摘 要：信息融合技術目前在軍事、模式識別、遙感圖像、醫學圖像處理等領域，具有廣泛的理論研究意義。信息融合又分爲像素級融合、特徵級融合、決策級融合。本文主要概述了特徵級融合技術的基本概念、幾種主要方法以及融合質量的評估方法。概述
關鍵詞： 信息融合 特徵融合 融合方法
1 引言
近年來，隨着傳感器技術的發展，信息表現形式多樣化，信息數量巨大化，信息關係複雜話化，以及要求信息處理的及時性、準確性和可靠性都是前所未有的。這就是使得利用計算機技術對獲得的多源信息在一定的準則下進行分析、優化綜合以完成所需的估計和決策（即 多傳感器信息融合技術）得以迅速發展。信息融合可以描述爲：綜合多源的信息，得到高品質的有用的信息。各種單一的傳感器往往不能從場景中提取足夠的信息，以至於很難甚至無法獨立獲得對一副場景的全面描述。需要多傳感器的同時獲取目標數據進行融合分析，纔可有效的進行分類識別決策。多傳感器信息融合又分爲像素級融合特徵級融合、決策級融合三個層次。
特徵級融合是從各個傳感器獲取的信息中提取目標特徵，然後通過融合算法獲取融合目標特徵量，進行目標分類識別。特徵級融合目標識別，既能保持足夠數量的目標有效信息，去除冗餘信息，又提高了目標識別的精確性。因此，從目標識別的實時性、計算量和識別精確性等方面考慮，本文以特徵級融合研究作爲重點。近幾年特徵級融合方法開始受到人們的重視，並且取得了許多成果。
假設有n個傳感器，第i個傳感器的獲取的特徵爲{,,…,}（i從1到n，num（i）表示第i個傳感器提取特徵個數），現在特徵級融合目標就是要通過某種算法將n個傳感器獲取的所有特徵融合爲高品質的有用的信息{,,…, }(其中m爲最終融合得到的特徵向量的特徵個數)。然後將得到的融合特徵作爲進一步決策的依據。
特徵級融合的一般過程如下圖所示：
目前特徵級融合方法大致分爲五大類[ 11 ] ：概率論統計方法、邏輯推理方法、神經網絡方法、基於特徵抽取的融合方法和基於搜索的融合方法。分類細節如下圖所示：
接下來第2,3,4,5,6部分內容分別對這些方法進行具體闡述。
2.概率統計方法
概率論統計方法主要有加權平均法、貝葉斯估計法和卡爾曼濾波法。
2.1加權平均法
假設有n個傳感器，用同一種方法特徵提取後，對於某一維度的特徵值x的加權平均值，
2.2貝葉斯估計法
Bayes方法在用於多傳感器信息融合時，是將多傳感器提供的各種不確定信息表示爲概率，並利用概率論中Bayes條件概率公式對他們進行處理的一種方法[ 1 ]。
假設有n個傳感器，分別對感興趣區域進行特徵提取後，對於某一維度的特徵值表示爲x1,x2…xn; 假設融合後可能的特徵值爲M，由x1,x2…xn得到M的概率爲p（M|x1，x2）,依據貝葉斯準則有：
當各個傳感器相互獨立時，上述公式可寫成：
讓上述概率最大的那個M即爲融合後的特徵值[ 9 ][ 10 ]。
在先驗概率已知的情況下，貝葉斯準則是最佳的融合準則，可給出精確融合結果。但是在實際應用中，各個傳感器很難獲得所需的先驗概率，這一點大大限制貝葉斯準則的應用。