[发明专利]基于空间方位的鸟鸣识别方法、系统、计算机设备与介质

说明书

本发明提供了一种基于空间方位的鸟鸣识别方法、系统、计算机设备与介质，所述方法包括通过预先配置的特定数量的无线声音传感器阵列采集鸟声信号；通过空间滤波和定位算法对所述鸟声信号进行空间方位识别，得到降噪鸟声信号和空间方位信息；预处理所述降噪鸟声信号，得到与之对应的鸟声切片，并采用所述空间方位信息对所述鸟声切片进行标注，得到空间鸟声切片；采用梅尔倒谱系数法对所述空间鸟声切片进行特征提取，得到切片鸟声特征；通过鸟声分类模型对所述切片鸟声特征进行分类识别，得到识别结果。本发明不仅有效识别鸟声类别、数量和空间方位，还提高了识别的效率和精确度。

技术领域

本发明涉及声学信号处理与生态监测技术领域，特别是涉及一种基于空间方位的鸟鸣识别方法、系统、计算机设备和存储介质。

背景技术

鸟类的数量、种类和生存状态是评价生态环境好坏的重要指标，相关研究对于生态环境的监控和保护具有重要意义。具体而言，确定鸟群在目标生态环境中的种类、空间分布、生活习性等，是生态多样性监测的重要内容。相关监测结果不仅可以反映出目标区域的生态环境状况，还可以为评估生态保护方案的有效性提供依据。鸣声作为鸟类的一类重要的生物特征，成为众多鸟类学家辨识鸟群种类、统计鸟群数量、以及回溯鸟类活动轨迹的重要研究依据，且随着科技的进步，鸟类学家已经基于鸟鸣研究，获取了大量鸟类生物学信息。

现有的鸟鸣识别方法主要有两类：(1)基于模板匹配的识别方法，比如，将训练集提取的鸟声特征作为模板存入模板库，提取待识别鸟声特征后，采用动态时间规整算法(DTW，Dynamic Time Warping)或其改进的DTW(Derivative Dynamic Time Warping)算法，将待识别鸟声特征与模板库中的所有模板进行匹配，计算距离，找到最短距离对应的鸟声类别，作为识别的鸟声类别；(2)基于特征深度学习的识别方法，比如采用高斯混合模型(GMM)、支持向量机(SVM)、随机森林模型(Random Forests)、隐马尔可夫模型(HMM)和深度神经网络(DNN)模型等对鸟声特征进行训练识别得到分类结果。虽然上述两类方法基于鸟鸣的研究都取得了一定的成果，但它们仍有不足：首先，二者都存在自身的应用缺陷，如基于模板匹配的识别方法因需要预先采用对应的算法把采集到的鸟鸣时间序列进行一定程度的缩放至同等长度才能进行相似性的比较，其运算量代价非常大，严重影响识别效率，不利于实际应用的推广；基于特征深度学习的识别方法中采用的特征提取方法大多基于人类语音发声原理和听觉模型进行构建，没有充分考虑鸟鸣频谱的特性；其次，二者均未在鸟鸣数据采集中考虑空间域信号特征，未考虑使用传感器阵列进行采集且未在鸟鸣数据的预处理上引入空间滤波和声源定位，在一定程度上限制了基于鸟鸣数据的研究效果和应用范围；再次，二者均未涉及鸟类的空间方位信息，不能有效处理遮挡物后面和距离较远处的鸟类进行监测，也不能有效支持对鸟类进行定位与追踪的要求，以及在实际应用中难以区分采集的鸟声是否来自同一只鸟，不能获得完整和全面的生态监测信息。

显然，一种能有效识别鸟类鸣声类别、数量和空间方位的基于空间方位的鸟鸣识别方法，可以更好地满足全面的生态监测要求，还能提高识别的效率和精确度，提升监测效果和应用范围，对于基于动物声纹的生态多样性监测具有重要意义。

发明内容

本发明的目的是提供一种不仅能有效识别鸟声类别、数量和空间方位，满足生态监测的完整性和全面性要求，还能提高识别的效率和精确度的鸟鸣识别方法。

为了实现上述目的，有必要针对上述技术问题，提供一种基于空间方位的鸟鸣识别方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种基于空间方位的鸟鸣识别方法，所述方法包括以下步骤：

通过预先配置的特定数量的无线声音传感器阵列采集鸟声信号；

通过空间滤波和定位算法对所述鸟声信号进行空间方位识别，得到降噪鸟声信号和空间方位信息；

预处理所述降噪鸟声信号，得到与之对应的鸟声切片，并采用所述空间方位信息对所述鸟声切片进行标注，得到空间鸟声切片；