[发明专利]一种基于多特征融合迁移学习的鸟类个体识别方法

说明书

本发明公开了一种基于多特征融合迁移学习的鸟类个体识别方法，包括：S1、对已知的鸟鸣信号进行预处理；S2、对预处理后的鸟鸣信号进行分帧和加窗处理，对得到的定帧长的鸟鸣信号利用线性调频小波生成语图；S3、对深度卷积神经网络进行处理；S4、将S2中生成的语图输入到S3的神经网络中获得不同层的特征向量，融合后得到最终的特征向量；S5、将最终的特征向量输入到支持向量机中，训练后得到识别模型；S6、对得到的识别模型进行性能检测，不断改进得到最终的识别模型；S7、将待测鸟鸣信号按照步骤S1、S2、S4进行处理得到最终的特征向量后，将其输入到S6的最终的识别模型中识别鸟类的种类和数量。

技术领域

本发明涉及鸟类识别技术领域，特别是涉及一种基于多特征融合迁移学习的鸟类个体识别方法。

背景技术

人类的活动和大自然的变化对鸟类生活环境有直接或间接的影响，从而可能对鸟类多样性构成威胁。鸟类数量是研究群落种群动态不可缺少的生态学变量，选用其作为生境适宜性定量评价，可以为制定合理的湿地保护和管理规划提供基础。因而鸟类识别对于鸟类和鸟类生活环境的保护有重要意义。

比如，东方大苇莺偏好在长势良好的芦苇丛中营巢，它在繁殖期内对巢域环境的要求尤为严格，对外界环境的变化非常敏感，因而是指示野鸭湖湿地环境变化的理想指示物种。东方大苇莺的调查通常采用人工调查方法，很大程度上依赖于观察者的视觉和听力能力，茂密的植被会造成观察者对远处鸟类的识别和计数困难，从而导致调查范围减小，而且结果具有一定的不确定性。同时湿地相对泥泞，徒步行走困难，且大多数情况下无法借助交通工具，需要花费大量的时间和精力。近年来，红外相机技术在国内野生动物调查与监测中得到了广泛应用，该方法无法监测被遮挡的鸟类个体，因此不适合于东方大苇莺的调查。综上所述，传统的调查与监测方法存在不同的弊端，有必要研究新的方法弥补以上不足。大苇莺鸣唱语句的起始部分在个体内较为保守，相对集中的体现个体特征，以此为理论依据，利用声音采集设备以及个体识别软件，基于鸣声识别东方大苇莺个体，实现东方大苇莺的调查与监测的方法，不仅可以克服上述缺点，而且是高效率、非损伤、低干扰、大范围的监测方法，具有巨大的应用前景。

目前常用的鸟鸣声分类方法包括：1、基于模板匹配的分类方法，最具代表性的就是动态时间规整算法，该方法虽然识别精度较高，但是运算量太大，影响识别效率。2、建立基于特征的分类模型实现分类，常用的模型或方法有隐马尔可夫模型、高斯混合模型、支持向量机、随机森林、自主神经网络、k最近邻以及集成学习等，该类方法中手动提取合适的差异特征仍是一大瓶颈；3、基于深度学习的分类方法，该类方法将深度卷积神经网络引入鸟鸣声识别中，利用其优异的学习能力突破手动提取鸟鸣声差异特征的瓶颈。H.V.Koops利用深度神经网络(Deep Neural Network，DNN)实现了基于鸣声的鸟类识别，并对比了不同输入时的识别效果，结果表明采用音频信号的梅尔频率倒谱系数(Mel Frequency CepstrumCoefficient,MFCC)、delta-MFCC以及delta-delta-MFCC相结合的输入时，识别效果最佳。I.Potamitis研究发现，利用语图特征基于深度卷积神经网络(Deep ConvolutionalNeural Network，DCNN)进行分类时，选择音节特征作为输入比选择鸣唱特征的分类效果更好。K.J.Piczak以音频信号的梅尔频域功率谱图为输入，对比了3种不同结构的DCNN的识别效果，结果表明输入功率谱图的大小、网络的层数以及网络结构都会对识别效果产生影响；将同一音频信号中，采用不同区域作为输入时的识别结果求均值，可以提高识别的准确率。

利用深度卷积神经网络，基于鸣声识别鸟类物种的方法可以通过训练自动获取特征，但是训练深度卷积神经网络需要大量的样本数据，因为鸟类物种鸣声存在地域差异不能直接用网上下载的鸣声进行训练和验证，而实地采集的鸣声样本又有限，小样本训练深度神经卷积网络容易导致过拟合，使得模型的识别精度下降。另外，现有技术中基于灰度图的灰度共生矩阵求取代表鸟类差异的特征值，选择的特征单一，无法具有更好的通用性能

发明内容