信息融合起初叫做數(shù)據(jù)融合（data fusion），起源于1973年美國(guó)國(guó)防部資助開發(fā)的聲納信號(hào)處理系統(tǒng)，在20世紀(jì)90年代，隨著信息技術(shù)的廣泛發(fā)展，具有更廣義化概念的“信息融合”被提出來，多傳感器數(shù)據(jù)融合MSDF (Multi-sensor Data Fusion）技術(shù)也應(yīng)運(yùn)而生。
數(shù)據(jù)融合主要優(yōu)勢(shì)在于：充分利用不同時(shí)間與空間的多傳感器數(shù)據(jù)資源，采用計(jì)算機(jī)技術(shù)按時(shí)間序列獲得多傳感器的觀測(cè)數(shù)據(jù)，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用。獲得對(duì)被測(cè)對(duì)象的一致性解釋與描述，進(jìn)而實(shí)現(xiàn)相應(yīng)的決策和估計(jì)，使系統(tǒng)獲得比它各組成部分更為充分的信息。
一般地，多源傳感器數(shù)據(jù)融合處理過程包括六個(gè)步驟，如下圖所示。首先是多源傳感系統(tǒng)搭建與定標(biāo)，進(jìn)而采集數(shù)據(jù)并進(jìn)行數(shù)字信號(hào)轉(zhuǎn)換，再進(jìn)行數(shù)據(jù)預(yù)處理和特征提取，接著是融合算法的計(jì)算分析，最后輸出穩(wěn)定的、更為充分的、一致性的目標(biāo)特征信息。
利用多個(gè)傳感器所獲取的關(guān)于對(duì)象和環(huán)境全面、完整信息，主要體現(xiàn)在融合算法上。因此，多傳感器系統(tǒng)的核心問題是選擇合適的融合算法。對(duì)于多傳感器系統(tǒng)來說，信息具有多樣性和復(fù)雜性，因此，對(duì)信息融合方法的基本要求是具有魯棒性和并行處理能力,以及方法的運(yùn)算速度和精度。以下簡(jiǎn)要介紹三種種常用的數(shù)據(jù)融合算法，包括貝葉斯統(tǒng)計(jì)理論，神經(jīng)網(wǎng)絡(luò)技術(shù)，以及卡爾曼濾波方法。
貝葉斯統(tǒng)計(jì)理論
英國(guó)數(shù)學(xué)家托馬斯·貝葉斯（Thomas Bayes）在1763年發(fā)表的一篇論文中，首先提出了這個(gè)定理。貝葉斯統(tǒng)計(jì)理論是一種統(tǒng)計(jì)學(xué)方法，用來估計(jì)統(tǒng)計(jì)量的某種特性，是關(guān)于隨機(jī)事件A和B的條件概率的一則定理。所謂"條件概率"（Conditional probability），就是指在事件B發(fā)生的情況下，事件A發(fā)生的概率，用P(A|B)來表示。根據(jù)上述文氏圖，容易推導(dǎo)得到：P(A ∩ B) = P( A | B) * P(B) = P( B | A) * P(A)，由此可以推導(dǎo)出條件概率的公式，其中我們把P(A)稱為先驗(yàn)概率(Prior probability)，即在事件B發(fā)生之前，我們對(duì)事件A發(fā)生概率有一個(gè)認(rèn)識(shí)。
舉個(gè)簡(jiǎn)單的例子，視覺感知模塊中圖像檢測(cè)識(shí)別交通限速標(biāo)志（Traffic Sign Recognition, TSR ）是智能駕駛的重要一環(huán)。TSR識(shí)別過程中，交通限速標(biāo)志牌被樹木，燈桿等遮擋是影響識(shí)別的主要干擾。那么我們關(guān)心的，是交通限速標(biāo)志被遮擋的情況下，檢出率有多少呢？這里我們定義事件A為交通信號(hào)標(biāo)志正確識(shí)別，事件為交通信號(hào)標(biāo)志未能識(shí)別；B為限速標(biāo)志被遮擋，事件為限速標(biāo)志未被遮擋。
根據(jù)現(xiàn)有算法，可以統(tǒng)計(jì)出事件A正確識(shí)別交通限速標(biāo)志的概率，此處事件A的概率稱為先驗(yàn)概率。通過查看視覺感知模塊的檢測(cè)視頻錄像，我們可以統(tǒng)計(jì)檢測(cè)出來的交通限速標(biāo)志中有多少被遮擋，有多少是沒被遮擋的，還可以統(tǒng)計(jì)漏檢的交通限速標(biāo)志中，有多少是被遮擋的，有多少是沒被遮擋的。因此，我們可以得到下面值：
由此，可以推算出被遮擋的情況下，正確識(shí)別限速標(biāo)志的概率：
