多传感器信息融合的应用

1.1 引言目前，多传感器信息融合系统设计还缺乏一个统一的规范，还找不到一个行之有效的方法。信息融合模型主要包括融合的功能模型、结构模型和融合的数学模型。功能模型是从融合的过程出发，描写信息融合包含哪些功能、数据库以及进行信息融合时系统各组成不认之间的星湖作用过程；结构模型从融合组成出发，说明信息融合系统的结构；数学模型则是信息融合算法和综合逻辑。这三大模型是任何一个融合系统都必须解决的，因此他们构成了融合系统的核心问题，其中又以数学模型为关键之关键，也是目前研究最多的一部分。

1.2 信息融合的功能模型信息融合的功能模型目前已有很多学者从不同的角度提出了信息融合系统的一般功能模型，最有权威的是美国三军政府组织的实验室理事联席会下边的技术委员会提出的功能模型。该模型把数据融合分为三级。第一级是单源或多源处理，主要是数字处理、跟踪相关和关联；第二级是评估目标估计的集合，以及他们彼此和背景的关系来评估整个情况；第三极用一个系统的先验目标集合来检验评估的情况。

1.2.1 分布式多传感器信息融合分布式多传感器信息融合是每个局部的传感器所获得的待估计参数模型或待决策现象的观测的同时，顺便给出估计或决策，并将他们的结果传递到融合中心，融合中心就将所有传感器的结果融合起来，得到最终的估计或决策。

1.2.2中心式多传感器信息融合中心式多传感器信息融合是传感器能够将观测完全传递到融合中心，就相当于融合中心直接获得了所有的观测，这样的融合方式叫做中心式多传感器信息融合。

1.3信息融合的层次化描述在实际环境中，各类传感器接收到的信息可能是实时信息，也可能是非实时信息;可能是快变的，也可能是缓变的;可能是模糊的，也可能是确定的;可能是相互支持或互补，也可能是互相矛盾或竞争。而多传感器信息融合的基本原理或出发点就是充分利用多个传感器资源，通过合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则进行融合，以获得被测对象的一致性描述或解释，使该系统由此获得比其它各组成部分的子集所构成的系统更优越的性能。互补，也可能是互相矛盾或竞争。而多传感器信息融合的基本原理或出发点就是充分利用多个传感器资源，通过合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则进行融合，以获得被测对象的一致性描述或解释，使该系统由此获得比其它各组成部分的子集所构成的系统更优越的性能。多传感器信息融合与经典信号处理方法之间存在本质的区别，其关键在于信息融合所处理的多传感器信息具有更复杂的形式，且可在不同的信息层次上体现。主要的信息表征层次有数据层、特征层和决策层。多传感器信息融合在不同问题领域采用不同的实现形式，因此我们难以对大量涌现的信息问题进行分类描述。一般来说，大多数的融合问题都是针对同一层次上的信息形式来开展研究的，因此我们根据融合系统所处的信息层次，对信息融合的方法进行简单的描述。

1.3.1数据层融合数据层融合的特点是直接在多传感器分布检测系统中的检测判决层或信号层上进行融合。属于底层数据融合，优点是信息量大！信息准确，缺陷是很难达到实时要求、数据通信量大、抗干扰能力差，同时要求各个传感器信息具有同质性，否则需要进行尺度校准。数据层融合通常用于多源图象合成，图象分析与理解等方面。

1.3.2特征层融合特征层融合是对各个传感器的原始数据进行特征提取后获得的信息进行融合。这些特征信息包括边缘、方向、速度、形状等。一般来说，形成特征的过程是一个较大幅度的信息压缩的过程，这为实时处理提供了前提条件。特征层融合可划分为两大类：目标状态信息融合、目标特性融合。（1）目标状态信息融合目标状态信息融合主要应用于多传感器的目标跟踪领域，目标跟踪领域的大量方法都可以修改移植为多传感器目标跟踪方法。融合系统首先对传感器数据进行预处理以完成数据配准，即通过坐标变换和单位换算，把各传感器输人数据变换成统一的数据表达形式，在数据配准之后，融合处理主要实现参数关联和状态估计。常见的是序贯估计技术，其中包括卡尔曼滤波和扩展卡尔曼滤波。（2）目标特征信息融合目标特征信息融合就是特征层联合识别，它实质就是模式识别问题。多传感器系统为识别提供了比单个传感器更多的有关目标的特征信息，增大了特征空间维数。具体的融合方法仍是模式识别的相应技术，但是在融合一前必须先对特征进行关联处理，再对特征矢量分类成有