1.基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述方法包括：建立B‑Spline‑GM‑PHD滤波器，初始化k时刻的目标状态：其中，xk表示运动状态，Bk表示B样条形状信息，ρk,i、θk,i分别表示k时刻第i个角度下的极径、极角信息，Lk表示k时刻高斯分量航迹标签， 表示k时刻第j个高斯分量的航迹标签；

当k≥1时，通过距离划分法对量测集进行一次划分；

若划分后的量测集中存在紧邻目标，则对所述划分后的量测集进行二次划分，若划分后的量测集中不存在紧邻目标，则执行采用所述B‑Spline‑GM‑PHD滤波器对所述目标状态进行多假设滤波的步骤；

采用所述B‑Spline‑GM‑PHD滤波器对所述目标状态进行多假设滤波，使目标状态更新，获取权重更新后的形状似然函数；

将满足距离融合阈值的目标分量进行融合，对融合后权重过小的高斯分量进行剪枝，融合过程中将高权重的高斯分量作为提取目标，所述提取目标包括目标运动状态、目标形状信息和目标航迹；

通过所述形状似然函数对提取的所述目标形状信息与带有类别信息的预设目标形状求取似然，得到目标形状类别信息；

若下一时刻观测信息到达，重新执行所述通过距离划分法对量测集进行一次划分的步骤，否则目标航迹跟踪过程结束。

2.根据权利要求1所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述通过所述形状似然函数对提取的所述目标形状信息与带有类别信息的预设目标形状求取似然，得到目标形状类别信息，包括：设带有类别信息的预设目标形状的集合为 所述集合包括预设的“Y字形 和“十字形 类别信息，其中利用提取出的所有目标形状信息集合Bk|k的每一个形状，分别与所述预设目标形状集合 的每一个形状求取似然，利用所述B‑Spline‑GM‑PHD滤波器的形状似然函数求取公式进行求解，针对每一个提取出的形状 都有匹配到的似然最大的形状 当似然超过类别阈值时，将提取到的第s个形状归为第c类，当似然小于类别阈值时，将提取到的第s个形状归为其他类。

3.根据权利要求1或2所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述采用所述B‑Spline‑GM‑PHD滤波器对所述目标状态进行多假设滤波，使目标状态更新，获取权重更新后的形状似然函数，包括：依次对所述目标状态进行所述B‑Spline‑GM‑PHD滤波器的目标预测和目标更新，考虑目标的权重更新公式为：其中， 表示当前量测集下的位置似然，所述位置似然利用高斯分布求解，表示形状似然函数，计算过程如下：

其中，HW、RW表示新息参数，r′k|k‑1,i表示处理后预测极径，r′W,i表示处理后量测集极径，λ表示形状相似度标记；

所述形状似然函数存在两种情况，当|r′k|k‑1,i|＝|r′W,i|时，用第一个公式进行形状似然的计算，否则用第二个公式进行形状似然的计算。

4.根据权利要求3所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述极径的处理方法包括：已知预测极径信息 和当前量测集对应极径信息 将两个极径信息由原始的n1维扩展为360维，得到：

从扩维后的预测极径信息rk|k‑1和扩维后的量测集极径信息rW的极角极径图中获取波峰、波谷的峰值分别为Pk|k‑1和PW，对应的峰值个数分别为 和通过对比两者的峰值个数，对所述扩维后的预测极径信息、扩维后的量测集极径信息分别进行重新排序，则极角信息也相应改变。

5.根据权利要求4所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述通过对比两者的峰值个数，对所述扩维后的预测极径信息、扩维后的量测集极径信息分别进行重新排序，包括：(1)当 时：

情况1、匹配到两个峰值点：

Pk|k‑1(1,1:2)≈PW(1,u0:v)v＝mod(u0+1,Num),or v＝Numr′k|k‑1＝[rk|k‑1(lk|k‑1(1)),…,rk|k‑1(end),rk|k‑1(1),…,rk|k‑1(lk|k‑1(1)‑1)]r′W＝[rW(lW(u0)),…,rW(end),rW(1),…,rW(lW(u0)‑1)]λ＝1

情况2、匹配到一个峰值点：

Pk|k‑1(1)≈PW(u0)

r′k|k‑1＝[rk|k‑1(lk|k‑1(1)),…,rk|k‑1(end),rk|k‑1(1),…,rk|k‑1(lk|k‑1(1)‑1)]r′W＝[rW(lW(u0)),…,rW(end),rW(1),…,rW(lW(u0)‑1)]情况3、没有匹配到峰值点：

Pk|k‑1(1)≠PW(u0)

r′k|k‑1＝rk|k‑1

r′W＝rW

(2)当 时：

r′k|k‑1＝rk|k‑1

r′w＝rw

其中，″≈″表示预测形状峰值与量测集形状的峰值大小在阈值范围内相等。

6.根据权利要求1所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述则对所述划分后的量测集进行二次划分，包括：初始化k＝1时的候选形状参数集合C：

其中， 为B样条曲线拟合的候选形状参数， 分别表示第i个角度下的极径、极角信息；初始化极角 为 n1为预设维数，且n1＜360，与所述初始化极角对应的极径信息设为

当k≥2时，选取后验目标状态中的m个目标，将m个后验目标状态的形状信息放入所述候选形状参数集合C中；

采用核密度估计法确定所述候选形状参数集合C中各个候选形状的中心点位置，建立候选中心位置集合L：(x) (y)

其中，B样条曲线拟合的候选形状的密度峰值点对应的坐标表示为(ωq ，ωq )，n表示密度峰值点的个数；

所述候选形状参数集合C和所述候选中心位置集合L组合为 采用形状选择划分法分割所述组合得到形状内量测子集和形状外量测子集分别为：其中， 表示形状内量测子集， 表示形状外量测子集，zk表示量测集W中的量测点， 表示量测点zk到中心点位置ωq的距离，ψ表示 所对应的点， 表示中心点位置与形状上第h个点的连接线与x轴的夹角， 表示中心点位置与量测点的连接线与x轴的夹角，当二者之差的绝对值最小时，选取该角度下形状上的点作为ψ， 表示ψ到中心点位置ωq的距离；

的计算公式如下：

其中，bΨ表示中心点位置到Ψ的向量，pk| k‑1表示根据所述形状内量测子集生成的控制顶点的坐标信息，Ni,3(ψ)表示B样条基函数；

分别对所述形状内量测子集和形状外量测子集进行匹配求取似然，获得形状内、外量测子集权重乘积最大的情况。

7.根据权利要求6所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述分别对所述形状内量测子集和形状外量测子集进行匹配求取似然，获得形状内、外量测子集权重乘积最大的情况包括：对于形状内量测子集 利用形状内量测子集拟合形状与分割组合时所用的形状计算似然，计算似然的过程是所述B‑S pline‑GM‑PHD滤波器更新形状似然函数的过程；

对于形状外量测子集 使用相同的更新形状似然函数过程求解其权重，需要遍历所有候选形状分别与量测集拟合形状求取似然，选出权重最大值当作所述形状外量测子集的似然，找到形状内量测子集与形状外量测子集似然乘积最大的情况，作为最终的分割结果。

8.根据权利要求6所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，采用B样条曲线拟合形状的方法包括：所述B样条曲线由B样条基函数Ni,k(u)和控制顶点Pi共同来确定，k阶B 样条函数表示为：其中，Ni,k(u)是k‑1次B样条基函数，其递推公式表示为：其中，U＝{u1,u2,…,uk,…,un+k}是B样条的一组节点向量；

当k＝3时，B样条基函数表示为：

在扩展目标的量测集合中包含有多个量测点，利用所述量测点的位置信息，来求取B样条函数中控制顶点集合的过程如下：假设 为所述扩展目标的量测集，计算出量测集均值位置，把它当作坐标原点建立坐标系，把角度为2π的坐标系分成n等份，得到n个控制顶点位置，用极坐标表示这些控制顶点Λi＝{ρi,θi}，ρi、θi分别为极径和极角，所述极径表示为：|Zi|＝{zk|d(zk,βi)＜λ1,k(zk,αi)＝1}βi＝[‑tan(θi)，1]

其中，|·|表示元素个数，d(zk，βi)表示量测点zk到βi所在直线的距离，λ1为约束宽度的距离阈值，κ(zk，αi)为约束条件，βi为极角θi确定的向量，d(·)的计算公式如下：αi＝[1，tan(θi)]

其中，||·||表示绝对值，αi表示与向量βi所在直线垂直的向量；

通过上述计算，求取极坐标下控制顶点集合Λ，将所述控制顶点集合Λ转化到直角坐标系下对应的集合P，与所述B样条基函数共同作用，生成与量测集合形状相关的光滑曲线。

9.根据权利要求3所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述B‑Spline‑GM‑PHD滤波器的预测步表示为：Lk|k‑1＝Lk‑1∪Lβ

其中， 表示预测目标的概率假设密度，Jk|k‑1表示k时刻预测高斯分量数，分别表示k时刻预测第j个高斯分量的权重、均值、协方差矩阵，N(·)为高斯分布，Lk|k‑1表示k时刻预测的标签集合，包括k‑1时刻原目标和新生目标的标签集合，预测的极径、极角信息与k‑1时刻的后验目标状态保持一致；

均值 和协方差矩阵 的预测分别表示为：

其中，FK|k‑1表示状态转移矩阵，Id表示d维单位矩阵，Qk表示过程噪声协方差矩阵。

10.根据权利要求3所述的基于B样条形状驱动多扩展目标航迹跟踪及分类方法，其特征在于，所述B‑Spline‑GM‑PHD滤波器的更新步表示为：其中，漏检目标的概率假设密度表示为：

Lk|k＝Lk|k‑1

j

其中，γ表示目标产生量测数目的期望值， 表示目标检测概率：k时刻目标检测到的概率假设密度表示为：

其中，σ表示为预设遗忘因子，ρW，i为当前量测集所拟合形状的第i个极角下的极径信息， 表示所有划分方法中的量测集数之和，各个新息参数表示为：