1.基于量测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,···,s， 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 s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

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，进行加权来突出权值较大的粒子的对OSPA度量值的影响，再根据粒子集质量的一致性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s个传感器，对于任意的传感器j,j＝1,2,···,s，k-1时刻得到最终融合后的后验GM粒子集 其中Jk-1为GM项的个数， 分别表示目标的权重、状态估计和对应的协方差估计；任意的一个传感器j在k-1时刻的量测集为则对于传感器j，由观测函数 的反函数 得到一个量测对应的一个状态

其中L为量测个数；

根据如下的基于OSPA距离的公式计算各传感器的一致性：式中，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；

基于上式分别计算k-1时刻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，它决定了k时刻的融合顺序；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，可以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)对每个传感器分别应用高斯混合PHD滤波算法对先验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， 表示第ib个目标在k-1时刻的先验权重， 表示第ib个目标在k时刻的预测权重； 表示第ib个目标在k-1时刻的先验状态值， 表示第ib个目标在k时刻的预测状态值； 表示第ib个目标在k-1时刻的先验协方差， 表示第ib个目标在k时刻的预测协方差，Jγ,k表示预测的新生目标个数；

2)预测已存在目标

式中， 表示第is个目标在k-1时刻的权值，ps表示目标的生存概率； 示第is个目标在k时刻的预测权值； 表示第is个目标在k-1时刻的先验状态值， 表示第is个目标在k时刻的预测状态值，Fk-1表示k-1时刻目标的状态转移矩阵； 表示第is个目标在k-1时刻的先验协方差， 表示第is个目标在k时刻的预测协方差；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，F’k-1表示Fk-1的转置；

3)更新

先验PHD强度密度Dk|k-1的高斯和形式为：

Jk|k-1＝Jγ,k+Jk-1

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时刻的预测目标个数；

则k时刻后验PHD强度密度Dk的高斯和形式为：

式中

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)排序；根据步骤(2)中的自适应融合框架和步骤(3)的估计值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)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，假设k时刻融合顺序为FSk＝{s1,...su,...ss}，将融合顺序中排在第一位的传感器su＝1得到的后验估计 作为滤波器的先验信息，即：利用下一个传感器su+1的量测 对其进行更新、剪枝合并，得到后验估计 再将其作为滤波器的先验信息，即：

u＝u+1

再利用下一个传感器su+1的量测对其进行更新、剪枝合并，结果也同样作为滤波器的先验信息，依照此步骤直到利用最后一个传感器su＝s的量测 进行更新、剪枝合并，得到后验高斯粒子估计集 将该粒子集反馈给每个传感器，作为下一时刻的先验信息进行滤波；

(6)枝剪、合并与状态输出；

对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；

对k时刻每一次进行融合后得到的融合的高斯混合粒子集 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 小于设定枝剪门限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 表示高斯项的个数；

在k时刻最后一次融合完成后，进行状态的提取，对高斯粒子权值大于0.5的进行四舍五入，得到状态集xk，目标估计数Nk；

(7)将步骤(6)最终输出的 反馈给各传感器，作为下一时刻的输入，重复步骤(3)到步骤(7)，迭代完所有时刻，得到最终的融合结果。