1.一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法，含有以下步骤：步骤1、高斯分量初始化；

k＝0时刻，多目标的强度函数和标签集合分别表示为(i) i

其中，Jn表示第n个时刻的高斯项个数，ω 表示该时刻第i个高斯项的权值，t表示该时刻第i个高斯项对应的标签值；

步骤2、高斯分量预测；

对k时刻的多目标信息进行预测，得到k时刻多目标的先验强度和标签集合为：(i)

其中，PS为目标的存活函数，Jγ,k表示k时刻新生目标高斯项个数，ω 、 和 分别表示存活目标高斯项的权值、均值和协方差， 分别表示新生目标高斯项的权值、均值和协方差；

预测步骤中，存活目标高斯项的标签值不变，而对于新生目标高斯项则赋予一个新的标签值；

步骤3、高斯分量更新；

根据获得的量测集和k时刻获得的预测信息，更新k时刻的多目标后验强度和标签集合为：Tk|k＝Tk|k‑1                          (4)其中，PD,k为传感器在k时刻的检测概率，Zk为传感器量测；第一项表示漏检高斯分量，第二项表示由量测更新的高斯分量，该时刻获得的观测分别与每个预测高斯项进行更新，从而得到Jk|k‑1|Zk|个更新项，ωk、mk|k和Pk|k分别为更新后的高斯项的权值、均值和协方差，计算公式如下所示：其中， 为杂波强度函数，Hk为量测矩阵，Rk为传感器的噪声矩阵；

GM‑PHD滤波器中，目标与量测对应关系的选择取决于更新权值的大小，更新权值可以分为原始权值和归一化权值，如下所示：假定GM‑PHD滤波器经过更新步骤，形成两个大小为Jk|k‑1×Mk的矩阵来存储目标的原始权值 和归一化权值 分别称为权矩阵 和归一化权矩阵M，Jk|k‑1为预测目标数量，Mk为获得量测数量；在多目标跟踪中，目标与量测应遵循一对一规则；如果标签相同的高斯分量的权值之和大于1，则说明有些目标打破了规则，需要对目标的权值进行更新；

首先，在所有创建的目标之间找到权值最大的目标；

*

然后，若归一化权矩阵M中目标i 对应的行权值和 大于1，则权矩阵 中目*

标i对应行权值除以 以作惩罚，除最重的权值之外，以保证目标与量测的一一*对应；则计算目标i的对应新行权值为：

惩罚后，得到新的归一化权值如下所示：

以此权值 作为新的更新权值，重复以上步骤直到归一化权矩阵中行权值和均小于1，从而保证剔除所有目标与量测错误对应的情况；

步骤4、剪枝与合并；

直接删除权值小于剪枝阈值的高斯分量；当两个高斯分量之间的距离小于合并阈值时，合并这两个高斯分量，合并后的高斯分量的标签值选取权值较大的高斯分量所带的标签值；

步骤5、状态估计；

提取的标签集如下：

其中，wth为状态提取阈值；

步骤6、航迹生成；

k时刻获得的状态通过标签对比来区分不同目标；当某杂波与目标紧邻时，得到的目标可能为杂波，此时需要进一步处理，具体步骤如下：a)k‑1时刻，将w≥wth的高斯分量的标签存入一个集合，称为可能轨迹标签集合，表示集合里的标签所代表的粒子可能是真实目标的估计；这要在下一时刻进一步确认，若是杂波的标签，则在下一时刻将被剔除；

b)k时刻，对k‑1时刻的可能标签进一步确认，若其值大于阈值wmax，则认为该标签是真实轨迹标签，放入真实轨迹标签集合；

c)对于同一个标签,若其在真实轨迹标签集合里出现的次数多于预设值,即一直达到加入真实轨迹标签集合的条件,则将此标签所代表的目标为真实目标；

按照上述方法不断迭代与更新即可得到连续的多个目标航迹。

2.如权利要求1所述的一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法，其特征在于：步骤5中，取wth＝0.5。

3.如权利要求1所述的一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法，其特征在于：步骤6之c)中，预设值是3。