SPIE专题索引

多传感器融合用于目标探测的多传感器数据融合系统设计Ｄｅｓｉｇｎｏｆａｍｕｌｔｉｓｅｎｓｏｒｄａｔａｆｕｓｉｏｎｓｙｓｔｅｍｆｏｒｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ,ＳＣＡＴｈｏｍｏｐｏｕｌｏｓｅｔａｌ．ＳＰＩＥ．Ｖｏｌ１９５５,１９９３,Ｐ２基于接合模...     

基于D—S理论的多信息融合方法及应用

本文较系统地论述了基于Ｄｅｍｐｓｔｅｒ－ｓｈａｆｅｒ证据理论的多传感器信息融合算法,并以机器人的力学传感器和热觉传感器为研究对象,对目标物体进行分类识别实验,比较了融合前后的试验结果。     

多传感器信息融合机载辐射源识别

本文在阐述 Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ （Ｄ－Ｓ）证据理论的基础上，较系统地论述了基于Ｄ－Ｓ证据理论的多传感器机载辐射源识别的信息融合方法，识别实例和对比实验表明，这种信息融合识别方法是非常有效的。     

多传感器异步数据融合算法

由于传感器的采样速率和通信延迟,传感器的不同步问题大大降低了多传感器系统数据融合的精度。研究多传感器异步融合比同步数据融合更为迫切。该文利用误差协方差阵的迹最小准则建立了多传感器异步融合模型,给出了具有普遍意义的多传感器异步融合模型,弥补了目前多传感器异步数据融合仅限于两两传感器的局限性,并从理论上对多传感器异步融合的性能进行了分析。仿真结果表明该异步融合模型是有效的,能够对多传感器的异步数据进行优化处理,并且优于单一传感器的性能。     

多传感器信息融合及其应用

阐述了信息融合的定义、原理及信息融合的功能模型．分析并比较了多传感器信息融合的层次．介绍了多传感器信息融合的技术和方法,多传感器信息融合技术在军事领域、民事领域方面的应用．在此基础上分析了多传感器信息融合的发展趋势,并提出了有待解决的问题     

基于线性融合模型的多传感器图像融合

本文提出了一种新的基于小波变换的多传感器图像融合算法,在线性融合模型中引入了传感器噪声项,算法首先给出了基于期望融合图像局部方差最大的多传感器融合系数估计方法,然后利用多传感器图像和融合系数估计期望融合图像.最后的实验结果表明了本文图像融合方法具有明显的噪声抑制能力,能够得到更好的融合效果.     

机载多传感器情报融合技术分析

介绍了多传感器情报融合的概念及组成,对当前机载多传感器情报融合原理、融合流程、融合技术进行了研究分析,并以实例阐述了最佳特征组合技术在机载多传感器情报融合中的应用。     

多传感器信息融合技术应用的研究

地面侦察多传感器系统利用多个传感器来获取地面信息,并加以分析、处理与综合。多传感器信息融合技术是其关键技术。本文阐述了多传感器信息融合技术的基本原理、基本概念及结构,讨论了信息融合方法的选取及该系统对信息融合的要求,提出了实现的模型及分布式多传感器信息融合的概念和实现方法。     

多传感器数据融合的实现技术

本文论述了状态数据融合直接解析解法,避免了非线性微分方程的多次迭代解算,减少了计算量,从而提高了多传感器数据融合的解算效率.为保证多传感器数据融合的可信性和安全性,本文讨论了多传感器性能检查融合技术.为提高多传感器组网的隐身目标、反超低空目标和干扰环境下目标的探测能力,本文讨论了多传感器自适应探测融合技术.本文还分析了在目标机动时使用序贯融合技术的优点.     

基于数据融合估计理论的Kalman滤波

本文在经典Kalman滤波算法的基础上针对多传感器数据处理的特点,根据不同的数据融合结构方案给出了多传感器数据融合系统的Kalman滤波算法。根据多传感器数据融合估计知识,建立了基于Kalman滤波的数据融合模型;给出了融合结构的数据融合滤波算法：集中式Kalman滤波算法;进行了算法仿真演示实验。实验结果表明,通过多传感器融合能够提高系统的估计精度。     

基于MEMS的距离自适应型非接触静电仪

静电场测量是检测物体是否携带过量静电最直接的手段,对于静电防护具有重要意义。传统的静电仪主要依赖固定距离测量,在被测物难以维持静止或不容易靠近时,距离改变引起灵敏度变化,造成测量误差。该文基于微机电系统电场传感器,提出一种可根据测试距离自适应调整灵敏度的静电测量思路:通过超声波模块测量被测物的距离,然后通过单片机查找对应的灵敏度系数,结合电场测试结果计算被测电压。针对研制的静电仪,该文提出基于实验室标定及现场标定相结合的校准方法,搭建了动态灵敏度标定系统,计算出不同测试距离、不同被测物尺寸的传感器灵敏度系数对应关系。与定距测量的传统静电仪相比,该文通过灵敏度动态标定,实现了更精确的非接触表面静电压测量;采用微机电系统电场敏感元件,具有体积小、功耗低、易集成、可批量化制备等优点,封装后无裸露可动部件,可靠性高。经第三方计量检测,在不同测试距离下的平均误差为–2.98%。     

Multi-sensor fusion method for roadheader pose detection

Pose detection of roadheader has become an important topic in the field of mine automation. This paper presents a method of multi sensor data fusion for the detection of roadheader fuselage pose. The pose detection system consists of a cross laser transmitter, several photoelectric sensors and an inclination sensor. The laser transmitter is used to create reference coordinate frame. The photoelectric sensors and inclination sensor are used to acquire data for the calculation of roadheader pose. The spatial algorithm for the pose parameters of roadheader is derived by fusing the measurement data of photoelectric sensors and inclination sensor. A test platform is built to verify the performance of the pose estimation system. The experimental results show that by using multi-sensor data fusion method, the pose estimation system has higher measurement accuracy and can meet the requirements of engineering application.     

基于Bayes估计的机器人触觉传感器信号数据融合

针对触觉传感器不同触觉组单元获得的物体表面轮廓图像，设计了中心式数据融合结构，全局融合算法采用Bayes估计，有效地避免了单一触觉组单元不确定性误差的影响，提高物体表面轮廓数据测量和图像重构的精度，对触觉传感系统整体性能的提高有重要意义。     

多源观测逆问题的多尺度分布式分层求解算法

针对多源观测逆问题求解时所需的计算量过大这问题,该文给出了多源观测逆问题的一种多尺度分布式分层求解算法。其基本思想是:首先,对各传感器上采集到的观测数据分别进行多尺度分解;其次,基于每个传感器的观测信息,得到目标信号的小波变换系数的局部最优估计值;然后,基于相对误差协方差矩阵提供的信息,在每个尺度上将目标信号的小波系数或最粗尺度系数的局部估计值进行融合;最后,做小波逆变换,得到目标信号基于全局信息的融合估计值。采用该算法求解多源观测逆问题既能得到与采用集中式求解算法相当的估计效果,又能有效地降低求解所需的计算量,进一步增强算法的可实施性。     

基于APF的二元WSN运动目标跟踪算法

针对传感节点计算、通信及资源受限的特点,引入二元WSN模型,提出了一种基于辅助粒子滤波(APF)的集中式算法,以实现运动目标的实时跟踪。由于每个二元传感器只对目标是否进入其感知区域做出反应(向数据融合中心报告0或1),粒子滤波算法的复杂运算集中在融合中心完成,因此节点结构简单、通信代价低廉,有助于延长监测网络的生存周期。仿真实验结果表明,该算法对随机部署和规则部署的两种方案,均具有良好的跟踪性能,能满足一般机动目标实时跟踪的应用要求。     

反射式光纤传感器在涂层均匀度检测中的应用

文章用几何光学原理分析了反射光强与表面涂层厚度及均匀度的关系,提出一种用于检测物体表面涂层均匀度的方法.该传感器能针对物体表面涂层的随机性实现不同区域涂层均匀度的在线测试.在理论分析的基础上,构建了实验测试系统.数据表明,采用该传感器进行测试能反映表面涂层均匀度的变化,测试精度可达10μm,具有良好的应用前景.     

用证据理论实现相关信息的融合

用D-S(Dempster-Shafer)证据理论进行多信息融合有一个严格的要求,即要求各传感器所提供的证据相互独立。这在很多实际场合中却很难实现。本文简要地阐述了基于D-S证据理论的多传感器信息融合算法,提供了一种基于D-S理论的推广方法以解决信息融合的相关性问题。并用机器人的力觉和热觉传感器作实验,对该方法的有效性进行了研究。     

Joint audio-video object localization and tracking

There has been a tremendous amount of research on object localization either involving microphone arrays or video cameras. Considerable less attention has been paid, however, to object localization and tracking based on joint audio-video processing thus far. This may be related to the lack of suitable algorithms for object localization simultaneously using multimicrophone outputs and color image sequences. In this article, we propose a solution to this problem. Before elaborating on joint audio-video processing, we review some previous work the areas of audio and video object localization. Then a recursive sensor fusion method based on decentralized Kalman filtering is introduced. Unfortunately, the decentralized Kalman filter cannot be directly used for joint audio-video object localization due to specific properties of the audio sensor. By properly adjusting the local audio position estimator, however, we manage to keep the overall architecture. We stress the general methodology     

Multisensor data fusion for physical activity assessment

This paper presents a sensor fusion method for assessing physical activity (PA) of human subjects, based on support vector machines (SVMs). Specifically, acceleration and ventilation measured by a wearable multisensor device on 50 test subjects performing 13 types of activities of varying intensities are analyzed, from which activity type and energy expenditure are derived. The results show that the method correctly recognized the 13 activity types 88.1% of the time, which is 12.3% higher than using a hip accelerometer alone. Also, the method predicted energy expenditure with a root mean square error of 0.42 METs, 22.2% lower than using a hip accelerometer alone. Furthermore, the fusion method was effective in reducing the subject-to-subject variability (standard deviation of recognition accuracies across subjects) in activity recognition, especially when data from the ventilation sensor were added to the fusion model. These results demonstrate that the multisensor fusion technique presented is more effective in identifying activity type and energy expenditure than the traditional accelerometer-alone-based methods.