1.一种基于高斯过程的中断航迹关联方法，其特征在于，该方法具体包括以下步骤：步骤(1)、将中断航迹进行分类并得到初始航迹集合；

步骤(2)、利用高斯过程对目标运动的未知函数进行学习，对初始航迹对中的新旧航迹进行预测和反向预测；

步骤(3)、将步骤(2)处理后得到的航迹片段分别进行速度筛选、二元假设检验并进行二维分配解决多义性问题，得到最优分配航迹集合Φe；

步骤(4)、将得到的最优分配航迹集合的中断航迹预测值利用高斯过程进行融合，得到完整航迹；

将最优分配航迹集合Φe中的旧航迹从 时刻根据高斯过程向后预测至 时刻得到预测值的集合 新航迹由 回溯至 时刻的集合为 假设 中断处的航迹为

其中函数g根据高斯过程 进行建模，vk表示零均值高斯白噪声；为了对函数g进行学习，选取 作为训练集输入集， 表示旧航迹的终止时刻，训练集输出为为旧航迹的状态估计；测试集为 表示新航迹的起始时刻；

根据高斯过程得到

测试输出 即为中断处的缝合航迹， 表示vk的协方差， 是元素为k(uh,i,uh,j)的核函数矩阵；

和 分别是元素为 和 的核函数矩阵。

2.根据权利要求1所述一种基于高斯过程的中断航迹关联方法，其特征在于：所述的步骤(1)将中断航迹进行分类并得到初始航迹集合；具体为：步骤(1):首先根据航迹长度和起止时间将航迹片段分为旧航迹和新航迹两组；假设旧航迹片段集合为 其中旧航迹 是指在(k‑B,k]期间，该航迹被终止，N表示旧航迹片段数，B为设定的时间间隔；新航迹片段集合为 其中新航迹 是指在(k‑B,k)期间，该航迹被起始，M表示新航迹片段数；k时刻目标航迹的估计状态为 其中ξk、 分别表示x方向的位置和速度，ηk、 分别表示y方向的位置和速度；

对所有新旧航迹进行组合，航迹对的集合记为其中第n个旧航迹的实际起止时间为 第m个新航迹的实际起止时间为

3.根据权利要求1所述一种基于高斯过程的中断航迹关联方法，其特征在于：所述的步骤(2)：利用高斯过程对目标运动的未知函数进行学习，对初始航迹对中的新旧航迹进行预测和反向预测；具体为：假设新旧航迹运动模型分别为

其中 表示旧航迹和新航迹的运动函数； 分别表示旧航迹和新航迹k时刻目标的状态； 为零均值高斯白噪声；对 利用高斯过程进行建模其中 为核函数，所采用的是平方指数核函数，表示为：是非线性函数的方差；矩阵 中li为方差尺度，c为x的维数；

将旧航迹进行预测，选取训练集输入 表示旧航迹起始时刻的估计状态， 表示旧航迹终止前一时刻的估计状态，训练集输出为表示旧航迹起始时刻的下一时刻的估计状态， 表示旧航迹终止时刻的估计状态；测试输入为 根据高斯过程得到用于预测的状态和协方差为

其中 为旧航迹的预测状态， 为预测的方差， 为 的协方差；I为单位矩阵， 是元素为 的核函数矩阵；

和 分别是元素为 和 的核函数矩阵；

对于新航迹，选取训练集输入 训练集输出为测试输入为 根据高斯过程得到

反向预测的状态和协方差为

其中 为新航迹的反向预测状态， 表示 的协方差， 为反向预测的方差。

4.根据权利要求1所述一种基于高斯过程的中断航迹关联方法，其特征在于：所述的步骤(3)：将步骤(2)处理后得到的航迹片段分别进行速度筛选、二元假设检验并进行二维分配解决多义性问题，得到最优分配航迹集合；具体包括以下步骤：首先通过最大速度vmax筛选得到

其中 和 为新旧航迹的估计状态；将速度筛选得到集合中的航迹对利用假设检验的方法进一步判断该航迹对是否属于同一目标，记为假设两者属于同一目标， 表示不属于同一目标；在时间段(k‑B,k]内选择一个公共时间点，B为设定的时间间隔，利用的是旧航迹和新航迹的中间时刻kq,c，q∈[1,Q]，其中Q为Φv的势；根据高斯过程进行状态预测和反向预测，分别求出旧航迹在该点处的预测值 和新航迹在该点处的反向预测值 以及各自的协方差 和 定义2

利用χ 分布单边假设检验，假设 被接收当且仅当其中b是状态维数，α是置信度；

进一步对航迹对 进行二维分配，其中二维分配的变量为关联代价函数为：

对于二维分配问题，通过最小化如下代价函数根据拍卖算法求得二维分配的最优解，从而得到最优分配的航迹对的集合为Φe。