联合概率数据互联（JPDA） ----多假设跟踪（MHT）

杨利霞

" H9 _8 @/ Y0 o# n5 f联合概率数据互联（JPDA） ----多假设跟踪（MHT）
% I* T' F7 o3 a3 q, q$ f, l- E联合概率数据关联（Joint Probabilistic Data Association,JPDA）
& K( C" ~- Q5 c. x

1 o3 G$ Z6 }% R2 a- _& x       联合概率数据互联JPDA是数据关联算法之一，它的基本思想是：对应于观测数据落入跟踪门相交区域的情况，这些观测数据可能来源于多个目标。JPDA的目的在于计算观测数据与每一个目标之间的关联概率，且认为所有的有效回波都可能源于每个特定目标，只是它们源于不同目标的概率不同。JPDA算法的优点在于它不需要任何关于目标和杂波的先验信息，是在杂波环境中对多目标进行跟踪的较好方法之一。然而当目标和量测数目增多时，JPDA算法的计算量将出现组合爆炸现象，从而造成计算复杂。
9 k/ b, V# ]3 C, @+ l  E) T4 K7 V

JPDA图形+例子解释：https://wenku.baidu.com/view/b300431aa76e58fafab003f9.html

; {: B5 W; U' Y
1 ~0 P: ~6 M% F公式解释：https://wenku.baidu.com/view/46d44ee1998fcc22bdd10d04.html

9 ]* A* w2 F: U7 @, [9 n7 M0 C
$ b* M- c0 t  n' C9 ]( ~6 u

9 ], O7 t! V0 h% l% R
多假设跟踪（Multiple Hypothesis Tracking，MHT）
$ _$ @) @! s7 `7 O4 ~: Y, q
1 w2 f, X- r) L" R) H9 o
       多假设跟踪MHT是数据关联另一种算法。它的基本思想是：与JPDA不同的是，MHT算法保留真实目标的所有假设，并让其继续传递，从后续的观测数据中来消除当前扫描周期的不确定性。在理想条件下，MHT是处理数据关联的最优算法，它能检测出目标的终结和新目标的生成。但是当杂波密度增大时，计算复杂度成指数增长，在实际应用中，要想实现目标与测量的配对也是比较困难的。
  _( J4 @; t0 r$ B: z
: m) p! [0 l* {# P4 e  [
MHT算法介绍：见上传的文件

) H$ a) ~  h( f  u
4 N6 |, ]0 M- |+ z0 R8 x- NMHT源程序：http://www.codeforge.cn/read/310434/hydwbwmg.m__html
+ r/ m: L0 L5 ~$ h! N4 P
  M3 H7 g$ W; S9 H# @9 ]


8 B. }1 d$ }9 l- t
* u* l# o5 r# x0 c" d6 A3 K* b( z几种数据关联方法比较

* J! Z, a8 f  [% s4 e- O
: W* h; [8 w9 p1 J6 L      
0 m+ O( w/ |% E. [

2 |" M$ B& N/ @$ k/ {
————————————————
版权声明：本文为CSDN博主「微生俘」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lzcy911music/article/details/81632133

( G( |( t9 R! r