CN105719312A - 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统 - Google Patents

Abstract

本发明适用于多传感器信息融合技术，提供了基于序贯贝叶斯滤波的多目标跟踪方法，包括：预测当前时刻各个目标在不同模型下的边缘分布及其存在概率；根据预测的边缘分布及其存在概率，利用贝叶斯规则处理得到更新边缘分布及其存在概率；将更新边缘分布及其存在概率进行融合，形成当前时刻的更新边缘分布及存在概率；将新目标的边缘分布及其存在概率分别与更新边缘分布及其存在概率进行合并，生成当前时刻的边缘分布及其存在概率；将存在概率小于第一阈值的边缘分布裁减掉，提取存在概率大于第二阈值的边缘分布进行输出。所述的多目标跟踪方法既保证了数据处理的实时性，同时又有效地解决了运动模式在不同模型之间转换的多机动目标的跟踪问题。

Description

基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统

技术领域

本发明属于多传感器信息融合技术领域，尤其涉及基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统。

背景技术

贝叶斯滤波技术能够提供一种强大的统计方法工具，用于协助解决测量数据具有不确定性情况下的多传感器信息的融合与处理。为了解决多目标贝叶斯滤波方法对新收到的测量数据不能被及时处理而产生的信息延迟问题以及未知目标初始位置情况下的多目标跟踪问题，我们已提出了解决办法，具体请参考申请号为CN201510284138.3、一种传递边缘分布的测量驱动目标跟踪方法与跟踪系统的专利申请。然而，该方法不能对运动模式在不同模型间转换的机动目标进行有效跟踪，如何对运动模式在不同模型间转换的机动目标跟踪是多目标贝叶斯滤波方法中需要探索和解决的一个关键技术问题。

发明内容

本发明所要解决的技术问题在于提供一种基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统，旨在解决运动模式在不同模型间转换的多机动目标的跟踪问题。

本发明是这样实现的，一种基于序贯贝叶斯滤波的多目标跟踪方法，包括以下步骤：

步骤A、当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、各个模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率；

步骤B、根据所述预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率；

步骤C、将所述当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率；

步骤D、利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率；

步骤E、从合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计。

本发明还提供了一种基于序贯贝叶斯滤波的多目标跟踪系统，该系统同样能解决运动模式在不同模型间转换的多机动目标的跟踪问题，且可以确保数据处理的实时性。

该多目标跟踪系统，包括：

预测模块，当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、各个模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率；

更新模块，根据所述预测模块中预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率；

模型融合模块，将所述更新模块中当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率；

边缘分布生成模块，利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述模型融合模块中当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率；

边缘分布提取模块，从所述边缘分布生成模块中将合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计。

本发明与现有技术相比，有益效果在于：所述的基于序贯贝叶斯滤波的多目标跟踪方法通过预测、更新、融合、边缘分布生成及边缘分布提取的步骤能将序贯贝叶斯滤波器与不同的模型结合起来，既保证了数据处理的实时性，同时又有效地解决了运动模式在不同模块之间的多机动目标的跟踪问题，且具有广泛的实用性。

附图说明

图1是本发明序贯贝叶斯滤波的多目标跟踪方法的流程图；

图2是本发明序贯贝叶斯滤波的多目标跟踪系统的结构示意图；

图3是本发明实施例提供的传感器在50个扫描周期的测量数据；

图4是根据本发明的多目标跟踪方法与基于跳跃马尔科夫系统模型的GM-PHD目标跟踪方法处理得到的结果；

图5是根据本发明的多目标跟踪方法与基于跳跃马尔科夫系统模型的GM-PHD滤波方法处理得到的结果；

图6是根据本发明的多目标跟踪方法与基于跳跃马尔科夫系统模型的GM-PHD-JMS滤波方法在经过100次实验得到的平均OSPA距离示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的基于序贯贝叶斯滤波的多目标跟踪方法通过对各个目标的边缘分布及其存在概率进行预测、更新、融合、生成以及提取，从而解决了在不同模型间进行转换的机动目标跟踪问题并且能够及时处理当前时刻接收到的测量数据。

如图1所示，基于序贯贝叶斯滤波的多目标跟踪方法，包括以下步骤：

步骤A、当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、各个模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率。

模型为目标的运动提供场所，设模型表示为r_i,k。目标是需要测试、跟踪的对象。根据模型间的转移概率可以将不同模型转化为同一个模型，以方便运动模式在不同模型间的测量、跟踪。

以k-1表示前一时刻，k表示当前时刻，t_k-1表示前一时刻的时间，t_k表示当前时刻的时间，r_i,k-1表示前一时刻第i个边缘分布的模型标签，r_i,k表示当前时刻第i个边缘分布的模型标签，1≤r_i,k≤M_r，M_r表示模型的总数目。

已知前一时刻第i个边缘分布为N(x_i,k-1；m_i,k-1(r_i,k-1),P_i,k-1(r_i,k-1))，i＝1,2,...,N_k-1，前一时刻第i个边缘分布的存在概率为ρ_i,k-1(r_i,k-1)，i＝1,…,N_k-1；其中，N表示高斯分布，x_i,k-1表示为前一时刻第i个边缘分布的状态向量，m_i,k-1(r_i,k-1)和P_i,k-1(r_i,k-1)分别表示前一时刻第i个边缘分布的均值和方差，N_k-1为前一时刻目标的总数，i为索引号，1≤i≤N_k-1。

根据前一时刻的边缘分布及其存在概率、当前时刻与前一时刻的时间差以及模型间的转移概率得出当前时刻各目标在不同模型下预测的边缘分布为N(x_i,k；m_i,k|k-1(r_i,k),P_i,k|k-1(r_i,k))，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；当前时刻各预测边缘分布的存在概率为ρ_i,k|k-1(r_i,k)＝p_S,k(t_k-t_k-1)t_k|k-1(r_i,k|r_i,k-1)ρ_i,k-1(r_i,k-1)，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；其中，m_i,k|k-1(r_i,k)＝F_k-1(r_i,k)m_i,k-1(r_i,k-1)为当前时刻目标i在模型r_i,k下的预测边缘分布的均值， $P_{i,k|k-1}\left(r_{i,k}\right)=Q_{k-1}\left(r_{i,k}\right)+F_{k-1}\left(r_{i,k}\right)P_{i,k-1}\left(r_{i,k-1}\right)F_{k-1}^T\left(r_{i,k}\right)$ 为目标i在模型r_i,k下的预测边缘分布的方差，t_k|k-1(r_i,k|r_i,k-1)为模型转移概率，为目标的幸存概率，Δt＝t_k-t_k-1为当前时刻与前一时刻的时间差，T为采样周期，δ为给定的常数，F_k-1(r_i,k)为前一时刻第i个边缘分布的状态转移矩阵，Q_k-1(r_i,k)为前一时刻第i个边缘分布的过程噪声方差矩阵，r_i,k-1为前一时刻第i个边缘分布的模型标签，上标T表示为矩阵或向量的转置。

步骤B、根据所述预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率。

贝叶斯规则(Bayestheorem)为一个数学公式，用数学语言表达为：支持某项属性的事件发生得愈多，则该属性成立的可能性就愈大。通俗地讲就是当不能准确知悉一个事物的本质时，可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。贝叶斯规则是关于随机事件A和B的条件概率和边缘概率的。相应术语解释：Pr(A)是A的先验概率或边缘概率，之所以称为先验是因为它不考虑任何B方面的因素；Pr(A|B)是已知B发生后A的条件概率，也由于得知B的取值而被称作A的后验概率；Pr(B|A)是已知A发生后B的条件概率，也由于得知A的取值而被称作B的后验概率；Pr(B)是B的先验概率或边缘概率，也作标准化常量(normalizedconstant)。根据这些术语，Bayes法则可表述为：后验概率＝(相似度×先验概率)/标准化常量，也就是说，后验概率与先验概率和相似度的乘积成正比。

设当前时刻接收到的观测集为y_k＝(y_1,k,…,y_M,k)，其中，M为当前时刻接收到的测量数据总数。利用贝叶斯规则对当前时刻接收到的测量数据进行序贯处理的步骤包括：

步骤01、取边缘分布 $N(x_{i,k};m_{i,k}^0(r_{i,k}),P_{i,k}^0\left(r_{i,k}\right))=N(x_{i,k};m_{i,k|k-1}(r_{i,k}),P_{i,k|k-1}(r_{i,k}\left)\right),$ $m_{i,k}^0\left(r_{i,k}\right)=m_{i,k|k-1}\left(r_{i,k}\right),P_{i,k}^0\left(r_{i,k}\right)=P_{i,k|k-1}\left(r_{i,k}\right),$ 取存在概率 ${\mathrm{\ρ}}_{i,k}^0\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k|k-1}\left(r_{i,k}\right),$ 其中，i＝1,2,...,N_k-1，r_i,k＝1,…,M_r。

步骤02、利用贝叶斯规则将第1个至M个测量数据依次进行处理：设为第j个测量数据处理前目标i在模型r_i,k下的边缘分布，为第j个测量数据处理前目标i在模型r_i,k下的边缘分布的存在概率，其中，1≤j≤M；由和求得第j个测量数据更新时的存在概率为 ${\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right)=\frac{p_{D,k}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)N\left(y_{j,k};H_k\left(r_{i,k}\right)m_{i,k}^{j-1}\left(r_{i,k}\right),H_k\left(r_{i,k}\right)P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right)+R_k\left(r_{i,k}\right)\right)}{{\mathrm{\λ}}_{c,k}+p_{D,k}\underset{e=1}{\overset{N_{k-1}}{\mathrm{\Σ}}}\underset{r_{e,k}=1}{\overset{M_r}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{e,k}^{j-1}\left(r_{e,k}\right)N\left(y_{j,k};H_k\left(r_{e,k}\right)m_{e,k}^{j-1}\left(r_{e,k}\right),H_k\left(r_{e,k}\right)P_{e,k}^{j-1}\left(r_{e,k}\right)H_k^T\left(r_{e,k}\right)+R_k\left(r_{e,k}\right)\right)},$ 均值向量 $m_{i,k}^{a,j}\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right)+A_i\left(r_{i,k}\right)\·\left(y_{j,k}-H_k\left(r_{i,k}\right)m_{i,k}^{j-1}\left(r_{i,k}\right)\right),$ 协方差矩阵 $P_{i,k}^{a,j}\left(r_{i,k}\right)=(I-A_i(r_{i,k})\·H_k(r_{i,k}\left)\right)P_{i,k}^{j-1}\left(r_{i,k}\right),$ 滤波器增益 $A_i\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right){\[H_k\left(r_{i,k}\right)P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right)+R_k\left(r_{i,k}\right)\]}^{-1};$ 其中，H_k(r_i,k)为模型r_i,k的观测矩阵，R_k(r_i,k)为模型r_i,k的观测噪声方差矩阵，p_D,k为目标的检测概率，λ_c,k为杂波密度，I表示单位矩阵，y_j,k为当前时刻接收到的第j测量数据，上标T表示为矩阵或向量的转置，r_i,k＝1,…,M_r。

由和计算得到 $s_{i,k}^{j-1}=\underset{r_{i,k}=1}{\overset{M_r}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)$ 和 $s_{i,k}^{a,j}=\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right).$

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^j(r_{i,k}),P_{i,k}^j\left(r_{i,k}\right))=N(x_{i,k};m_{i,k}^{a,j}(r_{i,k}),P_{i,k}^{a,j}\left(r_{i,k}\right)),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{a,j}\left(r_{i,k}\right),P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{a,j}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r。

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N\left(x_{i,k};m_{i,k}^j\left(r_{i,k}\right),P_{i,k}^j\left(r_{i,k}\right)\right)=N\left(x_{i,k};m_{i,k}^{j-1}\left(r_{i,k}\right),P_{i,k}^{j-1}\left(r_{i,k}\right)\right),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right),P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r。

步骤03、第M个测量数据被处理后目标i在模型r_i,k下的边缘分布为其存在概率为其中，i＝1,…,N_k-1，r_i,k＝1,…,M_r。

由此得到当前时刻目标i在模型r_i,k下的更新边缘分布为 $N\left(x_{i,k};m_{i,k}^u\left(r_{i,k}\right),P_{i,k}^u\left(r_{i,k}\right)\right)=N\left(x_{i,k};m_{i,k}^M\left(r_{i,k}\right),P_{i,k}^M\left(r_{i,k}\right)\right),$ 更新边缘分布的存在概率为 ${\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^M\left(r_{i,k}\right);$ 其中， $m_{i,k}^u\left(r_{i,k}\right)=m_{i,k}^M\left(r_{i,k}\right),P_{i,k}^u\left(r_{i,k}\right)=P_{i,k}^M\left(r_{i,k}\right),$ i＝1,…,N_k-1，r_i,k＝1,…,M_r。

步骤C、将当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率。

当前时刻目标i的更新边缘分布为r_i,k＝1,…,M_r，其存在概率为r_i,k＝1,…,M_r。将当前时刻目标i的M_r个更新边缘分布及其存在概率融合成一个边缘分布N(x_q,k；m_q,k(r_q,k),P_q,k(r_q,k))和一个存在概率ρ_q,k(r_q,k)，其中表示M_r个模型中存在概率最大模型的标签，均值向量q＝1,…,N_k-1，协方差矩阵 $P_{q,k}\left(r_{q,k}\right)=\frac{1}{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)}\underset{r_{i,k}=1}{\overset{M_r}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)\[P_{i,k}^u\left(r_{i,k}\right)+\left(m_{i,k}^u\left(r_{i,k}\right)-m_{q,k}\left(r_{q,k}\right)\right){\left(m_{i,k}^u\left(r_{i,k}\right)-m_{q,k}\left(r_{q,k}\right)\right)}^T\],$ q＝1,…,N_k-1。

步骤D、利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率。

具体包括以下步骤：

利用当前时刻M个测量数据生成当前时刻新生目标的边缘分布j＝1,…,M，为当前时刻各新生目标的边缘分布指定存在概率j＝1,…,M，其中，ρ_γ为指定的存在概率，指定模型1为当前时刻的模型标签，即r_j,k＝1；其中，为第j个新生边缘分布的协方差，为第j个新生的边缘分布的均值，由当前时刻的第j个测量数据y_j,k＝[x_j,ky_j,k]^T产生，并且 $m_{\mathrm{\γ}}^j\left(r_{j,k}\right)={\left[\begin{array}{cccc}{x}_{j,k}& 0& y_{j,k}& 0\end{array}\right]}^T.$

将融合后的边缘分布与当前时刻新生的边缘分布进行合并，形成当前时刻的边缘分布为 ${\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}\left(r_{q,k}\right))\}}_{q=1}^{N_k}={\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}\left(r_{q,k}\right))\}}_{q=1}^{N_{k-1}}\∪{\{N(x_{j,k};m_{\mathrm{\γ}}^j(r_{j,k}),P_{\mathrm{\γ}}^j\left(r_{j,k}\right))\}}_{j=1}^M,$ 将当前时刻融合后边缘分布的存在概率与当前时刻新生目标边缘分布的存在概率合并，生成当前时刻边缘分布的存在概率为 ${\left\{{\mathrm{\ρ}}_{i,k}\left(r_{i,k}\right)\right\}}_{i=1}^{N_k}={\left\{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)\right\}}_{q=1}^{N_{k-1}}\∪{\left\{{\mathrm{\ρ}}_{\mathrm{\γ}}^j\left(r_{j,k}\right)\right\}}_{j=1}^M,$ 其中N_k＝N_k-1+M。

步骤E、从合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入。同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计。

当前时刻合并后的边缘分布为N(x_i,k；m_i,k(r_i,k),P_i,k(r_i,k))，i＝1,…,N_k，当前时刻合并后各边缘分布的存在概率为ρ_i,k(r_i,k)，i＝1,…,N_k。从合并后所生成当前时刻的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，裁减后的边缘分布及其存在概率作为下一时刻滤波器的递归输入，同时，选择存在概率大于第二阈值的边缘分布作为当前时刻的输出。第一阈值也称为裁减阈值，其取值范围为：大于0而小于所指定的新生目标存在概率；第二阈值也称为裁减阈值，其取值范围为：大于0而小于1。

如图2所示，一种基于序贯贝叶斯滤波的多目标跟踪系统，包括：预测模块201、更新模块202、模型融合模块203、边缘分布生成模块204以及边缘分布提取模块205。

预测模块201接收到新的测量数据后，计算出接收到新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率。

更新模块202根据预测模块201中预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率。

模型融合模块203用于将更新模块202中当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率。

边缘分布生成模块204利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述模型融合模块中当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率。

边缘分布提取模块205从所述边缘分布生成模块中将合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计。

预测模块201中，以k-1表示前一时刻，k表示当前时刻，t_k-1表示前一时刻的时间，t_k表示当前时刻的时间，r_i,k-1表示前一时刻第i个边缘分布的模型标签，r_i,k表示当前时刻第i个边缘分布的模型标签，1≤r_i,k≤M_r，M_r表示模型的总数目。

已知前一时刻第i个边缘分布为N(x_i,k-1；m_i,k-1(r_i,k-1),P_i,k-1(r_i,k-1))，i＝1,2,...,N_k-1，前一时刻第i个边缘分布的存在概率为ρ_i,k-1(r_i,k-1)，i＝1,…,N_k-1；其中，N表示高斯分布，x_i,k-1表示为前一时刻第i个边缘分布的状态向量，m_i,k-1(r_i,k-1)和P_i,k-1(r_i,k-1)分别表示前一时刻第i个边缘分布的均值和方差，N_k-1为前一时刻目标的总数，i为索引号，1≤i≤N_k-1。

根据前一时刻的边缘分布及其存在概率、当前时刻与前一时刻的时间差以及模型间的转移概率得出当前时刻各目标在不同模型下预测的边缘分布为N(x_i,k；m_i,k|k-1(r_i,k),P_i,k|k-1(r_i,k))，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；当前时刻各预测边缘分布的存在概率为ρ_i,k|k-1(r_i,k)＝p_S,k(t_k-t_k-1)t_k|k-1(r_i,k|r_i,k-1)ρ_i,k-1(r_i,k-1)，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；其中，m_i,k|k-1(r_i,k)＝F_k-1(r_i,k)m_i,k-1(r_i,k-1)为当前时刻目标i在模型r_i,k下的预测边缘分布的均值， $P_{i,k|k-1}\left(r_{i,k}\right)=Q_{k-1}\left(r_{i,k}\right)+F_{k-1}\left(r_{i,k}\right)P_{i,k-1}\left(r_{i,k-1}\right)F_{k-1}^T\left(r_{i,k}\right)$ 为目标i在模型r_i,k下的预测边缘分布的方差，t_k|k-1(r_i,k|r_i,k-1)为模型转移概率，为目标的幸存概率，Δt＝t_k-t_k-1为当前时刻与前一时刻的时间差，T为采样周期，δ为给定的常数，F_k-1(r_i,k)为前一时刻第i个边缘分布的状态转移矩阵，Q_k-1(r_i,k)为前一时刻第i个边缘分布的过程噪声方差矩阵，r_i,k-1为前一时刻第i个边缘分布的模型标签，上标T表示为矩阵或向量的转置。

更新模块202中，设当前时刻接收到的观测集为y_k＝(y_1,k,…,y_M,k)，其中，M为当前时刻接收到的测量数据总数；利用贝叶斯规则对当前时刻接收到的测量数据进行序贯处理具体包括：

提取单元，用于提取边缘分布 $N\left(x_{i,k};m_{i,k}^0\left(r_{i,k}\right),P_{i,k}^0\left(r_{i,k}\right)\right)=N\left(x_{i,k};m_{i,k|k-1}\left(r_{i,k}\right),P_{i,k|k-1}\left(r_{i,k}\right)\right),m_{i,k}^0\left(r_{i,k}\right)=m_{i,k|k-1}\left(r_{i,k}\right),$ 取存在概率其中，i＝1,2,...,N_k-1，r_i,k＝1,…,M_r；

处理单元，利用贝叶斯规则将第1个至M个测量数据依次进行处理：设为第j个测量数据处理前目标i在模型r_i,k下的边缘分布，为第j个测量数据处理前目标i在模型r_i,k下的边缘分布的存在概率，其中，1≤j≤M；由和求得第j个测量数据更新时的存在概率为 ${\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right)=\frac{p_{D,k}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)N\left(y_{j,k};H_k\left(r_{i,k}\right)m_{i,k}^{j-1}\left(r_{i,k}\right),H_k\left(r_{i,k}\right)P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right)+R_k\left(r_{i,k}\right)\right)}{{\mathrm{\λ}}_{c,k}+p_{D,k}\underset{e=1}{\overset{N_{k-1}}{\mathrm{\Σ}}}\underset{r_{e,k}=1}{\overset{M_r}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{e,k}^{j-1}\left(r_{e,k}\right)N\left(y_{j,k};H_k\left(r_{e,k}\right)m_{e,k}^{j-1}\left(r_{e,k}\right),H_k\left(r_{e,k}\right)P_{e,k}^{j-1}\left(r_{e,k}\right)H_k^T\left(r_{e,k}\right)+R_k\left(r_{e,k}\right)\right)},$ 均值向量协方差矩阵 $P_{i,k}^{a,j}\left(r_{i,k}\right)=(I-A_i(r_{i,k})\·H_k\left(r_{i,k}\right))P_{i,k}^{j-1}\left(r_{i,k}\right),$ 滤波器增益 $A_i\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right){\[H_k\left(r_{i,k}\right)P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right)+R_k\left(r_{i,k}\right)\]}^{-1};$ 其中，H_k(r_i,k)为模型r_i,k的观测矩阵，R_k(r_i,k)为模型r_i,k的观测噪声方差矩阵，p_D,k为目标的检测概率，λ_c,k为杂波密度，I表示单位矩阵，y_j,k为当前时刻接收到的第j测量数据，上标T表示为矩阵或向量的转置，r_i,k＝1,…,M_r。

计算单元，根据和计算得到 $s_{i,k}^{j-1}=\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)$ 和 $s_{i,k}^{a,j}=\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right).$

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N\left(x_{i,k};m_{i,k}^j\left(r_{i,k}\right),P_{i,k}^j\left(r_{i,k}\right)\right)=N\left(x_{i,k};m_{i,k}^{a,j}\left(r_{i,k}\right),P_{i,k}^{a,j}\left(r_{i,k}\right)\right),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{a,j}\left(r_{i,k}\right),P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{a,j}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r。

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^j(r_{i,k}),P_{i,k}^j\left(r_{i,k}\right))=N(x_{i,k};m_{i,k}^{j-1}(r_{i,k}),P_{i,k}^{j-1}\left(r_{i,k}\right)),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right),P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r。

更新单元，第M个测量数据被处理后目标i在模型r_i,k下的边缘分布为其存在概率为其中，i＝1,…,N_k-1，r_i,k＝1,…,M_r。

由此得到当前时刻目标i在模型r_i,k下的更新边缘分布为 $N\left(x_{i,k};m_{i,k}^u\left(r_{i,k}\right),P_{i,k}^u\left(r_{i,k}\right)\right)=N\left(x_{i,k};m_{i,k}^M\left(r_{i,k}\right),P_{i,k}^M\left(r_{i,k}\right)\right),$ 更新边缘分布的存在概率为 ${\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^M\left(r_{i,k}\right);$ 其中， $m_{i,k}^u\left(r_{i,k}\right)=m_{i,k}^M\left(r_{i,k}\right),P_{i,k}^u\left(r_{i,k}\right)=P_{i,k}^M\left(r_{i,k}\right),$ i＝1,…,N_k-1，r_i,k＝1,…,M_r。

模型融合模块203中，当前时刻目标i的更新边缘分布为r_i,k＝1,…,M_r，其存在概率为r_i,k＝1,…,M_r；将当前时刻目标i的M_r个更新边缘分布及其存在概率融合成一个边缘分布N(x_q,k；m_q,k(r_q,k),P_q,k(r_q,k))和一个存在概率ρ_q,k(r_q,k)，其中，表示M_r个模型中存在概率最大模型的标签，均值向量q＝1,…,N_k-1，协方差矩阵 $P_{q,k}\left(r_{q,k}\right)=\frac{1}{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)}\underset{r_{i,k}=1}{\overset{M_r}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)\[P_{i,k}^u\left(r_{i,k}\right)+\left(m_{i,k}^u\left(r_{i,k}\right)-m_{q,k}\left(r_{q,k}\right)\right){\left(m_{i,k}^u\left(r_{i,k}\right)-m_{q,k}\left(r_{q,k}\right)\right)}^T\],$ q＝1,…,N_k-1。

边缘分布生成模块204中，利用当前时刻M个测量数据生成当前时刻新生目标的边缘分布j＝1,…,M，为当前时刻各新生目标的边缘分布指定存在概率j＝1,…,M，其中，ρ_γ为指定的存在概率，指定模型1为当前时刻的模型标签，即r_j,k＝1；其中，为第j个新生边缘分布的协方差，为第j个新生的边缘分布的均值，由当前时刻的第j个测量数据y_j,k＝[x_j,ky_j,k]^T产生，并且 $m_{\mathrm{\γ}}^j\left(r_{j,k}\right)={\left[\begin{array}{cccc}{x}_{j,k}& 0& y_{j,k}& 0\end{array}\right]}^T.$

将融合后的边缘分布与当前时刻新生的边缘分布进行合并，形成当前时刻的边缘分布为 ${\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}\left(r_{q,k}\right))\}}_{q=1}^{N_k}={\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}\left(r_{q,k}\right))\}}_{q=1}^{N_{k-1}}\∪{\{N(x_{j,k};m_{\mathrm{\γ}}^j(r_{j,k}),P_{\mathrm{\γ}}^j\left(r_{j,k}\right))\}}_{j=1}^M,$ 将当前时刻融合后边缘分布的存在概率与当前时刻新生目标边缘分布的存在概率合并，生成当前时刻边缘分布的存在概率为 ${\left\{{\mathrm{\ρ}}_{i,k}\left(r_{i,k}\right)\right\}}_{i=1}^{N_k}={\left\{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)\right\}}_{q=1}^{N_{k-1}}\∪{\left\{{\mathrm{\ρ}}_{\mathrm{\γ}}^j\left(r_{j,k}\right)\right\}}_{j=1}^M,$ 其中N_k＝N_k-1+M。

当前时刻合并后的边缘分布为N(x_i,k；m_i,k(r_i,k),P_i,k(r_i,k))，i＝1,…,N_k，当前时刻合并后各边缘分布的存在概率为ρ_i,k(r_i,k)，i＝1,…,N_k。边缘分布提取模块205从合并后所生成当前时刻的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，裁减后的边缘分布及其存在概率作为下一时刻滤波器的递归输入，同时，选择存在概率大于第二阈值的边缘分布作为当前时刻的输出。

作为本发明的一个实例，考虑二维空间[-400m，400m]×[-400m，400m]中运动的目标，目标的状态由位置和速度构成，表示为 $x={\left[\begin{array}{cccc}x& \stackrel{\·}{x}& y& \stackrel{\·}{y}\end{array}\right]}^T,$ 其中x和y分别表示位置分量，和分别表示速度分量，上标T表示向量的转置，状态转移矩阵为 $F\left(\mathrm{\ω}\right)=\left[\begin{array}{cccc}1& \frac{{\mathrm{sin\ω\Δt}}_k}{\mathrm{\ω}}& 0& -\frac{1-{\mathrm{cos\ω\Δt}}_k}{\mathrm{\ω}}\\ 0& {\mathrm{cos\ω\Δt}}_k& 0& -{\mathrm{sin\ω\Δt}}_k\\ 0& \frac{1-{\mathrm{cos\ω\Δt}}_k}{\mathrm{\ω}}& 1& \frac{{\mathrm{sin\ω\Δt}}_k}{\mathrm{\ω}}\\ 0& {\mathrm{sin\ω\Δt}}_k& 0& {\mathrm{cos\ω\Δt}}_k\end{array}\right],$ 过程噪声方差矩阵为 $Q\left({\mathrm{\σ}}_v\right)=\left[\begin{array}{cccc}\frac{{\mathrm{\Δt}}_k^4}{4}& \frac{{\mathrm{\Δt}}_k^3}{2}& 0& 0\\ \frac{{\mathrm{\Δt}}_k^3}{2}& {\mathrm{\Δt}}_k^2& 0& 0\\ 0& 0& \frac{{\mathrm{\Δt}}_k^4}{4}& \frac{{\mathrm{\Δt}}_k^3}{2}\\ 0& 0_k& \frac{{\mathrm{\Δt}}_k^3}{2}& {\mathrm{\Δt}}_k^2\end{array}\right]{\mathrm{\σ}}_v^2,$ 其中，Δt_k＝t_k-t_k-1为当前时刻与前一时刻的时间差，σ_v为过程噪声标准差；模型r_i,k＝1，r_i,k＝2，r_i,k＝3为三个不同的目标运动模型，模型r_i,k＝1的状态转移矩阵为F_k-1(r_i,k＝1)＝F(ω＝0°s^-1)，过程噪声方差矩阵为Q_k-1(r_i,k＝1)＝Q(σ_v＝1ms^-2)，模型r_i,k＝2的状态转移矩阵为F_k-1(r_i,k＝2)＝F(ω＝5°s^-1)，过程噪声方差矩阵为Q_k-1(r_i,k＝2)＝Q(σ_v＝3ms^-2)，模型r_i,k＝3的状态转移矩阵为F_k-1(r_i,k＝3)＝F(ω＝-5°s^-1)，过程噪声方差矩阵为Q_k-1(r_i,k＝3)＝Q(σ_v＝3ms^-2)。不同运动模型之间的马尔科夫转移概率矩阵为 $\[t_{k|k-1}\left(r_{i,k}|r_{i,k-1}\right)\]=\left[\begin{array}{ccc}0.8& 0.1& 0.1\\ 0.1& 0.8& 0.1\\ 0.1& 01& 0.8\end{array}\right];$ 观测矩阵 $H_k\left(r_{i,k}\right)=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\end{array}\right],$ 观测噪声方差矩阵 $R_k\left(r_{i,k}\right)=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]{\mathrm{\σ}}_w^2,$ σ_w为观测噪声的标准差。

为了产生仿真数据，取幸存概率p_S,k＝1.0、检测概率p_D,k＝0.9、杂波密度λ_c,k＝1.6×10^-10m^-2、过程噪声的标准差σ_v＝1ms^-2和观测噪声的标准差σ_w＝1m。一次实验中传感器在50个扫描周期的仿真观测数据如图3所示。为了处理仿真数据，将本发明与基于马尔科夫系统模型的高斯混合概率假设密度滤波器(GaussianMixtureprobabilityhypothesisdensityfilterforjumpMarkovsystemmodels,GM-PHD-JMS滤波器)的相关参数设置为p_S,k＝1.0、p_D,k＝0.9、λ_c,k＝1.6×10^-10m^-2、σ_w＝2m、σ_v＝1ms^-2、第一阈值为10^-3、第二阈值为0.5、GM-PHD-JMS新生成目标的权重w_γ＝0.1，本发明新产生目标的存在概率p_γ＝0.1，新产生目标的协方差为 $P_{\mathrm{\γ}}^j(r_{j,k}=1)={\left(diag\right(\[\begin{array}{cccc}50& 25& 50& 25\end{array}\]\left)\right)}^2.$ 如图4和图5所示，为对比滤波器与本发明产生的结果。将本发明的多目标跟踪方法与现有的GM-PHD-JMS滤波器对图3的仿真数据进行处理，100次MonteCarlo实验得到平均OSPA(OptimalSubpatternAssignment，最优亚模式分配)距离如图6所示。将现有的基于跳跃马尔科夫模型的GM-PHD滤波与本发明相比，本发明的多目标跟踪方法在关联不确定、检测不确定和杂波的情况下对机动目标的跟踪获得更为精确和可靠的目标状态估计、其OSPA距离比现有的这种方法得到的OSPA距离要小。

本发明的基于序贯贝叶斯滤波的多目标跟踪方法及多目标跟踪系统将不同模型与序贯贝叶斯滤波器相结合，利用马尔科夫链控制模型间的转换，通过对当前时刻的测量数据序贯处理以获得当前时刻各目标在不同模型下更新的边缘分布及其存在概率，通过对目标在不同模型下的边缘分布的融合将多个边缘分布合成为一个边缘分布，这使得多目标跟踪方法既能对当前时刻接收到的测量数据进行及时的处理，从而避免了信息处理的延迟、确保了数据处理的实时性，同时又能对运动模式在不同模型间跳变的机动目标进行有效跟踪，进而扩大了实用性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.基于序贯贝叶斯滤波的多目标跟踪方法，其特征在于，包括以下步骤：

步骤A、当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、各个模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率；

步骤B、根据所述预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率；

步骤C、将所述当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率；

步骤D、利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率；

步骤E、从合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计。

2.根据权利要求1所述的多目标跟踪方法，其特征在于，所述步骤A中，以k-1表示前一时刻，k表示当前时刻，t_k-1表示前一时刻的时间，t_k表示当前时刻的时间，r_i,k-1表示前一时刻第i个边缘分布的模型标签，r_i,k表示当前时刻第i个边缘分布的模型标签，1≤r_i,k≤M_r，M_r表示模型的总数目；

已知前一时刻第i个边缘分布为N(x_i,k-1；m_i,k-1(r_i,k-1),P_i,k-1(r_i,k-1))，i＝1,2,...,N_k-1，前一时刻第i个边缘分布的存在概率为ρ_i,k-1(r_i,k-1)，i＝1,…,N_k-1；其中，N表示高斯分布，x_i,k-1表示为前一时刻第i个边缘分布的状态向量，m_i,k-1(r_i,k-1)和P_i,k-1(r_i,k-1)分别表示前一时刻第i个边缘分布的均值和方差，N_k-1为前一时刻目标的总数，i为索引号，1≤i≤N_k-1；

根据前一时刻的边缘分布及其存在概率、当前时刻与前一时刻的时间差以及模型间的转移概率得出当前时刻各目标在不同模型下预测的边缘分布为N(x_i,k；m_i,k|k-1(r_i,k),P_i,k|k-1(r_i,k))，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；当前时刻各预测边缘分布的存在概率为ρ_i,k|k-1(r_i,k)＝p_S,k(t_k-t_k-1)t_k|k-1(r_i,k|r_i,k-1)ρ_i,k-1(r_i,k-1)，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；其中，m_i,k|k-1(r_i,k)＝F_k-1(r_i,k)m_i,k-1(r_i,k-1)为当前时刻目标i在模型r_i,k下的预测边缘分布的均值， $P_{i,k|k-1}\left(r_{i,k}\right)=Q_{k-1}\left(r_{i,k}\right)+F_{k-1}\left(r_{i,k}\right)P_{i,k-1}\left(r_{i,k-1}\right)F_{k-1}^T\left(r_{i,k}\right)$ 为目标i在模型r_i,k下的预测边缘分布的方差，t_k|k-1(r_i,k|r_i,k-1)为模型间的转移概率，为目标的幸存概率，Δt＝t_k-t_k-1为当前时刻与前一时刻的时间差，T为采样周期，δ为给定的常数，F_k-1(r_i,k)为前一时刻第i个边缘分布的状态转移矩阵，Q_k-1(r_i,k)为前一时刻第i个边缘分布的过程噪声方差矩阵，r_i,k-1为前一时刻第i个边缘分布的模型标签，上标T表示为矩阵或向量的转置。

3.根据权利要求2所述的多目标跟踪方法，其特征在于，所述步骤B中，设当前时刻接收到的观测集为y_k＝(y_1,k,…,y_M,k)，其中，M为当前时刻接收到的测量数据总数；利用贝叶斯规则对当前时刻接收到的测量数据进行序贯处理的步骤包括：

步骤01、取边缘分布 $N(x_{i,k};m_{i,k}^0(r_{i,k}),P_{i,k}^0(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k|k-1}(r_{i,k}),P_{i,k|k-1}(r_{i,k}\left)\right)$ $m_{i,k}^0\left(r_{i,k}\right)=m_{i,k|k-1}\left(r_{i,k}\right),$ $P_{i,k}^0\left(r_{i,k}\right)=P_{i,k|k-1}\left(r_{i,k}\right),$ 取存在概率 ${\mathrm{\ρ}}_{i,k}^0\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k|k-1}\left(r_{i,k}\right),$ 其中，i＝1,2,...,N_k-1，r_i,k＝1,…,M_r；

步骤02、利用贝叶斯规则将第1个至M个测量数据依次进行处理：设为第j个测量数据处理前目标i在模型r_i,k下的边缘分布，为第j个测量数据处理前目标i在模型r_i,k下的边缘分布的存在概率，其中，1≤j≤M；由和求得第j个测量数据更新时的存在概率为 ${\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right)=\frac{p_{D,k}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)N(y_{j,k};H_k(r_{i,k}\left)m_{i,k}^{j-1}\right(r_{i,k}),H_k(r_{i,k}\left)P_{i,k}^{j-1}\right(r_{i,k}\left)H_k^T\right(r_{i,k})+R_k(r_{i,k}\left)\right)}{{\mathrm{\λ}}_{c,k}+p_{D,k}\underset{e=1}{\overset{N_{k-1}}{\Σ}}\underset{r_{e,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{e,k}^{j-1}\left(r_{e,k}\right)N(y_{j,k};H_k(r_{e,k}\left)m_{e,k}^{j-1}\right(r_{e,k}),H_k(r_{e,k}\left)P_{e,k}^{j-1}\right(r_{e,k}\left)H_k^T\right(r_{e,k})+R_k(r_{e,k}\left)\right)},$ 均值向量 $m_{i,k}^{a,j}\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right)+A_i\left(r_{i,k}\right)\·(y_{j,k}-H_k(r_{i,k}\left)m_{i,k}^{j-1}\right(r_{i,k}\left)\right),$ 协方差矩阵 $P_{i,k}^{a,j}\left(r_{i,k}\right)=(I-A_i(r_{i,k})\·H_k(r_{i,k}\left)\right)P_{i,k}^{j-1}\left(r_{i,k}\right),$ 滤波器增益 $A_i\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right){\[H_k\left(r_{i,k}\right)P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right)+R_k\left(r_{i,k}\right)\]}^{-1};$ 其中，H_k(r_i,k)为模型r_i,k的观测矩阵，R_k(r_i,k)为模型r_i,k的观测噪声方差矩阵，p_D,k为目标的检测概率，λ_c,k为杂波密度，I表示单位矩阵，y_j,k为当前时刻接收到的第j测量数据，上标T表示为矩阵或向量的转置，r_i,k＝1,…,M_r；

由和计算得到 $s_{i,k}^{j-1}=\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)$ 和 $s_{i,k}^{a,j}=\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right),$

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^j(r_{i,k}),P_{i,k}^j(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k}^{a,j}(r_{i,k}),P_{i,k}^{a,j}(r_{i,k}\left)\right),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{a,j}\left(r_{i,k}\right),$ $P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{a,j}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r；

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^j(r_{i,k}),P_{i,k}^j(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k}^{j-1}(r_{i,k}),P_{i,k}^{j-1}(r_{i,k}\left)\right),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right),$ $P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r；

步骤03、第M个测量数据被处理后目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^M(r_{i,k}),P_{i,k}^M(r_{i,k}\left)\right),$ 其存在概率为其中，i＝1,…,N_k-1，r_i,k＝1,…,M_r；

由此得到当前时刻目标i在模型r_i,k下的更新边缘分布为 $N(x_{i,k};m_{i,k}^u(r_{i,k}),P_{i,k}^u(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k}^M(r_{i,k}),P_{i,k}^M(r_{i,k}\left)\right),$ 更新边缘分布的存在概率为 ${\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^M\left(r_{i,k}\right);$ 其中， $m_{i,k}^u\left(r_{i,k}\right)=m_{i,k}^M\left(r_{i,k}\right),$ $P_{i,k}^u\left(r_{i,k}\right)=P_{i,k}^M\left(r_{i,k}\right),$ i＝1,…,N_k-1，r_i,k＝1,…,M_r。

4.根据权利要求1所述的多目标跟踪方法，其特征在于，所述步骤C中，当前时刻目标i的更新边缘分布为r_i,k＝1,…,M_r，其存在概率为r_i,k＝1,…,M_r；将当前时刻目标i的M_r个更新边缘分布及其存在概率融合成一个边缘分布N(x_q,k；m_q,k(r_q,k),P_q,k(r_q,k))和一个存在概率ρ_q,k(r_q,k)，其中表示M_r个模型中存在概率最大模型的标签，均值向量 $m_{q,k}\left(r_{q,k}\right)=\frac{1}{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)}\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)m_{i,k}^u\left(r_{i,k}\right),$ q＝1,…,N_k-1，协方差矩阵 $P_{q,k}\left(r_{q,k}\right)=\frac{1}{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)}\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)\[P_{i,k}^u\left(r_{i,k}\right)+\left(m_{i,k}^u\right(r_{i,k})-m_{q,k}(r_{q,k}\left)\right){\left(m_{i,k}^u\right(r_{i,k})-m_{q,k}(r_{q,k}\left)\right)}^T\],$ q＝1,…,N_k-1。

5.根据权利要求4所述的多目标跟踪方法，其特征在于，所述步骤D具体包括以下步骤：

利用当前时刻M个测量数据生成当前时刻新生目标的边缘分布 $N(x_{j,k};m_{\mathrm{\γ}}^j(r_{j,k}),P_{\mathrm{\γ}}^j(r_{j,k}\left)\right),$ j＝1,…,M，为当前时刻各新生目标的边缘分布指定存在概率j＝1,…,M，其中，ρ_γ为指定的存在概率，指定模型1为当前时刻的模型标签，即r_j,k＝1；其中，为第j个新生边缘分布的协方差，为第j个新生的边缘分布的均值，由当前时刻的第j个测量数据y_j,k＝[x_j,ky_j,k]^T产生，并且 $m_{\mathrm{\γ}}^j\left(r_{j,k}\right)={\left[\begin{array}{cccc}{x}_{j,k}& 0& y_{j,k}& 0\end{array}\right]}^T;$

将融合后的边缘分布与当前时刻新生的边缘分布进行合并，形成当前时刻的边缘分布为 ${\left\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}(r_{q,k}\left)\right)\right\}}_{q=1}^{N_k}={\left\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}(r_{q,k}\left)\right)\right\}}_{q=1}^{N_{k-1}}\∪{\left\{N(x_{j,k};m_{\mathrm{\γ}}^j(r_{j,k}),P_{\mathrm{\γ}}^j(r_{j,k}\left)\right)\right\}}_{j=1}^M,$ 将当前时刻融合后边缘分布的存在概率与当前时刻新生目标边缘分布的存在概率合并，生成当前时刻边缘分布的存在概率为 ${\left\{{\mathrm{\ρ}}_{i,k}\left(r_{i,k}\right)\right\}}_{i=1}^{N_k}={\left\{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)\right\}}_{q=1}^{N_{k-1}}\∪{\left\{{\mathrm{\ρ}}_{\mathrm{\γ}}^j\left(r_{j,k}\right)\right\}}_{j=1}^M,$ 其中N_k＝N_k-1+M。

6.根据权利要求5所述的多目标跟踪方法，其特征在于，所述步骤E中，当前时刻合并后的边缘分布为N(x_i,k；m_i,k(r_i,k),P_i,k(r_i,k))，i＝1,…,N_k，当前时刻合并后各边缘分布的存在概率为ρ_i,k(r_i,k)，i＝1,…,N_k，所述步骤E具体为：

从合并后所生成当前时刻的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，裁减后的边缘分布及其存在概率作为下一时刻滤波器的递归输入，同时，选择存在概率大于第二阈值的边缘分布作为当前时刻的输出。

7.基于序贯贝叶斯滤波的多目标跟踪系统，其特征在于，包括：

预测模块，当接收到新的测量数据后，计算出接收到所述新的测量数据的时刻与接收到前一个测量数据的时刻的时间差，以接收到所述新的测量数据的时刻为当前时刻，接收到前一个测量数据的时刻为前一时刻；根据所述时间差、各个模型间的转移概率以及前一时刻各个目标的边缘分布及其存在概率，预测出当前时刻各个目标在不同模型下的边缘分布及其存在概率；

更新模块，根据所述预测模块中预测的当前时刻各个目标在不同模型下的边缘分布及其存在概率，利用贝叶斯规则序贯处理当前时刻的每一个测量数据得到各个目标在不同模型下的更新边缘分布及其存在概率；

模型融合模块，将所述更新模块中当前时刻各个目标在不同模型下的更新边缘分布及其存在概率进行融合，形成当前时刻各个目标的更新边缘分布及存在概率；

边缘分布生成模块，利用当前时刻的每一个测量数据产生新目标的边缘分布，为其指定存在概率和模型标签；同时，将当前时刻新目标的边缘分布及其存在概率分别与所述模型融合模块中当前时刻各个目标的更新边缘分布及其存在概率进行合并，生成当前时刻的各个目标的边缘分布及其存在概率；

边缘分布提取模块，从所述边缘分布生成模块中将合并后所生成的当前时刻各个目标的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，并且将裁减后的边缘分布及其存在概率作为下一时刻递归滤波的输入，同时，从裁减后的边缘分布中提取存在概率大于第二阈值的边缘分布作为当前时刻的输出，并且将各个输出边缘分布的均值与方差分别作为当前时刻目标的状态估计与误差估计。

8.根据权利要求7所述的多目标跟踪系统，其特征在于，所述预测模块中，以k-1表示前一时刻，k表示当前时刻，t_k-1表示前一时刻的时间，t_k表示当前时刻的时间，r_i,k-1表示前一时刻第i个边缘分布的模型标签，r_i,k表示当前时刻第i个边缘分布的模型标签，1≤r_i,k≤M_r，M_r表示模型的总数目；

已知前一时刻第i个边缘分布为N(x_i,k-1；m_i,k-1(r_i,k-1),P_i,k-1(r_i,k-1))，i＝1,2,...,N_k-1，前一时刻第i个边缘分布的存在概率为ρ_i,k-1(r_i,k-1)，i＝1,…,N_k-1；其中，N表示高斯分布，x_i,k-1表示为前一时刻第i个边缘分布的状态向量，m_i,k-1(r_i,k-1)和P_i,k-1(r_i,k-1)分别表示前一时刻第i个边缘分布的均值和方差，N_k-1为前一时刻目标的总数，i为索引号，1≤i≤N_k-1；

根据前一时刻的边缘分布及其存在概率、当前时刻与前一时刻的时间差以及模型间的转移概率得出当前时刻各目标在不同模型下预测的边缘分布为N(x_i,k；m_i,k|k-1(r_i,k),P_i,k|k-1(r_i,k))，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；当前时刻各预测边缘分布的存在概率为ρ_i,k|k-1(r_i,k)＝p_S,k(t_k-t_k-1)t_k|k-1(r_i,k|r_i,k-1)ρ_i,k-1(r_i,k-1)，i＝1,2,...,N_k-1，1≤r_i,k≤M_r；其中，m_i,k|k-1(r_i,k)＝F_k-1(r_i,k)m_i,k-1(r_i,k-1)为当前时刻目标i在模型r_i,k下的预测边缘分布的均值， $P_{i,k|k-1}\left(r_{i,k}\right)=Q_{k-1}\left(r_{i,k}\right)+F_{k-1}\left(r_{i,k}\right)P_{i,k-1}\left(r_{i,k}\right)F_{k-1}^T\left(r_{i,k}\right)$ 为目标i在模型r_i,k下的预测边缘分布的方差，t_k|k-1(r_i,k|r_i,k-1)为模型间的转移概率，为目标的幸存概率，Δt＝t_k-t_k-1为当前时刻与前一时刻的时间差，T为采样周期，δ为给定的常数，F_k-1(r_i,k)为前一时刻第i个边缘分布的状态转移矩阵，Q_k-1(r_i,k)为前一时刻第i个边缘分布的过程噪声方差矩阵，r_i,k-1为前一时刻第i个边缘分布的模型标签，上标T表示为矩阵或向量的转置。

9.根据权利要求8所述的多目标跟踪系统，其特征在于，所述更新模块中，设当前时刻接收到的观测集为y_k＝(y_1,k,…,y_M,k)，其中，M为当前时刻接收到的测量数据总数；利用贝叶斯规则对当前时刻接收到的测量数据进行序贯处理具体包括：

提取单元，用于提取边缘分布 $N(x_{i,k};m_{i,k}^0(r_{i,k}),P_{i,k}^0(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k|k-1}(r_{i,k}),P_{i,k|k-1}(r_{i,k}\left)\right),$ $m_{i,k}^0\left(r_{i,k}\right)=m_{i,k|k-1}\left(r_{i,k}\right),$ $P_{i,k}^0\left(r_{i,k}\right)=P_{i,k|k-1}\left(r_{i,k}\right),$ 取存在概率 ${\mathrm{\ρ}}_{i,k}^0\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k|k-1}\left(r_{i,k}\right),$ 其中，i＝1,2,...,N_k-1，r_i,k＝1,…,M_r；

处理单元，利用贝叶斯规则将第1个至M个测量数据依次进行处理：设为第j个测量数据处理前目标i在模型r_ik下的边缘分布，为第j个测量数据处理前目标i在模型r_i,k下的边缘分布的存在概率，其中，1≤j≤M；由和求得第j个测量数据更新时的存在概率为 ${\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right)=\frac{p_{D,k}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)N(y_{j,k};H_k(r_{i,k}\left)m_{i,k}^{j-1}\right(r_{i,k}),H_k(r_{i,k}\left)P_{i,k}^{j-1}\right(r_{i,k}\left)H_k^T\right(r_{i,k})+R_k(r_{i,k}\left)\right)}{{\mathrm{\λ}}_{c,k}+p_{D,k}\underset{e=1}{\overset{N_{k-1}}{\Σ}}\underset{r_{e,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{e,k}^{j-1}\left(r_{e,k}\right)N(y_{j,k};H_k(r_{e,k}\left)m_{e,k}^{j-1}\right(r_{e,k}),H_k(r_{e,k}\left)P_{e,k}^{j-1}\right(r_{e,k}\left)H_k^T\right(r_{e,k})+R_k(r_{e,k}\left)\right)},$ 均值向量 $m_{i,k}^{a,j}\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right)+A_i\left(r_{i,k}\right)\·(y_{j,k}-H_k(r_{i,k}\left)m_{i,k}^{j-1}\right(r_{i,k}\left)\right),$ 协方差矩阵 $P_{i,k}^{a,j}\left(r_{i,k}\right)=(I-A_i(r_{i,k})\·H_k(r_{i,k}\left)\right)P_{i,k}^{j-1}\left(r_{i,k}\right),$ 滤波器增益 $A_i\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right){\[H_k\left(r_{i,k}\right)P_{i,k}^{j-1}\left(r_{i,k}\right)H_k^T\left(r_{i,k}\right)+R_k\left(r_{i,k}\right)\]}^{-1};$ 其中，H_k(r_i,k)为模型r_i,k的观测矩阵，R_k(r_i,k)为模型r_i,k的观测噪声方差矩阵，p_D,k为目标的检测概率，λ_c,k为杂波密度，I表示单位矩阵，y_j,k为当前时刻接收到的第j测量数据，上标T表示为矩阵或向量的转置，r_i,k＝1,…,M_r；

计算单元，根据和计算得到 $s_{i,k}^{j-1}=\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right)$ 和 $s_{i,k}^{a,j}=\underset{r_{i,k}=1}{\overset{M}{\Σ}}{\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right),$

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^j(r_{i,k}),P_{i,j}^j(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k}^{a,j}(r_{i,k}),P_{i,k}^{a,j}(r_{i,k}\left)\right),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{a,j}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{a,j}\left(r_{i,k}\right),$ $P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{a,j}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r；

如果则第j个测量数据处理后的目标i在模型r_i,k下的边缘分布为 $N(x_{i,k};m_{i,k}^j(r_{i,k}),P_{i,k}^j(r_{i,k}\left)\right)=N(x_{i,k};m_{i,j}^{j-1}(r_{i,k}),P_{i,k}^{j-1}(r_{i,k}\left)\right),$ 其存在概率为 ${\mathrm{\ρ}}_{i,k}^j\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^{j-1}\left(r_{i,k}\right),$ 其中， $m_{i,k}^j\left(r_{i,k}\right)=m_{i,k}^{j-1}\left(r_{i,k}\right),$ $P_{i,k}^j\left(r_{i,k}\right)=P_{i,k}^{j-1}\left(r_{i,k}\right),$ r_i,k＝1,…,M_r；

更新单元，第M个测量数据被处理后目标i在模型r_i,k下的边缘分布为其存在概率为其中，i＝1,…,N_k-1，r_i,k＝1,…,M_r；

由此得到当前时刻目标i在模型r_i,k下的更新边缘分布为 $N(x_{i,k};m_{i,k}^u(r_{i,k}),P_{i,k}^u(r_{i,k}\left)\right)=N(x_{i,k};m_{i,k}^M(r_{i,k}),P_{i,k}^M(r_{i,k}\left)\right),$ 更新边缘分布的存在概率为 ${\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)={\mathrm{\ρ}}_{i,k}^M\left(r_{i,k}\right);$ 其中， $m_{i,k}^u\left(r_{i,k}\right)=m_{i,k}^M\left(r_{i,k}\right),$ $P_{i,k}^u\left(r_{i,k}\right)=P_{i,k}^M\left(r_{i,k}\right),$ i＝1,…,N_k-1，r_i,k＝1，…,M_r。

10.根据权利要求7所述的多目标跟踪系统，其特征在于，在所述模型融合模块中，当前时刻目标i的更新边缘分布为 $N(x_{i,k};m_{i,k}^u(r_{i,k}),P_{i,k}^u(r_{i,k}\left)\right),$ r_i,k＝1,…,M_r，其存在概率为r_i,k＝1,…,M_r；将当前时刻目标i的M_r个更新边缘分布及其存在概率融合成一个边缘分布N(x_q,k；m_q,k(r_q,k),P_q,k(r_q,k))和一个存在概率ρ_q,k(r_q,k)，其中，表示M_r个模型中存在概率最大模型的标签，均值向量 $m_{q,k}\left(r_{q,k}\right)=\frac{1}{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)}\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)m_{i,k}^u\left(r_{i,k}\right),$ q＝1,…,N_k-1，协方差矩阵 $P_{q,k}\left(r_{q,k}\right)=\frac{1}{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)}\underset{r_{i,k}=1}{\overset{M_r}{\Σ}}{\mathrm{\ρ}}_{i,k}^u\left(r_{i,k}\right)\[P_{i,k}^u\left(r_{i,k}\right)+\left(m_{i,k}^u\right(r_{i,k})-m_{q,k}(r_{q,k}\left)\right){\left(m_{i,k}^u\right(r_{i,k})-m_{q,k}(q,k\left)\right)}^T\],$ q＝1,…,N_k-1。

11.根据权利要求10所述的多目标跟踪系统，其特征在于，所述边缘分布生成模块中：

利用当前时刻M个测量数据生成当前时刻新生目标的边缘分布j＝1,…,M，为当前时刻各新生目标的边缘分布指定存在概率j＝1,…,M，其中，ρ_γ为指定的存在概率，指定模型1为当前时刻的模型标签，即r_j,k＝1；其中，为第j个新生边缘分布的协方差，为第j个新生的边缘分布的均值，由当前时刻的第j个测量数据 $y_{j,k}={\left[\begin{array}{cc}{x}_{j,k}& y_{j,k}\end{array}\right]}^T$ 产生，并且 $m_{\mathrm{\γ}}^j\left(r_{j,k}\right)={\left[\begin{array}{cccc}{x}_{j,k}& 0& y_{j,k}& 0\end{array}\right]}^T;$

将融合后的边缘分布与当前时刻新生的边缘分布进行合并，形成当前时刻的边缘分布为 ${\left\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}(r_{q,k}\left)\right)\right\}}_{q=1}^{M_k}={\left\{N(x_{q,k};m_{q,k}(r_{q,k}),P_{q,k}(r_{q,k}\left)\right)\right\}}_{q=1}^{N_{k-1}}\∪{\left\{N(x_{j,k};m_{\mathrm{\γ}}^j(r_{j,k}),P_{\mathrm{\γ}}^j(r_{j,k}\left)\right)\right\}}_{j=1}^M,$ 将当前时刻融合后边缘分布的存在概率与当前时刻新生目标边缘分布的存在概率合并，生成当前时刻边缘分布的存在概率为 ${\left\{{\mathrm{\ρ}}_{i,k}\left(r_{i,k}\right)\right\}}_{i=1}^{N_k}={\left\{{\mathrm{\ρ}}_{q,k}\left(r_{q,k}\right)\right\}}_{q=1}^{N_{k-1}}\∪{\left\{{\mathrm{\ρ}}_{\mathrm{\γ}}^j\left(r_{j,k}\right)\right\}}_{j=1}^M,$ 其中N_k＝N_k-1+M。

12.根据权利要求11所述的多目标跟踪系统，其特征在于，当前时刻合并后的边缘分布为N(x_i,k；m_i,k(r_i,k),P_i,k(r_i,k))，i＝1,…,N_k，当前时刻合并后各边缘分布的存在概率为ρ_i,k(r_i,k)，i＝1,…,N_k，所述边缘分布提取模块中，

从合并后所生成当前时刻的边缘分布中将存在概率小于第一阈值的边缘分布裁减掉，裁减后的边缘分布及其存在概率作为下一时刻滤波器的递归输入，同时，选择存在概率大于第二阈值的边缘分布作为当前时刻的输出。