多传感器信息融合基本原理及应用

一、引言

传统的信号采集往往由单一的传感器来完成，即使采用多个（种）传感器也仅是从多个侧面孤立地反映目标信息。实际上，在大多数情况下，必须同时处理多个信号，而这些信号一般又来自多个信号源，即多传感器。但是多传感器也带来了信息冗余甚至矛盾。所以必须通过对各种传感器及其观测信息的合理支配与使用，将其采集的信息依据某种优化准则组合，产生对观测环境一致性的解释和描述，因此迫切要求对信息进一步处理。“信息融合”就是对多传感器的数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的、更好的估计。

目前国内在多传感器融合方面的研究尚处于初始阶段，对这方面系统介绍的文献也相对较少，多传感器融合是一个复杂的信息处理过程，所要研究的问题多，而且解决问题的方法也很多，因此有必要对目前的研究情况进行系统的介绍。

二、信息融合基本概念及优越性

由于信息融合的定义都是功能性的描述，美国国防部JDL从军事应用的角度将数据融合进行定义，Waltz和Llinas对其进行了补充和修改，给出了较完整的定义：一种多层次的、多方面的处理过程，这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整及时的态势评估和威胁估计。

近年来信息融合技术在基本理论和实现方法上得到极大的完善，显示出自身极大的优越性，主要表现在：容错性好；系统精度高；信息处理速度块；互补性强；信息获取成本低等方面。

三、数据融合技术的理论方法

数据融合的关键问题是模型设计和融合算法，数据融合模型主要包括功能模型、结构模型和数学模型。功能模型从融合过程出发，描述数据融合包括哪些主要功能和数据库，以及进行数据融合时系统各组成部分之间的相互作用过程；结构模型从数据融合的组成出发，说明数据融合系统的软、硬件组成，相关数据流、系统与外部环境的人机界面；数学模型是数据融合的算法和综合逻辑，算法主要包括分布检测、空间融合、属性融合、态势评估和威胁估计算法等，下面从3个方面分别进行介绍。

1）信息融合的功能模型目前已有很多学者从不同角度提出了信息融合系统的一般功能模型，最有权威性的是DFS（美国三军组织-实验室理事联席会（JDL）下面的C3I技术委员会（TPC3）数据融合专家组）提出的功能模型。

该模型把数据融合分为3级。第1级是单源或多源处理，主要是数字处理、跟踪相关和关联；第2级是评估目标估计的集合，及它们彼此和背景的关系来评估整个情况；第3级用一个系统的先验目标集合来检验评估的情况。

其简化模型如图1所示。

2）信息融合的结构模型数据融合的结构模有多种不同的分类方法，其中一种分类标准是根据传感器数据在送人融合处理中心之前已经处理的程度来进行分类。在这种分类标准下，融合结构被分为传感器级数据融合，级数据融合及混合式融合，还可以根据数据处理过程的分辨率来对融合结构进行分类。在这种情况下，融合结构为像素级、特征级和决策级融合。

3）多传感器信息融合实现的数学模型信息融合的方法涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、模糊数学和神经网络等这方面国外已经做了大量的研究。

目前，这些方法大致分为两类：随机类方法和人工智能方法。

①随机类方法这类方法研究对象是随机的，在多传感器信息融合中常采用随机类方法包括很多，这里只介绍前3种方法。

a．Bayes推理方法把每个传感器看作是一个Bayes估计器，用于将每一个目标各自的关联概率分布综合成一个联合后验分布函数，然后随观测值的到来，不断更新假设的该联合分布似然函数，并通过该似然函数的极大或极小进行信息的最后融合。虽然Bayes推理法解决了传统的推理方法的某些缺点，但是定义先验似然函数比较困难，要求对立的假设彼此不相容，无法分配总的不确定性，因此，Bayes推理法具有很大的局限性。

b．Dempster-Shafer的证据理论是一种广义的Bayes推理方法，它是通过集合表示命题，把对命题的不确定性描述转化为对集合的不确定性描述，利用概率分配函数、信任函数、似然函数来描述客观证据对命题的支持程度，用它们之间的推理与运算来进行目标识别。D-S证据理论可以不需要先验概率和条件概率密度，并且能将“不知道”和“不确定”区分开来，但是它存在潜在的指数复杂度问题和要求证据是的问题。

c．Kalman滤波融合算法它利用测量模型的统计特性，递推确定在统计意义下最优的融合数据估计，适合于线性系统的目标跟踪，并且一般适用于平稳的随机过程，它要求系统具有线性的动力学模型，且系统噪声和传感器噪声是高斯分布白噪声模型，并且计算量大，对出错数据非常敏感。

②人工智能方法近年来，用于多传感器数据融合的计算智能方法有：小波分析理论、模糊集合理论、神经网络、粗集理论和支持向量机等，限于篇幅只介绍小波变换和神经网络方法。

a．小波变换是一种新的时频分析方法，它在多信息融合中主要用于图像融合，即是把多个不同模式的图像传感器得到的同一场景的多幅图像，或同一传感器在不同时刻得到的同一场景的多幅图像，合成为一幅图像的过程。经图像融合技术得到的合成图像可以更全面、精确地描述所研究的对象。基于小波变换的图像融合算法为：首先用小波变换将各幅原图像分解，然后基于一定的选择规则，得到各幅图像在各个频率段的决策表，对决策表进行一致性验证得到最终的决策表，在最终决策表的基础上经过一定的融合过程，得到融合后的多分辨表达式，最后经过小波逆变换得到融合图像。