多傳感器數據融合技術概述＊

張延龍 王俊勇

（海軍兵種指揮學院 廣州 510430）

1 引言

數據融合也稱為信息融合，是將來自多個傳感器或多源的信息進行綜合處理，從而得出更為全面、準確和可靠的結論［1］。數據融合出現于20世紀70年代，源于當時軍事領域的C3I系統的需要，稱為多源相關、多傳感器混合數據融合，并于20世紀80年代建立其技術［2］。美國是數據融合技術起步最早的國家，在隨后的十幾年時間里各國的研究開始逐步展開，并相繼取得了一些具有重要影響的研究成果。和國外相比，我國在數據融合領域的研究起步較晚。海灣戰爭結束以后，數據融合技術引起國內有關單位和專家的高度重視。一些高校和科研院所相繼對數據融合的理論、系統框架和融合算法展開了大量研究，但基本上處于理論研究的層次，在工程化、實用化方面尚未取得有成效的突破，許多關鍵技術問題尚待解決［3］。

2 多傳感器數據融合的基本原理

多傳感器數據融合是人類和其他生物系統中普遍存在的一種基本功能。人類本能地具有將身體上的各種功能器官所探測到的信息與先驗知識進行融合的能力，以便對周圍的環境和正在發生的事件作出估計。多傳感器數據融合的基本原理就像人腦綜合處理信息的過程一樣，它充分利用多個傳感器資源，通過對這些傳感器及其獲得信息的合理支配和使用，把其在時間或空間上的冗余或互補信息依據某種準則來進行綜合，以獲得被測對象的一致性解釋或描述，使該系統由此而獲得比它的各組成部分的子集所構成的系統具備更優越的性能［4～5］。具體而言，多傳感器數據融合基本原理如下［6～8］：

1）多個不同類型的傳感器獲取目標的數據；

2）對輸出數據進行特征提取，從而獲得特征矢量；

3）對特征矢量進行模式識別，完成各傳感器關于目標的屬性說明；

4）將各傳感器關于目標的屬性說明數據按同一目標進行分組，即關聯；

5）利用融合算法將每一目標各傳感器數據進行合成，得到該目標的一致性解釋與描述［7］。多傳感器數據融合的一般過程如圖1所示。

圖1 多傳感器數據融合的一般過程

由于被測對象多半為具有不同特征的非電量，如壓力、溫度、色彩和灰度等，因此首先要將它們轉換成電信號，其中多傳感器的功能是實現信號檢測。

3 多傳感器數據融合的主要特點

在各種系統中，靠單一的傳感器不能滿足對目標、環境的識別和控制的要求。若對不同傳感器采集的數據單獨、孤立地進行加工，不僅會導致數據處理工作量的劇增，而且割斷了各傳感器數據之間的有機聯系，丟失數據有機組合蘊涵的特征，造成數據資源的浪費。因此，要對多傳感器的數據進行綜合處理即數據融合，從而得出更為準確、可靠的結論，使系統圓滿地完成各種操作任務。歸納起來，多傳感器數據融合的主要特點有［9］：

1）提高了對環境描述的能力；

2）提高了系統的分辨能力和運行效率；

3）提高了系統的可靠性和容錯能力；

4）在時間上和空間上擴展了觀測的范圍；

5）增強了數據的可信度并降低了系統成本。

4 多傳感器數據融合的基本結構

由于數據的多樣化，所以需要按照數據的類型和采集方式或工程需求等特點，根據具體問題及特定對象建立自己的融合層次。針對其在軍事上的應用將數據融合劃分為檢測層、位置層、屬性層、態勢評估和威脅估計；根據數據融合功能的抽象層次和數據流通方式及傳輸形式，把數據融合分為高層次和低層次處理等。可見，數據融合層次的劃分沒有統一標準［10～13］，一般來說目標屬性級融合有三種基本結構［14］：數據層融合、特征層融合和決策層融合結構見圖2。

圖2 數據融合的層次

1）數據層融合——這是最低層次的融合。它首先將全部傳感器的觀測數據直接融合，然后對融合的數據進行特征提取和特征說明，并進行判斷識別。這便要求傳感器是同質的，若多個傳感器是異質的，那么數據只能在特征層或決策層進行融合。其優點是能保持盡可能多的現場數據，提供其他融合層次所不能提供的細微信息。

2）特征層融合——這是中間層次的融合。在這種方法中，每個傳感器觀測目標，并從觀測數據中提取有代表性的特征，獲得特征矢量，而后融合這些特征矢量，并做出基于聯合特征矢量的屬性說明。特征層融合是從傳感器提供的原始數據中進行特征提取，因此，在融合前進現了一定的數據壓縮，有利于實時處理，但由于數據的丟失使其準確性有所下降。

3）決策層融合——這是最高層次的融合。在這種方法中，每個傳感器觀測目標，并將采集的信息進行特征提取，產生特征矢量，完成關于目標的說明，然后對各自傳感器的說明結果進行融合，得到目標的一致性解釋與描述。這種融合方式具有好的容錯性和實時性，可以應用于異質傳感器，而且在一個或多個傳感器失效時也能正常工作，其缺點是預處理代價高。由于對傳感器的數據進行了濃縮，這種方法產生的結果相對而言最不準確，但它對通信帶寬的要求最低。

上述三個層次的數據融合都各有其特點，在具體的應用中應根據融合的目的和條件選用。

5 多傳感器數據融合的技術方法

數據融合的不同層次對應不同的算法，傳統算法為數據融合技術奠定了不可或缺的理論基礎，但近年來出現的一些新的基于統計推斷、人工智能以及信息論等新方法，正成為推動數據融合技術向前發展的重要力量［15］。下面列舉了常用的多傳感器數據融合的一般算法，并分別對應于從低到高的融合層次［16］。數據融合的主要技術和方法見圖3。

圖3 數據融合的主要技術和方法

1）加權平均法——是一種最簡單和直觀的數據級融合方法，即將多個傳感器提供的冗余信息進行加權平均后作為融合值。該方法能實時處理動態的原始傳感器讀數，但調整和設定權系數的工作量很大，且具有一定的主觀性［17］。

2）卡爾曼濾波法——主要用于融合低層次多傳感器實時動態冗余數據。當系統噪聲和傳感器噪聲可以用高斯白噪聲來建模，則卡爾曼濾波器能提供唯一的統計意義上的最優融合值。并且，它的遞歸本質保證了在濾波過程不需要大量存儲空間，可以實時處理。

3）貝葉斯估計法——是融合靜態環境中多傳感器低層數據的一種常用方法，其信息描述為概率分布，適用于具有可加高斯噪聲的不確定性信息［18］。

4）統計決策理論——利用統計決策理論提出了一個通用的多傳感器冗余信息兩步融合算法，即先將多傳感器數據經過一個魯棒假設測試，以驗證其一致性，再通過測試的數據，利用一組魯棒最大最小決策規則進行融合［19］。

5）證據理論法——證據理論是貝葉斯方法的推廣，但比貝葉斯法具有更多優點，貝葉斯方法需要先驗概率，而運用證據理論法可以巧妙的解決這一問題，它是一種不確定情況下進行推理的強有力方法［20］。

6）模糊邏輯——比較適合于在高層次上的應用［21］。但是，邏輯推理本身還不夠成熟和系統化，此外，由于邏輯推理對信息的描述存在很大的主觀因素，所以，信息的表示和處理缺乏客觀性。

7）神經網絡——具有很強的容錯以及自學習、自組織、自適應能力，在多傳感器數據融合中具有很多的應用領域［25］。

8）產生式規則——用符號表示目標特征和傳感器信息間的聯系，用與規則相聯系的置信因子表示它的不確定性，在同一個邏輯推理過程中兩個或多個規則形成一個聯合規則時可以產生融合。

常用的數據融合方法特性比較如下表所示。通常使用的方法依具體的應用而定。并且由于各種方法之間的互補性，實際上常將兩種或兩種以上的方法組合進行多傳感器數據融合。

表1 常用的數據融合方法比較

6 多傳感器數據融合技術的應用

隨著多傳感器數據融合技術的發展，應用的領域也在不斷擴大。主要包括軍事、工業控制、智能檢測、機器人、圖像分析、目標檢測與跟蹤、自動識別等領域。

1）軍事應用——數據融合技術起源于軍事領域，數據融合在軍事上應用最早、范圍最廣，涉及戰術或戰略上的檢測、指揮、控制、通信和情報任務的各個方面［1］。主要的應用是進行目標的探測、跟蹤和識別，包括C31系統、自動識別武器、自主式運載制導、遙感、戰場監視和自動威脅識別系統等。

2）工業控制——復雜工業控過程控制是數據融合應用的一個重要領域。包括故障診斷和反饋控制。目前，故障診斷技術已在核反應堆和石油平臺監視等系統中得到應用。

3）機器人——目前，主要應用在移動機器人和遙控操作機器人上，因為這些機器人工作在動態、不確定與非結構化的環境中，這些高度不確定的環境要求機器人具有高度的自治能力和對環境的感知能力，而多傳感器數據融合技術正是提高機器人系統感知能力的有效方法；機器人學界提出向非結構化環境進軍，其核心的關鍵之一就是多傳感器系統和數據融合。

4）遙感技術——多傳感器融合在遙感領域中的應用，主要是通過高空間分辨力全色圖像和低光譜分辨力圖像的融合，得到高空間分辨力和高光譜分辨力的圖像，融合多波段和多時段的遙感圖像來提高分類的準確性。

5）交通管理系統——數據融合技術可應用于地面車輛定位、車輛跟蹤、車輛導航以及空中交通管制系統等［2～3］。

7 多傳感器數據融合技術的展望

數據融合系統是一個具有強烈不確定性的復雜大系統，處理方法受到現有理論、技術、設備的限制，是一門新發展的學科，很多理論還不健全，但隨著傳感器技術、數據處理技術、計算機技術、網絡通信技術、人工智能技術、并行計算軟件和硬件技術等的發展，它將不斷完善。它的發展方向大致有四個［6～7，12］：

1）基礎理論研究。研究建立統一的數據融合理論，主要包括多平臺、多傳感器信息的獲取、特征提取、分類、數據融合過程的一般模式，功能結構的建立，優化設計以及系統的評估標準。

2）算法和模型研究。包括關聯處理、融合處理和系統模擬、多傳感器優化組合、各種先進技術在數據融合系統中的應用等。

3）推理系統研究。包括在數據融合系統中應用的數據庫、知識庫、確定和不確定信息的推理機構、融合規則庫等研究。

4）應用研究。從工程實現角度來講，我們關心的是信息的獲取、融合、傳感器管理和控制一體化系統的研制，而不是單純的融合算法研究。

8 結語

數據融合不是一門單一的技術，而是一門跨學科的綜合理論和方法，尚處在不斷的變化和發展過程中。隨著研究者的不斷努力，不久的將來，數據融合的基礎理論、兼有穩健性和準確性的融合算法都將得以完善和實現，多傳感器數據融合系統將在更多的行業領域得到實際應用。

［1］何友，王國宏.多傳感器信息融合及應用［M］.北京：電子工業出版社，2000：1－12.

［2］祝宏，曾祥進.多傳感器信息融合研究綜述［J］.計算機與數字工程，2007，35（12）：46－48.

［3］周芳，韓立巖.多傳感器信息融合技術綜述［J］.遙測遙控，2006，27（3）：1－7.

［4］馬平，呂鋒，杜海蓮，等.多傳感器信息融合基本原理及應用［J］.控制工程，2006，13（1）：48－51.

［5］康耀紅.數據融合理論與應用［M］.西安：西安電子科技大學出版社，1997，1.

［6］Waltz E，L ilnas J.Multisensor data fusion［M］.Boston：A retch House，2000：9－17.

［7］Sasiadek J Z.Sensor fusion［J］.Annual Reviews in Contr－ol，2002，26（26）：203－228.

［8］嚴懷成，黃心漢，王敏多傳感器數據融合技術及其應［J］傳感器技術，2005.24（10）：1－4.

［9］張菊秀.多傳感器信息融合技術和發展［J］電子世界，2005：46－7.

［10］王璇，李春升.多傳感器信息融合技術［J］.北京航空航天大學學報，1994，20（4）：402－406.

［11］王軍，蘇劍波，席裕庚.多傳感器融合綜述［J］.數據采集與處理，2004，19（1）：72－77.

［12］HALLD D L，L linas J.An introduction to multi－sensor data fusion［C］.Proceeding of the IEEE，1997，85（1）：6－23.

［13］潘泉，于昕，程詠梅.信息融合理論的基本方法與進展［J］.自動化學報，2003，29（4）：599－615.

［14］熊凌.張凱.數據融合及其應用［J］.湖北工業大學學報，2005，20（3）：145－147.

［15］王耀南.李樹濤.多傳感器信息融合及其應用綜述［J］.控制與決策，2001，16（5）：518－522.

［16］王鳳朝，黃樹采，韓朝超.多傳感器信息融合及其新技術研究［J］航空計算技術，2009，39（1），102－105.

［17］張雨，溫熙森.設備故障信息融合問題的思考［J］.長沙交通學院學報，1995，6（4）.

［18］H F Durant－Whyte.Consistent integration and propaga－tion of disparate sensor observations［J］.Int.J.Robot，res，1987，6（3）：2－24.

［19］Chung A C S，Shen H C.Entropy.based Markov chains for muhisensor fusion［J］.Joumal ofIntelligent and Rob－otic Systerns：Theory and Applications，2000，29（2）：161－189.

［20］R MckendMl，M Mintz.Robust fusion of location infor－mation［A］.Proc.IEEE Int.Conf.Robotics and Automat［C］.1988：1239－1244.

［21］李凡.人工智能中的不確定性［M］.萬象出版社，1998：102－178.

［22］李婷，吳業福，涂平暉，等.關系數據庫與XML數據融合的應用研究［J］.計算機與數字工程，2008，36（2）.

［23］張雯娟，朱響斌.基于移動代理的無線傳感器網絡簇內融合算法［J］.計算機與數字工程，2010，38（3）.

［24］張靚，袁野，王玫.基于小波變換的傳感網簇內數據融合方案［J］.計算機與數字工程，2012，40（7）.

［25］L A Zadeh，Fuzzy sets［J］.Inform.Contr，1965，8：338－353.

［26］Murphy R R.Sensor and information fusion for impro－ved visionbased vehicle guidance［J］.IEEE Expert，2003，13（6）：49－56.