Nous nous intéressons dans cette communication au problème de filtrage multi-objets dans le contexte des ensembles statistiques finis et du filtre Probability Hypothesis Density (PHD), une fonction à valeurs réelles qui permet d'estimer à la fois le nombre d'objets et leur état caché. L'utilisation des méthodes de Monte Carlo Séquentielles (SMC) peut produire dans ce contexte des mauvais estimateurs du nombre d'objets et des états cachés inconnus si la dimension du vecteur d'état de chaque objet est importante. Pour pallier ce problème, nous proposons de combiner une méthode de marginalisation visant à réduire la variance des estimateurs considérés avec une méthode de tirage efficace visant à guider les particules dans des régions de l'espace d'état où se trouvent probablement les états cachés.