1.一种用于多传感器多目标跟踪的自适应传感器管理方法，其包括如下步骤：S100：根据传感器网络带宽限制与跟踪处理实时性要求，规定每个时刻所选择的传感器个数为P；

S200：将传感器管理建模为部分可观测马尔科夫决策模型；

S300：利用所述部分可观测马尔科夫决策模型估计传感器网络中每个传感器所能获取的信息量；

S400：从所有传感器中，选择获取信息量最多的P个传感器；

S500：按照信息量从小到大的顺序，将所选择P个传感器进行排序；

S600：对传感器发出控制指令，激活所选择的P个传感器，获取目标量测，利用广义标签多伯努利滤波器实现目标个数与状态估计。

2.根据权利要求1所述的方法，所述步骤S200中，优选的，所建立的部分可观测马尔科夫决策模型为：

其中Xk表示k时刻多目标状态；Zk表示k时刻获取的量测；表示可供选择的传感器集合；

Ak表示k时刻所选择的传感器集合；fk|k‑1(Xk|Xk‑1)为多目标状态转移函数；gk(Zk|Xk)为多目标似然函数；θ(Xk‑1，Ak，Xk)为报酬/代价函数。

3.根据权利要求1所述的方法，所述步骤S300中使用Cauchy‑Schwarz 散度对每个传感器获取的信息量分别进行估计。

4.根据权利要求3所述的方法，具体估计步骤如下：S301：使用广义标签多伯努利滤波器中的预测部分对k时刻的多目标密度进行预测，得到预测的目标密度，记为πk(X|Z1：k‑1)；

S302：根据所预测的目标密度，对传感器网络中每一个传感器j∈{1，2，...，N}在k时刻的量测 进行估计，得到估计的量测集，记为 其中N表示传感器网络中传感器个数；

S303：对传感器网络中每一个传感器j∈{1，2，...，N}，使用广义标签多伯努利滤波器中的更新部分与估计的量测集 对多目标密度分别进行更新 ，记为S304：对传感器j∈{1，2，...，N}，计算预测的目标密度πk(X|Z1：k‑1)与更新密度之间的Cauchy‑Schwarz散度。

5.根据权利要求4所述的方法，步骤S304中的散度计算公式为：其中，K表示超体积单位，

将πk(X|Z1：k‑1)与 记为如下形式：其中， 表示标签指示器， 表示状态集X对应的标签集，c和d为离散索引， 和 为离散索引空间， 和 为权重， 和 为概率密度；

那么，DCS(πk(X|Z1：k‑1)， 中各项计算公式如下：其中，l表示离散标签集， 表示离散标签空间，表示一个确定的标签。

6.根据权利要求1所述的方法，所述步骤S600中进一步包括如下步骤：S601：使用广义标签多伯努利滤波器中的预测部分对k时刻的多目标密度进行预测，得到多目标预测密度，记为πk(X|Z1：k‑1)；

S602：利用激活的P个传感器获取真实量测；

S603：使用传感器1获取的量测与广义标签多伯努利滤波器中的更新部分，对多目标预测密度进行更新，更新后的多目标密度记为S604：将 作为传感器1的预测密度，使用传感器1获取的量测与广义标签多伯努利滤波器中的更新部分，对 进行更新，更新后的多目标密度记为

S605：使用传感器2至P获得的量测依次对前一传感器输出的多目标密度进行更新，传感器P输出的多目标密度 即为k时刻的后验多目标密度πk(X|Zk)；

S606：利用多目标密度πk(X|Zk)对多目标个数与各目标状态进行估计。