PHD filter 及其变种都需要三个先决的条件：

生成模型 birth model
杂物模型 clutter model （filter 的一个目的就去除 clutter，所以 model 肯定未知，典型的鸡蛋问题）
检测概率 detection probability （这不能通过 detection method 得到，因为你不知道遮挡等问题是否存在，而且这个和场景相关性很大）
这些信息都是一致的，但是在实际中这些是时变，未知的。怎么解决呢？
Birth model
通常是从 measurement-driven 的模型中得到，这种模型被称为 diffuse target birth model，论文有：
Improved SMC implementation of the PHD filter (2010)
Adaptive target birth intensity in PHD and CPHD filter (2012)
PHD filter with diffuse spatial prior on the birth process with applications to GM-PHD filter (2010)
另一种思路是，partially uniform birth (PUB,部分统一生成) model，论文有：
Gaussian mixture PHD and CPHD filtering with partially uniform target birth (2012)
A partially uniform target birth model for Gaussian mixture PHD/CPHD filtering (2013)

clutter model

对于未知的 clutter model，通常采用clutter generator（杂物生成器），可以参考的论文有

*CPHD filtering with unknown clutter rate and detection profile (2011) code
Integrated clutter estimation and target tracking using Poisson point processes (2012)
An improved CPHD filter for unknown clutter backgrounds (2014)
CPHD filters for unknown clutter and target-birth processes (2014)
这些都假设 clutter 的 PHD 是由 clutter 生成器产生的，通过跟踪这个生成器我们就能准确的估算出来 clutter 的 PHD。

在总结的过程中发现了一个有趣的文章：(Ronald Mahler 是谁？)[http://blog.sciencenet.cn/blog-388372-568338.html],讲的是第1，3，4篇的一作，Ronald Mahler 他做的如何，不是我一个小小 PHD 能说的，大家可以看一看，也算八卦了。这个不在高校，所以一般也不会公布 code。

detection probability

Multisensor adaptive Bayesian tracking under time-varying target detection probability (2016)
这个一个基于贝叶斯网络的自适应滤波器，但是这个滤波器是为了单目标设计的。
Scalable adaptive multitarget tracking using multiple sensors
这个一个基于置信度传播的多目标跟踪。
Robust multi-Bernoulli filtering
采用 (Beta 分步)[https://zh.wikipedia.org/wiki/Β分布]来构建监测概率，但是这个需要监测概率较高。
实际上
*CPHD filtering with unknown clutter rate and detection profile (2011) code
也做了不少工作，通过 Beta-Gaussian 来构建检测模型。但是这对历史信息要求较高。