目标跟踪技术主要是由量测数据的观测和分析处理、机动目标的试验模型、机动目标检测与机动目标识别、机动目标的滤波与位姿预测以及对于目标跟踪的坐标系选择和滤波状态的变量的选择等等这些部分组成[7]。82994

测量数据的产生主要是由监测器通过对于目标的跟踪而产生，这其中包括了相对而言目前目标的运动状态，主要包括目标的位姿、目标的运动速度、目标的运动类型、机动目标的数目以及对目标这些状态获取的时间。但是实际监测时会有很多的噪声来影响实际监测结果。

运动目标模型是对于研究目标的运动状态的一个十分重要的部分，基本所有的跟踪算法都是以运动目标模型为基础来实现的。但是在实际建立模型时有可能存在很多外在因素的影响，这些可能会影响实际测量时的数据，这些外在因素包括测量时环境因素的影响和一些不可预测的现象等，这些东西统称为测量噪声。因此在实际测量的过程中我们需要将这些噪声考虑进去，在对模型分析时我们则需要将测量噪声进行弱化而将目标状态进行强化。论文网

对目标跟踪的过程时主要是通过在直角坐标系和极坐标系下来实现的，但是通过很多的试验表明在直角坐标系下对于目标运动模型进行分析时存在的误差比较小，可以获得比较高的精确度[1，2]，并且极坐标会在数据的较近的区域产生较大的不真实的加速度，所以一般来说我们会选择在直角坐标系下对目标进行分析，但是因为在实际目标跟踪时，基本都是在极坐标系下完成的，所以在实际处理运动目标模型问题时，就需要对目标模型的坐标系进行转换，但是往往目标模型从极坐标系转换到直角坐标系时的方程都是非线性方程，因此我们基本不能够同时在同一个坐标系下得到有关于目标的运动状态方程和测量方程的线性方程。

因此，目标跟踪问题其实本质上就是对于非线性滤波的问题，因此为了减少非线性对于目标跟踪问题处理时的影响，一般会采用两个方法来对这种情况进行处理，其中的一种情况就是采用混合坐标计算，然后对目标进行外推逻辑，包括对初始协方差矩阵进行设置以及对于滤波的增益值的计算，都是在直角坐标系的条件下来实现的，但是对于目标信息的获取，则是通过极坐标来完成。此时需要处理观测方程的非线性的问题，这类方法的其中一种代表方法就是扩展卡尔曼滤波(extended Kalman Filter，EKF)，这种方法是将卡尔曼滤波应用到非线性情况下的一种扩展。这种算法主要思路就是通过将非线性系统进行泰勒级数展开，对其进行一阶分量线性化，然后再对目标进行滤波处理，因此这可以说就是一种次优滤波的算法。

另一种情况是通过将在极坐标下获得的测量值再转换到直角坐标中，而又在直角坐标系中完成对于滤波和信息的获取，此时获得的转换测量的均值和方差都会发生改变，这种方法被称为转换测量卡尔曼滤波（Converted Measurement Kalman Filter，CMKF）。1993年，Lerr0。D和Bar-Shalom。Y提出了在转换测量时会使用传统的转换测量方法会产生较大偏差[3]，因此，他们提出了一种叫做去偏转换测量卡尔曼滤波算法(Decorrelated Converted Measurement Kalman Filter, CMKF-D)的算法，算法通过求出目标有偏的转换测量的误差均值以及方差，在对数据进行去偏后再使用标准的卡尔曼滤波对目标进行滤波处理。然而去偏转换测量卡尔曼滤波算法在对转换测量误差的求解过程中，先是以目标的真实位置为条件，这样可以求出测量过程中存在的真实的偏差和协方差矩阵，之后以传感器的测量为条件再对通过上面方法获得的条件偏差和协方差矩阵来求取期望值，因此通过这种方法求得的转换量测的偏差和协方差矩阵可能会引入新附加的误差，从而使得最终试验结果不能够十分精确。在1998年，Mo LongBin等人采用了一种新方法，通过利用一个偏差补偿的因子这样对偏差进行描述会使结果的误差变小，这种算法就是无偏转换测量卡尔曼滤波(Unbiased Converted Measurement Kalman Filter,UCMKF)[4] 算法，这种方法比去偏转换测量卡尔曼滤波算法具有有更好的一致性与稳定性。但是无偏转换测量卡尔曼滤波在对转换测量误差的方差计算时，其中一半的处理是按照测量值来完成的，但是另一半却又按照真实值来实现的，这就带来了一个不相容的问题。因此在无偏转换测量卡尔曼滤波的基础上，Duan ZhangSheng等人进一步改进，提出了修正无偏转换测量卡尔曼滤波算法(Modified Unbiased Converted Measurement Kalman Filter，MUCMKF)[5]这种算法，进一步使得这种方法更加完善了。