联合概率数据互联（JPDA） ----多假设跟踪（MHT）

杨利霞

联合概率数据互联（JPDA） ----多假设跟踪（MHT）
: u: O( }0 h. f联合概率数据关联（Joint Probabilistic Data Association,JPDA）

6 ]4 N" E. M. [, C/ j! Z- t& a
       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。
3 l2 H8 H7 D* Y( U) L+ i- d
  Z0 z4 J1 [" d, O8 F3 m* W; `
JPDA图形+例子解释：https://wenku.baidu.com/view/b300431aa76e58fafab003f9.html


公式解释：https://wenku.baidu.com/view/46d44ee1998fcc22bdd10d04.html
+ C, ]$ j2 l1 n
% |4 \2 f+ b) a4 A6 H! o  ?& ?
# s7 {* U0 Y7 L5 L
8 T( c, O& ~& l% W( `$ q9 x8 j
, i( _$ x4 W6 k% F! t6 n4 {5 E
多假设跟踪（Multiple Hypothesis Tracking，MHT）
$ Y) }. }$ h  U, W& G0 i

8 O, u* z5 X: Y7 \: P       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。

  [7 ?1 Z5 p4 y" e. {# n9 I: n
- g; a( u9 u. c$ fMHT算法介绍：见上传的文件
9 K% L  ]# T. }' [
; n' k4 `* V# z: a4 L/ Z! b
* s% h4 c- S, v; S" [3 @MHT源程序：http://www.codeforge.cn/read/310434/hydwbwmg.m__html




# S7 ?5 r) l# W. d2 G- n, o
9 f5 t" M% N* X$ f几种数据关联方法比较
# i' X8 ~3 t5 {
6 g8 h, _- q! N) }& ], }& K  g
      

3 u2 M9 g6 d- L# K: n1 O4 S2 X
: h( }" d! o- o: I* W! R
" P/ v5 i' s, \9 p————————————————
( ?0 S+ k' {* l+ B! B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
7 u+ {' ], {: f  k( ~+ f$ \
8 S! d! T% @8 z7 M  u/ r# }1 z& z