[發(fā)明專利]一種基于多特征融合遷移學(xué)習(xí)的鳥類個體識別方法

在審

• 申請?zhí)枺?/td>: 201810058223.1
• 申請日: 2018-01-22
• 公開（公告）號: CN108197591A
• 公開（公告）日: 2018-06-22
• 發(fā)明（設(shè)計(jì)）人: 謝將劍;李文彬;張軍國;岳陽;駱濟(jì)宏
• 申請（專利權(quán)）人: 北京林業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 付生輝

1.一種基于多特征融合遷移學(xué)習(xí)的鳥類個體識別方法，其特征在于，方法步驟包括：

S1、對已知的鳥鳴信號進(jìn)行預(yù)處理，包括

采用預(yù)加重補(bǔ)償鳥鳴信號在高頻能量上的損失，進(jìn)行維納濾波濾除背景噪聲，對鳥鳴信號進(jìn)行分割處理，去除靜音區(qū)；

S2、對預(yù)處理后的鳥鳴信號進(jìn)行分幀和加窗處理，得到定幀長的鳥鳴信號，對得到的定幀長的鳥鳴信號進(jìn)行線性調(diào)頻小波變換，將其展開成一系列線性調(diào)頻小波基函數(shù)的線性組合，利用小波系數(shù)生成語圖，

選擇的線性調(diào)頻母小波基函數(shù)為：

其中，t為時間、t_c為時間中心、f_c為頻率中心、△t為持續(xù)時間、c為線性調(diào)頻率；

S3、對深度卷積神經(jīng)網(wǎng)絡(luò)Inception-ResNet-v2進(jìn)行處理，得到預(yù)訓(xùn)練模型；

S4、將S2中生成的語圖輸入到S3的預(yù)訓(xùn)練模型中獲得不同層的特征向量，對獲取的不同層的特征向量進(jìn)行融合，得到最終的特征向量；

S5、將最終的特征向量輸入到支持向量機(jī)SVM中，進(jìn)行訓(xùn)練，獲得識別模型；

S6、對得到的識別模型進(jìn)行性能檢測，選取最終的識別模型；

S7、將待測鳥鳴信號按照步驟S1、S2、S4進(jìn)行處理得到最終的特征向量，將特征向量輸入到S6的最終的識別模型中進(jìn)行識別，輸出鳥類的種類和數(shù)量。

2.根據(jù)權(quán)利要求1所述的一種基于多特征融合遷移學(xué)習(xí)的鳥類個體識別方法，其特征在于，所述步驟S3對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理包括：

去除所述深度卷積神經(jīng)網(wǎng)絡(luò)的輸出層；

將用于遷移到識別模型的特征提取部分的網(wǎng)絡(luò)進(jìn)行凍結(jié)。

3.根據(jù)權(quán)利要求1所述的一種基于多特征融合遷移學(xué)習(xí)的鳥類個體識別方法，其特征在于，所述步驟S4選取三個不同層的特征，分別對三個特征池化得到三個不同的特征向量，融合得到最終特征向量。

4.根據(jù)權(quán)利要求1所述的一種基于多特征融合遷移學(xué)習(xí)的鳥類個體識別方法，其特征在于，所述步驟S6包括

利用項(xiàng)目組已標(biāo)記好的鳴聲庫作為訓(xùn)練或識別的數(shù)據(jù)，采用十折交叉驗(yàn)證法來驗(yàn)證識別模型的準(zhǔn)確性，根據(jù)準(zhǔn)確率、召回率和F值三個參數(shù)綜合評價識別模型的性能。