[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

摘要

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。

主权项

1.一种基于多特征融合迁移学习的鸟类个体识别方法，其特征在于，方法步骤包括：S1、对已知的鸟鸣信号进行预处理，包括采用预加重补偿鸟鸣信号在高频能量上的损失，进行维纳滤波滤除背景噪声，对鸟鸣信号进行分割处理，去除静音区；S2、对预处理后的鸟鸣信号进行分帧和加窗处理，得到定帧长的鸟鸣信号，对得到的定帧长的鸟鸣信号进行线性调频小波变换，将其展开成一系列线性调频小波基函数的线性组合，利用小波系数生成语图，选择的线性调频母小波基函数为：其中，t为时间、tc为时间中心、fc为频率中心、△t为持续时间、c为线性调频率；S3、对深度卷积神经网络Inception‑ResNet‑v2进行处理，得到预训练模型；S4、将S2中生成的语图输入到S3的预训练模型中获得不同层的特征向量，对获取的不同层的特征向量进行融合，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SVM中，进行训练，获得识别模型；S6、对得到的识别模型进行性能检测，选取最终的识别模型；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，将特征向量输入到S6的最终的识别模型中进行识别，输出鸟类的种类和数量。