谭顺成，韩芳林，于洪波

(1 海军航空大学信息融合研究所, 山东烟台 264001;2 南京电子技术研究所, 南京 210039)

0 引言

基于随机有限集理论的概率假设密度(probability hypothesis density，PHD)滤波也称为一阶矩滤波，由Mahler于2000年首次提出[1]，是一种Bayesian框架下的近似多目标滤波方法，其核心思想就是通过递推更新多目标后验概率密度的第一阶统计矩，来代替递推更新多目标全局后验概率密度，从而极大降低了多目标跟踪问题的复杂程度，非常适应于杂波环境下的多目标检测与跟踪，并被成功地用于解决许多工程问题[2-4]。根据实现方式不同，PHD滤波主要可以归为两类：粒子PHD(particle-PHD，PPHD)滤波[5-6]和高斯混合PHD(Gaussian mixture PHD, GM-PHD)滤波[7-8]。其中，PPHD滤波方法由于在非线性非高斯情况下的多目标跟踪方面具有较好的适应性，得到越来越多的重视，文献[9]将辅助粒子滤波(auxiliary particle filter，APF)的思想引入PPHD滤波，通过在高维空间进行采样，使PPHD滤波更加高效。

然而，传统的PHD滤波一般只利用了目标的距离、方位和多普勒等信息(即门限处理后的量测)，而如雷达和红外等很多的传感器，除可提供目标的上述信息，还能提供目标回波信号的强度或幅值等信息。由于目标的回波信号在各时刻具有强相关性，而杂波具有非相关性，若充分利用目标的幅值信息，一方面可强化目标和杂波区别，在滤波过程中尽早的识别出目标和杂波，从而有效改善目标跟踪效果；另一方面，可使目标航迹的形成不仅仅基于目标运动的一致性，还可基于目标回波的相关性，从而有效改善数据互联性能，减少虚假航迹[9-10]。……