1.基于GP-VSMM-JPDA的扩展目标跟踪方法，其特征在于该方法包括以下步骤：步骤(1) ：假设在雷达探测范围内存在N个扩展目标，k时刻模型集中存在r个运动模型；若扩展目标n于(k,k+1]时间段时，模型有效，则采用 表示扩展目标n于k时刻，模型 为有效模型这样一个随机事件；ΓN表示1～N的自然数集合；n∈ΓN，在高斯过程下，扩展目标n在k时刻的状态 包含运动状态Xk和轮廓状态 两部分；定义运动状态 其中[xk,yk]T和 分别为扩展目标中心点位置和速度，φk和 分别为扩展目标n的航向角和航向角速度；轮廓状态 其中θi和fk(θi)分别为局部极坐标系下第i个轮廓点与扩展目标中心点之间的夹角和距离；T表示矩阵转置；1≤i≤Nt；

假设第q个测量 源于扩展目标n，定义k时刻传感器接收到ck个测量则总体测量集为Zk＝{z1,...,zk}；

步骤(2)：采用期望模型扩展方法构建自适应模型集，并基于模型对扩展目标状态重初始化；

2.1递归条件；定义事件 的条件模型概率为 k时刻扩展目标n于模型 的状态估计和协方差分别为 和

2.2假设k时刻 为模型集Mk的e个模型子集，通过期望模型扩展方法得到k+1时刻系统模型集Mk+1：Mk+1＝Ek+1∪(Mk-Ek)   (1)其中模型集Ek和Ek+1分别表示k时刻和k+1时刻的期望模型集，具体公式如下：式中E[·]表示期望， 表示k+1时刻模型子集 的期望模型，公式如下：式中 为模型子集 中的第j个模型， 为处于模型 下的预测概率；

2.3基于模型集对目标重初始化；假设k时刻扩展目标n于模型 则相应的重初始化如下：从模型i转移到模型j的条件概率预测：权值交互：

状态交互：

协方差交互：

其中，pj|i表示从运动模型i转移到运动模型j的马尔科夫状态转移概率；

步骤(3)：基于高斯过程建立扩展目标联合跟踪门以选择有效量测；

3.1基于模型集，经过初始化后求得k+1时刻扩展目标n模型 的预测状态和预测协方差：式中， 表示k时刻扩展目标n于模型 的状态转移矩阵， 表示相应的噪声协方差；

基于扩展目标的测量模型，利用当前时刻的测量和扩展目标的预测状态对各个扩展目标的测量进行预测，并得到相应的新息协方差；即对于测量 对应扩展目标n于模型 的预测测量 和新息协方差 分别为：其中 表示k+1时刻扩展目标n的预测中心点位置， 表示函数 在处的雅可比矩阵； 为扩展目标n的预测测量噪声协方差；us∈[0,1]表示缩放因子，为一个随机标量， 表示旋转因子， 表示扩展目标n的轮廓半径函数，通过基于高斯过程模型的公式替换可得；

3.2通过新息协方差建立联合跟踪门并选择有效测量；对于每一个扩展目标，均构建ck个子跟踪门；如果测量 落入到扩展目标n的第q个子跟踪门内，q∈ck，则测量 为有效测量，记为其中， 表示扩展目标n的第q个子跟踪门，q∈ck，g0表示跟踪门参数，扩展目标n于模型 的预测测量 由上述公式(10)推出；将扩展目标n的ck个子跟踪门合并得到联合跟踪门 然后再将所有扩展目标的联合跟踪门合并得到总体跟踪门

步骤(4)：将高斯过程与联合概率数据关联滤波器相结合，更新各个扩展目标于不同模型下的状态和协方差；

4.1假设k+1时刻总体跟踪门Ωk+1内包含 个有效测量，有效测量集可表示为基于JPDA框架，当第q个有效测量 来源于扩展目标n时，则边缘关联事件Aqn发生；当所有边缘关联事件同时发生时，则联合事件 有效；

联合事件由下列二进制有效矩阵表示：

当边缘关联事件Aqn发生，则 否则

4.2基于事件 有效测量集Yk+1和总体测量集Zk，求解互联事件Aa的概率式中,1≤n≤N；事件 中， 表示联合关联事件Aa下有效测量的联合概率密度；P{Aa}表示互联事件Aa的先验概率； 为似然函数，公式如下：在互联事件Aa中，来源于目标Ψ的有效测量个数为δΨ＝δΨ(Aa)，因此多集排列个数NA如下：

4.3更新状态和协方差；首先对于扩展目标n，求解其k+1时刻模型 概率，扩展目标n的状态估计如下：其中 由公式(16)可得； 表示基于互联事件Aa，模型 当前有效测量以及总体测量下扩展目标n状态的后验估计，具体公式如下：其中 表示关联事件Aa中扩展目标n的新息矩阵；卡尔曼增益 和的协方差如下得：

其中雅克比矩阵 测量噪声协方差矩阵为注意到当δ0(Aa)＝0时，

扩展目标n估计的协方差如下：

步骤(5)：基于变结构交互式多模型方法，将各个扩展目标的状态和协方差进行融合，最终得到k+1时刻的状态估计；对于扩展目标n，其输出的状态估计和相关协方差如下：