高斯混合PHD滤波器 论文脉络梳理（单目标贝叶斯，多目标贝叶斯，PHD,边缘分布多目标贝叶斯）

摘要：在数据关联不确定，检测不确定和噪声的环境下，传感器检测不到所有目标，并且因为杂波的存在，还会出现虚假测量。为了联合估计时变目标数及其状态，传统的方法是将目标和观测进行精确的关联。比如：NN，MHT，JPDA，PMHT等。但由于组合性质，其计算量很大。而现在的解决方法是对称测量方程（symmetric measurement equations）和随机有限集RFS（random finit sets）。RFS主要将目标和观测分别作为一个随机有限集，再利用线性高斯模型来求得PHD递归方程的解，从而得到其后验强度。最后，论文使用扩展卡尔曼滤波器 EK filters（the extended Kalman filters）和无迹卡尔曼滤波器 UK filters（the unscented Kalman filters）将算法拓展到非线性目标运动。

---

        本篇博客将分为四部分来讲解。第一部分为问题制定；第二部分为线性高斯模型的PHD递推；第三部分非线性高斯模型的PHD递推；第四部分为总结与展望。

一、提出问题

          这部分提出了一个问题，在由单目标贝叶斯滤波器到多目标贝叶斯滤波器再到PHD滤波器的推理中，最后，如何解决PHD递归方程无封闭解的问题，即：数值积分有维数之灾。

 1.  单目标贝叶斯滤波器

          转移概率密度：

              似然函数：

           后验概率密度： 

 

单目标贝叶斯递归方程：

        k时刻先验密度：   

                

        k时刻后验密度：   

             

 

k时刻目标状态获得方法:一是最小均方误差MMSE（the minimum mean squared error criterion）,二是最大后验准则MAP（the maximum a posteriori criterion）

2.基于RFS的多目标贝叶斯滤波器

     状态集：

     观测集：

    其中，为k时刻目标个数，