[發明專利]復雜環境下基于自適應能量檢測的鳥鳴識別方法

有效

• 申請號: 201310470092.5
• 申請日: 2013-10-10
• 公開（公告）號: CN103489446A
• 公開（公告）日: 2014-01-01
• 發明（設計）人: 李應;張小霞
• 申請（專利權）人: 福州大學
• 主分類號: G10L17/26
• 分類號: G10L17/26;G10L17/02
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

技術領域

本發明涉及鳥鳴識別技術領域，特別是一種復雜環境下基于自適應能量檢測的鳥鳴識別方法。

背景技術

復雜生態環境中的鳥類能發出各種多樣的鳴叫聲，其聲音蘊含著與人類生存環境息息相關的豐富信息。人們可以通過檢測、分析和識別鳥鳴聲音來獲取相關鳥類信息，了解鳥類物種種群的數量、種類以及生活習性，對鳥類進行監控和保護，從而對周圍的生態環境或居住環境進行評估與預測。

隨著科技的日漸發展，鳥類聲音的分類識別技術已經取得了不少的研究成果。文獻[1]用正弦曲線對連續鳥叫聲的音節進行建模，進而用得到的參數對大量鳥叫聲進行分類識別。文獻[2]把聲音信號表征成碼書幀柱狀圖，用由貝葉斯風險最小化導出的最大后驗概率(Maximum?A-Posteriori，MAP)和基于統計流形的Kullback-Leibler散度規則的最近鄰分類器來對大量鳥叫聲進行識別。文獻[3]提出了基于音節分割的鳥叫聲分類識別方法，比對了正弦曲線模型特征、麥爾頻率倒譜系數（Mel-Frequency?Cepstrum?Coefficient，MFCC）和基音時頻特征三種特征，分析了動態時間規整（Dynamic?Time?Warping，DTW）、高斯混合模型（Gaussian?Mixture?Model，GMM）和隱馬爾科夫模型（Hidden?Markov?Model,，HMM）三種分類器對鳥叫聲自動識別的適用性及有效性。考慮到噪聲的影響，研究者也探索了噪聲中的鳥叫聲識別方法。文獻[4]通過降噪分段后提取小波包分解（Wavelet?Packet?Decomposition，WPD）的小波系數特征，最后用無監督自組織映射（Self-Organizing?Map，SOM）和監督多層感知（Multi-Layer?Perceptron，MLP）兩種神經網絡分類器來對不和諧的瞬時鳥叫聲進行分類識別。文獻[5]在多種鳥聲重疊和存在自然噪聲的情況下，對兩種瀕臨滅絕的鳥類進行聲音檢測，用噪聲估計和譜減法去噪，根據鳥叫聲監視鳥類種群。文獻[6]利用諧音特點提取基于音調的特征，用GMM進行建模，分別在白噪聲和真實噪聲環境下對95種鳥類的165段諧音鳥叫聲音節進行自動檢測和分類識別。

考慮到復雜生態環境中的鳥鳴不可避免地會參雜背景噪聲，許多研究者使用去噪方法來排除噪聲干擾，但這又會使得鳥鳴聲音失真或者殘留音樂噪聲，影響鳥鳴聲音分類識別性能。由此想到先從噪聲中檢測出有用鳥鳴聲音信號，再對其進行分類識別，這樣可以提高效率和性能。而傳統的端點檢測方法，比如短時能量和過零率的雙門限方法，在無噪聲情況下效果較好，但是在復雜的噪聲環境中，其效果不夠理想。由此引入能量檢測方法，但是傳統的能量檢測方法需要噪聲的先驗知識，且沒有針對性。

發明內容

本發明的目的是提供一種復雜環境下基于自適應能量檢測的鳥鳴識別方法，通過該方法提取的WPSCC特征具有較好的抗噪功能，且經過自適應能量檢測后的識別性能更佳，更適用于復雜環境下的鳥鳴識別，對復雜環境下含噪鳥鳴聲音具有較好的分類識別效果。

本發明采用以下方案實現：一種復雜環境下基于自適應能量檢測的鳥鳴識別方法，其特征在于包括以下步驟：

步驟1，根據鳥叫聲頻率分布情況將聲音分成三個頻帶；

步驟2，對包含有噪聲的鳥鳴聲音信號用基于噪聲功率譜估計和前景聲音存在概率的自適應能量檢測方法檢測并篩選出有用鳥鳴信號；

步驟3，根據Mel尺度的分布，對有用鳥鳴信號提取Mel尺度的小波包分解子帶倒譜系數（WPSCC）特征；

步驟4，用支持向量機（SVM）分類器分別對提取的Mel尺度的小波包分解子帶倒譜系數（WPSCC）和麥爾頻率倒譜系數（MFCC）特征進行建模分類識別。