1.一种迭代更新的多传感器GMPHD自适应融合方法，其特征在于，该方法具体包括以下步骤：(1)构建多传感器多目标跟踪场景，并对目标的运动模型进行初始化，设置目标运动的相关参数，包括目标运动的过程噪声和传感器的量测噪声；其中传感器的量测来自目标或来自杂波；

建立目标的运动模型：

式中，k表示离散时间变量，i表示目标的序号，i＝1,2,···,N， 表示第i个目标在k时刻的状态变量，ωk表示均值为零、方差为Qk的高斯白噪声，映射fk|k+1表示第i个目标从k时刻到k+1时刻状态转移的状态转移方程；第i个目标在k时刻的状态变量其中，(xi,k,yi,k)为k时刻第i个目标在监测空间中的位置分量，为k时刻第i个目标在监测空间中的速度分量；

如果传感器的量测来自目标，则传感器的量测符合以下传感器量测模型：式中，j表示传感器的序列，j＝1,2,···,m， 表示k时刻传感器j的输出量测，映射hk表示第j个传感器在k时刻对目标状态的观测方程，υk表示均值为零、方差为 的测量高斯白噪声，且各时刻的过程噪声和测量噪声相互独立；k时刻传感器j的观测集合为累积观测集合为 m个传感器累积到k时刻的观测集合为 传感器j在k时刻对被跟踪目标的探测概率为

其中j＝1,2,···,m；

如果传感器的量测来自杂波，则传感器的量测符合以下杂波模型：式中，！表示阶乘，nk为k时刻监测空域内的杂波个数，假设杂波数量服从强度为λ的泊松分布，ρ(nk)为杂波个数nk的概率函数，yl为第l个杂波的位置状态，Ψ(x)为监测空间的体积，q(yl)为第l个杂波出现的概率；

(2)构建一种多传感器迭代更新自适应融合框架；

基于OSPA度量对GM粒子集进行质量评价，根据粒子集质量对传感器融合顺序进行排序，从而得到最优融合顺序；该方法描述如下：假设存在Q个传感器，对于任意的传感器l,l＝1…Q，k时刻得到它的后验GM粒子集其中n(l,k)为GM项个数， 和 分别表示目标的权重、状态估计和对应的协方差估计；则对于传感器ik,jk∈{1,…,Q}，根据如下的OSPA距离公式计算它们之间的一致性度量：其中，c为水平参数，用于调节目标状态估计误差的阈值；p为距离敏感参数，π(jk)表示n(jk,k)中随机取n(ik,k)个元素随机排列，其中p均取2；

进一步定义传感器ik的全局一致性度量如下：

基于上式分别计算每个传感器的全局一致性度量，并将计算结果从小到大排序；此处认为全局一致度量越小，则传感器获得的GM粒子集质量越高；因此，按照全局一致性度量由大到小对融合顺序进行排序，即最先将GM粒子集质量最低的传感器进行融合，然后与GM粒子集质量第二低的传感器进行融合，以此类推，直到最终与GM粒子集质量最高的传感器融合完毕；

(3)在每个传感器上分别应用高斯混合PHD滤波算法对历史估计信息和自身获得的测量值进行滤波估计；

高斯混合PHD滤波算法具体过程如下：

1)预测新生目标

式中，Sm表示第m个传感器， 表示传感器m对第i个目标在k-1时刻的预测的先验权重， 表示传感器m对第i个目标在k时刻的先验预测权重； 表示第i个目标在k-1时刻的预测状态值， 表示第i个目标在k时刻的先验预测状态值； 表示第i个目标在k-

1时刻的预测协方差， 表示第i个目标在k时刻的先验预测协方差，Jγ,k表示预测的新生目标个数；

2)预测已存在目标

式中， 示第ib个目标在k时刻的先验权值， 表示第ib个目标在k-1时刻的权值；

表示第ib个目标在k-1时刻的预测状态值， 表示第ib个目标在k时刻的先验预测状态值，Fk-1表示k-1时刻目标的状态转移矩阵； 表示第ib个目标在k-1时刻的预测协方差，表示第ib个目标在k时刻的先验预测协方差， 表示第ib个目标在k-1时刻的协方差，Jk-1表示预测的已存在的目标个数，Qk-1表示k-1时刻的过程噪声协方差；

3)更新

k时刻预测PHD强度密度Dk|k-1的高斯和形式为：

式中，N(·；x,P)表示均值为x、协方差为P的高斯分布，Jk|k-1表示k时刻的目标个数；

表示第is个目标在k时刻的先验预测状态值，其中is＝i+ib；

则k时刻后验PHD强度密度Dk的高斯和形式为：

其中

式中， 表示传感器j在k时刻对被跟踪目标的检测概率，κk(z)表示监测空间中的杂波强度；

(4)传感器排序；根据下式分别计算各传感器的全局一致性度量，并根据计算结果由大到小对传感器融合顺序进行排序；

(5)进行融合；基于步骤(4)计算得到的传感器融合顺序和下列公式进行融合操作；

首先，利用vk-1(x)、目标状态方程和传感器量测方程得到预测密度函数vk|k-1，然后利用传感器1的量测集 更新vk|k-1，得到k时刻传感器1的PHD对于传感器2，将 作为预测PHD，由更新公式可得：

同样可以表示成高斯混合形式：

以此类推，对Q个传感器均重复上述操作，则对于第Q个传感器有：(6)枝剪、合并与状态输出；对各传感器滤波后的混合高斯信息进行枝剪合并操作，并输出目标估计信息；

经过融合步骤得到k时刻的高斯混合粒子集 由于后验概率密度高斯项随时间变化会出现无限制增加，因此需要通过枝剪和合并来解决该问题；

首先对 中权重值 小于设定门限Tth的高斯项进行删除；接着从权重值最大的一个 开始，利用马氏距离判断其与每个点迹间的距离，通过合并门限U来对门限内的高斯项进行合并，通过循环操作后得到 Nk表示输出高斯项的个数，则xk即为输出的状态，其包括目标的位置与速度；

(7)将步骤(6)输出的 反馈给各传感器，作为下一时刻的输入，从步骤(3)开始直到采样时间结束。