基于模糊集理论的加权协方差融合法、信息矩阵融合法、伪测量融合法和模糊航迹融合算法应用广泛。

1.轨迹头-每条轨迹的第一个点：新检测到的点，未匹配上的孤立的点，噪声点迹。需要建立一个较大的环形关联门

2.轨迹开始:关联上的两个点可以推出第三个点，形成一个轨迹。

3.确认轨迹：

• 扫描连续三个周期。
• 当距离较远时，允许不扫描第三个周期，并推测三个周期。

4.轨迹维护/维护

• 在目标移动过程中，5个周期中有3个周期有一些痕迹，因此被判定为真实轨迹并继续跟踪。在这种情况下，有16种测试。

5.撤销轨迹

1.轨迹评分规则 Q H = f ( S 1 , S 2 , Q D ) Q H ? 轨 迹 质 量 S 1 ， S 2 ? 轨 迹 的 确 认 和 撤 销 门 限 Q D ? 点 迹 质 量 Q_H=f(S1,S2,Q_D) \\ Q_H - 轨迹质量 \\ S_1，S_2 - 确认和撤销轨迹的门限 \\ Q_D - 点迹质量 QH=f(S1,S2,QD)QH?轨迹质量S1​，S2​−轨迹的确认和撤销门限QD​−点迹质量

2.轨迹的确认与撤销

• Q_H≥S_1时，该轨迹为真实目标的轨迹
• Q_H≤S_2时，无论确认轨迹还是非确认轨迹都为假轨迹
• S_2≤Q_H≤S_1时，若n<N，轨迹为未确认轨迹，保留；n≥N，撤销

n：相关次数，N，允许费确认轨迹逗留的相关次数。

初始轨迹只用来自同一个传感器的相邻观测数据。

适用于目标运动为一阶的，比如匀速直线运动。 x 3 = x 2 + V x ( 2 ) ∗ T y 3 = y 2 + V y ( 2 ) ∗ T V x ( 2 ) = ( x 2 − x 1 ) / T V y ( 2 ) = ( y 2 − y 1 ) / T 如 果 T 稳 定 ， 则 ： x 3 = 2 ∗ x 2 − x 1 y 3 = 2 ∗ y 2 − y 1 x_3=x_2+V_x(2)*T \\ y_3=y_2+V_y(2)*T \\ V_x(2)=(x2-x1)/T \\ V_y(2)=(y2-y1)/T \\ 如果T稳定，则： \\ x_3=2*x_2-x_1 \\ y_3=2*y_2-y_1 x3​=x2​+Vx​(2)∗Ty3​=y2​+Vy​(2)∗TVx​(2)=(x2−x1)/TVy​(2)=(y2−y1)/T如果T稳定，则：x3​=2∗x2​−x1​y3​=2∗y2​−y1​

适用于目标运动方程为二阶的，匀加速运动。 x 4 = x 3 + V x ( 3 ) ∗ T + 1 2 a x T 2 y 4 = y 3 + V y ( 3 ) ∗ T + 1 2 a y T 2 V x ( 3 ) = 3 x 3 − 4 x 2 + x 1 2 T V y ( 3 ) = 3 y 3 − 4 y 2 + y 1 2 T a x = x 3 − 2 x 2 + x 1 T 2 a y = y 3 − 2 y 2 + y 1 T 2 如 果 T 为 稳 定 的 ： x 4 = 3 x 3 − 2 x 2 + x 1 y 4 = 3 y 3 − 3 y 3 + y 1 x_4=x_3+V_x(3)*T+\frac{1}{2}a_xT^2 \\ y_4=y_3+V_y(3)*T+\frac{1}{2}a_yT^2 \\ V_x(3)=\frac{3x_3-4x_2+x_1}{2T} \\ V_y(3)=\frac{3y_3-4y_2+y_1}{2T} \\ a_x=\frac {x_3-2x_2+x_1}{T^2} \\ a_y=\frac {y_3-2y_2+y_1}{T^2} \\ 如果T为稳定的：\\ x_4=3x_3-2x_2+x_1 \\ y_4=3y_3-3y_3+y_1 x4​=x3​+Vx​(3)∗T+21​ax​T2y4​=y3​+Vy​(3)∗T+21​ay​T2Vx​(3)=2T3x3​−4x2​+x1​​Vy​(3)=2T3y3​−4y2​+y1​​ax​=T2x3​−2x2​+x1​​ay​=T2y3​−2y2​+y1​​如果T为稳定的：x4​=3x3​−2x2​+x1​y4​=3y3​−3y3​+y1​ 其他初始化方法有：佛变换法，滑窗法，线性规划法

局部轨迹与局部轨迹关联，局部轨迹与全局轨迹关联。

讨论两个来自同一目标的局部轨迹在后融合中关联：

mahalanobis距离的平方 d i j 2 = ∣ ∣ x ^ i − x ^ j ∣ ∣ 2 ( P i + P j ) − 1 x ^ i , x ^ j , 轨 迹 i ， j 的 估 计 状 态 P i , P j , 轨 迹 i ， j 的 协 方 差 P i j = P j i T , 两 个 估 计 状 态 的 互 协 方 差 d_{ij}^2=||\hat x_i-\hat x_j||^2(P_i+P_j)^{-1} \\ \hat x_i,\hat x_j,轨迹i，j的估计状态\\ P_i,P_j,轨迹i，j的协方差 \\ P_{ij}=P_{ji}^T,两个估计状态的互协方差 \\ dij2​=∣∣x^i​−