多目标跟踪--为什么数据关联中需要用到马氏距离？

马氏距离是个啥？

马氏距离的数学定义并不复杂，但是我们在这里先用一个直观的例子体会一下它的作用。

大家应该对曼哈顿距离不陌生吧？如下图所示，图中灰色的交叉线表示一个马路的路网，其中A点是铁锤家门口，B点是我家门口。

如果我打车去找铁锤，那么需要走过距离|BC|+|CA|才能够到达。那么我们之间的曼哈顿距离就为：

然而，我发现事情不像我想像地那样简单。由于这个街区中上下的道路是主路，左右的道路是次路，因此沿着上下形式的时候遇到的红灯的时间更短，而左右方向红灯更长时间。如下图所示。

那么怎么解决这个问题呢？假设在主路上行驶单位距离所需的时间为  在次路上行驶的单位距离所需的时间为  那么我重新计算了我们之间的距离：

也就是说我们通过“加权”的方式使得这个距离更精准地反映我们实际的情况。

是不是有点儿“感觉”了？上面的例子很粗糙，请不要纠结它在理论上是否完美无缺，体会其思想就好。

再来看看更正式的例子。下图中A,B两点是在直角坐标系中的两点。他们之间的欧氏距离可以写作：

 此时如果我们也突然觉得，我们的x轴上的单位距离的增量更重要，我们也要效仿上面例子给不同轴加权重，如下：

整理：

马氏距离的定义

马氏距离（Mahalanobis distance）：一个可以描述两个向量之间距离的度量，其考虑了两者的“位置”相近程度、不确定性、相关性。

具体定义请参考维基百科：Mahalanobis distance

为什么数据关联要用马氏距离？用欧式距离不行吗？

咱一点点分析：

如果用欧式距离，相当于只考虑两个向量之间“位置”的相近程度：

上图展示的为传感器坐标系，其中