特征提取

特征的定义

特征是指具有代表性或区分性的属性或信息。在传感器数据融合中，特征提取的目的是从原始数据中提取一组典型的特征信息，形成特征向量，用于后续的分类、识别或决策。

特征提取在数据融合层次中的位置

多传感器数据融合按信息抽象程度分为三个层次：原始层（数据层）、特征层和决策层。特征层融合是指从传感器的原始信息中提取一组典型的特征信息，对多个传感器的观察值进行特征提取，并综合为一组特征向量进行融合。该层次的融合兼备原始层和决策层的优缺点，具有较大的应用范围。

特征层融合的典型技术主要为模式识别技术，如人工神经网络、模糊聚类方法等。

特征提取的功能

在数据融合系统的功能模型中，特征提取是基础功能之一。由于各观测值具有一定的时间性和空间性特征，需要先对各传感器的观测值进行时间校准和空间坐标变换，以形成数据融合所需要的统一的时间和空间参考点；在此基础上，特征提取从统一参考点下的观测值中提取具有代表性或区分性的属性或信息，形成特征向量。

从原始数据到特征向量

特征提取将原始数据序列映射为特征向量。例如，原始数据序列（如 0.2, 0.1, 0.7, ...）经过特征提取后，可转化为特征向量（如 0.11, 0.3, -0.1, ...）。该示例中特征向量维度低于原始数据序列，体现了数据降维；但特征提取并不必然降维，其维度可低于、等于甚至高于原始数据，取决于所提取属性的选择或变换方式。

特征提取与决策的关系

在特征层数据融合中，多个传感器的原始数据经特征提取生成特征向量，最终输入决策模型得出决策结果。数据流程为：传感器1/2/3 → 原始数据 → 特征提取 → 特征向量 → 决策模型 → 决策结果。

深度学习中的联合特征提取与输出估计

在基于传感器阵列的手指姿态估计中，深度学习模型可同时完成特征提取和决策。传感器原始数据输入深度学习模型，模型内部进行“提取特征 + 决策”，通过神经网络结构将输入特征映射为输出结果，最终得到手指姿态三维估计值（包含手指骨架点及坐标标注 x, y, z 和 u, v）。该流程表明深度学习可联合进行特征提取与输出估计，无需显式分离特征提取和决策阶段。

特征提取的典型示例

在动物辨识中，黑猫剪影的轮廓（如耳朵、胡须、颈部线条）可作为辨识动物的关键特征。这些轮廓线具有代表性和区分性，能够从原始图像数据中提取出来用于分类。