多传感器融合程序报告

多传感器融合程序报告（共6篇）

篇1：多传感器融合程序报告

多传感器信息融合学习心得

通过一学期的学习，对多传感器信息融合有了一定的了解，学习了多传感器信息融合中的多种方法，并在小组论题和作业中都有所体现，下面我谈一下自己的学习心得。

一、多传感器信息融合的产生与发展

多传感器信息融合是由美国军方在20世纪70年代提出的，通过对各传感器获得的未知环境特征信息的分析和综合,得到对环境全面、正确的估计,它避免了单一传感器的局限性,可以获取更多信息,得出更为准确、可靠的结论。主要用于对军事目标（舰艇、飞机等）的检测、定位、跟踪和识别，具体应用在海洋监视、空对空或地对空防御系统等。

二、多传感器信息融合主要方法

多传感器信息融合是建立在传统的估计理论和识别算法的基础之上，主要有卡尔曼滤波、贝叶斯理论、D-S证据理论和小波变换等，下面我简单介绍一下各种算法。

1）卡尔曼滤波

卡尔曼滤波器实际上是一个最优化自回归数据处理算法。首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述：

X(k)=A X(k-1)+B U(k)+W(k)再加上系统的测量值： Z(k)=H X(k)+V(k)

上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的方差 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。

假设现在系统的状态是k，根据系统模型，可以基于系统上一状态而预测出现在状态：

X(k|k-1)=A X(k-1|k-1)+B U(k)………..(1)

式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。

到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的方差还没更新。我们用P表示方差：

P(k|k-1)=A P(k-1|k-1)A’+Q ………(2)

式(2)中，P(k|k-1)是X(k|k-1)对应的方差，P(k-1|k-1)是X(k-1|k-1)对应的方差，A’表示A的转置矩阵，Q是系统过程的方差。式子1，2就是卡尔曼滤波对系统的预测。

现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：

X(k|k)= X(k|k-1)+Kk(k)(Z(k)-H X(k|k-1))………(3)其中Kk为卡尔曼增益(Kalman Gain)：

Kk(k)= P(k|k-1)H’ /(H P(k|k-1)H’ + R)………(4)

到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的方差：

P(k|k)=（I-Kk(k)H）P(k|k-1)………(5)

其中I 为单位阵。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。

式子(1)、(2)、(3)、(4)和(5)就是卡尔曼滤波的5 个基本公式。2）贝叶斯理论

考查一个随机试验，在这个实验中，n个互不相容的事件A1、A2、„、An必发生一个，且只能发生一个，用P（Ai）表示Ai的概率，则有：

P(A)

1(6)ii1n设B为任意事件，则根据条件概率的定义及全概率公式，有

PAiBPBAiPAiPBAPAjjj1n

i=1,2,„,n

(7)

这就是贝叶斯公式。

在(7)中，P(A1)、P(A2)、„、P(An)表示A1、A2、„、An出现的可能性，这是在做试验前就已知道的事实，这种知识叫做先验信息，这种先验信息以一个概率分布的形式给出，常称为先验分布。

现假设在试验中观察到B发生了，由于这个新情况的出现，对事件A1、A2、„、An的可能性有了新的估计，此处也已一个概率分布PA1B、„、PA2B、PAnB的形式给出，因此有：

PAiB≥0

(8)PAB=1

(9)

ii1n这称为“后验分布”。它综合了先验信息和试验提供的新信息，形成了关于Ai出现的可能性大小的当前认识。这个由先验信息到后验信息的转化过程就是贝叶斯统计的特征。

3）D-S证据理论

D-S证据理论是经典概率理论的扩展，当先验概率难以获得时，证据理论就比概率论合适。

D-S方法与其他方法的区别在于：它具有两个值，即对每个命题指派两个不确定性度量（类似但不等于概率）；存在一个证据属于一个命题的不确定性测度，使得这个命题似乎可能成立，但使用这个证据又不直接支持或拒绝它。下面先给出几个基本定义：

设Ω是样本空间，Ω由一互不相容的陈述集合组的幂集2构成命题集合。定义1 基本概率分配函数M 设函数M是满足下列条件的映射：

M：2→[0，1](1)不可能事件的基本概率是0，即M(Φ)=0；(2)对于A,则有：

0≤M(A)≤1

(3)2中全部元素的基本概率之和为1，即

AMA=1 则称M是2上的概率分配函数，M(A)称为A的基本概率函数，表示对A 的精确信任。

定义2 命题的信任函数Bel 对于任意假设而言，其信任度Bel(A)定义为A中全部子集对应的基本概率 之和，即

Bel：2→[0，1]

Bel(A)=MB，对所有的A

BADou(A)=Bel(-A)Bel函数也称为下限函数，表示对A的全部信任。由概率分配函数的定义容 易得到：

Bel(Φ)=0 Bel(Ω)=M(B)

B定义3 命题的似然函数Pl Pl：2→[0，1]

Pl(A)=1-Bel(-A)，对所有的A

Pl函数也称为上限函数，表示对A非假的信任程度。信任函数和似然函数有如下关系：

Pl(A)≥Bel(A), 对所有的A

而（Bel(A),Pl(A)）称为信任空间。

三、多传感器信息融合的应用

随着多传感器信息融合技术的迅速发展，除了在军事领域的应用，近年来在许多民用领域也得到了快速的应用，例如：图像融合、智能机器人、故障诊断、智能交通系统等。

1．军事应用

随着信息技术的发展和近几场局部战争的实践，网络中心战将成为未来信息化作战的主要模式，因此信息融合将成为发展各分系统的最基本要求。

信息融合技术是随着信息处理和指挥自动化系统的发展而形成的，它的优越性来源于系统的“组合效应”。现代战争要求各作战平台能相互支援、通力协作，以形成一个紧密结合的整体，最大限度的发挥整体合力。因此，在信息化技术的帮助下，不同武器装备实现了效能的互补，不同军种之间实现了功能的互补，具备了互联、互通、互操作的能力，从而使不同军种的不同武器系统在技术上融为一体，在作战时空上融为一体，进而使体系对抗成为联合作战的主体。

2．交通系统

由于交通检测器获取信息的局限性，无法全面掌握整个路网的交通信息，因此，通过信息融合技术在交通领域中的应用，提高交通管理中的效率。

信息融合技术在交通领域中主要用于车辆定位、车辆身份识别、车辆跟踪、车辆导航及交通管理。这其中关键的就是对交通数据进行融合。因此，监控中心必须对各个数据源的数据进行校验，避免单个信息源失效而导致的判断失误。

3．图像融合

随着数字图像处理技术的迅速发展，人们获取图像的途径越来越多，因此图像融合成为一个热门研究领域。

多传感器图像融合可进一步提高图像分析、理解与目标识别能力。图像融合就是充分利用多幅图像资源，通过对观测信息的合理支配和使用，把多幅图像在空间或时间上的互补信息依据某种准则融合，获得对场景的一致性解释或描述，使融合后的图像比参加融合的任意一幅图像更优越，更精确的反映客观实际。

总之，随着新型传感器的不断出现，以及现代信号处理技术、计算机技术、网络通信技术、人工智能技术、并行计算的软件和硬件技术等相关技术的飞速发展，多传感器信息融合将成为未来军用和民用高科技系统的重要技术手段。

篇2：多传感器融合程序报告

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提.本文采用改进的`模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪.仿真实验结果说明了本文方法的有效性.

作 者：韩红 韩崇昭 朱洪艳 刘允才 作者单位：韩红(上海交通大学自动化系,上海,30;西安交通大学综合自动化研究所,西安,710049)

韩崇昭,朱洪艳(西安交通大学综合自动化研究所,西安,710049)

刘允才(上海交通大学自动化系,上海,200030)

篇3：多传感器数据融合研究

随着计算机技术、通信技术及微电子技术的发展, 在军事、医学、能源探测、资源勘探、海洋测量、环境和土地利用管理、地形地貌分析等方面的大量应用需求下, 数据融合技术呈迅猛发展之势。医学上, 这种技术被用来诊断出准确的病变部位。在军事上数据融合技术有着更为广阔的应用前景, 包括目标跟踪、目标自动识别、智能武器敌我识别、系统战场监视、战术态势评估、威胁评估、战场预警及战略防御等。

遥感技术发展迅速, 获取遥感数据的手段越来越丰富, 各种传感器获得的图像数据在同一地区会形成影像金字塔, 单一传感器的数据处理已发展为多种传感器数据处理即多传感器数据融合, 数据融合技术可实现多传感器数据的优势互补, 为提高这些数据的利用效益提供了有效的途径, 极大地提高了处理的自动化, 人机界面亦由传统的友好界面发展到人机协作的自适应多媒体界面。

数据融合技术在军事上的应用是随传感器信息处理及综合指挥控制系统的发展而发展起来的, 其自动化很大程度上取决于数据融合水平的高低, 它所揭示的信息处理思想和方法可以很好地解决目标识别的瓶颈问题。可以说多传感器数据/信息融合迄今已发展成为现代技术尤其是高新技术条件下各种战争模式中正确进行指挥决策及克敌致胜不可缺少的一项关键性技术。

2 多传感器的数据融合Data fusion

在许多应用场合, 由单个传感器所获得的信息通常是不完整、不连续或不精确的。此时其他的信息源可以提供补充数据, 融合多种信息源的数据能够产生一个有关场景的更一致的解释, 而使不确定性大大降低。因此, 多传感器数据融合意义重大, 利用优势互补可以使目标检测和识别过程变得相对简单, 准确率大大提高。

数据融合Data fusion技术又称多传感器数据融合或分布式传感技术, 它涉及如何组合多种类型传感器数据对物理事件行为或态势进行推断, 对多类多源和多平台传感器获取的数据判别处理综合分析。与其他数据处理技术相比更能快速、准确、可靠、连续及全面地提供有关环境态势的综合性结论。多传感器数据融合可以在表述的信号级、像素级、特征级或符号级上进行。信号级融合是指来自不同传感器信号在生成图像前的联合;像素级融合包括来自不同数字图像的信息的融合;特征级融合指的是从不同图像中提取的特征之间的融合;符号级的融合是来自图像中的信息在抽象这个更高层次上的融合。信号级、特征级和符号级的融合方法都没有很好利用图像数据的相关性, 不利于对图像进行正确的目标识别和检测。

2.1 雷达与红外的数据融合

毫米波 (MMW) 雷达、激光成像雷达 (LADAR) 与红外传感器组合可以同时提供主动和被动两种工作方式。这样的组合可以用FLIR搜索潜在的目标, 利用毫米波雷达具有很好的抗衰减能力的特性进行进一步探测, 再与激光成像雷达 (LADAR) 的信息结合进行目标的识别。另外合成孔径雷达与红外图像的融合, 可以充分利用合成孔径雷达全天候、全时段获得目标信息的特点和红外图像具有丰富的谱图的特点, 来获得较高空间分辨力和谱分辨力的融合图像。

2.2 光学图像与雷达图像的数据融合

光学图像以光谱信息为主, 是一种经常使用的遥感图像。雷达图像反映结构信息较好, 而且雷达具有全天时、全天候、穿透性等优点, 较光学传感器具有更大的侦察范围, 可以发现不易被光学传感器发现的目标。但是雷达信号代表的是被观测物体的微波反射特性的反射率空间分布函数, 不为人们所熟悉, 而且对于不同的雷达工作频率、入射角和极化方式, 感兴趣物体具有不同的微波反射特性, 所以如果只使用雷达数据来进行目标检测及识别比较困难。光学图像中的地面目标处于反射状态, 它不仅有明暗变化而且形状边缘清晰, 图像的细节也较雷达图像明显, 这使得检测识别变得相对简单和直接, 但是光学传感器大气衰减大且受天气及观测时刻影响较大。因此, 雷达图像和光学图像融合意义重大, 利用二者优势的互补可以使目标检测和识别过程变得相对简单, 准确率提高。

2.3 红外图像与可见光图像的数据融合

一般目标都会有较大的温度梯度或背景与目标存在较大的热对比度, 低可视目标往往容易被红外传感器探测到, 与红外热图像相比, 可视图像可提供更多的目标细节。红外与可见光传感器的组合, 数据融合后得到的图像既保留了目标的高局部亮度对比, 还能获取目标表征的重要细节。

2.4 多雷达的数据融合

在多雷达的融合系统中无论是检测距离还是覆盖范围, 与单部雷达相比, 融合系统均有较大提高。当雷达性能相近或相同时, 融合系统的性能会有显著改善;而当雷达性能相差较大时, 融合系统性能改善不明显, 接近较优雷达的性能。对合成孔径雷达数据融合过程可进行相干处理, 用双天线提高对观测场景的匹配, 可以得到同一传感器的不同频率或不同极化图像的融合。这需要电磁测量的校正和多极化、多频率图像融合、图像互对准等。不同分辨力合成孔径雷达图像的融合, 可得到噪声较低的高分辨力融合图像。

2.5 不同波段红外数据融合

采用不同波段的两个传感通道, 如:使用3~5μm、8~14μm两种波段的红外传感器探测同一空间目标, 会使得到的目标背景信息量增加了一倍, 采用融合技术, 可提高系统的探测距离和识别能力。在地下探矿、人造目标探测和航空遥感等方面有着广泛应用。

2.6 CT、PET、MRI等的数据融合

各种成像方法在临床上的应用, 使得医学诊断和治疗技术取得了很大的进展, 同时将各种成像技术得到的信息进行融合互补, 已成为临床诊疗及生物医学研究的有力武器。如:X射线断层成像 (CT) 、正电子发射断层成像 (PET) 、核磁共振 (MRI) 、单光子发射断层成像 (SPET) 、超声成像 (US) 、显微成像 (MI) 等。不同的成像模式可提供图像互不覆盖的互补信息。如:CT提供骨骼信息、MRI提供软组织、血管等信息。在有骨骼的地方选择CT属性, 在其他有软组织的地方选择MRI属性, 融合各信息用于制定手术方案。在未来, 基于图像融合的数字可视化与虚拟现实技术相结合, 可创造出一个虚拟环境, 帮助医生制定最有效、最安全的手术方案。

2.7 单传感器多谱数据融合

多谱图像数据融合是把多变量信息, 即多波段的图像信息综合在一张图像上, 而且对于融合图像来说, 各波段的信息所做的贡献能最大限度地表现出来。为此可对原图像各波段像素亮度值作加权线性变换, 产生新的像素亮度值或将多个波段的信息集中到若干个波段上, 如红、绿、蓝色波段。多谱图像数据融合也可通过亮度、色度和饱和度变换 (IHS变换) 、主成分分析 (PCA) 和高通滤波 (HPF) 等方法进行。为了得到更好的融合结果, 可将已提取的目标信息加到变换公式中, 根据先验信息对图像的参数进行修正。基于已知特征的融合方法可以针对不同的要求, 灵活改变信息特征的提取方法。用微分几何方法将多谱图像变换为可视图像可能会成为有前途的方法。一般来说, 多谱图像融合得到的是彩色图像。

3 数据融合方法

多传感器数据融合可以在表述的信号级、像素级、特征级或符号级上进行。信号级融合是指来自不同传感器信号在生成图像前的联合;像素级融合包括来自不同数字图像的信息的融合;特征级融合指的是从不同图像中提取的特征之间的融合;符号级的融合是来自图像中的信息在抽象这个更高层次上的融合。

3.1 像素级数据融合

3.1.1 逻辑滤波器法

最直观的融合方法是两个像素的灰度值进行逻辑运算, 如:两个像素的灰度值均大于特定的门限值, 进行“与”运算。来自“与”运算的特征被认为是对应了环境的主要方面。同样, “或”滤波用来分割图像, 因为所有大于特定的门限值的传感器信息都可用来进行图像分割。两个像素的灰度值均小于特定的门限值时, 用“或非”运算。

3.1.2 加权平均法

加权平均法用于处理来自各个测量精度大不相同的数据源的数据, 是最简单最直观融合多传感器数据的方法。该法对某一参数值通过一加权因子取平均, 即将由一组传感器提供的冗余信息进行加权取平均, 并将加权平均值作为信息融合值。当每个传感器的测量值为标量, 且加权值反比于每个传感器的标准差时, 加权平均法与贝叶斯方法相一致

3.1.3 数学形态法

数学形态学通过使用从基本算子:集合并、集合交、减、条件加推演出来的一套数学形态算子, 如膨胀、腐蚀等算法, 对图像进行处理。若两个集合互相支持, 则通过集合交从两个特征集中提取出高置信度的“核”特征集;若两个集合互相对抗, 则通过集合差从两个特征集中提取出高置信度的“核”特征集。两个集合互相支持, 则通过集合并从两个特征集中提取出高置信度的“潜在”特征集;若两个集合互相对抗, 则通过一个集从另一个集中提取出高置信度的“潜在”特征集。用条件膨胀和条件腐蚀的形态运算来融合“核”与“潜在”特征集。条件膨胀用来提取“潜在”特征集的连接分量, 可用来抑制杂波;条件腐蚀可用来填入在“核”特征集中丢失的分量边界元素。开运算和闭运算的基本作用是对图像进行平滑处理, 开运算可以去掉图像中的孤立子域和毛刺, 闭运算可以填平一些小洞并将两个邻近的目标连接起来。统计形态的引入为图像融合提供了一种新的思路。将统计的思想与形态滤波相结合估计图像包含的有用信息, 噪声抑制效果较好。

3.1.4 图像代数法

图像代数是描述图像算法的高级代数语言, 完全可以描述多种像素层的融合算法。它有四种基本的图像代数操作数:坐标集、值域、图像和模板。坐标集, 可定义为矩形、六角形、环形离散矩阵及多层矩阵数组, 用来表示不同方格和分辨率图像的相干关系。若来自多传感器的用于像素层融合的图像有相同的基本坐标系, 则坐标集称为齐次的;否则称为非齐次的。“值域”通常对应整数集、实数集、复数集、固定长度的二进制数集, 通常对其定义算术和逻辑运算。若一个值集的所有值都来自同一数集, 则称为齐次的, 否则称为非齐次的。“图像”是最重要的图像代数算子, 定义为从坐标集到值集函数的图。“模板”和模板算子是图像代数强有力的工具, 它将模板、掩模、窗口、数学形态的构成元素、定义在邻域像素上的其他函数, 统一、概括成数学实体。用于变换实值图像的三种基本的模板操作是:广义卷积、乘积最大、和最大。模板操作可通过在全局和局部卷积来改变维数、大小和图像形状。

3.1.5 金字塔图像融合法

用金字塔在空间上表示图像是一种简单方便的方法。概括地说金字塔图像融合法就是将参加融合的每幅源图像作金字塔表示, 将所有图像的金字塔表示在各相应层上以一定的融合规则融合, 可得到合成的金字塔。将合成的金字塔, 用金字塔生成的逆过程重构图像, 则可得到融合图像。金字塔可分为:Laplacian金字塔、Gaussian金字塔、梯度金字塔、数学形态金字塔等。

3.1.6 小波变换图像融合法

3.1.6. 1 图像的快速小波分解

Mallat提出了小波的快速分解与重构算法, 他利用两个一维滤波器实现对二维图像的快速小波分解, 利用两个一维重构滤波器实现图像的重构。

3.1.6. 2 基于小波分解的图像融合

若对二维图像进行N层的小波分解, 最终将有 (3N+1) 个不同频带, 其中包含3N个高频带和一个低频带。对图像分解层数N的确定和对具体问题母小波的确定还有一些有待研究的问题。基于小波框架、小波包的图像融合方法在一些情况下融合效果较好。

基于小波分解的图像融合基本步骤如下: (1) 对每一源图像分别进行小波分解, 建立图像的小波金字塔分解; (2) 对各分解层分别进行融合处理, 各分解层的不同频率分量采用不同的融合算子进行融合处理, 最终得到融合后的小波金字塔; (3) 对融合后小波金字塔进行小波逆变换, 得到重构图像。

小波变换的目的是将原始图像分别分解到一系列频率通道中, 利用分解后的金字塔结构, 对不同分解层、不同频带分别进行融合处理, 可有效地将来自不同图像的细节融合在一起。人的视网膜图像是在不同频带上分别以不同算子进行融合的。基于小波分解的图像融合也是在不同的频率通道上进行融合处理的, 因而可获得与人的视觉特性更为接近的融合效果。

3.1.7 多尺度卡尔曼滤波

以卡尔曼滤波的形式在空间上将图像分层表示, 引入带有噪声的量测模型, 以统计图像的方式对图像进行处理, 在各不同层次上对图像融合。

3.1.8 基于微分几何的图像融合

对多谱图像进行融合, 可借助微分几何作为工具, 计算一阶多谱对比度, 求出最优灰度值。将图像的多波段构成几何流形, 将多波段对比度构成的多维向量投影到图像的灰度区间上, 这种方法计算的对比度值比梯度法和零交叉法, 能更充分地利用多谱信息, 对噪声抑制效果好。

3.2 特征级数据融合

3.2.1 联合统计

当来自多传感器的信息被用于分类和决策时, 需要某种类型的判别尺度, 需要对感知的环境与已知特征比较。联合统计量可用于快速而有效地分类未知样本的概率密度函数。

3.2.2 带约束的高斯-马尔可夫估计

协方差矩阵用来存储与约束有关的信息, 并可作为基本几何推理的数据库。

3.2.3 广义卡尔曼滤波

利用广义卡尔曼滤波能有效地使图像对准, 使它们可在特征层融合, 并可在出现环境噪声和传感器噪声时减少有关环境中物体位置的不确定性。

3.2.4 神经网络图像融合

人工神经网络的特点是:利用其固有的并行结构和并行处理;知识的分布存储;容错性;自适应性等。网络的知识表示与它的知识获取过程将同时完成, 因而执行速度可以加快。在推理过程中, 根据需要还可以通过学习对网络参数进行训练和自适应调整, 因此, 它是一种有自适应能力的推理方式;另外, 现实世界中图像噪声总是不可避免地存在, 甚至有时信息会有缺失, 在这种情况下, 神经网络融合方法也能以合理的方式进行推理。在进行图像融合时, 神经网络经过训练后把每一幅图像的像素点分割成几类, 使每幅图像的像素都有一个隶属度函数矢量组, 提取特征, 将特征表示作为输入参加融合。目前绝大多数的神经网络是用数字化仿真来实现的, 使用软件和数字信号处理芯片来模拟并行计算。

3.3 符号级数据融合

3.3.1 贝叶斯估计

贝叶斯估计为多传感器融合提供了按概率理论规则组合传感器信息的方法。贝叶斯估计是以贝叶斯法则为基础的技术。

3.3.2 登普斯特-谢副 (D-S) 证据推理

证据理论可处理由不知道所引起的不确定性。它采用信任函数而不是概率作为度量, 通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率, 当约束限制为严格的概率时, 它就变成为概率论。在证据相关时, 可考虑用D-S理论推广方法。

3.3.3 带置信度因子的生成规则

多传感器融合的生成规则可表达为:在前提X条件下, 给出结论Y的逻辑含义。用生成规则通过确定性因子与每个命题和规则相联系, 来表示系统中的不确定性。

3.3.4 模糊逻辑

模糊逻辑是一类多值逻辑, 通过对每个命题以及运算符分配从0.0到1.0的实数值直接表示推理过程中多传感器融合的不确定性。建立融合过程不确定性模型, 进行一致性推理。模糊逻辑方法的主要优点在于能将直观经验和知识中的模糊概念给以定量的描述, 处理方法也不是常规方法中的是与否的2值回答, 而是对某个特征属性隶属程度给出的描述与实际问题看法相类似。作为专家系统思想方法之一的模糊理论被应用到众多信息融合系统的设计中。但这一理论的和谐性和数学的严密性迄今尚未得到完全解决。

3.3.5 关系事件代数方法

是一种有应用前景的方法。关系事件代数是条件事件代数的发展, 是对不确定性的一种描述。关系事件代数方法是借助随机集理论, 以知识分析的方式进行数据融合。

4 结束语

数据融合技术涉及到复杂的融合算法、实时图像数据库技术和高速、大吞吐量数据处理等软硬件支撑技术。如果神经网络计算机成为可能, 神经网络的图像融合方法也可能成为一种最有前途的图像融合的方法。目前主要应结合实际应用背景, 充分利用相关电子技术成果, 利用高速数字信号处理 (DSP) 算法来实现图像融合。在计算方法上, 人们试图在尽量不丢失信息的情况下, 提高计算效率, 降低计算代价。一类算法是在满足一定要求的情况下, 对图像压缩, 以满足传输等要求。目前, 我国的数据融合技术处在起步阶段, 已研制出一些具有初步融合功能的多传感器数据融合系统, 但与发达国家相比, 还有很大的差距。

参考文献

[1]何友, 王国宏, 陆大金, 彭应宁.多传感器信息融合及应用.北京:电子工业出版社, 2000.

[2]Waltz E, Buede D M.Data Fusion and Deci-sion Support for Command and Control[J].IEEE Trans.On SMC, 1986, 16 (6) :865-879.

篇4：多传感器信息融合技术探析

关键词：多传感器系统；信息融合；功能模型；发展趋势

中图分类号：TP212文献标识码：A文章编号：1007-9599 (2012) 01-0000-02

Analysis of Multi-sensor Information Fusion Technology

Tan Lin

(Military Command Information of the Department of Shandong Province,Jinan250099,China)

Abstract:Multi-sensor information fusion is a multidisciplinary involving signal processing,information theory,artificial intelligence,fuzzy mathematics theory has been widely used in military and civilian fields.This paper introduces the concept of multi-sensor information fusion,describes the functional model of multi-sensor information fusion,methods and applications,and their development trends are analyzed.

Keywords:Multi-sensor system;Information fusion;Functional model;Development trends

一、概念

多传感器信息融合，又称多源信息融合，是用于包含多个或多类传感器或信息源的系统的一种信息处理方法。目前，关于多传感器信息融合的定义有多种描述方式，其中，应用比较典型且应用比较广泛的是Walz和JDL的定义。Walz将其定义为通过对多个传感器产生的数据或信息进行检测、组合估计、关联等多级操作，从而得到关于观测环境或目标的精确状态、身份估计以及完整、及时的态势评估的过程。JDL将其定义为对多源数据或信息进行关联组合，以估计或预测观测环境或目标相关状态的过程。无论怎样定义，基本原理都是充分利用多源系统中各信息源所提供的信息的不同特征，按照某种优化准则，将这些互补冗余的信息进行重新组合、关联，从而产生对观测目标或环境的一致性解释和描述。多传感器信息融合通过对各种分离的观测信息进行优化组合，从而导出更多的有效信息，以达到利用多个信源协同工作的优势来系统整体效能的最终目的。

二、功能模型和主要方法

（一）功能模型

根据输入信息的抽象层次，多传感器信息融合可以分为信源、预处理、检测级融合、位置级融合、目标识别融合（特征级融合）、状态级融合（态势估计）、威胁估计和精细处理。如下图所示。

1.信源主要有红外、雷达、ESM、声纳、敌我识别器、通信情报、电子情报、侦察情报等。

2.信源预处理，是指根据信息特征和属性、传感器种类、观测时间等各种基本信息，对多源信息进行分选、误差补偿、过程分配、像素级或信号级数据关联等。主要目的是降低系统需要处理的数据量，避免系统过载，提高系统性能。

3.检测级融合是第一级融合，属于信号处理级的融合。它根据预先设定的检测准则形成最优化检测门限，从而产生最终的检测输出。其结构主要有五种：分散式结构、树状结构、串行结构、并行结构和带反馈的并行结构。

4.位置级融合是第二级融合，它通过综合来自多传感器的关于同一观测目标的时间和空间等信息，建立该观测目标的航迹，并得出观测目标的行进速度和位置等信息，主要包括空间融合、时间融合和时空融合。具体过程主要有数据校准、数据关联、目标跟踪、状态估计、航迹关联、估计融合等。其结构主要有集中式结构、分布式结构、混合式结构和多级式结构。

5.目标识别融合，也叫属性分类或身份估计，属于第三级融合，是指通过组合来自多个传感器的关于观测目标的识别属性或数据，得到关于观测目标身份的联合估计。根据融合时所应用的关于观测目标的信息层次，该级融合可以分为数据级融合、特征级融合和决策级融合三种方法。

6.态势估计，属于第四级融合，他通过对战斗力量部署及其变化情况进行评价，估计敌方兵力结构和部署特点，推断敌方意图，并最终形成战场综合态势图，从而为最优决策提供依据。主要包括：提取进行行为估计要考虑的各要素，为态势推理做准备；分析并确定事件发生的深层次原因；根据以往时刻发生的事件，预测将来时刻可能发生的事件；形成战场态势分析报告和综合态势图，为指挥员提供辅助决策信息。

7.威胁估计，属于第五级融合，它是基于当前态势，包括敌方杀伤能力、行为企图、机动能力和运行模式等各种先验知识，估计出对未来一段时间内敌方威胁、我方薄弱点以及战争行动发生的程度或严重性，并作出相应指示与告警。主要包括：估计潜在事件；判断威胁时机；估计/聚类作战能力；进行多视图评估；预测敌方意图等。

8.精细处理，属于第六级融合，主要包括传感器管理、信源要求、融合控制要求、性能评估和任务管理等。

9.数据库处理，主要包括两种数据库：融合数据库和支持数据库。前者主要包括目标位置数据库、身份数据库、威胁估计数据库、态势估计数据库等，后者主要包括观测数据库、环境数据库、档案任务数据库、技术数据库、算法数据库、条令数据库等。

（二）主要方法

多传感器信息融合的目标是通过对各信源的观测信息进行优化组合，以期得到对观测环境或目标的一致性描述和解释。因此，信息融合面临的一个最基本的问题就是如何处理来自各传感器的信息的多样性、复杂性和不确定性。目前，能够应用于多传感器数据融合的方法可以分为为随机类方法和人工智能方法两大类。随机类方法主要有统计决策理论、D-S证据推理、产生式规则、多贝叶斯估计法、Kalman滤波等；而人工智能类方法主加权平均法、要包括专家系统、人工神经网络、模糊逻辑理论、粗糙集理论等。其中，加权平均法和Kalman滤波融合方法主要应用于动态环境中的低层次数据融合，统计决策理论、贝叶斯估计法、D-S证据推理、模糊逻辑理论主要应用于静态环境中的高层次数据融合，粗糙集理论、产生式规则方法适用于动态或静态环境中的高层次数据融合，而人工神经网络则可以应用于动态或静态环境中的各层次数据融合。

由于各类方法具有互补性，因此，在实际应用中，通常将多种方法组合运用，如粗糙集神经网络方法、模糊神经网络方法等，以提高融合的精度和效率。

三、主要应用和发展趋势

信息融合理论和技术最早起源并应用于军事领域，随后随着该理论和技术的推广，信息融合已被广泛应用于民事和军事领域中。民事应用主要包括：工业过程监视、工业机器人、智能制造系统、遥感、患者照顾系统、船舶避碰与交通管制系统、空中交通管制、智能驾驶系统、网络入侵监测系统、火灾报警、数字旅游、金融信息融合等。军事应用包括从单兵作战、单平台武器系统到战术和战略指挥、控制、通信、监视和侦察等广阔领域，具体应用范围包括：采用多元的自主武器系统和自备式运载器；采用单一武器平台或分布式多源网络系统的广域监视系统；采用多个传感器进行截获、跟踪和指令制导的火控系统；情报收集系统；敌情指示和预警系统；军事力量的指挥和控制站；弹导导弹防御中的BMC3I系统；协同作战能力、网络中心战、C4ISR、地面/海面/空中单一态势图等复杂系统中的应用。

尽管多传感器信息融合技术已经取得了很大的发展，但仍有很多应用需要进一步研究和探索，主要有以下几个方面：（1）复杂环境下信息融合，主要包括复杂环境下的分布检测融合研究、复杂电磁环境下的目标跟踪算法研究、复杂目标运动环境下的多源融合跟踪研究等；（2）无线传感器组网信息融合研究，主要包括机会信息融合问题、传感器优化管理问题等；（3）信号融合理论研究，主要包括稳定信号特征提取和建立、数据融合和信号融合的联和优化问题以及信号的关联性和一致性问题等；（4）图像融合研究，主要包括图像融合评价体系的构建、基于遥感图像融合的三维成像技术研究、图像融合系统的实时处理等；（5）其他内容，如空间信息融合、面向通用知识的融合、信息融合中的智能数据库技术和精细化处理研究等。

参考文献：

[1]何友,王国宏,关欣.信息融合理论及应用[M].北京:电子工业出版社,2010,3

[2]何友,薛培信,王国宏.一种新的信息融合功能模型[J].海军航空工程学院学报,2008,5

[3]丁锋,姜秋喜,张楠.多传感器数据融合发展评述及展望[J].舰船电子对抗,2007,6

[4]杨露菁,耿伯英.多传感器数据融合手册[M].北京:电子工业出版社,2008,5

篇5：小卫星多传感器融合滤波定姿算法

小卫星多传感器融合滤波定姿算法

虽然扩展卡尔曼滤波被成功应用于许多非线性系统,但由于其对高阶项的截断误差等因素,其用于小卫星多传感器定姿系统时性能受到限制.针对上述问题,本文提出了一种将扩展卡尔曼滤波器与两步滤波器相结合的方法.利用Gibss矢量做姿态参数,避免了四元数在进行迭代时的归一化约束.以太阳敏感器、星敏感器、MEMS陀螺、磁强计为敏感器件,通过仿真,将本文算法与扩展卡尔曼滤波器进行了对比.结果说明,本文算法能将最大稳态定姿误差降低4.4×10-30.

作 者：段方 刘建业 李荣冰 DUAN Fang LIU Jian-ye LI Rong-bing 作者单位：南京航空航天大学导航研究中心,南京,210016刊 名：宇航学报 ISTIC PKU英文刊名：JOURNAL OF ASTRONAUTICS年，卷(期)：27(2)分类号：V448.22关键词：两步滤波器 卡尔曼滤波 姿态 卫星

篇6：多传感器融合程序报告

院 － 系： 信息工程与自动化学院 专 业： 模式识别与智能系统 年 级： 2011 级 学生姓名： 朱 丹 学 号： 2011204082 任课教师： 黄国勇

2011年11月

摘要

机器人多传感器信息融合是当今科学研究的热点问题。传感器是连接机器人智能处理过程与外界环境的重要纽带，一般智能机器人都配有数个不同种类的传感器。本文主要分析了多传感器系统在机器人当中的重要性和多传感器信息融合的基本原理，并探讨了多传感器信息融合技术在智能机器人中的应用。

关键词：智能机器人、多传感器、信息融合

引言

多传感器、信息融合技术与传统机器人的结合构成了智能机器人。要使机器人拥有智能，对环境变化做出反应，首先必须使机器人具有感知环境的能力。用传感器采集环境信息加以综合处理，控制机器人进行智能作业，更是机器人智能化的重要体现。在以往机器人智能领域的研究中，人们把更多的注意力集中到研究和开发机器人的各种外部传感器上。尽管在现有的智能机器人和自主式系统中，大多数使用了多个不同类型的传感器，但并没有把这些传感器作为—个整体加以分析，更像是—个多传感器的拼合系统。虽然在各自传感器信息处理与分析方面开展了大量富有成效的工作，但由于忽视了多传感器系统的综合分析，对提高智能系统的性能带来了不利影响，效率低下而且速度缓慢。

因此，多传感器信息融合技术较之单一传感器有非常大的数据准确度的优势，已经成为现在机器人研究领域的关键技术。

一、多传感器信息融合的基本原理

多传感器信息融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将人体的各种功能器官(眼、耳、鼻、四肢)所探测的信息(景物声音、气味和触觉)与先验知识进行综合的能力，以便对周围的环境和正在发生的事件做出估计。这一处理过程是复杂的，也是自适应的，它将各种信息(图像、声音、气味、物理形状、描述)转化成对环境的有价值的解释，这需要大量不同的智能处理，以及适用于解释组合信息含义的知识库。

多传感器信息融合实际上是对人脑综合处理复杂问题的一种功能模拟。在多 传感器系统中，各种传感器提供的信息可能具有不同的特征:时变的或者非时变 的；实时的或者非实时的；快变的或者缓变的；模糊的或者确定的；精确的或者 不完整的；可靠的或者非可靠的；相互支持的或互补的；相互矛盾的或冲突的。

多传感器信息融合的基本原理就像人脑综合处理信息的过程一样，它充分地利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。

二、智能机器人中的多传感器信息融合系统

智能化已成为机器人发展的重要趋势，多传感器、信息融合技术与传统机器人的有机结合构成了智能机器人。传感器是机器人获取外部信息的重要途径，传感器信息融合技术则是实现机器人智能化的基础。

2.1 机器人与传感器

要使机器人拥有智能，对外界的变化做出反应，首先机器人必须能够感知外界环境，用传感器获取外界环境信息是实现机器人智能化的前提。研究机器人，应该先从模仿人开始，人的各种感觉器官及其功能都是机器人感觉的模仿对象。人类通过感觉器官获取外界的环境信息，并将这些信息传给大脑进行加工综合，然后发出行动指令调动肌群执行动作。机器人也是如此，计算机相当于人类的大脑，而传感器相对于机器人来说就像人类的感觉器官，是机器人获取外界信息的窗口。

2.2 传感器的选择

机器人需要感知的环境内容众多，因此需要丰富的传感器作为硬件支撑。传感器是连接智能处理过程与外界环境的重要纽带。常用的传感器有红外传感器、超声波传感器、激光传感器和摄像机等。机器人感知环境的能力很大程度上取决于传感器的性能，所以选择适当的传感器是机器人正确感知环境的先决条件。单一的传感器采集的环境特征信息往往是非常有限的，甚至是局部的、片面的；而过多的传感器并不一定能给系统带来好的结果，甚至会增加系统负担与复杂性等，同时还可能掩盖了多传感器信息融合的本质。因此，在选择传感器时应该充分考虑到数量、种类与传感器之间的相干性。一个具有较强功能的智能机器人一般都配有距离和接近觉传感器、多功能触觉、立体视觉传感器等。

2.3 多传感器信息融合系统

多传感器信息融合系统的性能是反映智能机器人智能水平的一个重要的指标。机器人的传感器系统是智能系统的硬件基础，而多传感器信息融合系统则是使智能系统高效运行的软件。多传感器信息融合系统的主要任务是将处于不同位置、不同状态的传感器获取的局部的、不完整信息加以综合处理，消除多传感器信息之间可能存在的冗余或矛盾，降低其不确定性，以形成对外界环境相对完整的描述，从而有效提高智能系统的决策和规划能力，同时降低其决策风险。在一个多传感器信息融合系统中，多传感器是信息融合的物质基础，传感器信息是信息融合加工的对象，协调优化处理是信息融合的核心思想。多传感器信息融合的优化处理非常的重要，其是系统性能好坏的决定因素。多传感器信息融合系统的一般结构如图1所示。

图1

多传感器信息融合可以是多层次、多方式的，一般在信息融合中心的信息综合处理器中完成。多传感器信息融合拓扑结构主要有集中型、分散型、混合型和分级型，分级型又可分为有反馈结构和无反馈结构。在这四种结构中，集中型和分散型是两种比较常用的融合结构。集中型结构简单，精度高、但只有接收到所有传感器的信息后才进行信息融合，因此各融合中心计算和通信负担较重，可能造成系统融合速度慢、容错性差。在分散型结构中每个传感节点都具有估计全局信息的能力，不必维护较大的集中数据库，通信负担轻，融合速度快，不会因为某个传感节点失效而影响整个系统正常工作，具有较高的可靠性和容错性，但融合精度没有集中型高。混合型结构保留了集中型和分散型的优点，但是在计算和通信上都要付出昂贵的代价。分级型结构中各局部节点可以同时或分别是集中型、分散型或混合型的，其计算和通信负担介于集中型结构分散型结构之间。从多传感器信息融合技术被提出开始，其融合结构还在不断地改进，目前的融合结构方案还在不断地探索中。

三、多传感器信息融合方法

3．1估计理论

估计方法有加权平均法、最大似然估计、最小均方估计、卡尔曼滤波等。

3.2 基于统计的融合方法

基于统计的融合方法有：经典推理、贝叶斯法和D-S证据理论。经典推理技术完全依赖数学理论，其优点是有严格的数学理论作基础，但当把它用于多变量统计时，就要求先验知识和计算多维概率密度函数，这对于实际应用是一个限制。另外，它还有其他缺点：只能同时估计两个假设；在多变量数据情况下其复杂性急剧上升。所以在信息融合中很少使用。

3.3 应用信息论的融合方法

信息论方法的共同点是将自然分组和目标类型相联系，即实体的相似性反映了观测参数的相似性，不需要建立变量随机方面的模型。这些方法包括参数化模板、聚类算法、神经网络、投票法、嫡度量技术、优化图解仪、相关性度量等。

3.4 基于认知的模型

基于认知的模型尝试模拟和自动执行人脑分析的决策过程，它包括逻辑模板、基于知识的系统和模糊集合理论。

四、信息融合的关键问题

4．1 数据对准

在多传感器融合系统中，每个传感器提供的观测数据都在各自的参考框架之内，在对这些信息进行组合之前，必须首先将它们变换到同—个参考框架中去。但是要注意的是，由于多传感器时空配准引起的舍入误差必须得到补偿。

4.2 同类或异类数据

多传感器提供的数据在属性上可以是同类。也可以是异类的，而且异类多传感器较之同类传感器，其提供的信息具异类数据在实践上的不同步，数据率不一致以及测最维数不匹配等特点，使得对这些信息的处理更加困难。

4.3 传感器观测数据的不确定性

由于传感器工作环境的不确定性，导致观测数据包含有噪声成分。在融合处理中，需要对多源观测数据进行分析验证，并补充综合，在最大限度七降低数据的不确定性。

4.4 不完整、不一致及虚假数据

在多传感器信息融合系统中，对传感器接收到的测量数据有时会存在多种解释，称之为数据的不完整性。多传感器数据往往也对观测环境做出不一致甚至相互矛盾的解释。另外，由于噪声及干扰因素的存在，往往存在—些虚假的量测数据。信息融合系统需要能够对这些不完整、不—致以及虚假数据进行有效的融和处理。

4.5 数据关联

数据关联问题广泛存在，需要解决单传感器时间域上的关联问题，以及多传感器空间域上的关联问题，从而能够确定来源于同一目标源的数据。

4.6 态势数据库

态势数据库有实时数据库和非实时数据库两种。前者的作用是把各传感器的检测结果提供给融合中心，并存储融合处理的最终态势、决策分析结果进行分析和综合，生成综合态势，实时地根据错传感器检测结果进行数据融合计算和态势决策分析等。

五、信息融合应用

信息融合的重要应用领域为机器人。目前主要应用在移动机器人和遥操作机器人上，因为这些机器人工作在动态、不确定与非结构化的环境中，这些高度不确定的环境要求机器人具有高度的自治能力和对环境的感知能力，采用多传感器信息融合技术可以使机器人具有感知自身状态和外部环境的能力。实践证明：采用单个传感器的机器人不具有完整、可靠地感知外部环境的能力。

智能机器人应采用多个传感器，并利用这些传感器的冗余和互补的特性来获得机器人外部环境动态变化的、比较完整的信息，并对外部环境变化作出实时的响应。

移动机器人主要利用距离传感器(如声纳、超声波、激光等测距传感器)，视觉(如手眼视觉、场景视觉、立休视觉、主动视觉等)，另外还有触觉、滑觉、热觉、接近觉、力与力矩等多种传感器以实现如下的功能：机器人自定位、环境建模、地图与世界模型的建立、导航、避障或障碍物检测、路径规划或任务规划等。

六、结束语