浅析数据融合技术及应用

熊婷婷

摘要：数据融合技术是利用信息特征的特有性对其进行采集、识别和处理。该文简要介绍了数据融合技术的研究状况，对特征层融合进行阐述，并对生物多特征识别的应用和发展进行了分析。

关键词：数据融合；特征层融合；生物多特征识别

中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)05-1144-02

Make Use of the EWB Arithmetic Figure Electric Circuit Design

XIONG Ting-ting

(College of Calculator and Information，Hefei University of Technology, Hefei 230009, China)

Abstract: Data fusion technology is the use of information characteristics of the endemic to the collection, identification and treatment. This paper briefly introduces the data fusion technology research status of feature level fusion, elaborate, and biological feature recognition application and development are analysed.

Key words: data fusion; feature fusion; biological feature recognition

数据融合技术利用多源信息关联，以无缝集成多个聚类中的数据。通过对各种信息源给出的有用信息的采集、传输、综合、过滤、相关及合成，帮助人们进行态势/环境判定、规划、探测、验证、诊断。数据融合技术作为信息获取、传输和处理的基本方法之一，可以实现将多种类型的信息经过复杂的处埋得到一种或多种结果，从而迅速、准确地分析数据。

1数据融合技术的研究状况

数据融合的概念始于20世纪70年代初期，而真正的技术进步直到80年代后期才得以全面展开，尤其是近些年世界范围内对其普遍关注，并在一些重大研究项目上取得了突破性进展，现今已有许多利用数据融合技术的研究。

数据融合体系根据数学理论的不同，可大致分为四种信息关联方法：基于概率理论的关联、基于证据理论的关联、基于神经网络的关联，以及基于模糊逻辑的关联。由于关联理论的不同，不同融合方法具有不同的特点。实际研究应用中，也可将以上的几种理论相结合，比如将D-S理论（证据理论）与模糊理论相结合实现数据关联，或者将模糊理论与神经网络相结合。可以在一定程度上吸取各种方法的优点，从而得出更佳的效果。

2数据融合的层次

根据信息抽象的程度和融合在整个信息处理过程中所处的阶段可以把图像融合分为三个层次，即数据层的融合、特征级的融合以及决策级的融合。

2.1数据层融合

直接在采集的原始数据层上进行的融合称为数据层的融合，也称为像素级的融合。图像的像素级融合将不同图像信息在像素基础上进行综合，以改善图像质量为目的，从而保证图像的特征提取、识别等工作能建立在更准确的基础上。与其它层次的融合相比，数据层的融合的优点是能够提供更多的细节信息，准确性比较高。其缺点就是它要处理大量的信息，对设备的要求相对较高。

2.2特征层融合

特征层融合要先从原始图像中提取特征信息，然后再对特征信息进行关联，是属于中间层次的融合。特征级融合通过把特征分类成有意义的组合，从而避免在处理过程中引人像素重采样等误差，具有较高的置信度，其结果的应用更为有效；并且由于特征级融合算法需要处理的数据量较小，便于实时处理。

2.3决策层融合

决策层融合是最高层次上的融合，它首先经过特征提取等技术，运用判决准则对一些有价值的复合信息加以判断、识别和分类，然后依照每个决策的可信度，根据一定的准则综合有价值的信息，最后获得综合的决策结果。表1所示为对三种层次融合的优缺点进行的比较。

3多特征融合识别

表1三种层次融合的优缺点比较

目前，在特征层进行融合的算法没有通用的，Boosting方法从某种意义上说可以作为一种特征层融合算法，这个算法对很多弱分类器进行融合，而这些弱分类器可以当做是从原始数据中提取的特征。除此之外，有些学者还尝试过其它的特征层的融合，如Kumar实现了两个生物特征的融合，他首先从两种生物特征中进行向量提取，然后将这些向量连接成一个一维向量，最后通过这个一维向量计算得出待测目标和数据库模板之间的相似程度。

由于特征向量太大，会影响融合系统的运行时间，因此可以采用主元分析法（PCA）对提取的每一类特征进行压缩，然后再合并为一个向量，利用向量距离的方法判定待测目标和模版之间的相似程度。图1所示为特征层融合识别模型。

图1特征层融合的实现流程

4数据融合技术应用

近年来，数据融合技术不断应用到各个行业中，取得了一定的效果。包括复杂工业过程控制、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、遥感、医疗诊断、图像处理、模式识别等领域。

在多生物特征识别方面，数据融合技术现在已达到一定的水平。通过对人体本身所固有的生理特征包括面部特征、指纹、手型、基因、体热辐射与身体气味、眼部特征（视网膜、虹膜）、腕部/手部/面部静脉血管模式等的采集和判定，进行人体的身份识别。

利用多特征融合识别对人体生理特征进行判别比单一特征识别的正确率有较大提高。如指纹识别，利用细节特征、灰度特征和方向场特征的综合信息即可完成指纹识别。

假设I(x,y)为n×n的二维指纹图像，用向量Γ来表示，｛i G｜i=1，…，m｝表示指纹图像的训练集，训练集中图像的总数用m表示，那么，这m幅图像的平均值向量可用下面的公式表示：

每个指纹图像向量Γ与平均值向量Ψ的差值向量，设为i

训练图像的协方差矩阵可用下式表示： F］。

协方差矩阵C的正交特征向量组成了特征指纹。如果指纹图像的维数是n×n，那么，协方差C的大小就是22nn′，求解协方差的特征值和特征向量难度很大，我们可以利用矩阵的SVD奇异值分解原理，采用另外的方法进行求解。可以先对一个m×m的较小的矩阵进行求解，记m×m得矩阵为L，vL代表其特征向量，则可以通过以下公式计算vL：

A

用lu(l=1,…,M)表示矩阵C的特征向量,则lu由差值图像i

F(i=1，…，M)与lv(l=1，…，M)线性组合得到：

U=［u1，…，uM］=［Φ1，…，ΦM］［v1，…，vM］=AV

在实际中，指纹识别只需要k(k

5结束语

在信息资源繁多，信息处理能力要求日益增高的今天，数据融合技术能够帮助人们应对复杂的信息处理和判定，并具有较高的安全性、实用性和可行性，成为极具广泛应用的研究方向。

参考文献：

[1]王家文,曹宇.MATLAB 6.5图形图像处理[M].北京:国防工业出版社,2004.

[2]张强.基于D-S证据理论的图像识别研究[D].保定:华北电力大学,2006.

[3]田捷,杨鑫.生物特征识别技术理论与应用[M].北京:电子工业出版社,2005.