[发明专利]复杂环境下基于自适应能量检测的鸟鸣识别方法

说明书

技术领域

本发明涉及鸟鸣识别技术领域，特别是一种复杂环境下基于自适应能量检测的鸟鸣识别方法。

背景技术

复杂生态环境中的鸟类能发出各种多样的鸣叫声，其声音蕴含着与人类生存环境息息相关的丰富信息。人们可以通过检测、分析和识别鸟鸣声音来获取相关鸟类信息，了解鸟类物种种群的数量、种类以及生活习性，对鸟类进行监控和保护，从而对周围的生态环境或居住环境进行评估与预测。

随着科技的日渐发展，鸟类声音的分类识别技术已经取得了不少的研究成果。文献[1]用正弦曲线对连续鸟叫声的音节进行建模，进而用得到的参数对大量鸟叫声进行分类识别。文献[2]把声音信号表征成码书帧柱状图，用由贝叶斯风险最小化导出的最大后验概率(Maximum A-Posteriori，MAP)和基于统计流形的Kullback-Leibler散度规则的最近邻分类器来对大量鸟叫声进行识别。文献[3]提出了基于音节分割的鸟叫声分类识别方法，比对了正弦曲线模型特征、麦尔频率倒谱系数（Mel-Frequency Cepstrum Coefficient，MFCC）和基音时频特征三种特征，分析了动态时间规整（Dynamic Time Warping，DTW）、高斯混合模型（Gaussian Mixture Model，GMM）和隐马尔科夫模型（Hidden Markov Model,，HMM）三种分类器对鸟叫声自动识别的适用性及有效性。考虑到噪声的影响，研究者也探索了噪声中的鸟叫声识别方法。文献[4]通过降噪分段后提取小波包分解（Wavelet Packet Decomposition，WPD）的小波系数特征，最后用无监督自组织映射（Self-Organizing Map，SOM）和监督多层感知（Multi-Layer Perceptron，MLP）两种神经网络分类器来对不和谐的瞬时鸟叫声进行分类识别。文献[5]在多种鸟声重叠和存在自然噪声的情况下，对两种濒临灭绝的鸟类进行声音检测，用噪声估计和谱减法去噪，根据鸟叫声监视鸟类种群。文献[6]利用谐音特点提取基于音调的特征，用GMM进行建模，分别在白噪声和真实噪声环境下对95种鸟类的165段谐音鸟叫声音节进行自动检测和分类识别。

考虑到复杂生态环境中的鸟鸣不可避免地会参杂背景噪声，许多研究者使用去噪方法来排除噪声干扰，但这又会使得鸟鸣声音失真或者残留音乐噪声，影响鸟鸣声音分类识别性能。由此想到先从噪声中检测出有用鸟鸣声音信号，再对其进行分类识别，这样可以提高效率和性能。而传统的端点检测方法，比如短时能量和过零率的双门限方法，在无噪声情况下效果较好，但是在复杂的噪声环境中，其效果不够理想。由此引入能量检测方法，但是传统的能量检测方法需要噪声的先验知识，且没有针对性。

发明内容

本发明的目的是提供一种复杂环境下基于自适应能量检测的鸟鸣识别方法，通过该方法提取的WPSCC特征具有较好的抗噪功能，且经过自适应能量检测后的识别性能更佳，更适用于复杂环境下的鸟鸣识别，对复杂环境下含噪鸟鸣声音具有较好的分类识别效果。

本发明采用以下方案实现：一种复杂环境下基于自适应能量检测的鸟鸣识别方法，其特征在于包括以下步骤：

步骤1，根据鸟叫声频率分布情况将声音分成三个频带；

步骤2，对包含有噪声的鸟鸣声音信号用基于噪声功率谱估计和前景声音存在概率的自适应能量检测方法检测并筛选出有用鸟鸣信号；

步骤3，根据Mel尺度的分布，对有用鸟鸣信号提取Mel尺度的小波包分解子带倒谱系数（WPSCC）特征；

步骤4，用支持向量机（SVM）分类器分别对提取的Mel尺度的小波包分解子带倒谱系数（WPSCC）和麦尔频率倒谱系数（MFCC）特征进行建模分类识别。