Lang Run做目标跟踪的人，多数都遇到过这个场景：激光雷达扫过行人，一个目标回七八个点；雷达分辨率高一点，一辆车也能出好几个散射中心。以前我用JPDA和MHT做数据关联，目标一多，联合事件和假设树疯长，纯粹是组合爆炸。后来换到标题里这套“扩展多目标跟踪概率假设密度滤波（PHD）线性高斯混合实现”，最大的感受就是：不用再显式维护“哪个量测对应哪个目标”的关联假设，而是把整个多目标状态当作随机有限集，只去递推一阶统计矩——强度函数，在Matlab里用一堆高斯分量把它表示出来。这个方案对做雷达/激光雷达多目标跟踪、写毕业设计、或者手里有一堆点云量测但不知道怎么建模的人来说，是一个很值得跑的起点。
先把这个名字拆开：“扩展”说的是扩展目标（extended target），也就是目标本身不是一个点，而是一个有尺寸、会在一帧里产生多个量测的对象，不是“把算法扩展一下”的意思。很多人第一眼看到标题会误会成“一个扩展版本的多目标跟踪算法”，实际上它描述的是目标模型从“点目标”变成“扩展目标”后，PHD滤波的一种线性高斯混合实现。理解了这一层，后面读代码会顺畅很多。
1. 为什么说这个滤波是“跳过数据关联”的多目标跟踪方法
1.1 点目标与扩展目标：最大的差别在于一个目标到底回多少量测
传统点目标跟踪，默认每个目标每帧最多产生一个量测，检测概率低了还可能漏掉。扩展目标模型不同，一个目标每帧可能产生好几个量测，量测数本身是随机的。雷达和激光雷达场景最明显：一辆车在点云里扫出来几十个点，一个行人也可能是五六个回波。还有视频检测里，一个目标对应多个检测框或者多个人体关键点，也可以理解成扩展量测。
这个区别看似简单，实际上是算法选型的核心分水岭。点目标那一套“一个量测只更新一个目标”的关联逻辑，在扩展目标场景下很难直接套用，因为同一个目标的多个量测之间也存在“组内关联”，你不知道哪些量测属于同一目标，也不知道这一组量测到底是哪个目标产生的。换句话说，点目标跟踪的难点是“量测-目标”匹配，扩展目标跟踪的难点是“量测集合-目标”匹配，困难程度完全不是一个量级。
1.2 传统数据关联方法为什么在扩展目标场景下很难受
JPDA和MHT的复杂度来源是关联假设的数量。点目标场景下，目标数和量测数的笛卡尔积还可以靠门限和剪枝硬扛；扩展目标场景里每个目标可能对应多个量测，这个组合数