[发明专利]一种基于GMM识别模型的鸟类智能识别方法及系统

权利要求书

1.一种基于GMM识别模型的鸟类智能识别方法，其特征在于，包括以下步骤：

S1：采集鸟类声音信号，同时采集声音源方向的图像信号；

S2：将采集的鸟类声音信号和图像信号进行预处理；

S3：将经过预处理的鸟类声音信号和图像信号分别输入用于识别鸟类声音的GMM识别模型，以及用于识别鸟类图像的卷积神经网络模型，分别输出鸟类声音识别结果和鸟类图像识别结果，并分别存储在声纹库和图像库中；

S4：将待识别的鸟类声音信号和图像信号分别与所述声纹库和图像库中的样本进行比对，输出鸟类识别结果。

2.根据权利要求1所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述S2步骤中，对图像信号进行预处理的具体步骤包括：

S2.1：将图像信号转换为灰度图；

S2.2：对图像进行边缘提取、图像降噪和归一化处理；

S2.3：对图像进行二进制化处理。

3.根据权利要求2所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述S2.1步骤中，将图像信号转换为灰度图采用极值法、平均值法、加权法中的一种或多种。

4.根据权利要求2所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述S2.3步骤中，对图像信号进行二进制化处理的步骤包括：设定当前图像的像素三分量分别为R,G,B，对所述像素分量R,G,B进行转换得到转换后的像素分量值gray，其表达公式如下：

gray＝0.4×R+0.2×g+0.4×B。

5.根据权利要求2所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述S3步骤中，将图像信号输入卷积神经网络模型中的步骤包括：

将采集的图像信号进行二进制化处理，然后对其进行目标特征识别，得到图像特征样本；

将所述图像特征样本进行颜色通道转换并获取其灰度值，然后提取其轮廓特征并滤除背景，得到所述图像特征样本的形体轮廓；

将所述图像特征样本的形体轮廓输入卷积神经网络模型中，所述卷积神经网络模型对图像特征样本中的特征进行识别，输出得到图像分类结果。

6.根据权利要求5所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述卷积神经网络模型包括2层卷积层和池化层、2层全连接层，以及1个输入层和1个输出层；所述卷积层中包括ReLU激活函数层，所述池化层采用max_pool最大池化方式，所述全连接层的神经元采用dropout方式，所述输出层采用softmax和AdamOptimizer优化器。

7.根据权利要求5所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述S3步骤中还包括以下步骤：

采用稀疏自编码器通过隐藏层学习一个数据的表示或对原始数据进行有效编码，学习得到输入数据的特征，得到完成训练的卷积神经网络模型；其中所使用的数据为人工或网络采集的训练数据集，将所述训练数据集进行分辨率统一后保存为图像库。

8.根据权利要求1所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述GMM识别模型包括鸣叫声GMM模型、鸣唱声GMM模型和环境GMM模型。

9.根据权利要求8所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，所述鸣叫声GMM模型、鸣唱声GMM模型和环境GMM模型分别通过对获取的鸟类鸣叫声、鸟类鸣唱声和环境声样本进行MFCC语音特征参数提取并构建得到。

10.一种基于GMM识别模型的鸟类智能识别系统，应用于权利要求1～9任一项所述的基于GMM识别模型的鸟类智能识别方法，其特征在于，包括图像采集器、防水拾音器、ARM处理器、通信模块、后台服务器，其中：

所述图像采集器安装在输电线路杆塔上，所述图像采集器的输出端与所述ARM处理器的输入端连接；

所述防水拾音器安装在输电线路杆塔上，所述防水拾音器的输出端与所述ARM处理器的输入端连接；

所述ARM处理器通过所述通信模块与所述后台服务器数据交互；所述ARM处理器用于对图像采集器和防水拾音器分别采集的图像信号和声音信号进行识别，输出得到鸟类识别结果，然后通过通信模块传送到后台服务器中。