1.一种改进的标签多伯努利分布式优化融合跟踪方法，其特征在于，所述方法在单传感器滤波跟踪算法与基于标签滤波器的GCI融合算法的基础上，引入了组变量Group以及传感器唯一标识变量ID用以辅助记录基于Murty最优分配算法所得到的融合映射信息；在融合阶段前，首先基于本地标签多伯努利参数集各项的Group变量，在接收的标签多伯努利参数集中根据各项的标签l与互连传感器标识变量ID进行搜索匹配，完成匹配的标签多伯努利参数集为存活匹配集，对于存活匹配集，直接采用GCI融合技术进行各伯努利项的一一融合计算，得到融合标签伯努利项；对于非存活匹配集，执行传统的基于Murty算法的融合标签匹配，并使用GCI融合技术基于融合映射完成融合，同时，将Murty算法所得融合映射匹配相关信息记录在本地传感器各标签伯努利项的Group组变量中以供后续融合跟踪时继续使用；

所述方法包括：

S1初始化本地PF‑LMB滤波器A；

初始时刻k＝0，初始化本地PF‑LMB滤波器A中的新生标签多伯努利参数集其中，MΓ,k表示自定义的新生标签多伯努利项的数目，rB表示新生目标存在概率；pB表示新生目标的位置概率密度分布；dA表示本地传感器A对应的唯一标识变量；G表示目标融合时标签匹配的信息，初始时刻 i表示新生LMB项对应编号；

S2 k时刻，运行PF‑LMB滤波器进行滤波跟踪；

假设k‑1时刻的后验标签多伯努利参数集为πA,k‑1，根据PF‑LMB的预测公式对πA,k‑1进行参数更新；再与当前时刻新生标签多伯努利参数集πΓ组成k时刻的预测标签多伯努利参数集πA,k|k‑1，即πA,k|k‑1←πA,k|k‑1+πΓ；PF‑LMB预测步骤完成；

当传感器得到k时刻的观测数据Zk后，通过PF‑LMB更新公式对预测标签多伯努利参数集进行更新操作，得到后验多伯努利参数集πA,k及势估计数目NA；

S3处理本地PF‑LMB滤波器A的本地数据，并接收与本地PF‑LMB滤波器A互联的传感器S传输过来的数据，得到本地PF‑LMB滤波器A和传感器S的已匹配标签伯努利集合 与 及其对应映射关系θ构成三元组S4根据步骤S3所得三元组 按照GCI融合规则完成本地标签多伯努利参数集与所接收的标签多伯努利参数集的基于三元组M所得映射关系的融合计算，得到融合结果πw，同时，将πA,k中 对应的标签伯努利项由πw进行替换，得到融合后的后验标签多伯努利参数集π`A,k；

S5基于步骤S4所得融合后标签多伯努利参数集π`A,k，依据LMB的状态提取策略进行k时刻的跟踪结果状态估计；

S6重复步骤S2至步骤S5对多目标进行持续的跟踪；

所述S3包括：

假设当前时刻为k，本地传感器A接收到互连传感器S所传输来的后验标签多伯努利集信息，包括多伯努利参数集 以及势估计NS，其中，r(l)表示标签为l的目标的存在概率；p(l)表示标签为l的目标的位置概率密度分布；ds为互联传感器S的唯一性标识变量； 表示互连传感器S跟踪的存活目标的标签空间；

取S2中得到后验多伯努利参数集πk中提取LMB项的参数集，表示为取πs中提取LMB项的参数集，表示为

G(l)表示本地传感器A中各参与融合的LMB分量存储由Murty算法所得到的融合映射信息；

表示传感器A在k时刻存活目标的标签空间； 表示传感器S在k时刻存活目标的标签空间；

3.1)融合匹配搜索：基于πA,k,ext中各项的Group变量G(l)与πs,ext中各标签伯努利项对应的(l,ds)二元向量进行融合映射的搜索操作，即对任一标签 若满足(ls,ds)∈G(l)，其中 则表示本地传感器A中标签为l的标签伯努利项与传感器S中的标签为ls的伯努利项完成融合匹配；

完成融合匹配后，设πA,k,ext中已找到πs,ext中匹配项的标签伯努利项的集合为Nm表示标签空间 中的标签数目；

3.2)基于匹配搜索结果进行集合划分与再处理

3.2.1)若 认为此时刻无新生目标生成，则融合双方已匹配标签伯努利集合 与 及其对应映射关系θ构成三元组 进入S4；

3 .2 .2)若 则 与 及其对应映射θ1构成三元组对k时刻A和S传感器中除去匹配的标签伯努利集合后，剩余的分别表示为πleft,A,k＝πA,k‑πA,k,ext与πleft,s＝πs‑πs,ext，由Murty算法获得最优映射θM，构成三元组基于映射θM，对任一 将二元组(θM(l),ds)记录在G(l)中；

最终，得到M＝M1+M2进入S4；

3.2.3)若Nm＝0，则对πk与πs同样按Murty算法获得最优映射θM，构成三元组进入S4。

2.根据权利要求1所述的方法，其特征在于，若S2中势估计数目NA＝0，则重新执行S2，即表示本时刻本地传感器A跟踪到的目标数为0，跳过此时刻的融合，进入下一时刻的跟踪滤波步骤；若NA>0则进入S3。

3.根据权利要求2所述的方法，其特征在于，设定初始时刻

4.根据权利要求3所述的方法，其特征在于，新生目标的位置概率密度分布(j)

L表示每个标签多伯努利项对应粒子集的粒子数量；x 表示第j个粒子对应(j)

的状态向量；w 表示第j个粒子对应的权重。

5.权利要求1‑4任一所述的方法在智能视频监控中的应用。

6.权利要求1‑4任一所述的方法在机器人视觉导航中的应用。

7.权利要求1‑4任一所述的方法在人机交互中的应用。

8.权利要求1‑4任一所述的方法在智能交通系统中的应用。