什么是 概率假设密度滤波（PHD Filter）？
概率假设密度滤波（PHD Filter）是一种随机有限集滤波近似：它传播多对象 Posterior 的一阶 Moment，使其积分表示期望对象数，峰值表示可能的对象状态。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
传播 RFS Posterior 的一阶 Moment
Mahler 的多目标一阶 Moment 论文把 PHD 递推推导为 Multi-target Bayes Filtering 的可计算近似。预测步骤把 Birth Intensity 与经过运动模型传播的 Survival、Spawn Intensity 相加。
Intensity 具有计数单位。一个 Component Weight 可以表示期望目标质量，不要求小于等于一；总积分也不要求等于一。像普通概率密度那样归一化会破坏基数信息。因此 Birth、Survival 与 Spawning 参数会同时影响目标预计出现的位置和数量。
用 Detection 与 Clutter 集体更新强度
更新保留漏检项，并为每个量测增加一项 Intensity Contribution。每个量测项都由其 Clutter Intensity 加上全部预测目标生成该量测的总强度归一化，因此所有竞争解释该观测的预测状态会相互耦合。
PHD Filter 不输出显式一对一分配，但不会消除量测模型假设。标准 Point-target Model 通常允许每个对象至多产生一个 Detection，并假定杂波与目标独立。Extended Target、Merged Detection、未知 Detection Rate 与结构化 Clutter 需要其他模型或稳健扩展。
分别选择实现方法与状态提取规则
Vo 与 Ma 的 GM-PHD 论文在线性 Gaussian 模型下给出闭式 Gaussian-mixture 实现；SMC-PHD 则使用带权 Particle 表示 Intensity。Mixture Pruning、Merging、Capping、Particle Proposal、Resampling 和状态提取都是显式实现决策。
Stone Soup 的 GM-PHD 教程演示了 Birth Intensity、Clutter Density、预测、更新与 Mixture Reduction。应报告 Cardinality Error、OSPA 或 GOSPA、定位、虚假与漏失对象、提取敏感性、Component 数量、耗时与内存。
轨迹概率假设密度滤波把 Intensity 移到轨迹空间，并不会让状态型 PHD Estimate 自动获得身份。
主要特点
- 传播多对象 Posterior 的一阶 Moment
- 使用积分等于期望对象数的 Intensity
- 建模目标新生、存活、衍生、检测与杂波
- 让全部预测目标质量共同解释量测集合
- 支持 Gaussian Mixture 与 Sequential Monte Carlo 实现
- 自身不保留完整基数不确定性或身份
常见用途
- 目标数量未知的雷达或声呐跟踪
- 对象会出现和消失的行人与车辆跟踪
- 由带噪传感器 Detection 构建动态占据栅格
- 显微序列中的细胞或粒子跟踪
- 作为 CPHD、Multi-Bernoulli、GLMB 与 PMBM 的基线
示例
Loading code...常见问题
PHD Filter 的 Intensity 表示什么？
PHD Intensity 在任意状态空间区域上的积分等于该区域内的期望对象数。它不是单个对象的归一化概率密度，单点强度或 Gaussian Component Weight 也不要求落在零到一之间。
PHD Filter 是否执行数据关联？
它直接用量测集合更新整体 Intensity，而不输出显式 Track-to-measurement Assignment。关联不确定性仍存在于 Multi-object Likelihood 与归一化分母中，状态提取或加标签还可能引入新的匹配决策。
PHD 与 CPHD Filter 有什么区别？
PHD 只传播一阶 Intensity，因此表示期望 Cardinality，却不表示完整数量分布；CPHD 还传播 Cardinality Distribution，通常能改善对象数量估计，但会增加计算和模型成本。
GM-PHD 与 SMC-PHD 有什么区别？
GM-PHD 用 Gaussian Component 表示 Intensity，在线性 Gaussian 假设下有闭式递推；SMC-PHD 使用带权 Particle，支持更广泛的非线性或非 Gaussian 模型，却需要额外选择 Proposal、Resampling、Clustering 与计算预算。
PHD Filter 能保持航迹身份吗？
自身不能。Intensity Peak 表示可能的当前状态，但无标签一阶 Moment 不编码持久对象身份。状态提取启发式可以跨时间连接 Peak；Labeled RFS 或 Trajectory-set Filter 会更显式地建模身份和轨迹不确定性。