对于一个MLB的职业捕手来说，接到一个高空球似乎是很简单的，因为只需要关注这一个球的运动轨迹。但是，倘若该职业捕手面对的是数百个飞来的球而言，此时似乎不再是一个简单的任务，而变成了一个不可能的挑战。上述的问题不单单存在于棒球中，同样在很多领域中存在，比如Automotiveradar的跟踪处理。
Automotive radar面对的场景常常是街道等，大部分时间存在多个目标，并且伴有目标的消失或者是突然出现，除了这些需要进一步处理的，还有一些非期望成分，包括了树木，建筑物或者是一些交通标示，通常会将这些非期望成分视为杂波并将其滤除。另外一个问题则是Automotive radar中所面对的目标不是简单的点目标，在之前的文章中有提到过，
对于一个横穿马路的行人，其距离向轮廓为点状，速度向的轮廓则为扩展的轮廓，这是由于行人在横穿的过程中其四肢，躯体分别具有不同的速度。另外，纵向（向前）运动的车辆，在距离向具有扩展的轮廓，速度向则为点状的轮廓。
这些特点有利于跟踪处理中的目标区别。另外，在进行跟踪处理中还需要考虑应用中的实际问题，比如处理的周期需要尽可能的短，因为在防碰撞告警中及时报警是非常关键的。
在获取了目标的可靠信息后，此时便具有了关于目标的距离，速度和角度信息。下面就需要对这些数据进行处理，以便得到目标的运动状况等，我们需要知道当前目标在下一时间时会位于何处，存在怎样的运动。对于目标下一时刻的运动估计方法通常为线性或者扩展的Kalman滤波，其他的跟踪滤波器包括了多假设跟踪，固定增益的kalman滤波，以及α-β滤波器。
Automotive radar的跟踪处理中一个主要的部分便是数据的关联部分，并且常常需要对轨迹进行管理，需要制定相应的规则，何时可以新建一条轨迹，何时需要删除掉错误的轨迹。
一般在进行数据关联前，需要对含有目标的数据做一些预处理，将其中的非期望数据剔除，减小环境中非期望目标的影响。剔除的方法通常可以利用目标的速度进行判断，另外其他的一些预处理包括了距离的限制，以及角度范围的限制，只对有效区域进行处理。为了获得关于目标相对真实的速度和角度信息，当本车在运动的过程中，在对数据进行处理时也要考虑本车的行驶速度和曲率等因素。
在进行完数据的预处理后，下一步需要对提取非期望目标后的目标，包括了其他车辆，行人等目标进行处理。前面提到的行人和行驶中的车辆在距离向和速度向上不完全为点状轮廓，因此，需要属于同一个真实目标的多个目标数据进行聚类，聚类可以采用建立相应的距离，速度和角度门进行判断，落入同一特定区域的目标可视为同一目标。
数据关联采用的方法为匈牙利算法，其解决了最佳的人员调配问题，同样这种思想可以被使用在雷达跟踪处理中。利用这种方法得到目标位置与估计之间的
最佳匹配。在进行关联后，需要对轨迹和状态进行更新和管理，之后便可利用Kalman滤波进行跟踪处理。
之前写过一篇关于多目标的跟踪处理，限于时间和精力只是做了个简述，为了将这个部分将的更加丰富，这里计划对这里的多目标跟踪处理做个小专栏，分为几篇，关于kalman和本文中涉及到的匈牙利算法后面专门对其分别进行介绍。
题图：RyanMcGuire，from Pixabay
