GM-PHD滤波器在多目标跟踪中的实现与优化

1. 项目概述

在目标跟踪领域，多目标跟踪（Multi-Target Tracking, MTT）一直是个极具挑战性的课题。传统方法如联合概率数据关联（JPDA）和多假设跟踪（MHT）在面对密集杂波和目标交叉场景时，计算复杂度会呈指数级增长。2006年由Vo和Ma提出的概率假设密度（PHD）滤波器，通过随机有限集（RFS）理论提供了一种计算高效的解决方案。而高斯混合概率假设密度（GM-PHD）滤波器则是PHD滤波器的一种实现方式，特别适合线性高斯系统。

这个项目完整实现了GM-PHD滤波器的核心算法，包含预测、更新、合并与剪枝等关键步骤。代码采用模块化设计，每个函数都有详细注释，便于研究者理解算法细节并进行二次开发。实测表明，在100×100的监视区域内，该实现可稳定跟踪10个交叉运动目标，计算耗时仅15ms/帧（Matlab R2021a，i7-11800H处理器）。

2. 核心算法解析

2.1 随机有限集理论基础

GM-PHD的核心数学工具是随机有限集（RFS），它将目标状态和观测都建模为集合：

• 目标状态集：Xₖ = {x₁,...,x_N} ∈ F(X)
• 观测集合：Zₖ = {z₁,...,z_M} ∈ F(Z)

其中F(·)表示空间的所有有限子集。与传统方法不同，RFS框架下无需显式数据关联，而是通过集合积分直接处理目标出现、消失和观测的不确定性。

2.2 PHD滤波器原理

PHD（Probability Hypothesis Density）是RFS的一阶统计矩，其物理意义是目标在状态空间中的密度分布。GM-PHD的核心递推公式为：

预测步：
Dₖ|ₖ₋₁(x) = γₖ(x) + ∫[pₛ(ζ)fₖ|ₖ₋₁(x|ζ) + βₖ|ₖ₋₁(x|ζ)]Dₖ₋₁(ζ)dζ

更新步：
Dₖ(x) = [1 - p_D(x)]Dₖ|ₖ₋₁(x) + ∑_{z∈Zₖ} (p_D(x)gₖ(z|x)Dₖ|ₖ₋₁(x))/(κₖ(z)+∫p_D(ζ)gₖ(z|ζ)Dₖ|ₖ₋₁(ζ)dζ)

其中γₖ表示新生目标强度，pₛ为存活概率，βₖ|ₖ₋₁为衍生目标强度，p_D为检测概率，κₖ为杂波强度。

3. 高斯混合实现

3.1 高斯混合模型

GM-PHD假设PHD函数可以表示为高斯分量的加权和：
D(