1.一种基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，包括如下步骤：S1，增加标识符、历史状态提取标志信息及历史权值向量作为辅助参数以构建用于表示目标的新的高斯分量表述式；

在步骤S1中，所述历史状态提取标志信息包括历史状态提取标志向量和最大历史状态提取标志，且目标信息的新的高斯分量标准描述式为 式中，w表示高斯分量的权值，m表示高斯分量的均值，P表示高斯分量的协方差矩阵，l表示高斯分量的标识符，表示高斯分量的历史状态提取标志向量，η表示高斯分量的最大历史状态提取标志，θ表示高斯分量的历史权值向量；

S2，根据新的高斯分量表述式，对目标后验分量集进行初始化；

在步骤S2中，所述目标后验分量集ζk(o)的表达式为：式中，Jk表示k时刻高斯分量的数目， 表示k时刻第i个高斯分量 的权值， 表示k时刻第i个高斯分量 的均值， 表示k时刻第i个高斯分量 的协方差矩阵， 表示k时刻第i个高斯分量 的标识符， 表示k时刻第i个高斯分量 的历史状态提取标志向量， 表示k时刻第i个高斯分量 的最大历史状态提取标志，表示k时刻第i个高斯分量 的历史权值向量；

所述标识符 的表达式为：

式中，j表示高斯分量的计数变量；

所述历史状态提取标志向量 的表达式为：

所述最大历史状态提取标志 的表达式为：

所述历史权值向量 的表达式为：

S3，根据新生目标的分量集和存活目标的预测分量集计算目标的预测分量集；

在步骤S3中，所述新生目标的分量集ζγ,k(o)的表达式为：式中，Jγ,k表示k时刻新生高斯分量的数目， 表示k时刻第j个新生高斯分量 的权值， 表示k时刻第j个新生高斯分量 的均值， 表示k时刻第j个新生高斯分量 的协方差矩阵， 表示k时刻第j个新生高斯分量 的标识符， 表示k时刻第j个新生高斯分量 的历史状态提取标志向量， 表示k时刻第j个新生高斯分量 的最大历史状态提取标志， 表示k时刻第j个新生高斯分量 的历史权值向量；

所述存活目标的预测分量集ζs,k|k‑1(o)的表达式为：式中， 和 分别表示在k时刻用k‑1时

刻第i个高斯分量 的数据所预测的存活高斯分量 的预测权值、预测均值、预测协方差矩阵、预测标识符、预测历史状态提取标志向量、预测最大历史状态提取标志和预测历史权值向量，Js,k|k‑1表示在k时刻用k‑1时刻高斯分量数目Jk‑1所预测的存活高斯分量的预测数目；

所述目标的预测分量集ζk|k‑1(o)的表达式为：式中， 表示k时刻第i个预测高斯分量，Jk|k‑1表示预测分量集ζk|k‑1(o)中高斯分量的预测数目， 和 分别表示第i个预测高斯分量的预测权值、预测均值、预测协方差矩阵、预测标识符、预测历史状态提取标志向量、预测最大历史状态提取标志和预测权值向量；

S4，基于量测集和步骤S3中所获得的目标的预测分量集计算目标的后验分量集；

S5，对步骤S4中所获得的目标的后验分量集进行变换，并对变换后的目标后验分量集进行约简；

S6，抽取目标的状态估计；

S7，若跟踪单个时刻，则目标跟踪结束；若跟踪若干个时刻，则重复执行S3‑S6以继续跟踪数目时变的多目标，直至迭代所有时刻。

2.根据权利要求1所述的基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，k时刻高斯分量的历史状态提取标志向量 的表达式为：式中，k表示时刻，α表示传感器中所设定的元素数目阈值，各个元素值en表示在第n时刻高斯分量的状态是否被提取过，其中，所述元素值en的表达式为：

式中， 表示目标状态抽取阈值，wk表示k时刻高斯分量的权值；

k时刻高斯分量的历史权值向量的θk表达式为：θk＝[wk‑α+1,…,wn,…,wk]；

式中，wn表示高斯分量在第n时刻的权值，其中，

3.根据权利要求2所述的基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，所述预测高斯分量的预测数目Jk|k‑1的表达式为：Jk|k‑1＝Js,k|k‑1+Jγ,k；

所述预测高斯分量 的预测权值 的表达式为：所述预测高斯分量 的预测均值 的表达式为：所述预测高斯分量 的预测协方差矩阵 的表达式为：所述预测高斯分量 的预测标识符 的表达式为：所述预测高斯分量 的预测历史状态提取标志向量 的表达式为：所述预测高斯分量 的预测最大历史状态提取标志 的表达式为：所述预测高斯分量 的预测历史权值向量 的表达式为：

4.根据权利要求1或3所述的基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，在S4中，所述量测集Zk的表达式为：式中， 表示量测集Zk中的第l个量测，Mk表示量测集Zk中量测的数目；

所述目标后验分量集ζk(o)的表达式为：式中， 表示第i个高斯分量 的第l个子分量 的权值， 表示第i个高斯分量 的第l个子分量 的均值， 表示第i个高斯分量 的第l个子分量 的协方差矩阵， 表示第i个高斯分量 的第l个子分量 的标识符， 表示第i个高斯分量 的第l个子分量的历史状态提取标志向量， 表示第i个高斯分量 的第l个子分量 的最大历史状态提取标志， 表示第i个高斯分量 的第l个子分量 的历史权值向量，Jk|k‑1表示预测分量集ζk|k‑1(o)中高斯分量的预测数目；

所述子分量 的权值 的表达式为：

式中，pd表示检测概率， 表示基于量测 的杂波强度，Hk表示k时刻量测矩阵，Rk表示k时刻量测噪声协方差矩阵， 表示第j个预测高斯分量 的预测权值， 表示第i个预测高斯分量 的预测权值， 表示第i个预测高斯分量 的预测均值， 表示第j个预测高斯分量 的预测均值， 表示第i个预测高斯分量 的预测协方差矩阵，表示第j个预测高斯分量 的预测协方差矩阵；

所述子分量 的均值 的表达式为：

式中， 表示第i个高斯分量 的信息增益，且所述子分量 的协方差矩阵 的表达式为：

式中，I表示单位矩阵；

所述子分量 的标识符 的表达式为：

式中， 表示第i个预测高斯分量 的预测标识符；

所述子分量 的历史状态提取标志向量 的表达式为：式中， 表示第i个预测高斯分量 的预测历史状态提取标志向量；

所述子分量 的最大历史状态提取标志 的表达式为：式中， 表示第i个预测高斯分量 的预测最大历史状态提取标志；

所述子分量 的历史权值向量 的表达式为：式中， 表示子分量 的权值， 表示第i个预测高斯分量 的预测历史权值向量，α表示传感器中所设定的元素数目阈值。

5.根据权利要求4所述的基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，在步骤S5中，对变换后的目标后验分量集进行约简，包括如下步骤：S5.1，设定删减阈值T1，融合阈值U，最大高斯分量数目阈值Jmax；

S5.2，设定高斯分量计数变量j初始值，高斯分量数目变量 初始值和分量索引集；

所述分量索引集 的表达式为：

式中，Jk表示k时刻高斯分量数目， 表示k时刻第i个高斯分量 的权值；

S5.3，执行j＝j+1，筛选具有最大权值的高斯分量 以建立新的高斯分量；

*

所述最大权值的高斯分量 的索引i的表达式为：S5.4，更新分量索引集 若分量索引集 不为空，则返回执行步骤S5.3；若分量索引集 为空，更新高斯分量数目变量 且执行步骤S5.5；

所述分量索引集 的更新的表达式为：

所述更新高斯分量数目变量 的表达式为：

S5.5，对高斯分量数目变量 和最大高斯分量数目阈值Jmax的值进行比较，根据新的目标分量集 获得约简后的目标后验分量集如果 按权值 由大到小的顺序对所获得的目标后验分量集 进行排列，取前Jmax个高斯分量构建约简后的目标后验分量集 其中 Jk＝Jmax；若则高斯分量集 为约简后的目标后验分量集 其中所述约简后的目标后验分量集ζk(o)的表达式为：

6.根据权利要求5所述的基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，在步骤S5.3中，所述建立新的高斯分量包括如下步骤：S5.3.1，定义过渡索引集；

所述过渡索引集L的表达式为：

式中， 表示最大权值的高斯分量 的均值， 表示k时刻第i个高斯分量 的均值，表示k时刻第i个高斯分量 的协方差矩阵；

S5.3.2，将过渡索引集L中索引所对应的高斯分量 合并为一个新的高斯分量 分别对高斯分量 所对应的权值 均值 协方差矩阵 标识符 历史状态提取标志向量 最大历史状态提取标志 和历史权值向量 进行更新；

更新后的权值 的表达式为：

更新后的均值 的表达式为：

更新后的协方差矩阵 的表达式为：

更新后的标识符 的表达式为：

式中， 表示最大权值的高斯分量 的标识符；

更新后的历史状态提取标志向量 的表达式为：其中， 表示历史状态提取标志向量 的第l个元素，且第l个元素 的表达式为：

式中，A表示过渡索引集L中所有索引对应高斯分量的历史状态提取标志向量的历史标志组合矩阵，fmax(A,l)表示历史标志组合矩阵A的第l列的最大值函数，fmin(A,l)表示历史标志组合矩阵A的第l列的最小值函数；

所述历史标志组合矩阵A的表达式为：

式中， 表示k时刻索引集L中索引 对应高斯分量 的历史状态提取标志向量；

所述历史状态提取标志向量 的第α个元素 的表达式为：更新后的最大历史状态提取标志 的表达式为：更新后的历史权值向量 的表达式为：

式中， 表示历史权值向量 的第l个元素，其中，所述历史权值向量 的表达式为：

式中，B表示过渡索引集L中所有索引对应分量的历史权值向量的历史权值组合矩阵，fmax(B,l)表示历史权值组合矩阵B的第l列的最大值函数；

所述历史权值组合矩阵B的表达式为：

式中， 表示k时刻索引集L中索引 对应高斯分量 的历史权值向量。

7.根据权利要求1或6所述的基于高斯混合概率假设密度的数目时变多目标跟踪方法，其特征在于，在步骤S6中，所述抽取目标的状态估计包括如下步骤：S6.1，从约简后的目标后验分量集中选取具有最大权值的高斯分量，查找目标后验分量集中与最大权值的高斯分量具有相同标识符标的高斯分量的索引定义为索引集，然后统计索引集中所有高斯分量的最大历史状态提取标志的最大值；

所述索引集 的表达式为：

式中，分量索引集 表示约简后的目标后验分量集中高斯分量 的标识*

符， 表示约简后的目标后验分量集中最大权值的高斯分量 的标识符，i表示约简后的目标后验分量集中具有最大权值的高斯分量的索引；

所述最大历史状态提取标志的最大值 的表达式为：式中， 表示约简后的目标后验分量集中高斯分量 的最大历史状态提取标志；

S6.2，基于索引集中各索引所对应的高斯分量的历史权值向量和历史状态提取标志向量，构建所有高斯分量的所对应的历史权值矩阵及历史状态提取标志矩阵；

所述历史权值矩阵χwh和历史状态提取标志矩阵χeh的表达式分别为：式中， 表示约简后的目标后验分量集中高斯分量 的历史权值向量， 表示统计索引集 中索引数目的函数；

式中， 表示约简后的目标后验分量集中高斯分量 的历史状态提取标志向量；

S6.3，对高斯分量的历史状态提取标志矩阵进行统计优化，得到优化后的历史状态提取向量；

所述优化后的历史状态提取向量 的第l个元素 的表达式为：式中，

S6.4，对历史权值矩阵的各列的最大值进行优化，得到优化的历史权值向量；

所述优化的历史权值向量 的表达式为：

式中， 表示历史权值向量 的第l个元素，且S6.5，将满足抽取条件的具有最大权值的高斯分量添加到目标输出集E中，并对对应高斯分量的最大历史状态提取标志以及分量索引集进行更新；

所述目标输出集E的表达式为：

式中，τsur表示存活高斯分量选择阈值，τbir表示新生高斯分量选择阈值，ρ表示历史状态提取向量 中负数的数目，β表示历史权值向量 中权值大于阈值 的数目与非零权值的数目的比值；

所述最大历史状态提取标志 更新的表达式为：所述分量索引集 更新的表达式为：

S6.6，更新状态提取标志向量；

如果mod(k,α)＝0&&β≤τsur，则对索引集 中各索引所对应的高斯分量的历史状态提取标志向量 进行更新；否则，索引集 中各索引所对应的高斯分量的历史状态提取标志向量 无需更新；

所述历史状态提取标志向量 的更新的表达式为：式中，α表示传感器中所设定的元素数目阈值；

S6.7，如果分量索引集 为空，则目标状态抽取结束，目标输出集E中索引对应的高斯分量作为真实目标，输出高斯分量的均值即作为当前时刻的目标状态估计；若分量索引集的值不为空，则返回执行步骤S6.1。