苗 露，李鸿艳，冯新喜

空军工程大学 信息与导航学院，西安 710077

1 引言

多目标跟踪是利用传感器量测对目标数目和状态进行估计的过程，主要受到杂波、漏检和虚警的影响[1]。传统目标跟踪所利用的是点目标模型，假设在每一观测时刻每个目标至多产生一个量测。随着传感器分辨率的提高，这种假设不再适用，探测单个目标时会得到多个量测值，即可以得到更多的目标运动和形态信息[2]，这种目标跟踪称之为扩展目标跟踪。

Mahler根据随机有限集（RFS）理论[3]，推导出概率假设密度（Probability Hypothesis Density，PHD）滤波器的递推方程，避免了传统目标跟踪所利用的复杂数据关联过程，但存在集值积分无法求解的难题。随后，Mahler利用RFS的一阶统计矩对多目标的后验概率密度进行近似替代，提出了一阶统计矩近似的PHD滤波器，并于2009年将PHD滤波器用于扩展目标跟踪，即ET-PHD（Extended Target PHD）滤波器。假定目标运动模型满足线性高斯条件下，文献[4]给出了高斯混合PHD（Gaussian Mixture PHD，GM-PHD）滤波器的实现，文献[5]给出了扩展目标高斯混合PHD（ET-GM-PHD）滤波器的实现。文献[6]利用核密度估计方法对经过剪枝、合并后的PHD密度分布函数进行状态估计，将峰值点作为状态估计值，使目标估计结果更加精确。针对目标漏检时致使有用信息丢失和目标相近造成滤波性能下降，文献[7]对PHD滤波器的预测、更新方程加以修正，有效改善了目标跟踪性能。

根据Mahler的推导[8]，无论是ET-PHD滤波器、GMET-PHD滤波器还是GM-ET-CPHD滤波器，提高滤波器性能就需要对量测集进行快速准确的划分，这在理论上是需要考虑所有可能的划分。……