多传感器信息融合技术综述(论文)

多传感器信息融合技术综述

内容摘要：多传感器信息融合技术是一门新兴学科，它的理论和方法已被应用到许多研究领域。本文主要对多传感器信息融合的模型与结构、信息融合的主要技术和方法、信息融合理论体系以及信息融合技术的应用等内容进行了概要介绍和展开了综述。

关键词：多传感器；信息融合；综述

随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展，多传感器信息融合技术已受到了广泛关注。多传感器信息融合是20世纪80年代出现的一门新兴学科，它首先广泛地应用于军事领域，如海上监视、空－空和地－空防御、战场情报、监视和获取目标及战略预警等，随着科学技术的进步，多传感器信息融合至今已形成和发展成为一门信息综合处理的专门技术，并很快推广应用到工业机器人、智能检测、自动控制、交通管理和医疗诊断等多种领域。我国从20世纪90年代也开始了多传感器信息融合技术的研究和开发工作，并在工程上开展了多传感器识别、定位等同类信息融合的应用系统的开发，现在多传感器信息融合技术越来越受到人们的普遍关注。1多传感器信息融合的概念

在信息融合领域，人们经常提及“多传感器融合”（multi-sensor fusion）、“数据融合”（data fusion）和“信息融合”（information fusion）。实际上它们是有差别的，现在普遍的看法是，多传感器融合包含的内容比较具体和狭窄，至于信息融合和数据融合，有一些学者认为数据融合包含了信息融合，还有一些学者认为信息融合包含了数据融合，而更多的学者把信息融合与数据融合的当作同一概念看待，在不影响应用的前提下，二种提法都是可以的。因此本文统一使用信息融合这一提法。信息融合有多种定义方式，作者认为比较确切的概念为：充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。

2 信息融合的模型和结构

2.1 信息融合的模型

信息融合绝大部分的研究都是根据具体问题及其特定对象建立自己的融合层次，针对其在军事上的应用将信息融合划分为检测层、位置层、属性层、态势评估和威胁估计；根据输入输出数据的特征提出了基于输入/输出特征的融合层次化描述等。可见，信息融合层次的划分没有统一标准，根据信息表征的层次，我们将信息融合划分为像素层、特征层和决策层，分别称为像素级融合、特征级融合和决策级融合[1]。一个给定的信息融合系统，可能涉及多个级别数据的输入。

（1）像素级融合见图1，这是最低层次的信息融合。在这种方法中，匹配的传感器数据直接融合，而后对融合的数据进行特征提取和特征说明。传感器的信息融合之后，没有单个处理的信息损失，识别的处理等价于对单个传感器的处理。该层次的信息融合能够提供其它层次上的融合所不具备的细节信息，因此，像素级多传感器处理提供一种最优决策和识别性能。但是，像素级融合要求精确的传感器配准和宽的传输带宽。

（2）特征级融合见图2，这是中间层次的信息融合。在这种方法中，每个传感器观测目标，并对各传感器的观测进行特征提取（如提取形状、边沿、方位信息等），产生特征矢量，而后融合这些特征矢量，并做出基于联合特征矢量的属性说明。在特征级融合中，各个源提供的特征矢量融合到一个综合的特征矢量中，这种融合是比较简单的，该层次的信息融合是像素级融合和更高一级决策级融合的折衷形式，兼容了两者的优缺点，具有较大的灵活性，在许多情况下是很实用的。

图1 像素级融合

图2 特征级融合

图3 决策级融合

（3）决策级融合见图3，这是最高层次的信息融合。在这种方法中，每个传感器观测目标，并对各传感器的观测进行特征提取，产生特征矢量；而后对特征矢量进行模式识别处理，完成各传感器关于目标的说明；再将各传感器关于目标的说明数据按同一目标进行分级，即关联；最后利用融合算法将某一目标各传感器的数据进行合成，得到该目标的一致性解释与描述。总之，上述3个层次的信息融合都各有其特点，在具体的应用中应根据融合的目的和条件选用，表1对它们的特点进行了综合比较。

表1 3种融合层次的特点比较

在信息融合处理过程中，根据对原始数据处理方法的不同，信息融合系统的体系结构主要有三种：集中式、分布式和混合式。

（1）集中式：集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理，可以实现实时融合，其数据处理的精度高，算法灵活，缺点是对处理器要求高，可靠性较低，数据量大，故难于实现。

（2）分布式：每个传感器对获得的原始数据先进行局部处理，包括对原始数据的预处理、分类及提取特征信息，并通过各自的决策准则分别作出决策，然后将结果送入融合中心进行融合以获得最终的决策。分布式对通信带宽需求低、计算速度快、可靠性和延续性好，但跟踪精度没有集中式高。

（3）混合式：大多情况是把上述二者进行不同的组合，形成一种混合式结构。它保留了上述两类系统的优点，但在通信和计算上要付出较昂贵的代价。但是，此类系统也有上述两类系统难以比拟的优势，在实际场合往往采用此类结构。

3 多传感器信息融合的主要技术和方法

信息融合作为对多传感器信息的综合处理过程，具有本质的复杂性。传统的估计理论和识别算法为信息融合技术奠定了不可或缺的理论基础。但同时我们也看到，近年来出现的一些新的基于统计推断、人工智能以及信息论的新方法，正成为推动信息融合技术向前发展的重要力量。以下扼要介绍这些技术方法。

（1）信号处理与估计理论方法[2]

信号处理与估计理论方法包括用于图像增强与处理的小波变换技术、加权平均、最小二乘、Kalman滤波等线性估计技术，以及扩展Kalman滤波（EKF），Gauss滤波等非线性估计技术等。近年来，越来越多的学者致力于UKF（Unscented Kalman Filter）滤波，基于随机采样技术的粒子滤波和Markov链Monte Carlo（MCMC）等非线性估计技术的研究，并取得了许多有价值的研究成果。期望极大化（EM）算法为求解在具有不完全观测数据情况下的参数估计与融合问题，提供了一个全新的思路。另外，通过建立一定的优化指标，可以最优化方法来获得参数最优估计，典型算法有极小化风险法以及极小化能量法等。

（2）统计推断法

统计推断法包括经典推理，Bayes推理，证据推理（D-S），随机集（Random Set）理论以及支持向量机（SVM）理论等[3]。

（3）信息论方法

信息论方法有一个共同的特点，即目标实体的相似性反映了观测参数的相似性，因而不需要建立变量随机方面的模型。运用优化信息度量的手段融合多源数据，从而获得问题的有效解决。典型的算法有熵方法，最小描述长度方法等[4]。

（4）决策论方法

决策论方法往往应用于高级的决策融合。可以借助决策论方法融合可见光、红外以及毫米波雷达数据用于报警分析。

（5）人工智能方法

人工智能方法包括模糊逻辑、神经网络、遗传算法、基于规则的推理以及专家系统、逻辑模板法、品质因数法等，在信息融合领域的应用也取得了一定的成果[4]。

（6）几何方法

几何方法通过充分探讨环境以及传感器模型的几何属性来达到多传感器信息融合的目的。如，通过对不确定椭球体体积进行极小化的几何方法完成对多传感器的融合处理，利用多边形逼近方法在传感器数据和存储的模板数据之间进行模式匹配，从而融合了多传感器的互补信息以实现对重叠和遮挡目标的识别。

4 信息融合理论体系

多传感器信息融合理论的研究主要集中在：信息融合功能的分解、融合过程标准形式的建立以及信息融合技术数学基础的建立等问题。而多传感器信息融合系统作为一个系统的概念，其理论体系可从状态估计理论、系统辩识与参数估计理论、控制理论3个方面来发展。

4.1 信息融合功能的分解

信息融合功能分解有分层式、中心式以及混合式三种模式。分层融合是指各传感器在每一步都维持自己的数据，然后各传感器的数据传输到一个中心处理器，在此融合成一个精确的全局数据文件；中心式融合的每一步是把各传感器的观测数据都传输到中心处理器，在此