[发明专利]一种基于鸟鸣声的移动式鸟类识别方法

说明书

技术领域

本发明属于鸟声识别技术领域，涉及一种基于鸟鸣声的移动式鸟类识别方法。

背景技术

鸟声识别和说话人识别一样，都属于生物识别的一种，都是基于物种以及物间的差异性来实现的。现有的鸟声识别技术大都是利用鸟鸣声的短时平稳特性，对鸟鸣声进行分帧处理，然后提取梅尔倒谱系数（MFCC）或者线性预测倒谱系数（LPCC）作为鸟鸣声信号的特征值点集。然后建立高斯混合模型（GMM）或者隐马尔可夫模型（HMM）进行最后的识别。现有技术虽然都能取得很好的识别率，但是也存在着以下几方面的不足：

1.特征值提取过程复杂，计算量偏大。

2.建立模型，得到的模型数据量大。

3.识别效率不高。由于计算量大，识别耗时长。

发明内容

本发明针对现有技术的不足，提供了一种计算量小，识别效率高，数据量小的基于鸟鸣声的移动鸟类识别方法。

本发明方法具体是：

1）鸟鸣声信号进行预处理：预处理主要包括预加重，滤波和语音分段。预加重提高鸟鸣声信号的高频部分，滤波消除外界噪声的影响，语音分段将鸟鸣声信号分割成设定长度的语音段。

2）鸟鸣声信号的时频分析：将预处理过的语音信号进行AOK时频分析，得到鸟鸣信号的时变频谱图。 

3）对时频谱图进行灰度变换，得到灰度图，求取灰度图的灰度共生矩阵，然后求取代表鸟类差异的特征值。

4）将已知鸟种的鸟进行编号，依次对其进行时频分析与特征值提取，将每种鸟的特征值对应编号进行记录和存储生成训练模板。

5）将待识别的鸟进行特征值的提取并做好记录和存储生成测试模板。

6）采用DTW算法将测试模板依次与训练模板进行数值匹配，比较匹配值的大小，最小匹配值对应的鸟种即为识别所得到的鸟种。

进一步说，步骤3）中的特征值为灰度共生矩阵不同角度的图像纹理特征参数。

进一步说，步骤4）中生成训练模板和步骤5）中生成测试模板过程中包括特征值的压缩处理步骤，将训练模板和测试模板的特征值数据进行主成成分分析，进一步压缩特征值数据。

进一步说，步骤6）中的训练模板和测试模板的匹配采用的是动态时间规整算法。该算法有效的减少了计算量，有效的提高了识别效率，减少运行时间。

本发明可以尽可能的降低外界噪音以及不同时间段鸟鸣声差异性对实验结果的影响，通过AOK（自适应最优核时频分布）时频谱图可以明显的看出不同鸟类的时频差异，基于时频谱图获取的特征值数据量小且具有代表性。识别过程只需要计算测试模板和训练模板的距离差即可以得到最后的识别的结果，具有计算量小，识别效率高等优点。

附图说明

图1 为本发明的整体构架示意图；

图2 为本发明的鸟鸣声信号的特征值提取的流程示意图；

图3 为本发明的灰度共生矩阵生成示意图；

图4为不同鸟种以及相似鸟种鸟鸣声信号的时频谱图示意图；

图5为本发明鸟类识别的流程示意图。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，本发明所使用的装置包括小车、计算机、CRIO（CompactRIO系列模块化仪器）、摄像头、动态信号分析仪、IEPE集成电路压电式麦克风、LabVIEW和MATLAB软件。CRIO与动态信号分析仪均与第一计算机相连，该计算机上安装有LabVIEW和MATLAB软件，第一计算机通过CRIO实现小车的智能控制，包括前进、后退、转弯以及通过PID算法进行速度自动控制。实时监控供电电池电压，欠压进行报警等功能；通过摄像头实现小车的监控，通过动态信号分析仪和IEPE集成电路压电式麦克风实现鸟鸣声信号的采集，采集的鸟鸣声在第一计算机上显示。第一计算机和第二计算机通过无线WIFI技术建立连接，建立连接之后第一计算机上的信号以及小车的监控画面传送到第二计算机上，在第二计算机上实现小车的监控、数据的存储以及鸟叫识别。