多传感器信息融合综述

1.多传感器信息融合概念

多传感器信息融合是指综合来自多个传感器的感知数据, 以产生更可靠、更准确或更精确的信息。经过融合的多传感器系统能完善地、精确地反映检测对象特性, 消除信息的不确定性, 提高传感器的可靠性。经过融合的多传感器信息具有以下特性: 信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。

2. 多传感器信息融合分类

按融合判断方式分类

（1） 硬判决方式

硬判决方式设置有确定的预置判决门限。只有当数据样本特征量达到或超过预置门限时，系统才做出判决断言；只有当系统做出了确定的断言时，系统才向更高层次系统传送“确定无疑”的判决结论。这种判决方式以经典的数理逻辑为基础，是确定性的。

（2） 软判决方式

软判决方式不设置确定不变的判决门限。无论系统何时收到观测数据都要执行相应分析，都要做出适当评价，也都向更高层次系统传送评判结论意见及其有关信息，包括评判结果的置信度。这种评判不一定是确定无疑的，但它可以更充分地发挥所有有用信息的效用，使信息融合结论更可靠更合理。

按传感器组合方式分类

（1） 同类传感器组合

同类传感器组合只处理来自同一类传感器的环境信息，其数据格式、信息内容都完全相同，因而处理方式相对比较简单。

（2） 异类传感器组合

异类传感器组合同时处理来自各种不同类型传感器采集的数据。优点是信息内容广泛，可以互相取长补短，实现全源信息相关，因而分析结论更准确、更全面、更可靠，但处理难度则高很多。

3.信息融合的系统结构

信息融合的系统结构研究包含两部分, 即信息融合的层次问题和信息融合的体系结构。融合的层次结构主要从信息的角度来分析融合系统, 信息融合的体系结构则主要是从硬件的角度来分析融合系统。

（1）信息融合的层次

信息融合系统可以按照层次划分, 对于层次划分问题存在着较多的看法。目前较为普遍接受的是层次融合结构, 即数据层、特征层和决策层。

数据层融合是指将全部传感器的观测数据直接进行融合, 然后从融

合的数据中提取特征向量, 并进行判断识别。这便要求传感器是同质的, 如果传感器是异质的, 则数据只能在特征层或者决策层进行融合。数据层融合的优点是保持了尽可能多的原始信息,缺点是处理的信息量大, 因而处理实时性较差。

特征层融合是指将每个传感器的观测数据进行特征抽取以得到一个特征向量, 然后把这些特征向量融合起来, 并根据融合后得到的特征向量进行身份判定。特征层融合对通信带宽的要求较低, 但由于数据丢失使其准确性有所下降。

决策层融合是指每个传感器执行一个对目标的识别, 将来自每个传感器的识别结果进行融合。该层次融合对通信带宽要求最低, 但产生的结果相对来说最不准确。

信息融合的层次结构是按照信息抽象程度来划分的。在多传感器融合系统的实际工程应用中, 应综合考虑传感器的性能、系统的计算能力、通信的带宽、期望的准确率以及现有资金的能力, 以确定采用哪种层次化系统结构模型或者混合的层次模型。而基于信息的层次结构的确定, 可以为系统硬件体系结构的确定打好基础。

（2)信息融合的体系结构

信息融合的硬件体系结构大致分为三类:集中式、分布式和混合式。集中式是将各传感器结点的数据都送到中央处理器进行融合处理。该方法可以实现实时融合, 其数据处理的精度高、解法灵活, 缺点是对处理器要求高、可靠性较低、数据量大, 故难于实现。分布式是各传感器利用自己的量测单独跟踪目标, 将估计结果送到总站, 总站再将子站的估计合成为目标的联合估计。该方法对通信带宽要求低、计算速度快、可靠性和延续性好, 但跟踪精度没有集中式高。混合式是将以上两种形式进行组合,它可以在速度、带宽、跟踪精度和可靠性等相互影响的各种制约因素之间取得平衡, 因此目前的研究着重于混合式结构。

采用何种体系结构完全是为了满足各种不同的实际需要, 在设计数据融合体系结构时, 应根据确定的系统层次结构来确定相应的体系结构, 同时还必须考虑数据通信、数据库管理、人机接口、传感器管理等许多支撑技术。

4. 多传感器信息融合的一般方法

信息融合的方法是多传感器信息融合的最重要的部分, 由于其应用上的复杂性和多样性, 决定了信息融合的研究内容极其丰富, 涉及的基础理论较多。多传感器信息融合算法可以分为以下四类: 估计方法、分类方法、推理方法和人工智能方法, 如图1 所示。

估计方法中加权平均法是信号级融合方法最简单、最直观方法是加权平均法,该方法将一组传感器提供的冗余信息进行加权平均,结果作为

融合值,该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推,决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型,且系统与传感器的误差符合高斯白噪声模型,则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。卡尔曼滤波的递推特性使系统处理不需要大量的数据存储和计算。但是,采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时,存在很多严重的问题,例如: (1)在组合信息大量冗余的情况下,计算量将以滤波器维数的三次方剧增,实时性不能满足; (2)传感器子系统的增加使故障随之增加,在某一系统出现故障而没有来得及被检测出时,故障会污染整个系统,使可靠性降低。

分类方法主要有参数模板法和聚类分析。无监督或自组织学习算法诸如学习向量量化法( learning vector quant izat ion, LVQ ) , K - 均值聚类( K-means clustering ) , Kohonen 特性图( Kohonen feature map) 也常用作多传感器数据的分类。K-均值聚类算法是最常用的无监督学习算法之一, 而自适应K- 均值方法的更新规则形成了Kohonen特性图的基础。此外自适应共振理论( ART) 、自适应共振理论映射( ARTMAP) 和模糊自适应共振理论网络( fuzzy-ART netw ork) 以自适应的方法进行传感器融合。它们能够自动调整权值并且能在环境变化和输入漂移的情况下保持稳定。

图1 多传感器融合算法分类

推理方法。多贝叶斯估计法为数据融合提供了一种手段,是融合静态环境中多传感器高层信息的常用方法。它使传感器信息依据概率原则进行组合,测量不确定性以条件概率表示,当传感器组的观测坐标一致时,可

以直接对传感器的数据进行融合,但大多数情况下,传感器测量数据要以间接方式采用贝叶斯估计进行数据融合。多贝叶斯估计将每一个传感器作为一个贝叶斯估计,将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数,通过使用联合分布函数的似然函数为最小,提供多传感器信息的最终融合值,融合信息与环境的一个先验模型提供整个环境的一个特征描述。D-S证据推理是贝叶斯推理的扩充,其3个基本要点是:基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的,分三级。第1级为目标合成,其作用是把来自独立传感器的观测结果合成为一个总的输出结果( ID) ;第2级为推断,其作用是获得传感器的观测结果并进行推断,将传感器观测结果扩展成目标报告。这种推理的基础是:一定的传感器报告以某种可信度在逻辑上会产生可信的某些目标报告;第3级为更新,各种传感器一般都存在随机误差,所以,在时间上充分独立地来自同一传感器的一组连续报告比任何单一报告可靠。因此,在推理和多传感器合成之前,要先组合(更新)传感器的观测数据。

人工智能方法对融合大量的传感器信息, 用以非线性和不确定的场合颇有优势。可分为专家系统、神经网络和模糊逻辑。专家系统是一种基于人工智能的计算机信息系统。神经网络是一个具有高度非线性的超大规模连续时间自适应信息处理系统。在多传感器系统中,各信息源提供的环境信息都具有一定程度的不确定性, 对这些不确定信息的融合过程实质上是一个不确定性推理过程。神经网络可根据当前系统所接受的样本的相似性, 确定分类标准。同时可以采用特定的学习算法来获取知识, 得到不确定性推理机制。模糊逻辑是多值逻辑, 它允许将传感器信息融合过程中的不确定性直接表示在推理过程中。由于模糊集表达了一个不确定概念, 应用模糊理论并结合其它手段, 如神经网络, 可以取得更好的融合结果。

表1　常用的数据融合方法比较

5. 多传感器在机器人中的应用

5.1在工业机器人中的应用

在工业机器人中,除采用传统的位置、速度和加速度传感器外，装配、焊接机器人还应用了视觉、力觉和超声波等传感器。表2给出了多传感器信息融合技术在工业机器人领域应用的典型实例。

表2 多传感器信息融合技术在工业机器人领域应用

5.2 在机器手爪中的应用

美国的Utah/MIT灵巧手、日本的ARH智能手爪以及我国的HIT/DLR机器人灵巧手、BH-3灵巧手都配有多种传感器，主要包括视觉传感器、接近觉传感器、力/力矩传感器、位姿/姿态传感器、速度/加速度传感器、温度传感器以及触觉/滑觉传感器等。

Bayes算法和D-S论据常用于机器人手爪的信息融合。罗志增等人将这2种算法综合运用到一个装有6种传感器的机器手爪中，并进行了工件识别、抓取实验，正确率达96.7%。美国的Luo在由PUMA 560机器手臂控制的夹持型手爪的平台上提出了基于视觉、接近觉、触觉、位置、力/力矩及滑觉等传感器信息融合新方法，整个过程分为3步：1）采集多传感器的原始数据，并用Fisher模型进行局部估计；2）对统一格式的传感器数据进行比较，发现可能存在误差的传感器，进行置信距离测试，从而建立距离矩阵和相关矩阵，得到最接近最一致的传感器数据；3）运用Bayes推理算法进行全局估计，融合多传感器数据，同时，对其他不确定的传感器数据进行误差检测，修正传感器的误差。

5.3 在移动机器人中的应用

HILARE是第一个应用多传感器信息融合技术来构建未知环境实物模型的可移动机器人,其由法国LAAS实验室研制而成,该机器人配有16只超

声波传感器、2只二维激光测距仪、1只视觉传感器和1只黑白相机。超声波和视觉传感器用来产生一个被层次化坐标所分割的图，视觉和激光测距传感器用来感知环境中的三维区域格，并通过约束来提出无关的特征。在此机器人上设定每只传感器的不确定性为高斯分布且所有传感器测量值的标准偏差相同，采用加权平均法作为系统信息融合的算法。多传感器信息融合技术的运用使得HILARE机器人具有较强的环境

适应能力，可在非结构环境中稳定的工作。

当前，信息融合技术在移动机器人中最成功的应用是美国的火星探测机器人Sojourner 。该机器人是一个高度集成的多传感器平台,配有黑白和彩色成像系统数套。其大量地使用了信息融合技术，利用融合后的信息，实现了自主导航、定位、土壤和岩石成分分析等操作。对于Sojourner的状态估计,使用了里程表、速度传感器、加速度传感器、航向传感器、测距仪和立体CCD摄像机，融合算法运用了航位推测法和扩展卡尔曼滤波技术。

CASIA-I是由沈阳自动化所和中国科学院自动化所联合设计研制的基于复合机构的非结构环境移动机器人。它是我国第一台采用计算机融合红外、超声、视觉、电子陀螺和语音等传感器信息的具有一定自主能力的轮-腿-履带复合型移动机构的机器人。在机器人的四周装有11只超声波传感器，为了弥补其探测盲区，又另加了7只红外线传感器。超声和红外传感器采集的车体附近的障碍物距离信息经过滤波、归一化处理之后作为避障算法的输入。此外，机器人上还安装了用来确定目标物体方位的视觉传感器和用作检测机器人位置、航向、姿态的电子罗盘。这些来自多种传感器的信息经过信息融合系统的预先处理后传送到控制和监控计算机，为控制决策提供依据。研究者在航迹推算、感知定位、GPS 定位和激光定位等方法基础之上，采用了电子罗盘结合超声、视觉即时感知监测机器人位置、状态以及环境信息的定位新方法，解决了移动机器人在所处环境中的精确定位的问题。

6.移动机器人多传感器信息融合的实现

目前, 移动机器人领域中采用的多传感器信息融合方法主要包括:加权平均法、Kalman滤波、扩展Kalman滤波、Bayes估计、Dempster-Shafer证据推理、模糊逻辑、神经网络以及基于行为方法和基于规则方法等。应用这些方法可以

进行数据层、特征层以及决策层等不同的层次的融合等, 也可以实现测距传感器信息、内部航迹推算系统信息、全局定位信息之间的信息融合, 进而准确、全面地认识和描述被测对象与环境, 从而做出移动机器人能够作出正确的判断与决策。

6.1 加权平均法

此种方法是将一组传感器提供的冗余信息进行加权平均, 并将加权平均值作为信息融合值。它是一种最简单、最直观地对多传感器低层数据的信息融合方法。该方法存在的最大弊端就是很难获得最优加权平均值, 而且, 确定权值需要花费大量的时间。

6.2Kalman滤波及其扩展

用于实时融合动态的低层次冗余传感器数据。该方法用测量模型的统计特性递推决定在统计意义下是最优的融合数据估计。如果系统具有线性动力学模型, 且系统噪声和传感器噪声是符合高斯分布的白噪声,那么, Kalman滤波为融合数据提供唯一的统计意义下的最优估计。这种方法的递推特性使得其计算速度快, 且不需要过多的存储空间。随着计算机技术的飞速发展, Kalman 滤波的计算要求与复杂性已不再阻碍该方法的实际应用。现在这种方法越来越受到人们的青睐, 尤其是在多传感器多目标跟踪系统中更显出其独特的优点, 如, Tomatis 等人采用基于Kalman滤波混合法实现了移动机器人的导航, 试验结果表明: 在1.15 km 的路程上成功率达到96%。从移动机器人的跟踪精度来看, 偏离目标点的误差仅为9mm。

工程实际应用中, 系统模型线性程度的假设或者数据处理不稳定性时, 将对信息融合过程产生较大影响。在这种情况下, 常常采用扩展Kalman滤波( EKF )取代常规的Kalman滤波。EKF是移动机器人实现即时定位与导航的重要方法, 在移动机器人定位和导航中, 利用传感器融合和非线性模型预测控制方法, 并以扩展的Kalman滤波实现最优估计。采用Kalman滤波器通过统计特征进行状态估计, 并实现噪声引起的误差最小。

6.3Bayes估计

Bayes估计是融合静态环境中多传感器低层信息的一种常用方法, 其信息描述为概率分布, 适用于具有可加高斯噪声的不稳定性。该融合方法产生于多传感器融合技术的初期。应用Bayes估计方法时, 首先, 应描述出模型; 然后,赋予每个命题一个先验概率; 再使用概率进行推断,特别根据信息数据估计置信度获取结果。但是, 当某一个传感器的新信息到来, 而此时未知命题的数量大于已知命题的数量时, 已知命题的概率是非常不稳定的。该方法主要应用于移动机器人自身的状态估计以及对运动目标的识别与跟踪等方面。

6.4Dempster-Shafer证据推理

证据推理的概念首先由Dempster于1967年提出, 后来, 由他的学生Shafer 进一步发展完善。Dempster-Shafer证据推理是Bayes方法的扩展, 而又不同于Bayes方法。Bayes估计仅仅使用了一个代替前提概率为真的一个值, 当前提相互关联时, Bayes方法难以保证估计的一致性。

Dempster-Shafer方法使用一个不稳定区间, 通过不稳定未知前提的先验概率来避免Bayes方法的不足。由于Dempster-Shafer证据推理法研究问题的方式和内容特别适合处理多传感器集成系统的信息融合问题, 因此, 该证据推理现已成为信息融合的一个重要理论基础。在移动机器人领域中, 这一方法现已被成功地应用于移动机器人对目标的识

别。

Dempster-Shafer证据推理的优点是不需要指定先验概率; 其缺点是一般情况下计算量非常大, 而且, 在工程实际应用中, 如何有效获取基本概率赋值也有待于进一步深入研究。Dempster-Shafer 理论只积累单独的信息源, 而当事件合并后, 时间权重与信任度之间存在不合理关系, 因此, 该理论还需进一步深入研究完善。

6.5 模糊逻辑与人工神经网络

利用模糊逻辑可将多传感器数据融合过程中的不确定性直接表示在推理过程中。基于模糊规则的目标识别融合计算非常简单, 通过指定一个0到1之间的实数来表示真实度, 这相当于隐式算子的前提。但它不象Dempster-Shafer方法: 随着证据的积累的同时, 逐步增长可能目标对象的概率取值, 减少不可能目标对象的概率取值。近年来, 模糊集合推理被广泛应用于移动机器人目标识别与路径规划方面。Sasiadek利用模糊逻辑和扩展的Kalman滤波进行传感器信息融合。

人工神经网络方法是一种仿效生物神经系统的信息处理方法。一个神经网络包括以各种方式联接的多层处理单元。神经网络对输入的数据进行非线性变换, 从而完成了聚类分析技术所进行的从数据到属性的分类。基于神经网络的多传感器信息融合有以下特点: 具有统一的内部知识表示形式, 通过特定的学习算法可以将神经网络获取的传感器信息进行融合, 获得相应网络参数; 可将知识规则转换成数字形式, 便于建立知识库; 不用建立系统精确的数学模型, 非常适合于非线性测试情况;具有大规模并行处理的能力, 使得系统信息处理速度非常快, 并且, 具有很强的容错性和鲁棒性。

基于神经网络的信息融合实质上是一个不确定性推理过程。充分利用外部环境的信息, 实现知识的自动获取以及在此基础上进行联想推理。经过大量的学习和推理, 将不确定环境的复杂关系融合为系统能够理解的符号。神经网络的研究对于多传感器信息融合提供了一种很好的方法, 其非线性逼近能力在信息融合中非常引人注目, 通常采用的是三层感知器模型和BP算法。

目前, 在移动机器人多传感器信息融合中, 神经网络主要用于对移动机器人目标的识别, 获得移动机器人对于障碍物影像的精确的估计,正确地引导机器人运动。采用神经网络的多传感器信息融合方法, 能够

解决移动机器人的自主行走问题。为了有效地改善神经网络信息融合的效果和速度, 利用阵列神经网络进行信息融合的结构模型, 可以通过子网络实现信息的分化与融合。

传统的神经网络结构对于大量学习样本, 需要的隐结点数非常大,甚至需要很多的隐含层, 因此, 需要很大的计算工作量。限于计算机的运行速度, 导致实时性很差, 这也是今后亟待进一步解决的问题。7.发展趋势

随着电子技术以及VLSI技术的飞速发展, 传感器结构将朝着并行体结构发展, 因此, 开发并行计算能力的软件和硬件, 来满足具有大量数据且计算复杂的多传感器信息融合的要求, 是多传感器信息融合技术的主要发展趋势之一。多传感器信息融合技术硬件的主要发展方向为: 研究出能处理多传感器信息的集成电路芯片, 不断研制出新型移动机器人用传感器, 并且, 不断使传感器模型和接口实现标准化。

目前, 多传感器信息融合算法很多, 但大多数算法都是以线性正态分布的平稳随机过程为前提。因此, 开发新型的信息融合算法, 进一步提高多传感器融合系统的性能, 解决非线性以及非平稳正态分布的实际信息融合还有待于进行深入的研究。

人工智能可使系统本身具有良好的柔性与可理解性,因而, 能够处理复杂的问题。对人工智能的研究将会在传感器选择、自动任务误差检测与恢复等领域发挥巨大的作用。目前, 人工智能在多传感器信息融合中的应用已经是国内外研究的一个热点。

移动机器人在未知环境下的多传感器信息融合, 主要解决其自主定位与导航问题。目前, 基于多传感器信息融合的移动机器人自主定位与环境建模取得的研究成果, 大多局限于室内结构化环境中。有关决策规则的鲁棒性、传感器布置的效果、生物传感器方法的适应性以及自定位、运动规划和控制与机器人动态的综合考虑等方面问题仍有待于深入研究, 特别是非结构环境下移动机器人技术将是今后机器人技术发展的重点。

多传感器信息融合方法综述

万方数据

万方数据

万方数据

万方数据

万方数据

多传感器信息融合方法综述 作者：吴秋轩， 曹广益 作者单位：上海交通大学电子信息与电气工程学院,上海,200030 刊名： 机器人 英文刊名：ROBOT 年，卷(期)：2003,25(z1) 被引用次数：2次 参考文献(5条) 1.周锐;申功勋;房建成基于信息融合的目标图像跟踪 1998(12) 2.张尧庭;桂劲松人工智能中的概率统计方法 1998 3.何友;王国宏;彭应宁多传感器信息融合 2000 4.罗志增;叶明Bayes方法的多感觉信息融合算法及其应用[期刊论文]-传感技术学报 2001(03) 5.张文修;吴伟业;梁吉业粗糙集理论与方法 2001 本文读者也读过(8条) 1.臧大进.严宏凤.王跃才.ZANG Da-jin.YAN Hong-feng.WANG Yue-cai多传感器信息融合技术综述[期刊论文]-工矿自动化2005(6) 2.多传感器信息融合及应用[期刊论文]-电子与信息学报2001,23(2) 3.赵小川.罗庆生.韩宝玲.ZHAO Xiao-chuan.LUO Qing-sheng.HAN Bao-ling机器人多传感器信息融合研究综述[期刊论文]-传感器与微系统2008,27(8) 4.范新南.苏丽媛.郭建甲.FAN Xin-nan.SU Li-yuan.GUO Jian-jia多传感器信息融合综述[期刊论文]-河海大学常州分校学报2005,19(1) 5.咸宝金.陈松涛智能移动机器人多传感器信息融合及应用研究[期刊论文]-宇航计测技术2010,30(2) 6.韩增奇.于俊杰.李宁霞.王朝阳信息融合技术综述[期刊论文]-情报杂志2010,29(z1) 7.肖斌多传感器信息融合及其在工业中的应用[学位论文]2008 8.丁伟.孙华.曾建辉.DING Wei.SUN Hua.ZENG Jian-hui基于多传感器信息融合的移动机器人导航综述[期刊论文]-传感器与微系统2006,25(7) 引证文献(2条) 1.武伟.郭三学基于多传感信息融合的轮胎气压监测系统[期刊论文]-轮胎工业 2006(5) 2.魏东.杨洋.李大寨.宗光华基于多传感器融合的机器人微深度环切[期刊论文]-传感器技术 2005(11) 本文链接：https://www.wendangku.net/doc/b214187283.html,/Periodical_jqr2003z1037.aspx

多聚焦图像融合方法综述

多聚焦图像融合方法综述 摘要：本文概括了多聚焦图像融合的一些基本概念和相关知识。然后从空域和频域两方面将多聚焦图像融合方法分为两大块，并对这两块所包含的方法进行了简单介绍并对其中小波变换化法进行了详细地阐述。最后提出了一些图像融合方法的评价方法。 关键词：多聚焦图像融合；空域；频域；小波变换法；评价方法 1、引言 按数据融合的处理体系，数据融合可分为：信号级融合、像素级融合、特征级融合和符号级融合。图像融合是数据融合的一个重要分支，是20世纪70年代后期提出的概念。该技术综合了传感器、图像处理、信号处理、计算机和人工智能等现代高新技术。它在遥感图像处理、目标识别、医学、现代航天航空、机器人视觉等方面具有广阔的应用前景。 Pohl和Genderen将图像融合定义为：“图像融合是通过一种特定的方法将两幅或多幅图像合成一幅新图像”，其主要思想是采用一定的方法，把工作于不同波长范围、具有不同成像机理的各种成像传感器对同一场景成像的多幅图像信息合成一幅新的图像。 作为图像融合研究重要内容之一的多聚焦图像融合，是指把用同一个成像设备对某一场景通过改变焦距而得到的两幅或多幅图像中清晰的部分组合成一幅新的图像，便于人们观察或计算机处理。图像融合的方法大体可以分为像素级、特征级、决策级3中，其中，像素级的图像融合精度较高，能够提供其他融合方法所不具备的细节信息，多聚焦融合采用了像素级融合方法，它主要分为空域和频域两大块，即： （1）在空域中，主要是基于图像清晰部分的提取，有梯度差分法，分块法等，其优点是速度快、方法简单，不过融合精确度相对较低，边缘吃力粗糙； （2）在频域中，具有代表性的是分辨方法，其中有拉普拉斯金字塔算法、小波变换法等，多分辨率融合精度比较高，对位置信息的把握较好，不过算法比较复杂，处理速度比较慢。 2、空域中的图像融合 把图像f(x,y)看成一个二维函数，对其进行处理，它包含的算法有逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法等。 2.1 逻辑滤波器法 最直观的融合方法是两个像素的值进行逻辑运算,如:两个像素的值均大于特定的门限值,

多传感器信息融合

多传感器信息融合

0前言 移动机器人的定位问题是提高移动机器人自主能力的关键问题之一。具体来说，定位是利用先验环境地图信息、机器人位姿的当前估计及传感器的观测值等输入信息，经过一定的处理和变换，产生更加准确地对机器人当前位姿的估计。机器人的定位方式有很多种，如，基于光电寻线的定位、基于声纳的机器人自主定位、基于全景视觉的定位及基于激光测距的定位等。可以看出：机器人的定位方式取决于所采用的传感器。目前，在移动机器人上使用较多的传感器有视觉传感器、里程计和惯导系统、超声传感器、激光测距仪、GPS 定位系统等。其中，视觉传感器具有信息量大、感应时间短的优点，但往往获得的数据噪声大、信息处理时间长；激光传感器在测距范围和方向上具有较高的精度，但价格昂贵；超声波传感器虽然角度分辨力较低，但它处理信息简单、成本低、速度快，因此，在自主移动机器人上得到了广泛的应用；里程计是一种相对定位传感器，它通过累计计算得到定位信息，缺点是存在累计误差问题，因此，可结合绝对定位传感器，如超声传感器等，提供较准确的定位。各传感器都有它自己的局限性，因此，移动机器人往往同时装备多种传感器，各自提供关于机器人定位的消息。目前的趋势是：根据传感器的可靠性。使用不同类型的传感器来测量相关数据。本文采用扩展卡尔曼滤波( EKF) 技术，将里程计和超声波传感器所提供的数据进行融合定位。 1 机器人运动模型的建立 由于移动机器人机构复杂，为了便于构造运动学模型与规划控制机器人的位姿，本文选择两轮驱动小车作为运动平台。将整个机器人本体看作一个刚体，车轮视为刚性轮，并在运动不是太快而转弯半径较大时，不考虑车轮与地面侧向滑动的情况，其简化运动学模型如图1 所示。

099多传感器航迹融合算法综述

第三届中国信息融合大会 中国 西安 2011.08 ———————————————————— 基金项目：航空基金项目，批准号：20090853013，西北工业大学校翱翔之星计划；西北工业大学基础研究基金：JC201015 多传感器航迹融合算法综述 张 伟，兰 华，杨 峰，梁 彦 （西北工业大学自动化学院，陕西 西安，710072） 摘 要：航迹融合是多传感器融合的一个重要组成部分，也是多传感器融合领域发展最快的方向之一。本文论述了航迹融合理论发展，以局部航迹估计误差的相关性为研究对象，详细讨论了几种主流航迹融合算法，包括简单凸组合、修正互协方差、不带反馈和带反馈的最优分布式融合、协方差交集、最优线性无偏估计以及自适应航迹融合等算法，分析并比较了各算法的特点、性能及应用。 关键词：多传感器；航迹融合；误差相关性 Approaches to Mutisensor Track-to-Track Fusion ：A Survey ZHANG Wei, LAN Hua, YANG Feng, LIANG Yan (College of Automation, Northwestern Polytechnical University, Xi’an Shannxi 710072, P .R. China) Abstract : Track-to-track fusion is an important part of multisensor fusion and is also one of the most rapidly developing branches of the multisensor fusion field. Various mainstream track-to-track fusion algorithms, including covariance convex algorithm, Bar Shalom-Campo algorithm, optimal distributed fusion without feedback, optimal distributed fusion with feedback, covariance intersection algorithm, best linear unbiased estimation algorithm and adaptive fusion algorithm, are investigated in detail, according to the correlation between local estimate errors. The performance of various algorithms and the weaknesses and strengths of the approaches in the context of different applications are analyzed and compared in this paper. Keywords ：Multisensor ; track-to-track fusion; error correlation 0引 言 在一个分布式多传感器环境中，每个传感器对于目标进行探测和跟踪的过程都是独立的，航迹关联关心的是如何判断从不同传感器获得的两条航迹是否对应于同一个目标。当确认两条航迹来自同一个目标后，接下来的问题是如何将这两条航迹的估计结果融合在一起，这就是航迹融合问题[1] 。 在航迹关联与航迹融合的问题中，由于参与融合的局部航迹之间存在误差相关性，从而使得航迹融合问题变得复杂。航迹融合中的误差相关性可以分为两类，一类是各局部状态估计之间由于共同的过程噪声、相关的量测噪声以及共同的先验估计而产生的 误差相关性；另一类是当融合中心具备记忆能力并存在多条传感器至融合中心的信息传播途径，局部状态（先验）估计与全局状态（先验）估计之间也存在有相关性[2]。因此，对局部航迹之间误差相关性的分析是航迹融合的基础和关键。在航迹融合的发展过程中，对误差相关性不同处理方式一直是航迹融合算法发展的主轴。 早期的航迹融合算法假设局部航迹之间的估计误差是独立的[3][4]，文献[5,6]首次考虑了由于相同过程噪声所导致的航迹误差相关性，并且分别给出了两传感器的最优关联和融合算法，文献[7]首次给出了多传感器最优估计的方法。一般的航迹关联和融合算法都需要计算它们之间的互协方差矩阵，

多传感器数据融合技术的理论及应用

多传感器数据融合技术的理论及应用 张宁110101256 摘要：多传感器数据融合技术是一门新兴前沿技术。近年来，多传感器数据融合技术已经受到广泛关注，它的理论和方法已经被应用到许多研究领域。本文主要论述了多传感器数据融合的基本概念、工作原理、数据融合特点与结构、数据融合方法及其应用领域，并总结了当前数据融合研究中存在的主要问题及其发展趋势。 关键词：多传感器；数据融合；融合方法 1引言 多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。近年来，多传感器数据融合技术无论在军事还是民事领域的应用都极为广泛。多传感器数据融合技术已成为军事、工业和高技术开发等多方面关心的问题。这一技术广泛应用于复杂工业过程控制、机器人、自动目标识别、交通管制、惯性导航、海洋监视和管理、农业、医疗诊断、模式识别等领域。实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。 2基本概念及融合原理 2.1多传感器数据融合概念 数据融合又称作信息融合或多传感器数据融合，对数据融合还很难给出一个统一、全面的定义。随着数据融合和计算机应用技术的发展，根据国内外研究成果，多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。

多传感器图像融合算法研究开题报告汇总

毕业（设计）论文 开题报告 系别自动化系 专业自动化 班级 191102 学生姓名 学号 指导教师 报告日期 2015-3-30

毕业（设计）论文开题报告表 论文题目多传感器图像融合算法研究 学生姓名学号114434 指导教师 题目来源（划√）科研√生产□实验室□专题研究□ 论文类型（划√）设计□论文√其他□ 一、选题的意义 数字图像融合是将两个或者两个以上的传感器在同一时间（或不同时间）获取的关于某个具体场景的图像或者图像序列信息加以综合，以生成一个新的有关此场景的解释，而这个解释是从单一传感器获取的信息中无法得到的。图像融合的目的是减少不确定性，其作用包括：（1）图像增强。通过综合来自多传感器（或者单一传感器在不同时间）的图像，获得比原始图像清晰度更高的新图像。（2）特征提取。通过融合来自多传感器的图像更好地提取图像的特征，如线段，边缘等。（3）去噪。（4）目标识别与跟踪。（5）三维重构。 图像融合技术(Image Fusion Technology)作为多传感器信息融合的一个非常重要的分支——可视信息融合，近二十年来，引起了世界范围的广泛关注和研究。图像融合是一门综合了传感器技术、图像处理、信息处理、计算机和人工智能等多种学科的现代高新技术。图像融合的主要思想是采用一定的算法，把来自多个传感器的多幅图像综合成一幅新图像，使融合后的图像具有更高的可信度，较少的不确定性以及更好的可理解性，融合后的图像比原来的图像更加清晰可靠，易于分辨，最终得到在任何一幅单独的原始图像中无法表现的某些特征，可为分类识别系统提供更加完备的数据集。 图像融合的基本原理就是在对同一目标的采用不同传感器所获得的图像，或者同一传感器在不同时间、不同角度所获得的图像在经过像素级配准之后，利用其在信息表达上的互补性和冗余性，根据一定的融合法则合成一幅满足某种要求的新的图像。因此，图像融合的目的是充分利用多个待融合源图像中包含的冗余信息和互补信息，实现多幅源图像信息的综合，已达到人们的某种需要。 最近这些年来，在军事领域与民事领域的各种各样种类繁多的需求牵引之下，

多传感器图像融合应用研究

原野林宏中国人民解放军61855 部队韩晓静中国人民解放军61741 部队 肖舟旻中国人民解放军重庆通信学院邢劭谦中国人民解放军61855 部队 【摘要】多传感器图像融合的应用表现在多个领域中，航空航天、军事、医疗，以及其他高新技术产业，图像融合条件下，多传感器能够将数字化信号反应在图像中，并把图像特征充分的发挥出来。经多维度、多测度空间处理，多源信息图像的应用功能会愈加丰富、多样，不仅图像的信号层、像素层、特征层能够有机的融合在一起，其还会展现出不同种类、风格的融合图像。 【关键词】多传感器图像融合影响因素应用研究 在光学、电子学、摄影技术，以及传感器技术、计算机技术的多重应用表现下，图像融合这一科研课题迅速发展起来。传感器作为一种检测装置，在信息测量、信号编辑方面拥有强大的功能优势，它不但能在复杂环境下接收图像信号，还能将多重信号一一过滤、整合在一起，形成融合型图像。 一、传感器图像融合技术分类 1、信号https://www.wendangku.net/doc/b214187283.html,层。传感器接收的是源信号，所以相对于信号层的图像融合，与其他种类相比，其图像质感、表现更好，因为首先信号的误差小、传感器信号处理能力强，微小、弱势的信号都可以被检测、处理到。信号层信号会混有随机噪声影响，该信号在估量过程会发生阶段性改变，因此需要精准确定、对比信号频率才行。 2、像素层。像素层图像代表的是不同程度的像素信息内容，与信号信息不同，它具有一定的特征性，多半以图像的形式展现出来。为了让图像能够最真实、细腻的传输信号，传感器会依靠滤波功能，对同种像素级的图像信息源进行映射处理，以谋求图像信息源在融合后产生交互影响，进而的形成丰富多元的融合图像。如果各传感器参加融合的图像具有不同分辨率，则需要在映射处理的基础上，对图像信号源进行细致、精密的对准和校对，从高到底像素级，一步步提取、融合图像信号源的各特征信息。 3、特征层。特征层体现在传感器信息数据的融合特征，与信号层和像素层存在某种联系，信号的原始特征、图像信息源的特征，都能够透过信息的“特殊含义”所展现出来，也就是说，在某特殊区域、特殊范围、特殊时间内，如果要求传感器信息融合处理，那么首当其冲的便会是特征层的信号内容，因为其在边界提取、同密度或同景深区域表示等方面存在较大差异，亦容易被发觉、应用。 二、多传感器图像融合应用研究 本文选择红外图像与可见光图像融合应用为研究对象，探索多传感器是如何实现图像融合的，红外信号具有感光、感温功能，在不同温度梯度环境中，红外图像所表现出来的信号内容是存在明显差异的。可见光图像与其相比，可以展现、表露出诸多图像上的信息细节，如：局部高度、表征状态，以及光感亮度等等。该项技术应用在军事领域，军人要在夜晚的环境中组织进攻，必博闻新闻须通过红外传感器探索、检测周边环境，在将其与可见光图像融合，展现夜晚环境下真实的地区环境状态，使军人犹如在白天作战。 为了进一步丰富红外图像与可见光图像的融合效果，技术人员选择了特征层图像融合技术，它首先利用红外传感器把周边环境的探索信号、内容搜集过来，再由滤波器、信号编辑器、图像处理装置，将其复制粘贴到传统可见光图像中，使检测到的信号发挥图像编辑、处理能力，通过信号的变化、编辑处理，使图像展现可变的几何图形、方向、位置，以及特征的时域范围情境状态。红外传感器检测到的图像数据是信号翻译过来的，所以准度较高，可达到中级，如果精度要求还有待提升，可通过提高红外传感器检索信号的频率和波长，提高图像数据的精度级别。此外，在把红外传感器中的众多图像信号进行压缩处理的过程中，可见光

多传感器数据融合算法汇总

一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法； (2)对数据融合的具体方法的研究尚处于初步阶段； (3)还没有很好解决融合系统中的容错性或鲁棒性问题； (4)关联的二义性是数据融合中的主要障碍； (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。

图像融合算法概述

图像融合算法概述 摘要：详细介绍了像素级图像融合的原理,着重分析总结了目前常用的像素级图像融合的方法和质量评价标准,指出了像素级图像融合技术的最新进展,探讨了像素级图像融合技术的发展趋势。 关键词：图像融合; 多尺度变换; 评价标准 Abstract:This paper introduced the principles based on image fusion at pixel level in detail, analysed synthetically and summed up the present routine algorithm of image fusion at pixel level and evaluation criteria of its quality. It pointed out the recent development of image fusion at pixel level, and discussed the development tendency of technique of image fusion at pixel level. Key words:image fusion; multi-scale transform; evaluation criteria 1.引言： 图像融合是通过一个数学模型把来自不同传感器的多幅图像综合成一幅满足特定应用需求的图像的过程, 从而可以有效地把不同图像传感器的优点结合起来, 提高对图像信息分析和提取的能力[ 1] 。近年来, 图像融合技术广泛地应用于自动目标识别、计算机视觉、遥感、机器人、医学图像处理以及军事应用等领域。图像融合的主要目的是通过对多幅图像间冗余数据的处理来提高图像的可靠性; 通过对多幅图像间互补信息的处理来提高图像的清晰度。根据融合处理所处的阶段不同,图像融合通常可以划分为像素级、特征级和决策级。融合的层次不同, 所采用的算法、适用的范围也不相同。在融合的三个级别中, 像素级作为各级图像融合的基础, 尽可能多地保留了场景的原始信息, 提供其他融合层次所不能提供的丰富、精确、可靠的信息, 有利于图像的进一步分析、处理与理解, 进而提供最优的决策和识别性能. 2.图像融合算法概述 2.1 图像融合算法基本理论

信息融合技术

信息融合技术 1引言 融合(Fusion)的概念开始出现于70年代初期,当时称之为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融合。 融合就是指采集并集成各种信息源、多媒体与多格式信息,从而生成完整、准确、及时与有效的综合信息过程。数据融合技术结合多传感器的数据与辅助数据库的相关信息以 获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征:信息的冗余性、互补性、协同性、实时性以及低成本性。 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 为复杂的形式,而且可以在不同的信息层次上出现。 2信息融合的结构模型 由于信息融合研究内容的广泛性与多样性,目前还没有 统一的关于融合过程的分类。 2、1按照信息表征层次的分类系统的信息融合相对于信息表征的层次相应分为三类:数据层融合、特征层融合与决策层融合。 数据层融合通常用于多源图像复合、图像分折与理解等方面,采用经典的检测与估计方法。特征层融合可划分为两大

类:一类就是目标状态信息融合,目标跟踪领域的大体方法都可以修改为多传感器目标跟踪方法;另一类就是目标特性融合,它实质上就是模式识别问题,具体的融合方法仍就是模式识别的相应技术。 决策层融合就是指不同类型的传感器观测同一个目标,每个传感器在本地完成处理,其中包括顶处理、特征抽取、识别或判决,以建立对所观察目标的初步结论。然后通过关联处理、决策层触合判决,最终获得联合推断结果。 2、2JDL模型(Joint Directors of Laboratories, JDL)与λ-JDL模型该模型将融合过程分为四个阶段:信源处理,第一层处理(即目标提取)、第二层处理(即态势提取)、第三层提取(即威胁提取)与第四层提取(即过程提取)。模型中的每一个模块都可以有层次地进一步分割,并且可以采用不同的方法来实现它们。 λ-JDL模型为JDL模型的简化,把0层包含进了1层, 4层融入其她各层中。 2、3按照数据流融合的位置进行分类多传感器融合系统中的一个关键问题就是在何处对数据流进行融合。按照融合位置的不同可以将融合结构分为以下三种类型:集中式融合、分布式多传感器融合与无中心融合结构。对于特定的信息融合应用不可能找到一种最优的融合结构,结构的选择必须综合考虑计算资源、可用的通信带宽、精度要求、传感器能力

多传感器图像融合技术综述

收稿日期:2002203217　作者简介:毛士艺(1935-),男,浙江黄岩人,教授,100083,北京. 多传感器图像融合技术综述 毛士艺 赵　巍 (北京航空航天大学电子工程系) 摘 要:对国内外多传感器图像融合技术的发展状况进行了介绍,描述了 图像融合的主要步骤,概括了目前主要图像融合方法的基本原理,并对各种方法的性能进行了定性分析.给出了评价图像融合效果的标准和方法,指出了图像融合技术的发展方向. 关　键　词:图像处理;图像合成;传感器;图像融合 中图分类号:T N 911.73文献标识码:A 文章编号:100125965(2002)0520512207 近20年,随着传感器技术和计算机计算能力的提高,多传感器图像融合技术的应用越来越广泛.在军事领域,以多传感器图像融合为核心内容的战场感知技术已成为现代战争中最具影响力的军事高科技.20世纪90年代,美国海军在SS N 2 691(孟菲斯)潜艇上安装了第1套图像融合样机,可使操纵手在最佳位置上直接观察到各传感器的全部图像[1],[2].1998年1月7日《防务系统月刊》电子版报道,美国国防部已授予BTG 公司2项合同,其中一项就是美国空军的图像融合设计合同,此系统能给司令部一级的指挥机构和网络提供比较稳定的战场图像.在遥感领域,大量遥感图像的融合为更方便、更全面地认识环境和自然资源提供了可能[3]～[5],其成果广泛应用于大地测绘、植被分类与农作物生长势态评估、天气预报、自然灾害检测等方面.1999年10月4日,由我国和巴西联合研制的“资源一号”卫星发射升空,卫星上安装了我国自行研制的CC D 相机和红外多光谱扫描仪,这两种航天遥感器之间可进行图像融合,大大扩展了卫星的遥感应用范围.在医学成像领域,CT 、MR 和PET 图像的融合提高了计算机辅助诊 断能力[6].2001年11月25日～30日在美国芝加哥召开了每年一度的RS NA 北美放射学会年会,在会议上GE 公司医疗系统部展销了其产品Dis 2covery LS.Discovery LS 是GE 公司于2001年6月 刚推出的最新PET/CT ,是世界上最好的PET 与最高档的多排螺旋CT 的一个完美结合,具有单体PET 不能比拟的优势.它可以完成能量衰减校正、 分子代谢影像(PET )与形态解剖影像(CT )的同机 图像融合,使检查时间成倍地降低.在网络安全领域,多尺度图像融合技术可将任意的图像水印添加到载体图像中,以确保信息安全[7]. 在各个应用领域的需求牵引下,各国学者对多传感器图像融合技术的研究也越来越重视.在多传感器信息融合领域中,图像融合是应用最为广泛,发表文献最多的一个方向.从文献[8]可看出,在参与统计的信息融合文章中,信号层的信息融合文章占53%.同时,我们做了这样一个调查,在Ei C om pendexWeb 数据库中用“image fusion ”作为关键词,检索从1980年到2001年摘要中出现这一词组的文章数目.1980年至1984年,这方面的文章只有4篇;1995年至1999年增加到603篇;2000年和2001年两年就有299篇.从中可以看出国际学术界对图像融合技术的重视程度与日俱增. 为了使国内同行对图像融合技术有一个较为全面的了解,本文在参考国内外文献的基础上,对目前常用的图像融合技术进行了概括和评述.文章首先介绍了图像融合研究的基本内容,将图像融合的概念界定到像素级;接着描述了各种图像融合技术的基本原理,对它们的优缺点进行了定性分析,给出了评价图像融合技术的方法. 1　多传感器图像融合技术研究内容 多传感器图像融合属于多传感器信息融合的范畴,是指将不同传感器获得的同一景物的图像 　 2002年10月第28卷第5期北京航空航天大学学报 Journal of Beijing University of Aeronautics and Astronautics October 2002V ol.28　N o 15

多传感器数据融合技术

多传感器数据融合技术 摘要：介绍多传感器数据融合技术的历史与研究现状，给出多传感器数据融合实现方法，最后给出应用和多传感器数据融合的不足与研究展望。 1 引言 多传感器数据融合是信息领域一个前景广阔的研究方向，世界各国都有学者和技术人员在开展数据融合技术的研究，我国对数据融合方面的研究也日益重视，国家自然科学基金和“863”计划已将其列入重点支持项目，因此，对多传感器数据融合进行学术与工程应用的研究具有重要意义[1]。 多传感器数据融合技术是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。多传感器数据融合技术从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分,最终实现信息的优化，它也为智能信息处理技术的研究提供了新的观念。数据融合作为一门跨学科的综合信息处理理论，涉及系统论、信息论、控制论、人工智能和计算机通信等众多的领域和学科[2]。 本文介绍数据融合技术发展历史与研究现状，描述数据融合技术的几种典型实现方法，给出数据融合技术的主要应，最后对数据融合技术研究中存在的问题和发展前景进行了论述。 2 多传感器数据融合技术概述 2.1 数据融合的定义 数据融合也称为信息融合，它的定义有很多。Mango lini将数据融合定义为：一套利用具有不同性质的各种源数据的方法、工具、方式，目的是提高所需信息的质量，此定义着重于融合的方法。Hall 和Llinas的定义是“数据融合技术是将来自多传感器和相关数据库的有关信息进行综合，以得到精度上的改善和更加具体的推断，而这些也可以通过单个传感器来得到”。这种定义虽然提到了数据信息的质量，但是仍注重于方法。美国国防部定义为“数据融合是一个多级、多方面的过程,这个过程处理自动识别、连结、相关、估计以综合多源数据和信息.。”这一定义简单地说就是“处理自动识别、连结、相关、估计

基于多传感器信息融合的智能机器人

基于多传感器信息融合的智能机器人 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。

多传感器融合学习心得

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)

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。

遥感图像融合技术的发展现状

遥感图像融合技术的发展现状及趋势 1 引言 多源图像融合属于多传感器信息融合的范畴, 是指将不同传感器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物的图像, 经过相应处理后, 再运用某种融合技术得到一幅合成图像的过程。多幅图像融合可克服单一传感器图像在几何、光谱和空间分辨率等方面存在的局限性和差异性, 提高图像的质量, 从而有利于对物理现象和事件进行定位、识别和解释。与单源遥感图像相比, 多源遥感图像所提供的信息具有冗余性、互补性和合作性。因此,将多源遥感图像各自的优势结合应用, 获得对环境正确的解译是极为重要的。多源遥感图像融合则是富集这些多种传感器遥感信息的最有效途径之一,是现代多源数据处理和分析中非常重要的一步。本文基于遥感图像融合的研究现状、分析了图像融合研究的困境和不足, 最后提出了未来的发展趋势和热点, 以期达到抛砖引玉的作用。 2 遥感图像融合研究现状 随着信息科学技术的发展, 在20 世纪七八十年代诞生了一个称为数据融合的全新概念。这一概念不断扩展, 处理的对象由一般的数据发展到数字图像。1979 年, Daliy 等人首先将雷达图像和LandsatMSS 图像的复合图像应用于地质解译, 被认为是最早的图像

融合。20 世纪80 年代, 图像融合技术逐渐应用到遥感图像的分析和处理中。90年代以后, 图像融合技术成为研究的热点, 并成为很多遥感图像应用的一个重要预处理环节。目前, 遥感图像融合已经发展为像素级、特征级和决策级3个层次, 如表1。需要指出的是, 融合层次并没有划分融合算法严格的界限, 因为本质上各个融合层次都是信息融合的范畴。像素级图像融合技术已被广泛研究和应用, 并取得了一定的成果。特征级融合是一种中等层次的信息融合, 利用从各个传感器图像的原始信息中提取的特征信息,进行综合分析及融合处理, 不仅增加从图像中提取特征信息的可能性, 还可能获取一些有用的复合特征, 尤其是边缘、角、纹理、相似亮度区域、相似景深区等。在特征级融合中, 对图像配准的要求不如像素级图像融合对配准要求那么严格。决策级图像融合是一种更高层次的信息融合, 其结果将为各种控制或决策提供依据。在进行融合处理前, 先对图像进行预处理、特征提取、识别或判决, 建立对同一目标的初步判决和结论, 然后对各个图像的决策进行相关处理, 最后进行决策级的融合。从特点来看,不同层次的融合各有优缺点, 难以在信息量和算法效率方面都同时满足需求。 表一:遥感图像融合三个层次的对比 融合层次融合算法特点