的关联概率分配结果 2中任何一个目标对应，与事实一致。目标7和 取阈值ε=0.85，拓扑特征的关联概率分配结 目标8颜色接近，并且在两视角下的拓扑结构接 果如表6所示。 近，因此对应的量测关联概率也较为接近。对比 表6基于拓扑特征的关联概率分配结果 单独使用颜色特征和拓扑特征的关联概率，显然 Table 6 Distribution results of association probability 融合概率矩阵更加准确可靠，其中大部分目标能 based on topological features 给出清晰的判定结果。 编号 关联对象/关联概率 表7融合拓扑特征和颜色特征的关联概率分配结果 101 201/0.3223 202/0.3449 203/0.3328 Table 7 Association probability assignment result based on the topological feature and color feature 102 202/0.5094 203/0.4906 Pg201202203204205206207 208 103 201/0.3188 202/0.3468 203/0.3343 1010.469500.5305000 0 104 204/1.0000 102 0 1 0 0 0 0 0 0 105 204/0.4804 205/0.5196 1030.472700.52730 0 0 0 0 106 206/1.0000 104 0 0 107 206/0.3097 207/0.3388 208/0.3515 105 0 0 0 0 108 207/0.4843 208/0.5157 106 0 0 0 0 0 0 0 109 205/1.0000 107 0 0 0 00.56120.4388 3.3多特征融合匹配结果 108 0 0 0 0 00.43220.5678 使用D-S证据理论融合颜色特征和拓扑特征 109 0 0 0 0 0 0 0 0 的关联概率后，综合关联概率如表7所示(P表 示量测i和量测j的关联概率)。 3.4关联算法优劣势对比 根据关联概率矩阵进行量测分配，所有量测 考虑到关联算法应用场景的不同，本文没有 对应关系均分配正确，其中量测109不与视角 进行对比实验，通过总结不同文献的关联思想，1 2 3 4 5 6 7 8 9 10 11 12 方位角区间/(π/6·rad) 方位角区间/(π/6·rad) 0 500 1 000 1 500 2 000 2 500 3 000 3 500 相对距离和/像素 0 500 1 000 1 500 2 000 2 500 3 000 3 500 相对距离和/像素 1 2 3 4 5 6 7 8 9 10 11 12 (a) 目标 η 在视角 1 下的拓扑特征向量 (b) 目标 η 在视角 2 下的拓扑特征向量 图 5 目标 7 在视角 1 及视角 2 下的拓扑特征向量 Fig. 5 Topological characteristics of target 7 from different perspectives 基于拓扑特征向量计算的相似度矩阵如式 (2)，同一目标的拓扑特征相似度都在 0.9 以上。 similarity =   0.905 0.968 0.934 0.381 0.312 0.807 0.126 0.175 0.833 0.908 0.874 0.130 0.072 0.758 0.082 0.129 0.864 0.939 0.906 0.353 0.287 0.784 0.096 0.144 0.452 0.788 0.436 0.951 0.842 0.659 0.132 0.386 0.330 0.739 0.317 0.899 0.972 0.533 0.130 0.380 0.214 0.635 0.193 0.635 0.736 0.959 0.678 0.678 0.159 0.692 0.303 0.522 0.603 0.862 0.943 0.978 0.153 0.304 0.311 0.257 0.220 0.811 0.884 0.941 0.313 0.726 0.286 0.839 0.937 0.546 0.204 0.373   (2) 3.2.2 基于拓扑特征的关联概率分配结果 取阈值ɛ=0.85，拓扑特征的关联概率分配结 果如表 6 所示。 表 6 基于拓扑特征的关联概率分配结果 Table 6 Distribution results of association probability based on topological features 编号 关联对象/关联概率 101 201 / 0.3223 202 / 0.344 9 203 / 0.3328 102 202 / 0.5094 203 / 0.490 6 103 201 / 0.3188 202 / 0.346 8 203 / 0.3343 104 204 / 1.0000 105 204 / 0.4804 205 / 0.519 6 106 206 / 1.0000 107 206 / 0.3097 207 / 0.338 8 208 / 0.3515 108 207 / 0.4843 208 / 0.515 7 109 205 / 1.0000 3.3 多特征融合匹配结果 使用 D-S 证据理论融合颜色特征和拓扑特征 的关联概率后，综合关联概率如表 7 所示 (Pij 表 示量测 i 和量测 j 的关联概率)。 根据关联概率矩阵进行量测分配，所有量测 对应关系均分配正确，其中量测 109 不与视角 2 中任何一个目标对应，与事实一致。目标 7 和 目标 8 颜色接近，并且在两视角下的拓扑结构接 近，因此对应的量测关联概率也较为接近。对比 单独使用颜色特征和拓扑特征的关联概率，显然 融合概率矩阵更加准确可靠，其中大部分目标能 给出清晰的判定结果。 表 7 融合拓扑特征和颜色特征的关联概率分配结果 Table 7 Association probability assignment result based on the topological feature and color feature Pij 201 202 203 204 205 206 207 208 101 0.4695 0 0.530 5 0 0 0 0 0 102 0 1 0 0 0 0 0 0 103 0.4727 0 0.527 3 0 0 0 0 0 104 0 0 0 1 0 0 0 0 105 0 0 0 0 1 0 0 0 106 0 0 0 0 0 1 0 0 107 0 0 0 0 0 0 0.561 2 0.4388 108 0 0 0 0 0 0 0.432 2 0.5678 109 0 0 0 0 0 0 0 0 3.4 关联算法优劣势对比 考虑到关联算法应用场景的不同，本文没有 进行对比实验，通过总结不同文献的关联思想， 第 5 期 付昆，等：多特征融合的异视角目标关联算法 ·853·