数据关联的简单介绍

目标：
探测每一帧的目标
找出他们之间的对应关系

步骤：
预测：传播向前的状态，考虑过程噪音
门限：决定可能的匹配观测
关联：决定最佳匹配
更新：使用贝叶斯定理修正预测

Global Nearest Neighbor(GNN)
分析每个落入门内的观测点，选择最优并入轨道（最短距离或相似度最高）
分配问题：
得到一个最大化总分数的置换矩阵（每行每列只有一个元素为1）

分配问题：
迭代运算（对于一个55矩阵，需要进行5432*1=120次运算）或使用Hungarian算法

PDAF（Probabilistic Data Association Filter）
并不是将单个最佳观察与轨道匹配，而是基于所有的观测（门内）进行更新，并根据其可能性进行加权
考虑门内所有点，也考虑到没有观测相匹配的额外可能性

卡尔曼滤波更新是基于最佳的残差矢量
PDAF使用观测的加权组合

后延协方差的计算也要改变，加入加权分配和不分配的可能性

JPDAF（Joint Probabilistic Data Association Filter）
如果保持多个轨道，则在每个轨道上独立地执行PDAF是非最佳的，因为重叠门区域中的观察将被计数不止一次（有助于多于一个轨道）。
每个可能的（非冲突的）分配都成为具有相关概率的假设。

现在计算观测i分配到轨迹j的概率Pij




MHT（Multi-Hypothesis Tracking）
通过未来的结果来解决现在的问题