数据融合综述

摘 要：信息融合技术目前在军事、模式识别、遥感图像、医学图像处理等领域，具有广泛的理论研究意义。信息融合又分为像素级融合、特征级融合、决策级融合。本文主要概述了特征级融合技术的基本概念、几种主要方法以及融合质量的评估方法。概述

 

关键词： 信息融合 特征融合 融合方法

 

 

1 引言

近年来，随着传感器技术的发展，信息表现形式多样化，信息数量巨大化，信息关系复杂话化，以及要求信息处理的及时性、准确性和可靠性都是前所未有的。这就是使得利用计算机技术对获得的多源信息在一定的准则下进行分析、优化综合以完成所需的估计和决策（即 多传感器信息融合技术）得以迅速发展。信息融合可以描述为：综合多源的信息，得到高品质的有用的信息。各种单一的传感器往往不能从场景中提取足够的信息，以至于很难甚至无法独立获得对一副场景的全面描述。需要多传感器的同时获取目标数据进行融合分析，才可有效的进行分类识别决策。多传感器信息融合又分为像素级融合特征级融合、决策级融合三个层次。

特征级融合是从各个传感器获取的信息中提取目标特征，然后通过融合算法获取融合目标特征量，进行目标分类识别。特征级融合目标识别，既能保持足够数量的目标有效信息，去除冗余信息，又提高了目标识别的精确性。因此，从目标识别的实时性、计算量和识别精确性等方面考虑，本文以特征级融合研究作为重点。近几年特征级融合方法开始受到人们的重视，并且取得了许多成果。

假设有n个传感器，第i个传感器的获取的特征为{,,…,}（i从1到n，num（i）表示第i个传感器提取特征个数），现在特征级融合目标就是要通过某种算法将n个传感器获取的所有特征融合为高品质的有用的信息{,,…, }(其中m为最终融合得到的特征向量的特征个数)。然后将得到的融合特征作为进一步决策的依据。

 

特征级融合的一般过程如下图所示：

目前特征级融合方法大致分为五大类[ 11 ] ：概率论统计方法、逻辑推理方法、神经网络方法、基于特征抽取的融合方法和基于搜索的融合方法。分类细节如下图所示：

接下来第2,3,4,5,6部分内容分别对这些方法进行具体阐述。

2.概率统计方法

 

概率论统计方法主要有加权平均法、贝叶斯估计法和卡尔曼滤波法。

 

2.1加权平均法

假设有n个传感器，用同一种方法特征提取后，对于某一维度的特征值x的加权平均值，用它作为该维度融合后的特征值，其中。权重可看成不同传感器准确性的度量。该方法简单直观，但是必须事先对各个传感器进行详细的分析，获取它的权重。并且在不同特征维度上每个传感器的准确性都不一样，所以权重的获取成为主要难点。

2.2贝叶斯估计法

Bayes方法在用于多传感器信息融合时，是将多传感器提供的各种不确定信息表示为概率，并利用概率论中Bayes条件概率公式对他们进行处理的一种方法[ 1 ]。

假设有n个传感器，分别对感兴趣区域进行特征提取后，对于某一维度的特征值表示为x1,x2…xn; 假设融合后可能的特征值为M，由x1,x2…xn得到M的概率为p（M|x1，x2）,依据贝叶斯准则有：

 

当各个传感器相互独立时，上述公式可写成：

 

让上述概率最大的那个M即为融合后的特征值[ 9 ][ 10 ]。

在先验概率已知的情况下，贝叶斯准则是最佳的融合准则，可给出精确融合结果。但是在实际应用中，各个传感器很难获得所需的先验概率，这一点大大限制贝叶斯准则的应用。