多目标跟踪数据关联方法综述
多目标跟踪综述
结论：本次演示对多目标跟踪的研究现状、方法及应用进行了综述。多目标 跟踪作为一种重要的计算机视觉任务，其研究经历了起步、发展和突破等阶段， 目前已经应用于视频监控、智能交通、无人驾驶等多个领域中并取得了显著的实 验结果。然而，现有的多目标跟踪技术仍存在一些不足之处如复杂场景下的鲁棒 性和实时性问题等需要进一步研究和改进。
31、多目标跟踪的应用领域和实 验结果
多目标跟踪技术在许多领域都有应用，如视频监控、智能交通、无人驾驶、 体育分析等。在这些应用领域中，多目标跟踪技术都取得了显著的实验结果。例 如，在智能交通领域中，多目标跟踪技术可以帮助实现车辆的精确跟踪和交通流 量的优化；在无人驾驶领域中，多目标跟踪技术可以帮助实现车辆的自主导航和 对行人的精确识别。
多目标跟踪综述
基本内容
摘要：多目标跟踪是一种重要的计算机视觉任务，旨在在视频监控、智能交 通、无人驾驶等领域中实现同时对多个目标进行跟踪和识别的功能。本次演示对 多目标跟踪的研究现状、方法及应用进行了综述，总结了研究成果与不足，并指 出了未来研究方向。关键词：多目标跟踪，计算机视觉，目标跟踪，目标识别， 综述。
2、多目标跟踪的研究现状和发展历程多目标跟踪的研究现状表明，其方法 主要分为基于滤波的方法、基于机器学习的方法和基于深度学习的方法。其中， 基于滤波的方法主要包括卡尔曼滤波、扩展卡尔曼滤波等，这类方法主要适用于 线性高斯系统，但难以处理复杂非线性系统。
多目标跟踪中的数据关联技术
多目标跟踪中的数据关联技术在当今科技飞速发展的时代，多目标跟踪成为了众多领域中至关重要的一项技术，从智能监控系统到自动驾驶，从军事侦察到生物医学研究，其应用场景广泛且多样。
而在多目标跟踪的复杂过程中，数据关联技术无疑是其中的核心环节，它决定了跟踪的准确性和可靠性。
要理解多目标跟踪中的数据关联技术，我们首先得明白什么是多目标跟踪。
简单来说，就是在一系列连续的观测数据中，准确地确定多个目标的运动轨迹。
想象一下在一个繁忙的十字路口，摄像头要同时跟踪多个行人、车辆的行动轨迹，这就是多目标跟踪的一个实际场景。
在这个过程中，数据关联技术的主要任务就是将不同时刻获取到的观测数据与已有的目标进行匹配和关联。
为什么这一步如此关键呢？因为在实际情况中，观测数据可能存在噪声、丢失或者错误，目标的运动可能是不规则的、相互遮挡的，这就给准确的关联带来了极大的挑战。
让我们来具体看看数据关联技术面临的一些难题。
首先是不确定性。
由于观测的不准确性和目标运动的复杂性，我们无法完全确定某个观测数据到底属于哪个目标。
比如说，两个目标靠得很近时，传感器可能无法清晰地区分它们，从而导致观测数据的模糊。
其次是数据的复杂性。
在多目标场景中，观测数据量通常非常大，而且目标之间可能存在交互和遮挡，这使得数据的处理变得异常复杂。
然后是实时性要求。
很多应用场景，如自动驾驶，需要系统能够快速地做出数据关联决策，以保证及时的响应和控制。
为了解决这些问题，研究人员提出了各种各样的数据关联方法。
其中一种常见的方法是基于距离的关联。
这种方法通过计算观测数据与目标预测位置之间的距离来判断它们是否关联。
比如欧氏距离、马氏距离等。
如果距离小于某个阈值，就认为它们是相关的。
这种方法简单直观，但在复杂场景下可能效果不佳。
另一种方法是基于概率的关联。
它通过建立目标状态的概率模型，来计算观测数据属于各个目标的概率。
比如卡尔曼滤波、粒子滤波等方法。
这种方法在处理不确定性方面具有一定的优势，但计算复杂度相对较高。
第四章多目标跟踪与数据关联概论
第四章多目标跟踪与数据关联概论多目标跟踪与数据关联是计算机视觉领域中的一个关键问题，它涉及了如何从图像序列或视频中准确地跟踪多个目标，并将它们与之前的观测数据进行关联。
多目标跟踪与数据关联的应用非常广泛，包括智能监控、交通流量统计、行人/车辆跟踪等。
首先，多目标跟踪需要解决的一个核心问题是目标的表示和描述。
目标可以通过各种特征来描述，如位置、大小、颜色、纹理等。
这些特征可以通过图像处理和计算机视觉技术进行提取和分析，从而形成一个目标的描述向量。
同时，为了确保描述的准确性和鲁棒性，通常会利用一些先进的特征提取算法，如深度学习中的卷积神经网络。
其次，多目标跟踪还需要解决目标的初始化问题。
即在图像序列的初始帧中，如何准确地检测并跟踪到目标的位置。
这个问题可以通过目标检测和定位算法来解决。
目标检测算法可以通过一些经典的机器学习方法，如支持向量机和随机森林，以及最新的深度学习方法来实现。
这些算法可以有效地识别出图像中的目标，并给出其位置信息。
接下来，多目标跟踪还需要解决目标的运动预测和跟踪问题。
目标的运动通常是不确定和随机的，因此需要使用一些预测模型来对目标的未来位置进行预测。
常用的模型包括线性模型、卡尔曼滤波器和粒子滤波器等。
这些预测模型可以根据目标的历史运动轨迹来预测其未来位置，并进行相应的跟踪。
最后，多目标跟踪还需要解决数据关联问题。
即如何将当前帧中的目标与之前的观测数据进行关联。
这个问题可以通过一些关联算法来解决，如关联滤波器和关联矩阵等。
这些算法可以根据目标的特征向量和历史观测数据的特征向量之间的相似度来进行关联，从而实现多目标的跟踪和关联。
综上所述，多目标跟踪与数据关联是一个相对复杂的问题，涉及到目标的表示、初始化、运动预测和数据关联等多个方面。
通过合理地利用图像处理和计算机视觉技术，以及一些先进的算法和模型，可以有效地解决这个问题，并实现准确和鲁棒的目标跟踪。
这对于许多实际应用场景具有重要的意义，并具有广阔的发展空间。
基于检测的多目标跟踪算法综述
基于检测的多目标跟踪算法综述一、本文概述随着计算机视觉技术的快速发展，多目标跟踪（Multi-Object Tracking，MOT）算法在视频监控、自动驾驶、人机交互等领域的应用日益广泛。
多目标跟踪算法旨在从视频序列中准确地识别并持续跟踪多个目标对象，为上层应用提供稳定、连续的目标状态信息。
本文旨在对基于检测的多目标跟踪算法进行全面的综述，分析各类算法的优势与不足，并探讨未来的发展趋势。
本文将介绍多目标跟踪算法的研究背景与意义，阐述其在各个领域的应用价值。
本文将对基于检测的多目标跟踪算法进行详细的分类和介绍，包括基于滤波的方法、基于数据关联的方法、基于深度学习的方法等。
对于每类算法，本文将分析其基本原理、实现步骤以及优缺点，并通过实验数据对其性能进行评估。
本文还将讨论多目标跟踪算法面临的挑战，如目标遮挡、目标丢失、场景变化等问题，并探讨相应的解决方案。
本文将展望多目标跟踪算法的未来发展趋势，提出可能的研究方向和应用前景。
通过本文的综述，读者可以全面了解基于检测的多目标跟踪算法的研究现状和发展趋势，为相关领域的研究和应用提供有益的参考。
二、基于检测的多目标跟踪算法的基本原理基于检测的多目标跟踪算法（Detection-Based Multi-Object Tracking，DBT）是计算机视觉领域的一个重要研究方向。
其主要原理是将目标检测和目标跟踪两个任务结合起来，通过利用目标检测算法提供的目标位置信息，实现多目标在连续视频帧中的持续跟踪。
目标检测：通过目标检测算法（如Faster R-CNN、YOLO等）在每一帧图像中检测出所有感兴趣的目标，并获取它们的位置信息（如边界框）。
特征提取：对于每个检测到的目标，提取其视觉特征（如颜色、纹理、形状等）或运动特征（如速度、加速度等），以便在后续的跟踪过程中进行匹配和识别。
数据关联：在连续的视频帧中，通过数据关联算法（如匈牙利算法、Joint Probabilistic Data Association等）将当前帧中的目标与前一帧中的目标进行匹配，形成目标的轨迹。
目标跟踪中的多目标检测与关联算法研究
目标跟踪中的多目标检测与关联算法研究摘要：目标跟踪是计算机视觉领域中的一项重要任务，能够从连续的视频序列中对目标进行实时追踪。
传统的目标跟踪算法主要基于单一目标的检测和跟踪，无法有效处理场景中存在多个目标的情况。
因此，多目标检测与关联算法的研究变得尤为重要。
本文将介绍多目标检测与关联算法的基本原理和常用方法，并对其在目标跟踪中的应用进行分析和讨论。
一、引言目标跟踪是计算机视觉和机器人领域中的重要任务之一，广泛应用于视频监控、自动驾驶、人机交互等领域。
在目标跟踪任务中，准确地检测和跟踪视频序列中的目标是关键问题。
然而，在实际应用中，往往需要同时跟踪多个目标，因此多目标检测与关联算法的研究具有重要意义。
二、多目标检测算法多目标检测算法旨在同时检测图像或视频序列中的多个目标。
常见的多目标检测算法包括基于深度学习的方法和传统机器学习方法。
基于深度学习的方法通常采用神经网络架构，如Faster R-CNN、YOLO和SSD等，能够实现较高的检测精度和实时性。
而传统机器学习方法主要依靠手工设计的特征和分类器，如基于Haar特征的级联分类器和HOG特征结合SVM的方法。
在多目标检测中，还可以采用目标检测器的级联或组合的方式来提高检测精度。
三、目标关联算法目标关联算法的主要任务是将多目标检测结果与前一帧或多帧的跟踪结果进行匹配，以实现目标的持续跟踪。
常见的目标关联算法包括基于卡尔曼滤波器的方法、数据关联滤波器和相关滤波器等。
基于卡尔曼滤波器的方法通过预测目标位置和速度，然后通过测量更新得到目标的跟踪状态。
而数据关联滤波器则基于统计距离度量来进行目标匹配和更新。
相关滤波器则利用目标模板与候选区域进行相关性计算，从而确定目标的位置。
四、多目标检测与关联算法在目标跟踪中的应用多目标检测与关联算法在目标跟踪中有着广泛的应用。
首先，通过多目标检测算法，可以在视频序列中准确地检测出多个目标的位置信息。
接着，目标关联算法可以将当前帧的检测结果与前一帧或多帧的跟踪结果进行关联，从而实现目标的连续跟踪。
多目标跟踪方法综述
文章编号:1671-637Ⅹ(2004)0320026204多目标跟踪方法综述刘 钢1,2, 刘 明1, 匡海鹏1, 修吉宏1, 翟林培1(1.中国科学院长春光学精密机械与物理研究所,吉林长春 130022;2.空军长春飞行学院,吉林长春 130022)摘 要: 多目标跟踪问题在军事和民用方面都有着十分广泛的应用,如在军事方面的空中预警、空中攻击(多目标攻击)等,民用方面包括空中交通管制等。
多目标跟踪在军事上的应用受到了各国广泛重视。
本文对目前国内外部分文献上发表的有关多目标跟踪方法进行了综述。
并对各种方法的优缺点进行了比较。
基于小波变换的方法与其它几种方法相比其优点更为突出,而基于多传感器数据融合的方法是未来多目标跟踪发展的方向。
关 键 词: 多目标跟踪; 军事; 方法综述中图分类号: V27114; E96 文献标识码: ASurvey on multi2target tracking methodLI U G ang1,2, LI U Ming1, K UANG Hai2peng1, XI U Ji2hong1, ZH AI Lin2pei1(1.Changchun Institute o f Optics,Fine Mechanics and Physics,Chinese Academy o f Science,Changchun130022,China;2.Changchun Aviation Institute o f Air Force,Changchun130022,China)Abstract: Multi2target tracking technology has found wide application in both military and civil areas,such as airborne early warning and multi2target attacking in military activities and air traffic control in civil aviation.Many countries have paid much attention to the military application of the technology.This paper presents a summary on the multi2target tracking methods given in both domestic and foreign publications.K ey Words: multi2target tracking; military affairs; method survey0 概述多目标跟踪问题无论在军事还是民用方面都有着十分广泛的应用,如在军事方面的弹道导弹防御、空中预警、空中攻击(多目标攻击)、海洋监视(水面舰只或潜艇)、战场监视(地面坦克或空中飞机),民用方面包括空中交通管制(民航飞机)等等。
多目标跟踪数据关联方法综述
多目标跟踪数据关联方法综述多目标跟踪（MOT）是计算机视觉中的一个重要任务，在很多应用领域中都有广泛的应用。
在实际的场景中，由于目标的数量众多，相互之间存在着交叉、重叠和遮挡等情况，因此需要开发一种有效的方法来进行多目标的关联追踪。
本文将综述一些常用的多目标跟踪数据关联方法。
1.基于传统图论的方法：传统图论方法是将多目标跟踪问题转化为图的模型。
其中最常用的方法是最大权匹配（MWM），即在图中找到一组边，使得边的权重之和最大。
该方法可以用于处理帧间的目标关联问题，但在长时间的跟踪中容易出现错误的关联。
2.基于滤波器的方法：滤波器方法是将跟踪问题建模为一个滤波过程。
其中常用的方法有卡尔曼滤波器和粒子滤波器。
卡尔曼滤波器通过状态空间模型来预测目标的位置和速度，并根据观测值来更新目标的状态。
粒子滤波器通过利用粒子来表示目标的状态，并通过重采样和权重更新来估计目标的位置。
3.基于深度学习的方法：深度学习方法是近年来在多目标跟踪中取得显著成果的一种方法。
其中，基于卷积神经网络（CNN）的目标检测和特征提取方法被广泛应用于多目标跟踪中。
通过在不同帧之间进行特征匹配和目标检测，可以实现目标的关联跟踪。
4.基于关联矩阵的方法：关联矩阵方法是通过计算不同目标之间的相似度来进行跟踪。
常用的方法有匈牙利算法和相关滤波器。
匈牙利算法通过计算目标之间的欧式距离来建立匹配关系。
相关滤波器通过计算目标之间的相似度来进行关联。
5.基于图神经网络（GNN）的方法：图神经网络是一种能够处理图数据的机器学习方法。
近年来，GNN在多目标跟踪中的应用得到了广泛关注。
通过将跟踪问题建模为图的结构，可以利用GNN来学习目标之间的关系，并进行目标的关联。
总结而言，多目标跟踪的数据关联方法有很多种，其中基于传统图论的方法、基于滤波器的方法、基于深度学习的方法、基于关联矩阵的方法以及基于图神经网络的方法是常用的方法。
不同的方法有着不同的优缺点，需要根据具体的应用场景选择合适的方法。
多目标跟踪数据关联方法综述
多目标跟踪数据关联方法综述摘要：多目标跟踪问题在军事和民用方面都有着十分广泛的应用,如在军事方面的空中预警、空中攻击(多目标攻击)等,民用方面包括空中交通管制等。
多目标跟踪在军事上的应用受到了各国广泛重视。
本文对目前国内外部分文献上发表的有关多目标跟踪方法进行了综述。
并对各种方法的优缺点进行了比较。
关键字：多目标跟踪数据关联方法综述1 概述多目标跟踪（MTT)是当前计算机视觉领域的一个研究热点。
多目标跟踪是指利用计算机，在频序列中确定感兴趣的、具有某种显著视觉特征的各个独立运动目标的位置，大小和各个目标完整的运动轨迹。
视频目标跟踪问题之所以引起广泛关注是由于它能够应用于民用和军事等许多领域。
例如基于视频目标跟踪的视频监视系统常用于民宅、停车场、公共场合、银行等的监视，以防止偷盗、破坏行为的发生，保障社会的安全。
在交通系统中，多目标跟踪研究也具有非常广泛的应用，主要包括交通流量控制、车辆异常行为监测等很多方面。
在军事领域对视频监视系统的要求比民用领域要高得多，这主要是由于战场环境远比普通民用环境更加复杂和苛刻。
恶劣的战场环境要求视频监视系统具有很强的适应性并能够对快速变化的运动目标实施稳定靠的跟踪。
图 1.1 是一个典型多目标跟踪系统，包括视频采集处理、运动目标检测、多目标跟踪、目标行为分析等主要模块。
运动目标检测与多目标跟踪模块处于整个视频跟踪系统的核心模块，是各种后续高级处理的基础。
运动目标检测是指从视频中实时提取目标，而运动目标跟踪是通过建立目标关联实现多目标的持续跟踪，并确定多目标运动轨迹。
视频采集设备为多目标跟踪系统提供输入视频流，视频监控窗口实时输出多目标跟踪结果，监控场景。
目标行为分析理解属于高层次的视觉问题。
2 几种经典的数据关联算法多目标跟踪实现的关键问题在于如何进行有效的数据关联。
而数据关联的目的就是把来源于单个或多个传感器的量测数据Zi(i=1, 2,...,N)与 j 个已知或已经确定的航迹进行相互配对的过程,简单来说，就是使所有的量测数据分为 j 个集合，并且保证每个集合中所包含的量测数据以接近于 1 的概率都来自同一个目标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多目标跟踪数据关联方法综述作者：杨凡弟来源：《科技视界》2016年第06期【摘要】本文首先介绍了目标跟踪的基本概念和原理，并对在此过程中最重要的数据关联进行了论述；再对经典的数据关联方法进行了分析与总结，指出了经典的数据关联方法的基本特征；并对近几年受到广泛关注的“多对一”问题、以及实际应用中基于特征的数据关联进行了总结。
最后，基于数据关联的研究现状，提出了需要进一步研究的若干问题。
【关键词】多目标跟踪；数据关联；综述【Abstract】Firstly， the basic concept， principle of target tracking are introduced， and the importance of data association is analyzed； Secondly， the classical data association methods are summarized and the basic feature of those methods are presented； For tracking a target when more than one target originated measurement may exist within the validation gate， the many-to-one measurement set-to-track association methods are summarized， as well methods based on features. Finally， the future study problems of development of data association methods are presented.【Key words】Multi-target tracking； Data association； Summary0 引言目标跟踪是对传感器接收到的量测信息进行处理，从而维持对目标当前状态估计的过程[1]。
目标跟踪在军事和民用领域具有重要的应用价值，随着航空航天、机器人以及智能交通系统等领域的迅速发展，目标跟踪的越来越受到各国的广泛关注；因此，在近几十年来，这方面的研究相当活跃。
目标跟踪的基本原理如下所示[2]：由于在传感器观测过程和目标跟踪环境中存在的各种不确定性以及随机性，破坏了传感器量测与产生量测的目标源之间的对应关系，因此确定传感器接收到的量测和目标源之间对应关系的数据关联方法是多目标跟踪系统中最重要的内容。
1 经典的数据关联方法最近邻算法[3]主要思想是，在相关跟踪门内“唯一”地选择与被跟踪目标预测位置距离最近的观测与其相关联，即测量值与目标之间是是一一对应的关系。
概率数据关联（PDA）算法[4]，其主要思想是将跟踪波门中所有量测进行概率意义上的加权平均作为滤波输出。
对多目标跟踪门相交情况进行了详尽的研究之后，Shalom提出了联合概率数据关联（JPDA）算法[5]，该算法首次引入了聚的概念，按照多目标的跟踪门之间的几何关系将量测划分成多个聚。
JPDA算法依次处理每个聚中的量测与目标的关联概率，该方法对多目标跟踪有较好的跟踪效果。
然而当量测杂波密度过大时，该算法计算量增大，可能引发“组合爆炸”问题[6]。
多假设[7] （MHT）利用多帧分配算法[8]（MFA），建立多个候选假设，并将量测-航迹关联通过在全部假设内一对一的联合最优评估，以及假设管理来实现多目标跟踪。
2 数据关联的其他方法2.1 “多对一”的数据关联方法经典的数据关联方法假设在一个采样周期内，每个目标最多只能产生一个量测。
在这种情形下，数据关联的不确定性仅仅是由于量测来源的不确定。
即在一个采样周期内所获得的量测集，至多只有一个是目标产生的，其余的均认为是杂波。
这个基本假设使得“一对一”的量测-航迹关联成为一个最优问题。
然而在某些系统内，比如，超视距雷达跟踪中，对于同一个目标，由于多径传播的原因，传感器可能生成多个检测。
对于同一个目标产生的多个量测均落入目标跟踪门内的情况，MD-PDA[9]、MD-MHT[10]、MD-JPDA[11]等算法相继被提出，实验结果表明该种方法能够提高状态估计准确性，并降低虚假轨迹的总数量。
文献[12]利用随机矩阵处理接收到的大量量测杂波信号，提出的广义概率数据关联滤波器。
文献[13]提出的GPDA方法以及文献[14]提出的一种在证据理论框架内的多目标跟踪数据关联方法等，这些方法将一对一的量测-航迹数据关联推广到了多对一的情形。
2.2 基于特定场景的数据关联另一方面，在实际的研究过程中，根据采用的传感器种类的不同，目标跟踪系统能获得的目标量测包含很多特征，针对特定场景特点的数据关联算法的研究不断被提出。
文献[15]描述了在车辆感知系统中利用车载网得到的无线通信数据与本车采集到的数据融合进行数据关联和跟踪的方法。
在行人检测场景中，文献[16]将多个传感器，比如，GPS、雷达和摄像头采集到的信息利用JPDA进行融合，提高了行人检测系统的性能。
文献[17]提出了在密集杂波环境下的MCMCDA算法，在目标数量固定的情况下，MCMCDA近似于JPDA。
在目标数目随机的情况下，MCMCDA近似于最优贝叶斯滤波器。
文献[18]提出了场景适应分层数据关联框架等。
这些方法将目标量测所具有的环境特征引入到数据关联过程中，提高了数据关联的精度。
3 下一步研究工作经典的数据关联方法利用目标的运动模型与获得的量测特点进行量测-航迹分配，并假设在一个采样周期内，每个目标最多只能产生一个量测。
这个假设在简化数据关联算法的同时也造成了在多径效应下“一对一”的“量测集-航迹”关联的不精确。
另一方面，在实际的应用中，目标跟踪系统包含的传感器比如各类雷达、摄像头甚至通信设备等采集到的目标量测信息包含有多种被跟踪目标的信息，在这些特定的场景中进行数据关联应考虑采集到的量测所具有的特征，并加以利用，可以弥补经典数据关联方法的不足。
【参考文献】[1]Kuo C H， Huang C， Nevatia R. Multi-target tracking by on-line learned discriminative appearance models[C].IEEE Conference on Computer Vision & Pattern Recognition. 2010：685-692.[2]韩崇昭，朱洪艳，段战胜.多源信息融合[M].北京：清华大学出版社，2006.[3]Singer R A， Stein J J. An optimal tracking filter for processing sensor data of imprecisely determined origin in surveillance systems[C].IEEE Conference on Decision and Control， 1971. IEEE， 1972：171-175.[4]Bar-Shalom Y， Daum F， Huang J. The probabilistic data association filter[J]. IEEE Control Systems， 2010，29（6）：82-100.[5]Svensson L， Svensson D， Guerriero M， et al. Set JPDA Filter for MultitargetTracking[J].IEEE Transactions on Signal Processing， 2011，59（10）：4677-4691.[6]Chen X， Tharmarasa R， Pelletier M， et al. Integrated Bayesian Clutter Estimation with JIPDA/MHT Trackers[J].IEEE Transactions on Aerospace & Electronic Systems，2013，49（1）：395-414.[7]Blackman S S. Multiple hypothesis tracking for multiple target tracking[J]. IEEE Aerospace & Electronic Systems Magazine， 2004，19（1）：5-18.[8]Bar-Shalom Y， Kirubarajan T， Gokberk C. Tracking with classification-aided multiframe data association[J].IEEE Transactions on Aerospace & Electronic Systems， 2005， 41（3）：868-878.[9]Habtemariam B K， Tharmarasa R， Kirubarajan T， et al. Multiple Detection Probabilistic Data Association filter for multistatic target tracking[C]. Information Fusion（FUSION）， 2011 Proceedings of the 14th International Conference on. IEEE， 2011：1-6.[10]Sathyan T， Chin T J， Arulampalam S， et al. A Multiple Hypothesis Tracker for Multitarget Tracking With Multiple Simultaneous Measurements[J].Selected Topics in Signal Processing IEEE Journal of， 2013，7（3）：448-460.[11]Habtemariam B， Tharmarasa R， Thayaparan T， et al. A Multiple-Detection Joint Probabilistic Data Association Filter[J].IEEE Journal of Selected Topics in Signal Processing，2013，7（3）：461-471.[12]Schuster M，Reuter J， Wanielik G. Probabilistic data association for tracking extended targets under clutter using random matrices[C].Information Fusion（Fusion）， 2015 18th International Conference on. IEEE， 2015.[13]Schubert R， Adam C， Richter E， et al. Generalized probabilistic data association for vehicle tracking under clutter[C].Intelligent Vehicles Symposium（IV），2012 IEEE. 2012：962-968.[14]Dallil A， Oussalah M， Ouldali A. Sensor Fusion and Target Tracking Using Evidential Data Association[J].IEEE Sensors Journal， 2013，13（1）：285-293.[15]Thomaidis G， Vassilis K， Lytrivis P， et al. Target tracking and fusion in vehicular networks[C].Intelligent Vehicles Symposium （IV）， 2011 IEEE. IEEE，2011：1080-1085.[16]Garcia F， De l E A， Armingol J M. Joint Probabilistic Data Association fusion approach for pedestrian detection[C].Intelligent Vehicles Symposium（IV），2013 IEEE. IEEE， 2013：1344-1349.[17]Oh S， Russell S， Sastry S. Markov Chain Monte Carlo Data Association for Multi-Target Tracking[J].IEEE Transactions on Automatic Control， 2009，54（3）：481-497.[18]Wang C， Liu H， Gao Y. Scene-Adaptive Hierarchical Data Association for Multiple Objects Tracking[J].IEEE Signal Processing Letters， 2014，21（6）：697-701.[责任编辑：王楠]。