1.一种基于高斯混合概率假设密度的紧邻多目标跟踪方法，其特征在于，包括如下步骤：S1，增加高斯分量的标签和历史状态矩阵为辅助参数以构建用于表示目标的高斯分量的新标准描述集；

在步骤S1中，所述表示目标的高斯分量的新标准描述集的表达式为：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，表示高斯分量的标签，χ表示高斯分量的历史状态矩阵；

k时刻高斯分量的历史状态矩阵χk的表达式为：χk＝[mk‑δ+1,...,mk‑1,mk]；

式中，δ表示传感器所设定的历史状态矩阵中的元素数目阈值；

S2，初始化目标概率假设密度、目标标签集及目标历史状态矩阵集；

在步骤S2中，所述目标概率假设密度 的表达式为：式中， 表示均值为m，协方差为P的高斯密度，x表示高斯分量o的状态， 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，Jk表示k时刻高斯分量的数目；

所述目标标签集 的表达式为：

式中， 表示k时刻第i个高斯分量 的标签；

所述目标历史状态矩阵集Λk的表达式为：式中， 表示k时刻第i个高斯分量 的历史状态矩阵，且S3，根据新生目标的概率假设密度、标签集、历史状态矩阵集和存活目标的预测概率假设密度、预测标签集、预测历史状态矩阵集，计算目标预测概率假设密度、目标预测标签集、目标预测历史状态矩阵集；

在步骤S3中，所述新生目标的概率假设密度γk(x)的表达式为：式中，Jγ,k表示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；

所述新生目标的标签集 的表达式为：

式中 表示第j个新生高斯分量 的标签；

所述新生目标的历史状态矩阵集Λγ,k的表达式为：式中， 表示第j个新生高斯分量 的历史状态矩阵，且所述存活目标的预测概率假设密度 的表达式为：式中， 表示k时刻第i个存活高斯分量 的预测权值， 表示k时刻第i个存活高斯分量 的预测均值， 表示k时刻第i个存活高斯分量 的预测协方差矩阵，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；

所述存活目标的预测标签集 的表达式为：式中， 表示k时刻第i个存活高斯分量 的预测标签， 表示k‑1时刻第i个高斯分量 的标签；

所述存活目标的预测历史状态矩阵集Λs,k|k‑1的表达式为：式中， 表示k时刻第i个存活高斯分量 的预测历史状态矩阵；

表示k‑1时刻第i个高斯分量 的历史状态矩阵的第2列向量， 表示k‑1时刻第i个高斯分量 的历史状态矩阵 的第δ列向量；

所述目标预测概率假设密度 的表达式为：式中，Jk|k‑1表示预测高斯分量的预测数目， 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i个预测高斯分量 的预测协方差矩阵；

所述目标预测标签集 的表达式为：

式中， 表示第i个预测高斯分量 的预测标签；

所述目标预测历史状态矩阵集Λk|k‑1的表达式为：式中， 表示第i个预测高斯分量 的预测历史状态矩阵；

S4，基于量测集计算目标后验概率假设密度、目标后验标签集和目标后验历史状态矩阵集，重分配目标后验概率假设密度中各高斯分量的权值；

S5，对目标的高斯分量集及其参数集进行变换，并对变换后的高斯分量集进行约简；

S6，估计目标的状态和数目；

在步骤S6中，所述估计目标的状态和数目包括如下步骤：S6.1，根据步骤S5中所获得的高斯分量参数集中的权值估计目标数目；

所述目标数目Nk的表达式为：

式中， 表示高斯分量 的权值，Jk表示k时刻高斯分量的数目；

S6.2，从高斯分量参数集中选择权值大于0.5的索引，之后将索引所对应的高斯分量作为真实目标，最后输出高斯分量的均值即作为当前时刻的目标状态估计；

S7，若跟踪单一时刻，则目标跟踪结束；若跟踪若干个时刻，则重复执行S3‑S6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紧邻多目标跟踪方法，其特征在于，在步骤S4中，所述量测集Zk的表达式为：式中，Mk表示k时刻量测集Zk中量测的数目， 表示量测集Zk中的第j个量测；

所述计算目标后验概率假设密度 目标后验标签集 和目标后验历史状态矩阵集Λk，包括如下步骤：S4.1；计算高斯分量 的权值 均值 协方差矩阵 标签 历史状态矩阵所述高斯分量 的权值 的表达式为：

式中， 表示基于量测 的杂波强度，pd表示检测概率，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， 表示预测高斯分量 的预测权值， 表示预测高斯分量 的预测均值， 表示预测高斯分量 的预测协方差矩阵；

所述高斯分量 的均值 的表达式为：

式中， 表示高斯分量 的信息增益，且所述高斯分量 的协方差矩阵 的表达式为：式中，I表示单位矩阵；

所述高斯分量 的标签 的表达式为：

所述高斯分量 的历史状态矩阵 的表达式为：式中， 表示预测高斯分量 的预测历史状态矩阵 的第1列向量，表示预测高斯分量 的预测历史状态矩阵 的第δ‑1列向量， 表示高斯分量 的均值；

S4.2，计算高斯分量 所对应的非归一化权值矩阵Ak和归一化权值矩阵Bk，以对各高斯分量的权值进行再分配，输出目标后验概率假设密度 目标后验标签集 和目标后验历史状态矩阵集Λk；

所述非归一化权值矩阵Ak的表达式为：式中， 表示高斯分量 的非归一化权值，且归一化权值矩阵Bk的表达式为：

式中， 表示高斯分量 的权值。

3.根据权利要求2所述的基于高斯混合概率假设密度的紧邻多目标跟踪方法，其特征在于，在步骤S4.2中，所述对各高斯分量的权值进行再分配，输出目标后验概率假设密度目标后验标签集 和目标后验历史状态矩阵集Λk包括如下步骤：* *

S4.2.1，查找归一化权值矩阵Bk中的最大权值的索引，构建与该最大权值高斯分量具有相同标签的高斯分量的分量索引集Ψ，计算分量索引集Ψ中索引所对应的高斯分量的权值和ηw；

* *

所述最大权值的索引的表达式为：式中， 为高斯分量索引集，且其初始值为 Mk表示k时刻量测集Zk中量测的数目；

所述分量索引集Ψ的表达式为：

式中， 表示高斯分量 的标签， 表示高斯分量 的标签；

所述权值和ηw的表达式为：

S4.2.2，计算标志位 如果标志位 则更新分量索引集Ψ中索引所对应的高斯分量的权值和ηw和标志位 若标志位 则执行步骤S4.2.3；

所述标志位 的表达式为：

S4.2.3，将归一化权值矩阵Bk中的权值 拷贝到优化权值矩阵Ek中的对应位置，其中，i∈Ψ、j＝1:Mk；

S4.2.4，更新高斯分量索引集 如果高斯分量索引集 为空，则继续执行步骤S4.2.5，否则返回执行步骤S4.2.1；

S4.2.5，基于优化权值矩阵Ek中的权值，更新目标后验概率假设密度 中的相应高斯分量的权值；输出目标后验概率假设密度 目标后验标签集 和目标后验历史状态矩阵集Λk；

所述目标后验概率假设密度 的表达式为：所述目标后验标签集 的表达式为：

所述目标后验历史状态矩阵集Λk的表达式为：

4.根据权利要求3所述的基于高斯混合概率假设密度的紧邻多目标跟踪方法，其特征在于，在步骤S4.2.2中，所述更新分量索引集中索引所对应的高斯分量的权值和ηw和标志位 包括如下步骤：S4.2.2a，从具有相同标签 的高斯分量中选择具有最小加权Hungarian距离的高斯分量；

所述高斯分量所对应的索引＜ir,jc＞的表达式为：其中，

式中，比例系数ζ＝[1,δ‑1/δ,δ‑2/δ,δ‑3/δ,δ‑4/δ]， 表示高斯分量 在k时刻的历史状态矩阵 的第l列向量， 表示 与量测 间的Hungarian距离，其中，

S4.2.2b，更新非归一化权值矩阵Ak和归一化权值矩阵Bk中的各权值，对应的表达式分别为：式中，比例因子 表示高斯分量 的标签；

S4.2.2c，更新分量索引集Ψ中索引所对应的高斯分量的权值和ηw和标志位 如果标志位 则返回执行步骤S4.2.2b，若标志位 则执行步骤S4.2.3。

5.根据权利要求1或4所述的基于高斯混合概率假设密度的紧邻多目标跟踪方法，其特征在于，在步骤S5中，所述目标的高斯分量集的表达式为：式中，Jk|k‑1表示预测高斯分量的预测数目，Mk表示量测集Zk中量测的数目；

所述参数集的表达式为：

式中， 表示预测高斯分量 的预测权值， 表示预测高斯分量 的预测均值， 表示预测高斯分量 的预测协方差矩阵， 表示预测高斯分量 的预测标签， 表示预测高斯分量 的预测历史状态矩阵， 表示高斯分量 的权值， 表示高斯分量 的均值， 表示高斯分量 的协方差矩阵， 表示高斯分量 的标签，表示高斯分量 的历史状态矩阵；

所述变换后的高斯分量集的表达式为：

式中，高斯分量数目Jk为Jk＝Jk|k‑1+Jk|k‑1×Mk；

所述变换后的高斯分量集所对应的参数集表达式为：所述对变换后的高斯分量集进行约简包括步骤如下：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，设定计数变量j＝0和高斯分量数目变量 高斯分量索引集式中， 表示高斯分量 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l的表达式为：S5.4，更新高斯分量索引集 若高斯分量索引集 不为空，则返回执行步骤S5.3；若高斯分量索引集 为空，更新高斯分量数目变量 且执行步骤S5.5；

所述更新高斯分量索引集 的表达式为：式中，过渡索引集 表示最大权值的高斯分量 的标签， 表示高斯分量 的标签；

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，根据新的高斯分量集 获得约简后的高斯分量集如果 按权值 由大到小的顺序对所获得的新的高斯分量集 进行排列，取前Jmax个高斯分量构建约简后的高斯分量集 其中 Jk＝Jmax；若则新的 高斯分 量集 为约 简后的 高斯分 量集 其中

6.根据权利要求5所述的基于高斯混合概率假设密度的紧邻多目标跟踪方法，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

式中， 表示最大权值的高斯分量 的标签；

S5.3.2，定义过渡索引集

式中， 表示最大权值的高斯分量 的均值， 表示最大权值的高斯分量 的协方差矩阵， 表示高斯分量 的均值；

S5.3.3，将过渡索引集L2中索引所对应的高斯分量 合并为一个新的高斯分量所述新的高斯分量 的权值 的表达式为：式中， 表示高斯分量 的权值；

所述新的高斯分量 的均值 的表达式为：所述新的高斯分量 的协方差矩阵 的表达式为：式中， 表示最大权值的高斯分量 的均值， 表示高斯分量 的协方差矩阵；

所述新的高斯分量 的标签 的表达式为：所述新的高斯分量 的历史状态矩阵 的表达式为：式中， 表示最大权值的高斯分量 的历史状态矩阵 的第1列向量， 表示最大权值的高斯分量 的历史状态矩阵 的第δ‑1列向量。