多目标跟踪数据关联算法详解：NNDA/PDA/JPDA/IMM与Matlab实现

简介：面向雷达、航空航天、自动驾驶等领域研究者的多目标跟踪MATLAB算法实现集合，也适合高校信号处理、机器人感知相关课程设计与毕业设计参考。其中覆盖最近邻（NNDA）、概率（PDA）、联合概率（JPDA）、交互多模型（IMM）四类经典数据关联方法，并配有主函数与测试脚本，帮助学习者从目标初始化、预测、更新到数据关联与状态估计完整梳理算法链路。压缩包共7个文件，全部为.m脚本，整体仅16KB，结构紧凑，修改参数即可加载运行，便于在单目标、多目标及密集杂波场景下横向对比不同关联策略的估计精度与计算开销。目前已有217人学习下载。除核心实现外，还额外提供IMM与JPDA仿真测试模块，可直接观察算法在目标交叉、重叠或机动场景下的滤波表现。对于正在学习多目标跟踪、传感器数据融合或准备相关课题答辩的读者，这套代码是一份可动手验证的优质参考。

1. 多目标跟踪里的数据关联：NNDA、PDA、JPDA、IMM 四件套到底解决什么问题

拿到“NNDA PDA JPDA IMM 数据关联算法 matlab 代码.rar”这个包的人，多半不是来看科普的，而是要复现论文、交仿真报告、做多目标跟踪预研。数据关联解决的是“雷达或视觉传感器给了一堆点，哪个点属于哪条航迹”这个核心问题。NNDA 是最简单也最抠门的解法，PDA 只在单目标场景下自信，JPDA 把多目标全耦合起来做联合概率分配，而 IMM 严格来说不是关联算法，它是给目标运动模型做多模型估计的，常和 JPDA 或 PDA 拼成一套完整的“量测—关联—滤波—航迹管理”链路。这篇文章我按自己跑 matlab 的习惯，把每种算法的公式、代码框架、参数初值、运行顺序和常见坑一次说清。

2. 从最近邻到概率关联：NNDA 与 PDA 的 matlab 最小实现和最关心的四个参数

2.1 为什么先做 NNDA：确认门限和代价矩阵是后面所有算法的基础

NNDA（Nearest Neighbor Data Association）的思路很直白：对每条航迹预测一个量测位置，计算所有量测和它的距离，只挑最近的那个作为关联结果。工业界很多老系统到现在还在用 NNDA，不是因为性能好，而是好调试、好解释、计算量几乎为零。初学者第一次跑数据关联，我建议也先从 NNDA 开始，因为确认门限的概念、新息协方差怎么算、量测编号怎么对齐，这些是后面 PDA 和 JPDA 的公共基础。

确认门限是关键。这里的“距离”不能直接用欧氏距离，要用马氏距离，因为量测噪声在不同维度上方差不一样，而且目标预测位置本身也有协方差。用马氏距离才能把“预测位置的不确定性”和“量测噪声的不确定性”统一折算成一个标量。门限值一般取卡方分布的分位数，比如二维量测取 9.21（对应卡方 2 自由度、显著性 0.01），意思是“如果这个量测真的来自目标，它落在这个椭圆门内的概率是 99%”。

function [idx_corr, valid] = nnda_gate_assign(z, z_pred, S, gate_thresh) % NNDA：先过确认门，再按马氏距离取最近邻 % z : [nz, n] 本帧量测，每一列是一个量测 % z_pred : [nz, 1] 航迹的预测量测位置 % S : [nz, nz] 新息协方差 % gate_thresh : 确认门限，一般用 chi2inv(0.99, nz) 或直接给 9.21 % idx_corr : 配对的量测序号，-1 表示没有合法量测 n = size(z, 2); md2 = zeros(1, n); for i = 1:n innov = z(:, i) - z_pred; md2(i) = innov' / S * innov; % 马氏距离平方 end [dmin, idx] = min(md2); if dmin <= gate_thresh idx_corr = idx; valid = true; else idx_corr = -1; valid = false; end end

逻辑说明：这段代码先对每个量测算归一化新息平方（NIS），再取距离最小的那个，只有最小距离小于门限时才接受关联，否则返回 -1 表示这条航迹本帧没有配对量测，后续由航迹管理模块决定是外推还是删除。innov' / S * innov在 matlab 里就是二次型，不需要显式求逆矩阵再乘两次，写成一个除法更稳。

参数说明：S是卡尔曼滤波预测步得到的新息协方差，通常是H*P_pred*H' + R。如果S算得偏小，确认门会收得很紧，真量测被拒在门外；如果S偏大，门内会混进大量杂波。初值阶段可以先用固定门限 9.21，调通后再改成chi2inv(1 - P_FA, nz)，其中P_FA是允许的虚警概率，一般取 0.01 到 0.001。

2.2 PDA：把量测不确定放进概率权重的核心公式与 matlab 片段

PDA（Probabilistic Data Association）和 NNDA 的本质区别是：NNDA 只选一个量测，PDA 把确认门内所有量测都按概率加权。PDA 的前提假设是“场景里只有一个目标”，所以它不关心量测之间的竞争，只关心“这个量测来自目标的概率 vs 来自杂波的概率”。这个假设在雷达单目标跟踪和海面小目标场景下很实用，代码写出来也比 JPDA 短一截。

PDA 的概率权重由两部分组成：一部分是量测的新息似然，一部分是杂波密度的先验。最终每个量测的权重beta(i)是“该量测来自目标”的归一化概率，而beta0是“本帧目标没有被检测到”的概率。

function [x_upd, P_upd, beta, beta0] = pda_update(x_pred, P_pred, z, S, H, PD, lambda_c) % PDA 更新：把确认门内所有量测按概率加权 % z : [nz, m] 确认门内的量测，m 个候选 % H : 量测矩阵，z = H*x + v % PD : 检测概率，传感器属性，常取 0.9~0.98 % lambda_c : 杂波密度，单位体积内的假量测数，需要按场景估 nz = size(z, 1); m = size(z, 2); K = P_pred * H' / S; % 卡尔曼增益 e = zeros(1, m); for i = 1:m innov = z(:, i) - H * x_pred; e(i) = exp(-0.5 * innov' / S * innov); end % 门概率 P_G，3σ 门内二维对应约 0.9973 P_G = 0.9973; % 无检测事件的分母项：杂波背景下出现一个均匀候选的先验 detS = det(S); if detS < 1e-12 detS = 1e-12; end C = (PD * P_G) / (lambda_c * sqrt((2*pi)^nz * detS)) + sum(e); beta0 = (1 - PD * P_G) / C; % 完全没有目标量测的概率 beta = e / C; % 各量测来自目标的概率 % 加权新息与状态更新 innov_weighted = 0; for i = 1:m innov_weighted = innov_weighted + beta(i) * (z(:, i) - H * x_pred); end x_upd = x_pred + K * innov_weighted; % 协方差更新：标准 PDA 公式，分两项组合 P_tilde = 0; for i = 1:m innov_i = z(:, i) - H * x_pred; P_tilde = P_tilde + beta(i) * (innov_i * innov_i'); end P_tilde = P_tilde - innov_weighted * innov_weighted'; P_upd = beta0 * P_pred + (1 - beta0) * (P_pred - K * S * K'); P_upd = P_upd + K * P_tilde * K'; P_upd = (P_upd + P_upd') / 2; % 强制对称，防止数值漂移 end

逻辑说明：beta0的公式在高杂波密度下会显著增大，意思是本帧更可能全是不相关量测，滤波器对外推的依赖增强。协方差更新里P_tilde补偿了“不确定量测带来的额外不确定性”，这是 PDA 和普通卡尔曼最不一样的地方，不能省，否则估计结果会过于自信。

参数说明：lambda_c是最难给的参数。如果场景里每帧平均有 N 个杂波，量测空间“体积”是门面积 A，那lambda_c = N / A。实际操作里我一般先用均匀分布假设反推：统计前几十帧的门内平均候选数除以门面积，得到一个粗糙初值，再上下浮动一个量级去调 RMSE。这个参数直接影响beta的平衡，给太大所有量测权重都被压低，给太小 PDA 会变成“只看新息最近的那个量测”，退化到 NNDA 行为。

2.3 关联前必须做的三件预处理

我在把 NNDA 或 PDA 接到真实数据之前，一定会先做三件事：坐标统一、量测编号规整、时间对齐。坐标不统一是新手最容易翻车的地方；雷达给的是极坐标，视觉给的是像素坐标，滤波器预测的是直角坐标，如果直接拿量测去减预测值，新息永远对不上。量测编号规整指的是确认门内的候选量测不能直接用全局 ID，要先压成本地索引，否则后面画航迹关联图时编号跳来跳去，排查问题像在猜谜。时间对齐在仿真里容易被忽略，因为仿真量测是严格按帧生成的，但用实际传感器数据时，不同目标的时间戳可能差几十毫秒，直接关联会有系统性偏差。

预处理做完之后最重要的参数就是确认门限、杂波密度、检测概率和量测噪声协方差 R。前两个前面说过了，PD通常给 0.9 到 0.98，R按传感器手册或实测残差统计来定。如果发现 PDA 的输出航迹抖动得厉害，先别调滤波器，把R放大一点，让门内多收几个候选，再看beta的分布有没有落在同一个量测上。

3. JPDA 与 IMM 怎么组合：从拆分联合事件到模型概率递推

3.1 JPDA 的关联矩阵生成：拆分合法事件是核心

JPDA（Joint Probabilistic Data Association）把多目标之间的关联竞争显式建模。它的核心概念是“联合事件”：一次合法的关联分配，必须满足一个量测最多分配给一个目标，一个目标最多接收一个量测。所有合法的联合事件组成一个集合，JPDA 在这个集合上做全概率计算。

工程上实现 JPDA 最费时间的不是概率公式，而是联合事件的枚举。目标数少的时候直接递归枚举，超过四个目标就开始吃力，所以很多代码在枚举前会用确认矩阵做剪枝，把明显不包含任何候选量测的块先删掉。

function events = enumerate_joint_events(cand_idx) % cand_idx : cell 数组，第 t 个元素是第 t 个目标的候选量测索引 % events : 每个元素是一个行向量，events{ie}(t) 是目标 t 分配到的量测 ID，0 表示杂波 % 合法性条件：一个量测最多给一个目标，一个目标最多拿一个量测 n_target = numel(cand_idx); events = {}; assign = zeros(1, n_target); function rec(t) if t > n_target events{end+1} = assign; % 收集一个合法事件 return; end % 遍历当前目标的候选量测，0 代表无关联 for m = [0, cand_idx{t}] if m == 0 || ~any(assign(1:t-1) == m) assign(t) = m; rec(t+1); end end end rec(1); end

逻辑说明：这个递归里最关键的是assign(1:t-1)的检查，它保证了“一个量测最多分配给一个目标”。如果不做这一行检查，枚举出来的事件会有两个目标共用同一个量测，概率算出来全部错掉。这种问题不容易在 RMSE 上暴露，但会在航迹纯度上非常难看。

参数说明：这个函数只负责枚举，不负责算概率。概率计算需要每个目标对应的滤波器预测新息协方差S_t和量测似然。一个常用的简化是假设杂波在空间上服从泊松分布，事件概率用对数形式计算，避免多个小概率相乘下溢。如果你发现event_w出现全零或 NaN，多半是似然项 exp 下溢，改成log求和再归一化就能救回来。

3.2 IMM 如何与 JPDA 叠加：模型概率更新不能独立于关联权重

IMM（交互式多模型）的设计思路是维护一组运动模型，比如一个匀速模型和一个匀加速模型，每个模型有自己的状态估计和协方差，IMM 按模型概率把它们混合起来。很多人第一次接触 IMM 会误以为它是一个“更高级的滤波器”，其实它是滤波器组的管理器，真正的滤波还是靠各自的卡尔曼或扩展卡尔曼。

IMM 和 JPDA 叠加时的关键点在模型概率更新这一步。如果只把 JPDA 的加权平均量测喂给 IMM 的标准更新，模型概率更新就会和关联置信度脱节。正确做法是每个模型都用关联事件的似然重新加权，也就是说模型概率更新用的量测似然要经过联合事件概率的加权。

% 每个模型 j 都要单独计算关联似然，再做模型概率更新 % events_each_model : 该模型对应的联合事件概率，由 JPDA 模块返回 % model_llh : 模型 j 下所有量测的积累似然 % c_bar : IMM 交互步得到的模型预测概率 model_llh = zeros(n_model, 1); for j = 1:n_model for ie = 1:length(events_w) model_llh(j) = model_llh(j) + events_w(ie) * ... exp(-0.5 * (innov_each(ie, :, j)) / S_j * (innov_each(ie, :, j)')); end end mu_new = model_llh .* c_bar ./ sum(model_llh .* c_bar);

逻辑说明：这段代码强调的是 IMM 和 JPDA 的耦合关系。model_llh(j)不是简单取一个量测的新息似然，而是把事件概率作为权重对多个候选量测的似然做积累。这样机动目标在交叉场景中，模型概率才更准确。

参数说明：IMM 的转移矩阵P_trans直接控制模型切换速度。矩阵对角线给 0.95 以上，模型切换就很保守；给 0.8 左右，切换激进但容易抖动。实际工程里我通常会设两组：一组为常规目标设保守值，一组为强机动目标设激进值，然后用仿真场景多次跑，观察模型概率曲线的切换延迟。

3.3 IMM 与 JPDA 的典型两模型配置

IMM 最常见的是两模型组合：匀速模型（CV）和匀加速模型（CA）。CV 模型过程噪声设得很小，适合稳定飞行段；CA 模型过程噪声设大一些，适合机动段。两模型之间靠马尔可夫转移概率衔接。还有一个常用组合是 CV 模型加“协调转弯模型”（CT），对雷达目标跟踪更有效，但 CT 模型的非线性会让实现复杂度上升不少。

状态维度上，CV 模型是四维（x, y, vx, vy），CA 模型是六维（x, y, vx, vy, ax, ay）。二者维度不一致，IMM 交互混合时要做状态映射，这是实现里的常见坑。我一般把 CA 模型也设计成四维状态，把加速度当作过程噪声处理，用更大的过程噪声覆盖机动，这样混合时不需要额外做升降维，代码简单，代价是机动加速度估计不直接，但对航迹跟踪输出影响不大。

4. 把这个 rar 里的代码跑通：文件布局、主循环与四种算法的选型表

4.1 一个成熟 matlab 工程包的文件布局与对应职责

从网上下到的这类压缩包，质量参差不齐。有些作者习惯把所有函数塞进一个脚本里，有些会拆成模块。我自己的工程习惯是分四类文件：主脚本、关联模块、滤波模块、绘图与评估模块。分模块的最大好处是换算法时不需要动主循环，比如把 NNDA 换成 JPDA，只要保证新函数接口一致。

这个结构不是唯一解，但接口一定要统一。比如关联函数的签名统一成[weights, events] = assoc_xxx(cand, x_pred, P_pred, params)，这样主循环里调用方式完全不变，后面想对比 NNDA 和 JPDA 的差异，只改一行函数名。

4.2 主程序的最小可运行骨架

我跑这类算法一贯的步骤是：先构造一个量测生成器，再写主循环，最后才把四种算法填进去。量测生成器的作用是让你在可控条件下看到算法行为差异。下面这个骨架是完整可运行的结构。

% 主脚本：最小可运行骨架 rng(42); sim_time = 200; dt = 0.1; % 生成两条目标真实轨迹：一条匀速直线，一条在中途做转弯机动 truth = scenario_builder(sim_time, dt); % 生成本帧量测：真值加高斯噪声，另加均匀杂波，杂波密度 lambda_c [z_all, track_map] = generate_measurement(truth, lambda_c); % 关联与滤波器参数 assoc_params.gate = chi2inv(0.99, 2); assoc_params.PD = 0.95; assoc_params.lambda_c = lambda_c; imm_params.trans = [0.9, 0.1; 0.1, 0.9]; imm_params.sigma_proc = [0.1; 5.0]; % CV 小噪声，CA 大噪声 % 状态初始化：两模型都从第一帧量测初始化 for t = 1:n_target x_init = [z_all{1}(1, t), 0, z_all{1}(2, t), 0]'; x_est{t} = [x_init, x_init]; % 两模型，列对应模型编号 P_est{t} = repmat(10 * eye(4), 1, 1, 2); mu_est{t} = [0.9; 0.1]; % 初始偏向 CV 模型 end for k = 1:sim_time zk = z_all{k}; for t = 1:n_target [x_pred{t}, P_pred{t}, mu_pred{t}] = ... imm_predict(x_est{t}, P_est{t}, mu_est{t}, imm_params); % 确认门限：以每个目标预测位置为中心建门 cand{t} = gate_measurements(zk, x_pred{t}, P_pred{t}, assoc_params.gate); end [weights, events] = jpda_associate(cand, x_pred, P_pred, assoc_params); for t = 1:n_target [x_est{t}, P_est{t}, mu_est{t}] = ... imm_update(x_pred{t}, P_pred{t}, mu_pred{t}, ... weights{t}, events{t}, zk, imm_params); end end % 评估与可视化 metrics = eval_tracks(x_est, truth); plot_tracks(x_est, truth, z_all);

逻辑说明：主循环里每个目标维护的是“模型数组状态”，x_est{t}的每一列是一个模型的状态，P_est{t}的第三维是模型序号。这样做的好处是 IMM 交互步可以直接用矩阵运算，不需要循环里再套一层 cell。gate_measurements先粗筛量测，jpda_associate再在候选集合上做联合事件枚举，这两个步骤分开非常重要——如果直接在全部量测上枚举事件，目标数超过两个时计算量就爆炸式增长。

参数说明：chi2inv(0.99, 2)需要统计工具箱，如果没有这个工具箱，直接给 9.21。imm_params.trans的物理含义是从模型 1 切到模型 2 的概率，0.9/0.1 表示有 10% 概率每步切到机动模型，这个数值要看场景机动频率调整。sigma_proc是各模型的过程噪声标准差，CV 给 0.1 表示几乎匀速，CA 给 5.0 表示可以吸收较强机动。

4.3 四种算法怎么选：计算量与适用场景对照

工程上选算法不能只看精度。我在预研阶段会拉一个表做对比，再结合自己场景的杂波密度和目标数量做决定。

IMM 单独不负责关联，只负责滤波；标题里把它和 NNDA/PDA/JPDA 放在一起，实际用法是“NNDA/PDA/JPDA 负责把量测和航迹配对，IMM 负责在配对完成后用多模型更新目标状态”。如果目标同时很多又都机动，常见做法是 JPDA 联合关联加 IMM，也就是“JPDA-IMM”。

5. 避坑清单：航迹互换、除零崩溃、模型概率不动的排查记录

5.1 航迹号错乱：两目标交叉后轨迹交换

现象：两个目标交叉后，RMSE 没有明显变大，但画出来的航迹“X 形交叉”变成了“折线弹开”，看起来像目标互换了身份。

原因：关联时只做了最近邻匹配，没考虑历史航迹的身份连续性。NNDA 在交叉点附近会选距离最近的那个量测，而交叉时两个目标距离非常近，量测可能从 B 航迹跳到 A 航迹，导致航迹身份互换。本质上是关联算法缺少“量测与航迹的长时间一致性”约束。

解决：如果坚持用 NNDA，需要引入二维分配（比如匈牙利算法）让多个目标争抢量测时全局最优，而不是每个目标独立取最近；或者改用 JPDA，用联合事件概率抑制单人分配造成的身份跳变。我最早就是只盯 RMSE 没盯身份，结果交叉场景没跑几天就被同事指出航迹 ID 乱了，从那以后验证指标里必加航迹纯度。

5.2 PDA/JPDA 归一化因子除零：检测门内空候选时概率溢出

现象：代码跑到某几帧突然出现 NaN，beta和beta0全部变成 Inf 或 NaN，后续状态全部被污染。

原因：sqrt((2*pi)^nz * det(S))在det(S)接近零时会下溢成 0；更常见的是没做detS < 1e-12保护，分母直接为 0。另一个原因是lambda_c设得非常大，(PD*P_G)/(lambda_c*...)趋近于 0，所有量测权重归一化后为 0，程序没有兜底逻辑。

解决：所有分母加上保护性判断，detS小于一个下界就截断；同时给lambda_c设一个随场景量级变化的先验，比如先统计前 50 帧平均门内量测数，反推一个合理的候选区间，再给代码里加一个if ~all(isfinite(beta))的兜底，把上一帧状态原样输出，防止连串崩溃。

5.3 IMM 模型概率长期不切换

现象：目标明明做了一次大转弯，IMM 的模型概率还是一直停在 CV 模型上，几乎不动。

原因：转移矩阵P_trans的下降沿设得太保守，比如对角线 0.99、非对角线 0.005，意思是从 CV 切到 CA 的概率只有 0.5% 每步，要积累几十帧才能感知到机动。另一个原因是 CA 模型的过程噪声设太小，即使切过去也吸收不了机动，最后模型概率又切回 CV。

解决：把转移矩阵改成[0.9, 0.1; 0.2, 0.8]这种非对称形式，允许向机动模型切换更快一些；同时调大 CA 模型的过程噪声，让机动加速度能被噪声覆盖。可以先用一段已知机动强度的仿真数据调参，观察模型概率曲线是否机动开始后 3~5 帧内切过去。

5.4 matlab 版本与工具箱兼容

现象：别人给的代码在 2023a 能跑，你换到 2026b 报错；或者明明按教程装了 matlab，启动时提示 licensing error 8。

原因：授权报错（licensing error 8）属于客户端许可文件与主机绑定问题，和算法代码无关，优先检查 license.lic 的 hostid 对应的网卡地址是否正确。代码报错则多为工具箱依赖缺失，比如chi2inv需要统计工具箱，assignk需要优化工具箱；还有部分老代码用了strmatch、findobj类的过时接口，新版本里行为有变化。

解决：拿到代码先扫一遍是否有chi2inv、mvnpdf、optimoptions这类工具箱函数，没有相关工具箱就改写纯 matlab 实现。遇到 2026b 报Undefined function，用which 函数名检查路径是否被覆盖，常见原因是脚本名和函数重名，把脚本改名就能解决。

5.5 JPDA 联合事件枚举的复杂度失控

现象：目标数加到 5 个以上，单帧计算时间从毫秒级涨到秒级，甚至直接卡死。

原因：联合事件数量是各目标候选量测数的乘积。每个目标门内平均 3 个量测，5 个目标就是 3^5=243 个事件，看起来还好；但 6 个目标加 4 个候选，4^6=4096，再叠加似然计算和矩阵操作，很快把内存打爆。

解决：先限制确认门内候选数，门太松会引入大量杂波；再考虑 m-best JPDA，只保留概率最高的前 n 个事件，比如 50 到 100 个。很多开源 matlab 代码里其实已经带了限数逻辑，但如果没带，需要自己加一个排序截断。

6. 用一个可复现交叉场景验证关联算法：三个指标和一张分配热力图

6.1 构造一个能逼出算法问题的交叉机动场景

验证关联算法性能，我最常用的场景是“两个目标交叉 + 其中一个中途转弯”：目标 A 从左侧向右侧匀速飞行，目标 B 从右侧向左侧匀速飞行，在中间点交叉；交叉后目标 A 立刻做一个持续数秒的转弯。这个场景同时考验关联的身份保持能力和 IMM 的模型切换能力。量测生成时，每个目标加高斯噪声，背景加均匀杂波；杂波数量从低到高设置三档，比如平均每帧 2、8、20 个，用来对比不同算法对杂波的鲁棒性。

6.2 三个验证指标：RMSE、航迹纯度、模型概率分布

RMSE 是最基本的，但只看 RMSE 会被航迹互换骗过去。航迹纯度定义为“航迹上属于同一真目标的量测比例”，交叉场景里如果 NNDA 在交叉后把两个目标的量测混用，纯度会明显下降。第三个指标是 IMM 模型概率的分布：机动段应该稳定地高概率落在 CA 模型上，如果概率长期停留在 CV 模型，说明过程噪声或转移矩阵配得不合适。

表格形式的验收标准可以这样列：RMSE 在交叉区域允许短暂升高，但要在交叉后 10 帧内回到稳态水平；航迹纯度不应低于 0.9；模型概率在机动段对机动模型的平均概率应高于 0.7。达不到这三条，先把关联模块和滤波模块分开排查，而不是两处一起改。

6.3 检查关联结果的小技巧：把分配矩阵画成热力图

关联结果的偶发性错误在数值上不容易发现，画图最直接。我会把所有帧的量测序号和目标航迹号对应关系存成矩阵M(k, t)，然后imagesc(M)查看。如果出现某个航迹在某帧取了另一个目标专属量测区的量测，热力图上会出现一条明显的斜向条纹，一眼就能看出身份跳变的位置和帧号，比看一百行运行日志都管用。这算是我在调这类算法时最有用的一个习惯性动作。

第一次把 NNDA、PDA、JPDA 和 IMM 串起来跑通后，我最大的教训是：不要急着调参数，先把关联结果可视化出来，确认每一帧的分配是人能看懂的局面，再去动滤波器参数。关联这一步不是黑匣子，它才最怕被黑匣子对待。希望这篇笔记里的代码骨架和踩坑记录能帮你在自己的 matlab 工程里少走几段弯路，特别是那些只有交叉场景才会暴露的坑。

本文还有配套的精品资源，点击获取