现代检测技术

1、现代检测技术及发展多传感器数据融合技术综述摘要:现代智能检测技术解决传统检测理论与技术难以解决的复杂系统的检测问 题，主要包括先进传感技术、现代信息处理技术、软测量技术、基于多传感器的数据 融合技术等。基于多传感器的数据融合技术的智能检测系统由若干个传感器和具有数 据综合和决策功能的计算机系统组成，以完成仅仅依靠单个传感器无法实现的测量。 多传感器数据融合技术具有很多优点，如可以增加检测的可信度，降低不确定性，改 善信噪比，增加对待测量的时间和空间覆盖程度等。由于单个传感器的自身特性缺陷因素而使得单个传感器获取的信息不够完善，往 往不能表征整个目标或对象的全部特征信息，数据融合技术综合利用各个

2、传感器所采 集的信息进行融合，进而得到更加稳定、可靠、全面、准确的特征信息。数据融合技 术以其融合层次的不同分为数据级融合、特征级融合、决策级融合。关键词：智能检测技术；多传感器；数据融合；融合层次引言多传感器数据融合是一种针对单一传感器或多传感器数据或信息的处理技术，通 过数据关联、相关和组合等方式以获得对被测环境或对象的更加精确的定位与测量、 目标识别以及对当前态势和威胁的全面而及时的评估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，以得到各种信息的内在联系和规律，从而剔除 无用的和错误的及冗余的

3、信息，进而保留正确的和有用的成分，最终实现信息的优化 。多传感器数据融合技术充分利用各传感器获获取信息的冗余性和互补性，最终得 到更加稳定、可靠、全面的信息。其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。1数据融合技术的发展现状与存在问题1. 1数据融合技术的发展现状“数据融合”最早出现于20世纪70年代，源于军事领域的C 3I(com2mand, control, communication and intelligence)系统的需要，当时称为多传感器相关、多传感器混合 数据融合，

4、并于80年代建立此技术。美国是数据融合技术起步最早的国家，美国国 防高级研究计划局(DARPA)于1983年推出的战略计算机计划中，将多传感器数据 融合列为重大研究课题。次年，美国国防部(DOD)成立了数据融合专家组(DFS Data Fusion Subana1)。1986年开始，每年IEEE主办的机器人与自动化(Robotics and Au2tomation)学术会议上都有专门关于数据融合的专题。1987年欧洲共同体开 始为期 5 年的 SKIDS (Signal and Knowledge Integration with Decisional Control for Multi-se

5、nsory System)计划，主要目标是研究多传感器数据融合的通用结构及实时数 据融合技术等。1998年成立了国际数据融合学会(ISIF)，每年举行一次数据融合国 际学术会议。与国外相比，我国在数据融合领域的研究起步相对较晚。1991年海湾战争结束 以后，数据融合技术引起国内有关单位和专家的高度重视。一些高校和科研院所相继 对数据融合的理论、系统框架和融合算法开展了大量研究，但基本上处于理论研究的 层次上，在工程化、实用化方面尚未取得有成效的突破，有许多关键技术问题尚待解 决，在工程应用领域，需要开发出有重要应用价值的实用系统。近年来数据融合技术 已形成研究热点，国家自然科学基金和国家863

6、计划已将其列入重点支持项目囹。各 大学、研究机构都在进行学术与工程应用的研究，并做了大量的基础研究工作。1.2数据融合技术存在的问题数据融合技术虽然在医疗、军事、遥感、智能检测等众多领域取得了不菲的成就， 也在世界范围内掀起了研究热潮，成为当今研究的热点问题之一，但其还是有很多问 题需要完善与解决。首先，绝大部分数据融合研究都是针对特定应用领域的问题开展的，即根据问题 的种类，各自建立直观的融合准则，并在此基础上形成所谓的最佳融合方案。然而这 些研究反映的只是数据融合所固有的面向分布式检测对象的特点，难以构成数据融合 这一独立学科所必须的完整理论体系。数据融合问题本身至今未形成基本的理论框架

7、和有效的广义融合模型及算法。其次，目前对数据融合过程本身的功能与形式也还没有一个统一的定义，还不能 对一般数据融合建立一种通用的数学模型；数据融合实用系统大都以专家系统设计方 法为实现基础，专门用于多传感器数据融合问题的通用结构设计的基础研究已经开 始，但还没有取得突破性的实质进展；数据融合效果评价准则基本上都是客观测度， 然而目前大部分评价效果是依靠人的主观经验判断。因此，需要建立一套统一的数据 融合技术评价标准体系。最后，数据融合的大部分研究都是在假设信息在已经配准或严格配准的情况下做 出的，没有深入地考虑信息配准问题。在进行融合处理前，必须对来自多传感器的观 测结果进行关联，保证所融合的

8、信息是来自同一观测目标或事件，以保证融合信息的 一致性。对不同目标或事件的信息进行融合，将难以使系统得出正确的结论，即关联 的二义性问题。由于传感器测量的不精确性和干扰都是引起关联二义性的因素，因 此，如何降低关联二义性是数据融合研究领域有待解决的问题。2数据融合的分类及实现方法多传感器数据融合技术涉及到信号处理、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方面的理论与技术。近年来，数据融合技术 在基本理论和实现方法上得到极大的完善，其突出的优越性主要有容错性好、系统精 度高、信息处理速度快、互补性强、信息获取成本低等方面7冏。根据数据融合在多 传感器信息处理层次中的

9、抽象程度的不同，可以分为数据级、特征级和决策级融合。目前数据融合的方法很多1012，有的对数据源直接操作；有的利用对象的统计特性， 对概率模型进行操作；有的是基于推理模型，对置信度、隶属度等进行操作等。本文 结合数据融合数据级、特征级、决策级的3个层次，分别介绍3个层次中的主要实现 方法。2. 1数据级融合数据级融合又称像素级融合，其指的是在融合算法中要求进行融合的传感器数据 间具有精确到一个像素的匹配精度的任何抽象层次的融合。数据级融合是最底层次的 数据融合。它是在原始的传感器数据经过很小程度的处理后进行的，因此保留了尽可 能多的原始信息，其能够提供其他融合层次所不具有的细节信息。其优点在于

10、融合结 果包含更多的原始信息，给人更加直观、全面的认识。其缺点在于数据处理量大，抗 干扰能力差，仅可用于精度要求不高的场合。目前，数据级融合常用的方法有：加权平均法、PCA、小波变换融合法13和金字 塔融合法及小波包变换，以及最近几年的脊波变换与Contourlet变换14。以金字塔变 换的图像融合方法为例，根据塔式结构图像的形成方式不同，多分辨金字塔图像融合 算法可分为拉普拉斯金字塔、对比度金字塔、梯度金字塔、比率低通金字塔和形态学 金字塔等15。拉普拉斯金字塔主要分为四步：模糊化（低通滤波）；降采样（降低尺寸）；升采 样（扩张）、差分。拉普拉斯金字塔最初被用于人眼立体视觉的双目融合；比率低

11、通 金字塔与拉普拉斯金字塔很相似，但它并不是求高斯金字塔中各级之间的差值，而是 求高斯金字塔中各级之间的比率。对每一级高斯金字塔进行梯度运算即得到梯度金字 塔，其中包括水平、垂直和两对角线梯度。在数学形态学中，连续地增加结构元素的 尺寸或连续地减小图像的尺寸时，越来越多的图像细节将被滤除掉，这样就得到了多 分辨形态学金字塔，形态学金字塔被成功地应用于医学图像的融合MM。2. 2特征级融合特征级融合属于中间层次，是指从各个传感器提供的原始数据中进行特征提取， 然后基于这些特征进行融合。因此，在融合前实现了一定的信息压缩，有利于实时处 理。同时，这种融合可以保持目标的重要特征，提供的融合特征直接与

12、决策推理有关， 基于获得的联合特征矢量能够进行目标的属性估计。特征级融合可分为两大类：目标 状态融合和目标特性融合。目前，特征级融合的主要方法有：聚类分析方法、D-S (Demp ster-Shafer)证据 推理方法、卡尔曼滤波、贝叶斯估计方法、信息熵方法、加权平均方法、模糊逻辑、 表决方法以及神经网络方法等【1821。以D-S证据推理法为例，D-S证据推理理论可以 看成是贝叶斯方法的一种扩展。在先验概率未知的情况下，可将概率统计技术平滑地 变为一个逻辑技术。设在0，1子区间内的S(A)，P(A)为命题A的信赖度，其中S(A) 是对命题A的支持度，是命题A可能性最小值，而P(A)则表示命题A

13、的可塑度， 即为命题A可能性的最大值。于是命题A的不确定性U(A)P(A) - S(A)。D-S方法能够处理多传感器信息中的不确定性数据，并且考虑非排斥性假定成为可能，其优 点在于无需先验概率的信息，弥补了贝叶斯准则的不足，应用比较广泛22o D-S证据 推理理论也有其局限性，它要求证据要相互独立，且当证据高度冲突下会得出错误的 推断。多分辨率分析的小波变换与Kalman滤波结合可以取得良好的融合效果23。2. 3决策级融合决策级融合是指在融合之前，各传感器数据源都经过变换并获得独立的身份估 计。信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合，最终 得到与整体一致的决策。这种

14、层次所使用的融合数据相对是一种最高的属性层次。这 种融合方式具有好的容错性和实时性，可以应用于异类传感器，而且在一个或多个传 感器失效时也能正常工作。其缺点是预处理代价高。目前，常用的决策级图像融合的方法主要有：贝叶斯估计法、神经网络法、模糊 聚类法，以及专家系统等24,25。以贝叶斯估计法为例，贝叶斯方法较早应用于数据的 融合。在先验概率已知的情况下，贝叶斯方法是最优的决策级融合方法。这种方法首 先对各种传感器信息作相容性分析，从而删除可信度很低的错误信息，在假设已知相 应的先验概率的前提下，对有用的信息进行贝叶斯估计，以求得最优的融合信息。 HPan26,27等认为贝叶斯方法的优点是简洁，

15、易于处理相关事件；缺点是不能区分不 知道和不确定信息，而且要求处理的对象相关。特别是在实际应用中很难知道先验概 率，当假设的先验概率与实际矛盾时，推理的结果会很差，在处理多重假设和多重条 件时会显得相当复杂。刘建书等人利用模糊理论中的相关性函数对多传感器的相互支 持程度进行计算，应用基于最小二乘原理的数据融合方法，对支持程度高的传感器数 据进行融合仍。3数据融合技术发展前景展望随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术、 并行计算软件和硬件技术等相关技术的发展，数据融合技术也将不断完善，其将会向 以下几个方向发展。一、由于目前对数据融合问题的研究都是根据问题的种类，建

16、立各自直观的融合 准则。这些研究反映的只是数据融合所固有的面向对象的特点，也就难以构成数据融 合这一独立学科所必需的完整的理论体系，系统测试和评估方法。这使得人们很难对 融合系统做出综合分析与评估，使得融合系统的设计带有一定的盲目性。因此，需要 研究并发展实用的融合系统测试和评估方法。二、由于多个传感器构成了多传感器系统的互补体系，因此必须按照某些工作准 则适当地管理这些传感器，以便获得最优的数据采集性能。传感器管理的内容通常包 括：空间管理、模式管理和时间管理。这一方面主要包括：传感器性能预测，传感器 对目标的分配方法，传感器空间和时间作用范围控制准则，传感器配置和控制策略， 传感器接口技术

17、，传感器对目标分配的优先级技术，以及传感器指示和交接技术。因 此，需要研究传感器资源分配与管理技术。三、异类多传感器数据融合29,30由于具有时间不同步，数据率不一致及测量维数 不匹配等特点，因而具有很大的不确定性。在异类多传感器数据融合中，如何利用各 传感器信息进行航迹起始，如何综合利用位置、动态及特征和属性参数改善目标跟踪 性，如何合理利用互补信息以改善对目标的识别及如何实现检测跟踪的联合优化都是 需要进一步研究和解决的问题。因此，需要研究异类多传感器数据融合技术。四、分布式检测融合31自提出至今已形成了比较完善的理论体系。目前对该领域 的研究主要有：在各检测器性能时变的条件下，如何自适应

18、估计各检测器性能并进行 分布式检测融合是目前的一个方向；在信号参数模糊下的分布式检测融合问题；在信 号参数随机变化下的分布式检测融合问题；微弱信号的检测融合问题。因此，需要研 究多传感器分布检测。参考文献周浩敏，钱政.智能传感技术与系统M.北京：北京航空航天大学出版社,2008李娟，李甦，李斯娜，等.多传感器数据融合技术综述J.昆明：云南大学学报，2008, 30(S2): 241-246祝宏，曾祥进.多传感器数据融合研究综述J.计算机与数字工程，2007, 35(12):46-48周芳，韩立岩.多传感器数据融合技术综述J.遥测遥控,2006, 27(3): 127邓睿，胡志勇.数据融合发展的

19、综述J.连云港师范高等专科学校学报，2005(4):76-78曲晓慧，安钢.数据融合方法综述及展望J.船舶电子工程,2003, 2: 224马平，吕锋，杜海莲，等.多传感器数据融合基本原理及应用J.控制工程，2006, 13(1): 48-51王耀南，李树涛.多传感器数据融合及其应用综述J.控制与决策，2001，16(5): 518-522熊凌，张凯.数据融合及其应用J.湖北工业大学学报,2005, 20(3): 145-147潘泉，于昕，程咏梅，等.数据融合理论的基本方法与进展J.自动化学报，2003, 29(4): 599-615王璇，李春升，周荫清.多传感器数据融合技术J.北京航空航天大

20、学学报，1994, 20(4): 402-406HALLD D L, Lilian s J. An introduction to multi -sensor data fusion C. Proceeding of the IEEE, 1997 ,85(1): 6223ZHANG Z, BLUM R S. A categorization of multi scale-decomposition based image fusion schemes with a performance study for a digital camera application C. Proceedings

21、 of IEEE, 1999, 87(8): 1315-1326CUNHA A L, ZHOU J P, DO M N. The non-subsampled Contourlet transform theory design and applications J. IEEE Trans on Image Processing, 2006, 15(10): 3089-3101李敏，谈正，李晓燕.多传感器图像融合技术及评价方法研究J.计算机工程与应用， 2006, 6: 39-41BURT P J, ADELSON E H. The laplacian pyramid as a compact

22、 image code J. IEEE Trans Commun, 1983, 31(4): 532-540TOET A. A morphological pyramid image decompositionJ. Pattern Recognition Letters, 1989, 9(4): 225-261覃征，鲍复民，李爱国，等.数字图像融合M.西安：西安交通大学出版社,2004TU TM, SU S C, Shyu H Cetal. A new look at IHS like image fusion methods J. Information Fusion, 2001, 2: 1

23、77-189TSENG D C, CHEN Y L, L IU M S. Wavelet Based Multispectral Image Fusion C. Proc of IEEE International Conference on Geoscience and Remote Sensing (IGARSS), 2001, 4: 1956-1958SCHEUNDERS P. Multi scale Edge Representation Applied to Image FusionC. Proceedings of SP IE, Wavelet Application in Signal and Image Processing, 2000, 4119: 894-901白云飞，曲尔光.多传感器数据融合技术及其应用J.机械管理开发，2008, 23(1): 69-70黄漫国，樊尚春，郑得智，等.多传感器数据融合技术研究发展J.北京：北京航空 航天大学,2010, 29(3): 234-239Terry Windeatt, Reza Ghaderi. Binary labelling and decision level fusion J. Information Fusion, 2001, 2: 103-112Deepu Rajan. Subhasis Chaudh