理解与学习：多元目标追踪中的关键技术 - 最近邻算法(NN)、全局最近邻(GNN)、概率数据关联(PDA)与联合概率数据关联(JPDA)

注意:对于目标检测而言,相机和毫米波雷达的检测特点不同(对于相机而言，检测数量有时小于当前轨迹，而毫米波雷达的检测数量大于当前轨迹。),故我们需要选择不同的目标检测算法来达到最优解.

下面我们来学习不同的目标跟踪算法:

1. 最近邻NN

最近邻数据关联算法的优点是运算量小，易于硬件的实现，但是只能适用于稀疏目标和杂波环境的目标跟踪系统。当在目标或者杂波密度较大时，很容易出现误跟和漏跟现象，同时算法跟踪性能不高。

关联矩阵较大时，二维分配问题可Munkre算法或Burgeois算法求解，求解具多项式复杂度,非NP问题

特点：一个目标最多只与跟踪门中一个测量相关，以总关联代价（或总距离）作为关联评价标准，取总关联代价或总距离最小的关联对为正确关联对。

2.全局最近邻GNN

GNN的一个关键步骤是生成成本矩阵。成本矩阵是指与每次检测匹配的每条轨迹的成本

NN和GNN的不同点:

距离计算方法和NN相同，但是使总的距离或关联代价达到最小，

3. 概率数据关联PDA(用于雷达原始数据的滤波)

4. 联合概率数据关联JPDA(用于雷达原始数据的滤波)

JPDA中的联合事件数是所有候选检测数的指数函数，并且随着检测密度的增加而迅速增加，导致计算负载的联合爆炸现象。

部分参考内容见链接:

https://zhuanlan.zhihu.com/p/188664072

https://www.cnblogs.com/withwhom/p/11623391.html