简介这份资源是MHT多假设跟踪算法在Matlab环境下的实现程序面向具备Matlab编程基础、正在研究多目标跟踪的读者可用于雷达、视频监控等存在目标诞生、消失、分裂与合并等不确定场景的算法学习与复现。压缩包共33个文件约45KB以m脚本文件为主辅以c源码、asv备份、mat数据、txt说明及mexw32、mexglx等编译文件覆盖预测、更新、关联、剪枝等核心模块。目前已有2037人学习下载。读者可通过阅读代码理解概率数据关联框架下假设生成、匈牙利算法匹配、分支合并与后处理剪枝的完整流程并借助可视化脚本观察跟踪结果将其迁移到自己的多目标跟踪任务中同时结合参数调整与排错思路应对复杂场景。1. MHT算法的Matlab程序从多假设跟踪到可复现的工程实现多目标跟踪场景里量测来源永远不干净虚警、漏检、目标交叉、航迹断续任何一个都能让最近邻域法当场翻车。MHTMultiple Hypothesis Tracking多假设跟踪之所以在工程上一直被反复提起就是因为它不急着在单帧做硬判决而是把“这个量测到底属于哪条航迹”的多种可能先保留下来延迟到后续几帧再剪枝。这个标题指向的就是把这套逻辑用 Matlab 写成能跑、能调参、能看结果的程序。适合谁做雷达、红外、视频多目标跟踪的工程师手里已经有量测序列想验证 MHT 到底比 JPDA、GNN 强在哪以及值不值得把它塞进自己的系统。下面按“结构怎么搭、代码怎么写、参数怎么调、坑在哪”一路讲透。2. MHT的假设树与剪枝逻辑先想清楚再写代码2.1 为什么不能每帧只留一条航迹多假设跟踪的核心不是“跟踪”而是“延迟决策”。单帧硬关联的问题在于一旦某个量测被错误分配给航迹 A后续帧里航迹 B 就再也拿不回这个量测误差会沿着时间累积最终导致航迹互换或断裂。MHT 的做法是在每个扫描周期把所有“量测—航迹”的可行关联组合成一个假设多个假设并行保留形成一棵随时间生长的假设树。假设树的每个节点代表一次关联事件从根到叶的一条路径就是一个完整的关联历史。树的深度就是处理的帧数分支因子取决于当前帧的量测数和已有航迹数。工程上真正要控制的是分支不能无限膨胀。常见做法是给每个假设打一个得分得分来自关联残差、航迹延续概率、虚警概率等然后在每帧结束后做一次剪枝把低分假设砍掉。Matlab 里实现时我一般用一个结构体数组表示假设集合每个元素包含关联矩阵、累计得分、航迹状态、父假设索引。这样剪枝时只操作数组不用递归遍历树速度快很多。2.2 假设得分怎么算才不玄学得分函数是 MHT 的命门。写得太粗剪枝会砍掉正确假设写得太细计算量爆炸。一个在工程上比较稳的得分形式是% 假设得分计算残差项 航迹维持项 虚警惩罚项 function score hypothesisScore(residual, P, lambda, pD, pFA) % residual: 量测与预测位置的残差向量 % P: 预测协方差矩阵 % lambda: 杂波密度每帧每单位体积的虚警数 % pD: 检测概率 % pFA: 虚警概率 S P eye(size(P)) * 1e-6; % 加小量防止奇异 d residual * (S \ residual); % 马氏距离平方 likelihood exp(-0.5 * d) / sqrt(det(2*pi*S)); score log(pD * likelihood 1e-12) - log(lambda); score score log(1 - pFA 1e-12); % 虚警惩罚 end这段代码里residual是量测减去预测位置P是卡尔曼滤波的预测协方差。马氏距离平方d用来衡量关联的“合理性”lambda控制杂波密度pD是检测概率。注意1e-12这种小量不是装饰是防止 log(0) 导致整个假设得分变成 -Inf一旦出现 -Inf剪枝时这条假设直接消失调试时很难发现。参数上lambda的取值直接决定假设树的稀疏程度。lambda设大虚警惩罚重假设树窄计算快但容易漏跟lambda设小假设树宽跟踪稳但内存涨得快。我一般先用量测统计估一个初值统计连续 100 帧里没有关联到任何航迹的量测数除以帧数和监控区域体积就是lambda的粗略估计。2.3 剪枝的三种策略与 Matlab 实现剪枝是 MHT 从理论走向可运行的关键。常见策略有三种得分阈值剪枝、假设数量上限剪枝、N 帧延迟剪枝。工程上通常组合使用。得分阈值剪枝最简单每帧结束后把所有假设按累计得分排序保留前 K 个或者砍掉得分低于最佳假设一定门限的。Matlab 里用sort和逻辑索引就能完成% 假设剪枝保留得分最高的 K 个假设 function hypotheses pruneHypotheses(hypotheses, K, scoreGap) scores [hypotheses.score]; [sortedScores, idx] sort(scores, descend); bestScore sortedScores(1); keepMask sortedScores (bestScore - scoreGap); keepIdx idx(keepMask); if numel(keepIdx) K keepIdx keepIdx(1:K); end hypotheses hypotheses(keepIdx); endK是硬上限防止内存失控scoreGap是相对门限保证不会因为最佳假设得分太高而把有潜力的次优假设全砍掉。这两个参数需要一起调K设 50200 比较常见scoreGap设 1030取决于得分量纲。N 帧延迟剪枝更接近 MHT 的本意不急着在每帧剪而是等树长到 N 层后再回溯把那些在 N 帧内没有形成稳定航迹的分支砍掉。Matlab 实现时可以用一个滑动窗口缓存最近 N 帧的假设窗口满了再触发剪枝。代价是内存占用高 N 倍但跟踪连续性明显更好。3. 用Matlab搭一个可跑的最小MHT框架3.1 数据结构和主循环怎么组织一个能跑的最小 MHT 框架至少需要四个模块航迹管理、量测预处理、假设生成、假设剪枝。Matlab 里不建议用面向对象写得太重结构体加函数文件足够调试时变量直接看得到。主循环的骨架如下% MHT主循环骨架 function tracks mhtMain(measurements, params) % measurements: 元胞数组每个元素是一帧的量测矩阵每行一个量测 % params: 参数结构体 tracks initTracks(params); % 初始化航迹池 hypotheses initHypotheses(); % 初始化假设集合 for k 1:numel(measurements) Z measurements{k}; % 当前帧量测 tracks predictTracks(tracks, params.dt); hypotheses generateHypotheses(hypotheses, tracks, Z, params); hypotheses pruneHypotheses(hypotheses, params.K, params.scoreGap); tracks updateTracksFromBest(hypotheses, tracks, params); tracks manageTracks(tracks, params); % 起批、确认、删除 end endpredictTracks做卡尔曼预测generateHypotheses是核心负责枚举当前帧所有可行的量测—航迹关联组合。updateTracksFromBest用当前最佳假设更新航迹状态。manageTracks处理航迹起批和删除比如连续 M 帧关联上才确认连续 N 帧没关联就删除。这里有个容易忽略的点generateHypotheses的输入是上一帧的假设集合不是单条航迹。每个假设都要独立生成子假设所以计算量是“假设数 × 量测数 × 航迹数”。如果假设数到了 200量测 20航迹 15单帧就要算 6 万次关联Matlab 里用循环会明显卡。我的做法是把关联残差计算向量化用矩阵运算替代内层循环。3.2 关联枚举的向量化写法关联枚举的本质是对每个假设枚举“每个量测分配给哪条航迹”的所有组合。暴力枚举是组合爆炸工程上一般用门限先筛掉不可能的关联再对剩余组合做枚举。% 向量化计算所有量测-航迹对的马氏距离 function [costMatrix, validMask] computeAssociationCost(tracks, Z, params) nT numel(tracks); nZ size(Z, 1); costMatrix inf(nZ, nT); validMask false(nZ, nT); for i 1:nT predPos tracks(i).state(1:2); % 假设状态是 [x y vx vy] predCov tracks(i).cov(1:2, 1:2); diff Z - predPos; % nZ x 2 d2 sum((diff / chol(predCov)) .^ 2, 2); costMatrix(:, i) d2; validMask(:, i) d2 params.gateThresh; end endchol分解比直接求逆稳定gateThresh是波门阈值通常取卡方分布的自由度 2、置信度 0.99 对应的值约 9.21。validMask标记哪些关联是可行的后续枚举只在这个掩码为 true 的位置展开。枚举时对每个假设把validMask里为 true 的关联逐个尝试生成子假设。如果某个量测没有任何可行航迹它要么是虚警要么是新目标这两种情况都要作为独立分支保留。新目标分支的得分用起批先验虚警分支的得分用lambda算。3.3 航迹起批与删除的门限设置航迹管理看着简单实际最容易出问题。起批太松虚警会变成假航迹起批太紧真实目标跟丢后重新起批慢航迹断裂。我一般用 M/N 逻辑连续 M 帧中有 N 帧关联上就确认航迹。M 取 35N 取 23。删除逻辑用连续丢失帧数超过 58 帧就删。这两个参数和量测率有关量测率低比如每帧只有几个量测M 取小一点量测率高M 取大一点。Matlab 里用一个计数器字段就能实现% 航迹确认与删除 function tracks manageTracks(tracks, params) for i 1:numel(tracks) if tracks(i).hitCount params.confirmHits tracks(i).status confirmed; end if tracks(i).missCount params.deleteMiss tracks(i).status deleted; end end tracks tracks(~strcmp({tracks.status}, deleted)); endhitCount在关联成功时加一missCount在关联失败时加一关联成功时missCount清零。注意confirmHits和deleteMiss不要设成相等否则航迹会在确认和删除之间反复横跳调试时表现为航迹 ID 频繁跳变。4. 参数调优与性能边界MHT到底适合什么场景4.1 关键参数的影响排序MHT 的参数不少但真正影响结果的没几个。按敏感度排序波门阈值gateThresh 杂波密度lambda 假设上限K 得分门限scoreGap 起批/删除门限。gateThresh直接决定哪些关联进入枚举。设太小正确关联被排除航迹必丢设太大假设树爆炸计算量失控。工程上先用 9.212 自由度 0.99 置信度如果发现漏跟严重再放宽到 13.80.999 置信度但不要超过 16。lambda影响虚警分支的得分。如果实际场景虚警多但lambda设小了虚警会被当成新目标起批航迹数虚高。反过来lambda设大了真实新目标起批慢。一个实用技巧先跑一遍纯 GNN统计虚警率用这个统计值作为lambda初值再微调。K和scoreGap是一对。K是硬上限scoreGap是软门限。如果内存够K可以设大一点200500让scoreGap去控制实际保留数。如果内存紧张K设 50但scoreGap要相应放宽否则假设多样性不够。4.2 计算量与跟踪精度的权衡MHT 的计算量随假设数、量测数、航迹数三者乘积增长。Matlab 里单帧耗时超过 100ms 就要警惕超过 500ms 基本没法实时。降低计算量的手段有几个一是限制假设树深度只保留最近 N 帧的关联历史更早的合并二是对量测做预处理把距离过近的量测合并减少量测数三是用波门预筛选把不可能关联的对直接排除减少枚举分支。但要注意降计算量往往以跟踪精度为代价。我做过一组对比同样场景下K50比K200的航迹确认延迟平均多 1.5 帧航迹断裂率高 8% 左右。如果场景里目标机动性强、交叉频繁这个差距会更大。所以参数不要一上来就压计算量先把跟踪跑稳再逐步收紧。4.3 和JPDA、GNN的边界在哪GNN 适合量测干净、目标稀疏的场景计算量最小但交叉场景容易互换航迹。JPDA 适合量测密集但目标数固定的场景它做的是概率加权不保留多假设所以计算量比 MHT 小但延迟决策能力弱。MHT 的优势场景是虚警多、漏检多、目标数变化、交叉频繁。代价是计算量和内存占用最高。如果场景里目标数固定、量测信噪比高用 MHT 是杀鸡用牛刀GNN 加个航迹管理就够了。判断标准可以看两个指标一是单帧量测中虚警比例超过 20% 考虑 MHT二是目标交叉时航迹互换频率如果 GNN 每交叉必换MHT 值得上。5. MHT程序调试避坑五条血泪经验5.1 航迹ID频繁跳变现象跟踪结果里同一个目标在不同帧的航迹 ID 不一样看起来像航迹断裂又重建。原因起批门限和删除门限设得太接近航迹在“确认”和“删除”之间反复切换。或者假设剪枝太狠正确假设被砍掉后航迹丢失下一帧又重新起批。解决把confirmHits和deleteMiss拉开比如确认用 3删除用 8。同时检查scoreGap是不是太小导致假设多样性不足。调试时可以把每帧的假设数和最佳得分打印出来如果假设数经常掉到 1说明剪枝过头了。5.2 假设数爆炸导致内存溢出现象跑了几十帧后 Matlab 报内存不足或者速度突然变慢。原因K设得太大或者gateThresh太宽导致每帧生成的子假设数指数增长。另一个常见原因是新目标分支没有限制每个未关联量测都起一个新航迹航迹数虚高。解决先限制K比如 100。然后检查gateThresh用卡方值 9.21 起步。新目标起批加一个先验得分惩罚不要让它轻易进入假设树。如果还不行加假设树深度限制只保留最近 5 帧的关联历史。5.3 得分出现-Inf导致假设全灭现象某帧之后所有假设得分都是 -Inf跟踪直接中断。原因得分函数里 log 的参数出现 0 或负数。常见于det(S)为 0协方差矩阵奇异或者pD * likelihood下溢到 0。解决在 log 前加小量1e-12协方差矩阵加对角小量1e-6 * eye(n)。另外检查卡尔曼预测的协方差有没有出现负定如果有说明过程噪声设得太小适当调大Q。5.4 交叉场景航迹互换现象两个目标交叉后航迹 ID 互换跟踪位置对但 ID 错。原因假设剪枝时只看得分没有考虑航迹的“身份连续性”。得分相近的两个假设剪枝后可能保留了错误的那条。解决在得分里加一个航迹维持项对已有航迹的关联给正奖励对新起批给惩罚。另外交叉期间不要急着剪枝把scoreGap放宽让两个假设都活到交叉结束再决断。5.5 量测坐标系不一致导致波门失效现象波门明明设得很大但正确关联还是被排除。原因量测和航迹状态不在同一个坐标系。比如量测是极坐标距离、方位航迹状态是笛卡尔坐标x, y直接算残差会得到错误结果。解决在关联前统一坐标系。要么把量测转到笛卡尔要么把航迹预测转到极坐标。注意转换时协方差也要跟着变用雅可比矩阵做线性化。这一步容易漏漏了之后波门形同虚设。6. 进阶技巧用N帧延迟剪枝换跟踪连续性前面讲的剪枝都是每帧即时剪好处是内存可控坏处是短视。N 帧延迟剪枝的思路是不急着在当前帧决定哪个假设对而是等树长到 N 层后从叶子往回看哪条路径在 N 帧内形成了最稳定的航迹就保留哪条。Matlab 实现时用一个滑动窗口缓存最近 N 帧的假设集合。窗口满了之后对窗口内所有假设做一次全局评分评分依据是航迹在 N 帧内的关联连续性、残差均值、航迹长度。然后只保留评分最高的若干条路径其余剪掉。% N帧延迟剪枝窗口满后全局评分 function hypotheses delayPrune(hypotheses, N, keepRatio) if numel(hypotheses) N return; end % 计算每条假设的连续性得分 for i 1:numel(hypotheses) h hypotheses(i); continuity h.hitCount / max(h.totalCount, 1); avgResidual mean(h.residualHistory); hypotheses(i).globalScore continuity * exp(-avgResidual); end scores [hypotheses.globalScore]; threshold prctile(scores, (1 - keepRatio) * 100); hypotheses hypotheses(scores threshold); endN一般取 37。太小延迟决策效果不明显太大内存和计算量都涨。keepRatio控制保留比例0.30.5 比较常见。这个方法的代价是内存占用高但跟踪连续性提升明显尤其适合目标交叉频繁、虚警多的场景。我自己的习惯是先用即时剪枝把框架跑通确认跟踪逻辑没问题再换成延迟剪枝对比效果。如果延迟剪枝带来的连续性提升不到 5%就不值得增加内存开销。调参这件事数据说话比直觉靠谱。希望帮到你。本文还有配套的精品资源点击获取