KF（或其变体）提供了提供对象轨迹的最佳估计的能力。尽管如此，由于测量（即检测结果）的不确定性，无法保证被跟踪对象实际上是相关对象，或者即使它首先是现有对象。因此，对估计的轨迹进行后续分类和验证是非常必要的。
数据关联（DA）是将检测结果关联到跟踪滤波器的过程。 DA 滤波器有两类：确定性滤波器和概率滤波器。确定性 DA 滤波器的代表是最近邻域滤波器 (NNF) 算法，该算法使用相对于状态的最接近测量值更新每个对象。 NNF 根据测量和轨迹之间的最短欧几里德或马氏距离将对象与已知轨迹相关联。
在目标跟踪文献中非常有名的概率 DA 滤波器是同名的概率数据关联滤波器（PDAF）[29]。 PDAF 使用所有关联假设执行对象状态的加权更新，以避免在使用 NNF 算法时经常遇到的硬的、可能错误的关联决策。在多个测量值彼此靠近（即杂波）并导致单个测量值被错误地更新所有其他附近对象的情况下，通常会发现错误关联。
表 3-1 中总结了 NN 和 PDA 之间的差异。 PDA 也是杂波感知跟踪器中计算效率最高的跟踪算法之一[97]，例如与 MHT[117] 相比。由于其属性，PDA 过滤器在城市 MOT 中将特别相关，将在下一节中详细讨论
